دانلود ترجمه مقاله کاربرد فنون داده کاوی در تشخیص جرم و تعیین هویت جنایتکار در هند – مجله اسپرینگر

دانلود ترجمه مقاله کاربرد فنون داده کاوی در تشخیص جرم و تعیین هویت جنایتکار در هند – مجله اسپرینگر

 

 عنوان فارسی مقاله: کاربرد فنون داده کاوی در تشخیص جرم و تعیین هویت جنایتکار در هند
 عنوان انگلیسی مقاله: Crime detection and criminal identification in India using data mining techniques
دانلود مقاله انگلیسی: برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید

 

سال انتشار  ۲۰۱۵
تعداد صفحات مقاله انگلیسی  ۱۱
تعداد صفحات ترجمه مقاله  ۲۳
مجله  جامعه و هوش مصنوعی (AI & SOCIETY)
دانشگاه  گروه CSE، دانشگاه فنی گاندی دهلی، هند
کلمات کلیدی  خوشه بندی، دسته بندی، جرم ، داده کاوی، نقشه گوگل، میانگین k، K-NN، WEKA
رشته های مرتبط  مهندسی کامپیوتر، هوش مصنوعی، رباتیک و مکاترونیک
موضوعات این مقاله   هوش مصنوعی (شامل رباتیک)، علوم کامپیوتر، اقتصاد مهندسی عمومی، سازمان، تدارکات، بازاریابی کنترل، رباتیک، مکاترونیک هنرهای نمایشی روش شناسی علوم اجتماعی
نشریه اسپرینگر – Springer

 


فهرست مطالب:

 

 چکیده
۱ مقدمه
۲ پیشینه و کارهای مرتبط
۳ روش
۱ ۳ مجموعه داده CDCI
۱ ۱ ۳ حفاظت ازداده های CDCI
۲ ۳ شیوه CDCI پیشنهادی
۴ آزمایش و نتایج
۱ ۴ CDCI برای انتخاب شهرهای هندی
۲ ۴ اجرای میانگین k CDCI
۱ ۲ ۴ میانگین k CDCI برای مورد ۱ تا ۴
۳ ۴ اجرای GMAPI CDCI
۴ ۴ اجرای CDCI KNN
۵ ۴ CDCI با استفاده از weka
۵ نتیجه گیری
۶ کار آتی

 


 

بخشی از ترجمه:

 

چکیده

برای همکاری در جهت مبارزه با جرایم و شناسایی مجرمین، تکنولوژی یکپارچه CDCI با استفاده از DMT برای شهرهای هندی را پیشنهاد می کنیم. انتخاب هفت شهر هندی براساس نرخ جرم و جنایتشان صورت می گیرد. CDCI داده های ساختارنیافته جرم را از طریق منابع اینترنتی مختلف استخراج و سپس داده های جرم را در ۵۰۳۸ نمونه ساختاریافته پیش پردازش می نماید که با استفاده از ۳۵ ویژگی جرم از قبل تعریف شده، نمایش داده می شوند. رابط کاربری حفاظت شده با رمز جهت دسترسی به ابزار CDCI طراحی شده است. سپس CDCI از خوشه بندی میانگین k برای کشف جرم در طول سالهای ۲۰۱۲- ۲۰۰۰ از طریق چهار مورد استفاده می کند. مورد ۱ جرایم به وقوع پیوسته در هند را صرف نظر از مکان وقوع جرم و تیپ جرم کشف می کند. مورد ۲، جرایم در مکان خاصی مثل دهلی را صرف نظر از تیپ جرم کشف می کند. مورد ۳ تیپ خاصی از جرایم ، مثلاً قتل عمد را صرف نظر از مکان وقوع جرم، کشف می کند. و مورد ۴ تیپ خاصی از جرایم را کشف می کند که در مکانی خاص به وقوع می پیوندند. برای بهبود نتایج میانگین k، CDCI، GMAPI را اجرا می کند که از طریق نقشه های گوگل را جاسازی می کند. CDCI از دسته بندی KNN نیز برای شناسایی و پیش بینی مجرمین استفاده می کند. KNN به جرایم گذشته نگاه کرده و جرایم مشابهی می یابد که بر اساس نزدیک ترین همسایه های تطبیق یافته، با جرم فعلی تطابق دارند. سپس CDCI از برای تائید میانگین k ،نتایج مورد ۱ استفاده می کند. در جریان تشکل دو خوشه جرم با استفاده از ویژگیهای منتخب جرم، به ترتیب صحت ۶۲٫ ۹۳ و ۹۹٫ ۹۳ درصد را اندازه گیری می کنیم.
سازمان های پژوهشی می توانند از ابزار داده کاوی پیشنهایی برای سهولت فرایند پژوهش جرم استفاده کنند. CDCI با پردازش و فیلترینگ داده های حجیم و بسیار بزرگ جرم در کوتاه مدت می تواند فرایند حل جرم را سرعت بخشد. بنابراین، CDCI می تواند به سازمان های مجری قانون در اجرای امنیت شهروندان هند کمک نماید.
۶٫ کار آتی
در آینده می توان حریم خصوصی داده ها، قابلیت اطمینان و پایایی، صحت و سایر معیارهای امنیتی سیستم داده کاوی مبتنی بر جرم را بهبود بخشید. همچنین باید با سازمان های امنیتی در هند همکاری نماییم.

 


بخشی از مقاله انگلیسی:

 

Abstract

In the current paper, we propose an approach for the design and implementation of crime detection and criminal identification for Indian cities using data mining techniques. Our approach is divided into six modules, namely—data extraction (DE), data preprocessing (DP), clustering, Google map representation, classification and WEKA implementation. First module, DE extracts the unstructured crime dataset from various crime Web sources, during the period of 2000–۲۰۱۲٫ Second module, DP cleans, integrates and reduces the extracted crime data into structured 5,038 crime instances. We represent these instances using 35 predefined crime attributes. Safeguard measures are taken for the crime database accessibility. Rest four modules are useful for crime detection, criminal identification and prediction, and crime verification, respectively. Crime detection is analyzed using k-means clustering, which iteratively generates two crime clusters that are based on similar crime attributes. Google map improves visualization to k-means. Criminal identification and prediction is analyzed using KNN classification. Crime verification of our results is done using WEKA. WEKA verifies an accuracy of 93.62 and 93.99 % in the formation of two crime clusters using selected crime attributes. Our approach contributes in the betterment of the society by helping the investigating agencies in crime detection and criminals’ identification, and thus reducing the crime rates.

۶ Future work

In future, we can enhance data privacy, reliability, accuracy and other security measures of our crime-based data mining system. We shall also collaborate with security agencies in India.

 


 

 عنوان فارسی مقاله: کاربرد فنون داده کاوی در تشخیص جرم و تعیین هویت جنایتکار در هند
 عنوان انگلیسی مقاله: Crime detection and criminal identification in India using data mining techniques

 

 دانلود رایگان مقاله انگلیسی

 

خرید ترجمه فارسی مقاله با فرمت ورد

 

خرید نسخه پاورپوینت این مقاله جهت ارائه

برچسب ها

ثبت دیدگاه