با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
پروتکل مسیریابی چندمسیره انرژی کارآمد برای شبکه اد هاک (ad hoc) متحرک با استفاده از تابع تناسب (تابع برازش)
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 40 شبکه سیار ad-hoc (MANET) مجموعهای از گرههای متحرک بیسیم است که به صورت پویا یک شبکه موقت را بدون اتکا به زیرساخت یا مدیریت مرکزی تشکیل میدهند. مصرف انرژی به عنوان یکی از محدودیتهای عمده در شبکههای MANET در نظر گرفته میشود، زیرا گرههای سیار منبع برق دائمی ندارند و باید به باتریها تکیه کنند، بنابراین با حرکت گرهها و تغییر سریع موقعیت آنها در شبکههای MANET، طول عمر کار خالص کاهش مییابد. این مقاله مصرف انرژی در MANET را با استفاده از تکنیک تابع تناسب برای بهینهسازی مصرف انرژی در پروتکل مسیریابی بردار فاصله چند مسیره مبتنی بر تقاضا (AOMDV) برجسته میکند. پروتکل پیشنهادی AOMDV با تابع تناسب (FF - AOMDV) نامیده میشود. تابع تناسب برای یافتن مسیر بهینه از گره مبدا به گره مقصد به منظور کاهش مصرف انرژی در مسیریابی چندمسیره استفاده میشود. عملکرد پروتکل پیشنهادی FF - AOMDV با استفاده از شبیهساز شبکه نسخه ۲ ارزیابی شده است، که در آن عملکرد با AOMDV و مسیریابی چندمسیره تقاضا با پروتکلهای بیشینهسازی طول عمر (AOMR - LM)، دو پروتکل محبوب پیشنهاد شده در این حوزه، مقایسه شده است. این مقایسه براساس مصرف انرژی، توان عملیاتی، نسبت تحویل بسته، تاخیر انتها به انتها، طول عمر شبکه و معیارهای عملکرد نسبت مسیریابی سربار، تغییر سرعت گره، اندازه بسته، و زمان شبیهسازی ارزیابی شد. نتایج به وضوح نشان میدهد که FF - AOMDV پیشنهادی در اکثر پارامترها و معیارهای عملکرد شبکه بهتر از AOMDV و AOMR - LM عمل میکند.
اصطلاحات کلیدی: پروتکل انرژی کارآمد | شبکه سیار ad-hoc | مسیریابی چندمسیره | تابع تناسب (تابع برازش) |
مقاله ترجمه شده |
2 |
Energy Efficient Data Mining Scheme for High Dimensional Data
انرژی کارآمد طرح داده کاوی برای داده ها با ابعاد بالا-2015 In this paper, we propose energy efficient big data mining scheme for forest cover type and gas drift classification. Efficient machine learning and data mining techniques provide unprecedented opportunity to monitor and characterize physical environments, such as forest cover type, using low cost wireless sensor networks. The experimental validation on two different sensor network datasets, forest cover type and gas sensor array drift dataset from publicly available UCI machine learning repository. Coupled with an appropriate feature selection, the complete scheme leads towards an energy efficient protocol for intelligent monitoring of large physical environments instrumented with wireless sensor networks.© 2014 The Authors. Published by Elsevier B.V.Peer-review under responsibility of organizing committee of the International Conference on Information and Communication Technologies (ICICT 2014).© 2015 The Authors. Published by Elsevier B.V. This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).Peer-review under responsibility of organizing committee of the International Conference on Information and Communication Technologies (ICICT 2014)
Wireless sensor networks | physical environment monitoring | machine learning | data mining | feature selection |
مقاله انگلیسی |