ترجمه مقاله : Data Mining and Fusion Techniques for WSNs as a Source of the Big Data
Procedia Computer Science 65 ( 2015 ) 778 – 786
(International Conference on Communication, Management and Information Technology (ICCMIT 2015)
Data Mining and Fusion Techniques for WSNs as a Source of the Big Data
Mohamed Mostafa Fouada,b,e,f, Nour E. Oweisb,e, Tarek Gaberb,c,e,f, Maamoun Ahmedd, Vaclav Snaselb
Abstract :
The wide adoption of the Wireless Senor Networks (WSNs) applications around the world has increased the amount of the sensor data which contribute to the complexity of Big Data. This has emerged the need to the use of in-network data processing techniques which are very crucial for the success of the big data framework. This article gives overview and discussion about the state-of-theart of the data mining and data fusion techniques designed for the WSNs. It discusses how these techniques can prepare the sensor data inside the network (in-network) before any further processing as big data. This is very important for both of the WSNs and the big data framework. For the WSNs, the in-network pre-processing techniques could lead to saving in their limited resources. For the big data side, receiving a clean, non-redundant and relevant data would reduce the excessive data volume, thus an overload reduction will be obtained at the big data processing platforms and the discovery of values from these data will be accelerated. c 2014 The Authors. Published by Elsevier B.V. Peer-review under responsibility of Universal Society for Applied Research. Keywords: Wireless Sensor Networks; Big Data; Data Mining; Data Fusion, Machine learning;
تکنیک های داده کاوی و تلفیق( ترکیبی) برای WSN ها به عنوان منبعی از کلان داده ها
چکیده:
میزان تطبیق پذیری بالای شبکات حسگری بی سیم[1] در دنیا باعث افزایش میزان حجم داده های حسگری شده است که منجر به ایجاد پیچیدگی در کلان داده ها[2] میشود. این پدیده باعث شده است تا نیاز به استفاده از تکنیک های پردازش داده های درون شبکه ای حس شود که این تکنیک ها برای بروز موفقیت در چارچوب[3] کلان داده ها ضروری هستند. در این مقاله درباره ی نوآوری تکنیک های داده کاوی و تلفیق داده هایی که به طور ویژه برای شبکات حسگر بی سیم بوده اند, بحث و بررسی میشود. این تحقیق این مطلب را بررسی میکند که چطور این تکنیک ها می توانند داده های حسگری درون شبکه را آماده کننده (قبل از اینکه هر گونه پردازشی به عنوان کلان داده روی آنها صورت بگیرد.) این مسئله هم برای WSN مهم است و هم برای چارچوب کلان داده ها. برای WSN, تکنیک های پیش پردازشی درون شبکه ای می تواند به منزله ی راهی برای صرفه جوی در منابع محدودشان باشد. واز دیدگاه کلان داده ها, دریافت داده های تمیز(پالایش شده), بدون افزونگی و داده های مرتبط باعث کاهش حجم داده های اجرایی شود و از این رو در پلت فرم های پردازش کلان داده ها کاهش سرباری به وجود می آید و در کشف و یافتن[4] مقادیر در این داده ها, شتاب به وجود می آید.
کلمات کلیدی: شبکه های حسگر بی سیم؛ اطلاعات بزرگ؛ داده کاوی؛ داده های تلفیقی، یادگیری ماشین
[1] WSNs
[2] Big data
[3] Frame work
[4] Discovery
دانلود تحقیق و مقاله نگاهی بر داده کاوی و کشف قوانین وابستگی (فرمت فایل Word ورد) تعداد صفحات 22
در این تحقیق داده کاوی مورد بحث قرار می گیرد . علل استفاده از داده کاوی و منابعی که داده کاوی بر روی آنها اعمال می شود ,علاوه بر این خلاصه ای از روشهای رایج داده کاوی ارائه شده است . تکنیکهای داده کاوی و قوانین وابستگی و الگوریتمهای موجود (Apriori , Aprior TID, Partition, Eclat ,Max Eclat , Vector ) و الگوریتم با ساختار Trie وfp grow و الگوریتمهای کاهشی مورد بررسی قرار می گیرند و در هر مورد مثالها , موارد کاربرد ,تکنیکها و نقاط قوت و ضعف مورد بررسی قرار گرفته اند.
فهرست :
چکیده
مقدمه
کشف دانش در پایگاه داده
آیا داده کاوی برای حل مسائل ما مناسب است؟
جمع آوری داده ها
بکارگیری نتایج
استراتژیهای داده کاوی
پیش گویی Perdiction
Unsupervised Clustering دسته بندی بدون کنترل
تکنیکهای داده کاوی تحت کنترل
شبکه عصبی
برگشت آماری
قوانین وابستگی
الگوریتم Apriori
الگوریتم Aprior TID
الگوریتم partition
الگوریتم های MaxEclat,Eclat
الگوریتم با ساختار trie
الگوریتم fp-grow
ساخت fp- tree
Fp-tree شرطی
الگوریتم برداری
نگهداری قوانین وابستگی
الگوریتم کاهشی
علوم تربیتی 13. یک تحقیق نمونه بر به کار بردن تکنیک های تحقیقی داده کاوی در علوم تربیتی: توسعه داده کاوی
یک تحقیق نمونه بر به کار بردن تکنیک های تحقیقی داده کاویدر علوم تربیتی: توسعه داده کاوی
خلاصههدف این تحقیق ارائه یک تحقیق نمونه است که اطلاعات جمع آوری شده از یک تحقیق تربیتی توسط تکنیک های داده کاوی مناسب برای پردازش این اطلاعات را تحلیل می کند. به منظور دست یابی به این هدف یک میزان خود بهره وری کامپیوتر استفاده شده در علوم تربیتی انتخاب شده است و این میزان در یک گروه تحقیقی به کار برده شد. داده ها با استفاده از آمار توصیفی (t تست و تحلیل واریانس)، و تکنیک های داده کاوی درخت تصمیم گیری، شبکه های وابستگی و دسته ای تحلیل شده اند. آمار توصیفی مورد استفاده با استفاده از بسته های نرم افزاری آماری معمول محاسبه نشدند، بلکه با استفاده از اجرای یک برنامه نوشته شده در برنامه ریزی زبانی 2009 Delphi در Microsoft SQL server 2008 محاسبه شدند. مایکروسافت SQL 2008 مستقیما برای تکنیک های داده کاوی شبکه های وابستگی و دسته ای مورد استفاده قرار گرفت. برخی از نتایج تحقیق، که نمی توان آنها را با تکنیک های آماری معمول به دست آورد را می توان با روش های داده کاوی به دست آورد در ادامه آمده است: آنهایی که گمان می کنند توانایی کار کردن با اصطلاحات و مفاهیم کامپیوتر را دارند عقیده دارند که در استفاده از کامپیوتر مهارت دارند؛ آنهایی که عقیده دارند مهارت خاصی در استفاده از کامپیوتر دارند احساس می کنند که کامپیوتر بخشی از اندام آنهاست، و دانش آموزانی که بیشتر از 6 سال است که از کامپیوتر استفاده می کنند عقیده دارند که مهارت خاصی در استفاده کردن از کامپیوتر دارند.
