ترجمه مقاله c-means فازی کارآمد مبتنی بر تجزیه چندگانه استاندارد برای خوشه بندی کلان داده ها – نشریه الزویر
عنوان فارسی: | یک روش c-means فازی کارآمد مبتنی بر تجزیه چندگانه استاندارد برای خوشه بندی کلان داده ها در اینترنت اشیا |
عنوان انگلیسی: | An efficient fuzzy c-means approach based on canonical polyadic decomposition for clustering big data in IoT |
تعداد صفحات مقاله انگلیسی : 16 | تعداد صفحات ترجمه فارسی : 23 (1 صفحه رفرنس انگلیسی) |
سال انتشار : 2018 | نشریه : الزویر - Elsevier |
فرمت مقاله انگلیسی : pdf | فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش |
فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
نوع مقاله : ISI | نوع نگارش : مقالات پژوهشی (تحقیقاتی) |
پایگاه : اسکوپوس | نوع ارائه مقاله : ژورنال |
ایمپکت فاکتور(IF) مجله : 8.872 در سال 2021 | شاخص H_index مجله : 134 در سال 2022 |
شاخص SJR مجله : 2.233 در سال 2021 | شناسه ISSN مجله : 0167-739X |
شاخص Q یا Quartile (چارک) : Q1 در سال 2021 | کد محصول : 12485 |
محتوای فایل : zip | حجم فایل : 3.13Mb |
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر - مهندسی فناوری اطلاعات - مهندسی الگوریتم ها و محاسبات - مهندسی نرم افزار - رایانش ابری - اینترنت و شبکه های گسترده - شبکه های کامپیوتری |
مجله: Future Generation Computer Systems |
کلمات کلیدی: داده بزرگ - اینترنت اشیا - داده هوشمند - الگوریتم میانگین مرکز فازی - تجزیه چند متغیری کانونیک |
کلمات کلیدی انگلیسی: Big data - Internet of Things - Smart data - Fuzzy c-means algorithm - Canonical polyadic decomposition |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓ |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓ |
ضمیمه: ندارد ☓ |
بیس: نیست ☓ |
مدل مفهومی: ندارد ☓ |
پرسشنامه: ندارد ☓ |
متغیر: ندارد ☓ |
فرضیه: ندارد ☓ |
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
رفرنس در ترجمه: در انتهای مقاله درج شده است |
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.future.2018.04.045 |
چکیده
1. مقدمه
2. معلومات اولیه
3. روش میانگین مرکز فازی کارآمد بر اساس طرح تجزیه چند متغیری کانونیک تانسور
4. آزمایش ها
5. نتیجه گیری
6. سپاسگزاری
منابع
چکیده
داده کاوی داده های هوشمند از داده های بزرگ جمع آوری شده از اینترنت اشیا به منظور بهتر کردن زندگی بشر با مجتمع سازی دستگاه های فیزیکی در فضای اطلاعات است. یکی از مهمترین روش های خوشه بندی برای یادگیری داده هوشمند، الگوریتم میانگین مرکز فازی (FCM) است که هر شیء را با محاسبه ماتریس عضویت به چندین گروه اختصاص می دهد. با این حال هر شیء داده بزرگ تعداد زیادی ویژگی دارد که چالش بزرگی برای خوشه بندی زمان واقعی داده بزرگ IoT از طریق FCM را به همراه دارد. در این مقاله یک روش میانگین مرکز فازی کارآمد بر اساس تجزیه چند متغیری استاندارد تانسور را برای خوشه بندی داده های بزرگ در اینترنت اشیا معرفی می کنیم. در طرح ارائه شده، الگوریتم میانگین مرکز فازی معمول توسط تابع دوسویی به الگوریتم میانگین مرکز فازی تانسور مرتبه بالا (HOFCM) تبدیل می شود. به علاوه تجزیه چند متغیری کانونیک تانسور برای کاهش ویژگی های هر شیء به کار می رود تا بازده خوشه بندی بهبود یابد. در آخر آزمایش های زیادی برای مقایسه طرح توسعه داده شده با الگوریتم میانگین مرکز فازی معمول روی دو مجموعه داده بزرگ IoT شامل eWSN و eGSAD نسبت به صحت خوشه بندی و بازده خوشه بندی انجام می شود. نتایج بیان می کنند که طرح توسعه داده شده به طور قابل توجهی، بازده خوشه بندی بالاتری دارد و صحت خوشه بندی آن به میزان کمی کمتر از الگوریتم معمول است که توانایی طرح ارائه شده برای یادگیری داده هوشمند از داده بزرگ IoT را نشان می دهد.
معلومات اولیه
معلومات اولیه شامل روش میانگین مرکز فازی معمول (FCM) و تجزیه چند متغیری کانونیک تانسور هستند که برای طرح معرفی شده در این بخش ارائه می شوند. ابتدا FCM و سپس تجزیه چند متغیری کانونیک تانسور معرفی می شوند.
روش میانگین های مرکز فازی (FCM)
روش استاندارد میانگین مرکز فازی در ابتدا توسط بیدک و همکارانش [7] معرفی شد. با فرض اینکه X= {x1, x2, . . . , xN} مجموعه داده ای است که باید خوشه بندی شود و هر شیء m ویژگی دارد، روش میانگین مرکز فازی استاندارد هر شیء xi(1 ≤ i ≤ N) را به c خوشه با ماتریس عضویت c×N با نام U = {uij} اختصاص می-دهد که در آن uij بیانگر عضویت j-امین شیء متعلق به گروه i-ام است. به طور خاص روش میانگین مرکز فازی استاندارد با معادله زیر بیان می شود:
بنابراین هدف روش میانگین مرکز فازی استاندارد محاسبه ماتریس عضویت و محاسبه مراکز خوشه V =
{v1, v2, . . . , vc} داده شده در مجموعه داده X است. تا کنون روش میانگین مرکز فازی استاندارد به طور تصادفی به ماتریس عضویت مقدار اولیه می¬دهد و سپس ماتریس عضویت و مراکز خوشه را با کمینه کردن تابع هدف Jm به صورت زیر به روز رسانی می¬کند: