تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله مدیریت منابع توزیع شده در شبکه های حسگر بی سیم با یادگیری تقویتی – نشریه اشپرینگر

عنوان فارسی: مدیریت منابع توزیع شده در شبکه های حسگر بی سیم با استفاده از یادگیری تقویتی
عنوان انگلیسی: Distributed resource management in wireless sensor networks using reinforcement learning
تعداد صفحات مقاله انگلیسی : 20 تعداد صفحات ترجمه فارسی : 46
سال انتشار : 2012 نشریه : اشپرینگر - Springer
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.95Mb
رشته های مرتبط با این مقاله: مهندسی برق و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: مهندسی کنترل، مخابرات میدان و موج، برق مخابرات و هوش مصنوعی
مجله: شبکه های بی سیم - Wireless Networks
دانشگاه: دانشگاه آلتو، اسپو، فنلاند
کلمات کلیدی: شبکه های حسگر بی سیم، مدیریت منابع، زمانبندی وظائف، یادگیری تقویتی، ردیابی هدف
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
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

نمونه متن انگلیسی

Abstract

In wireless sensor networks (WSNs), resourceconstrained nodes are expected to operate in highly dynamic and often unattended environments. Hence, support for intelligent, autonomous, adaptive and distributed resource management is an essential ingredient of a middleware solution for developing scalable and dynamic WSN applications. In this article, we present a resource management framework based on a two-tier reinforcement learning scheme to enable autonomous self-learning and adaptive applications with inherent support for efficient resource management. Our design goal is to build a system with a bottom-up approach where each sensor node is responsible for its resource allocation and task selection. The first learning tier (micro-learning) allows individual sensor nodes to self-schedule their tasks by using only local information, thus enabling a timely adaptation. The second learning tier (macro-learning) governs the micro-learners by tuning their operating parameters so as to guide the system towards a global application-specific optimization goal (e.g., maximizing the network lifetime). The effectiveness of our framework is exemplified by means of a target tracking application built on top of it. Finally, the performance of our scheme is compared against other existing approaches by simulation. We show that our twotier reinforcement learning scheme is significantly more efficient than traditional approaches to resource management while fulfilling the application requirements.

نمونه متن ترجمه

چکیده

در شبکه های حسگر بی سیم کاربردهای WSN مقیاس پذیر و دینامیکی است. در این مقاله، چارچوب مدیریت منابع مبتنی بر طرح یادگیری تقویتی دو لایه را ارائه می کنیم تا کاربردهای تطبیقی و خود یادگیری خودکار با پشتیبانی ذاتی برای مدیریت منابع کارآمد را فعالسازی کنیم. هدف از طراحی ما ایجاد سیستمی با یک رویکرد پایین به بالا است که در آن هر گره حسگر مسئول تخصیص منابع خود و انتخاب وظیفه است. لایه یادگیری نخست (میکرو آموزش) به گره های حسگر منحصر بفرد اجازه می دهد تا وظائف خودشان را با استفاده از اطلاعات محلی خود برنامه ریزی کنند، و در نتیجه تطبیق به موقع را عملی سازند. دومین لایه یادگیری (ماکرو آموزش) با تنظیم پارامترهای عملیاتی خودش میکرو یادگیری ها را کنترل می کند چنان که سیستم به سمت یک هدف بهینه سازی با کاربرد خاص جهانی (بعنوان مثال بیشینه کردن طول عمر شبکه) هدایت می شود. اثربخشی چارچوب ما با استفاده از یک کاربرد ردیابی هدف ساخته شده در بالای آن نشان داده شده است. در نهایت، عملکرد طرح ما توسط شبیه سازی با سایر روش های موجود مقایسه می شود. نشان می دهیم که طرح یادگیری تقویت دولایه ما در مقایسه با رویکردهای سنتی با مدیریت منبع بطور قابل توجهی کارآمدتر است در حالی که الزامات کاربرد برآورده می شود.