گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” کاربرد آموزش تقویتی در مدیریت منابع در WSN ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مدیریت منابع توزیع شده در شبکه های حسگر بی سیم با استفاده از یادگیری تقویتی |
| عنوان انگلیسی مقاله: |
Distributed resource management in wireless sensor networks using reinforcement learning |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار مقاله | 2012 |
| تعداد صفحات مقاله انگلیسی | 20 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی برق و مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | مهندسی کنترل، برق مخابرات، هوش مصنوعی و مخابرات میدان و موج |
| مجله مربوطه | شبکه های بی سیم – Wireless Networks |
| دانشگاه تهیه کننده | دانشگاه آلتو، اسپو، فنلاند |
| کلمات کلیدی این مقاله | شبکه های حسگر بی سیم، یادگیری تقویتی، ردیابی هدف، مدیریت منابع، زمانبندی وظائف |
| رفرنس | دارد |
| شناسه شاپا یا ISSN | ISSN 1572-8196 |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت Springer |
| نشریه | Springer |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 46 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1. مقدمه
2. اثر مرتبط
3. پس زمینه
4. یادگیری تقویتی مستقل توزیع شده (DIRL)
4.1. مفروضات و مدل سیستم
4.2. چارچوب DIRL
4.3. بهینه گی جهانی
5. ماکرو یادگیری مبتنی بر هوش جمعی
5.1. کاربرد COIN برای مدیریت منابع WSN
5.2. چارچوب مدیریت منابع با استفاده از یادگیری دولایه
5.3. معماری و اجزای سیستم
6. اجرای کاربردهای دنیای واقعی
6.1. ردیابی هدف
6.2. جمع آوری داده ها با عناصر تلفن همراه
6.3. نظارت بر بهداشت
7. راه اندازی شبیه سازی
8. نتایج شبیه سازی
8.1. عملکرد یادگیری
8.2. تاثیر تعداد اهداف
8.3. تاثیر تعداد گره های حسگر
9. نتیجه گیری ها
- بخشی از ترجمه:
9. نتیجه گیری ها
طرحی را برای منابع مدیریت در شبکه های حسگر بی سیم (WSNها) ارائه میکنیم که یک رویکرد پائین به بالا را استفاده می کند به طوری که هر گره حسگر در قبال انتخاب وظیفه مسئولیت دارد. این رویکرد مبتنی بر یادگیری تقویتی است و توسعه کاربردهای WSN مستقل با تطبیق دینامیکی، پردازش حداقلی یا پردازش غیر متمرکز برای تخصیص وظیفه، و سربار ارتباطاتی کم را مجاز می داند. برای اطمینان از این موضوع که سیستم در واقع اهداف کاربرد جهانی را برآورده می سازد، طرح یادگیری دو لایه را استفاده می کنیم: میکرو آموزش استفاده شده توسط گره های منحصربفرد برای خود برنامه ریزی وظائف خودشان؛ و ماکرو آموزش استفاده شده توسط هر داده جریان به منظور هدایت سیستم به سمت اهداف تعریف شده توسط کاربرد. بطور خاص، تئوری هوش جمعی (COIN) را استفاده می کنیم تا ماکرو آموزش را با تنظیم و به روزرسانی پارامترهای عملیاتی میکرو یادگیرندگان اجرا و فعالسازی کنیم. نتایج شبیه سازی نشان می دهد که اساسا یادگیری دو لایه عملکرد کلی را در مقایسه با میکرو یادگیری یا ماکرو یادگیری بهبود می بخشد. کاربرد تئوری COIN تضمین می کند که نقطه مطلوب پارتو در نهایت به دست می آید، و از محدود بودن سیستم در بیشینه محلی اجتناب به عمل می آورد.
- بخشی از مقاله انگلیسی:
9 Conclusions
We presented a scheme for resource-management in wireless sensor networks (WSNs) that employs a bottomup approach such that each sensor node is responsible for task selection. This approach is based on reinforcement learning and allows the development of autonomous WSN applications with dynamic adaptation, minimal or no centralized processing for task allocation, and low communication overhead. In order to ensure that system is actually meeting the global application goals, we used a two-tier learning scheme: micro-learning used by individual nodes to self-schedule their tasks; and macro-learning used by each data-stream to guide the system towards application-defined goals. Specifically, we used the collective intelligence (COIN) theory to enable macro-learning by setting and updating the operating parameters of the micro-learners. Simulation results showed that two-tier learning can substantially improve the overall performance compared to microlearning or macro-learning alone. The application of the COIN theory guarantees that the Pareto-optimal point is eventually achieved, and avoids the system to be con- fined in a local maximum.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
کاربرد آموزش تقویتی در مدیریت منابع توزیع شده در WSN |
| عنوان انگلیسی مقاله: |
Distributed resource management in wireless sensor networks using reinforcement learning |
|
|