دانلود مقاله و خرید ترجمه:مدیریت منابع توزیع شده در شبکه های حسگر بی سیم با استفاده از یادگیری تقویتی - 2013

دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
مقالات ترجمه شده شبکه های بی سیم ( wireless networks )
  • Distributed resource management in wireless sensor networks using reinforcement learning مدیریت منابع توزیع شده در شبکه های حسگر بی سیم با استفاده از یادگیری تقویتی

    سال انتشار:

    2013


    ترجمه فارسی عنوان 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


    منبع:

    Springer Wireless Networks July 2013, Volume 19, Issue 5, pp 705–724


    نویسنده:

    Kunal Shah • Mario Di Francesco • Mohan Kumar


    چکیده انگلیسی:

    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.
    Keywords: Wireless sensor networks | Resource management | Task scheduling | Reinforcement learning | Target tracking


    چکیده فارسی:

    در شبکه های حسگر بی سیم (WSNها) انتظار بر این است که گره های منبع محدود در محیط های بسیار دینامیکی و اغلب بدون نظارت فعالیت کنند. بنابراین، حمایت از مدیریت منابع هوشمند، مستقل، سازگار و توزیع شده، یک جزء ضروری از یک راه حل میان افزار برای توسعه 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.
    کلمات کلیدی: شبکه های حسگر بی سیم | مدیریت منابع | زمانبندی وظائف | یادگیری تقویتی | ردیابی هدف


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 20
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 59

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 2415 کیلوبایت


    قیمت: 40000 تومان  32000 تومان(20% تخفیف)


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
شبکه-های-بی-سیم
موضوعات
footer