دانلود ترجمه مقاله سیستم پشتیبان تصمیم مبتنی بر اینترنت اشیا برای پردازش اطلاعات در تولید هوشمند

1. مقدمه 2. مروری بر مقالات 3. تحقیق در زمینه الگوریتم های DM 4. تحلیل DSS اطلاعاتی برای اینترنت اشیای تولید کننده هوشمند 5. نتیجه گیری

چکیده – به منظور درک جامعی از سامانه اطلاعات تصمیم گیری برای پردازش داده های مربوط به تولید هوشمند تحت اینترنت اشیا، از یک سامانه پشتیبانی تصمیم گیری هوشمند (DSS) مبتنی بر فناوری داده کاوی به منظور ایجاد DSS هوشمند مبتنی بر اینترنت اشیا برای صنعت تولید، استفاده می شود که درنتیجه از تصمیم گیرندگان برای تصمیم گیری هوشمندانه ازطریق DSS هوشمند، پشتیبانی می نماید. نتایج تحقیق نشان می دهد که فناوری داده کاوی می تواند با مدلسازی، طبقه بندی و خوشه بندی مقدار زیادی از داده ها و همچنین کشف همبستگی بین داده ها، داده های آماری را از چند زاویه و منظر، تجزیه و تحلیل کند. همچنین، در کارهای آماری، داده ها شمرده می شوند و از همبستگی آنها برای پشتیبانی از تحلیل تصمیم، استفاده می شود. بنابراین، می توان نتیجه گرفت که ایجاد DSS هوشمند برای بنگاه های صنعت تولید و استفاده از فناوری داده کاوی به عنوان فناوری کلیدی برای دستیابی به این سامانه می تواند تصمیم گیری بنگاه های تولیدی را موثر و علمی کند. درنهایت می توان نتایج رضایت بخشی را درمورد تصمیم گیری بدست آورد. مقدمه: طی سالیان اخیر، فناوری پایگاه داده به طور مداوم توسعه یافته و سامانه های مدیریت پایگاه داده به طور گسترده ای مورد استفاده قرار گرفته اند. درنتیجه، مقدار کل داده های ذخیره شده در پایگاه های مختلف به طور چشمگیری افزایش یافته است. با این حال، بیشتر اطلاعات در پشت این مقدار زیاد داده، پنهان است. اگر اطلاعات پنهان از پایگاه داده، قابل استخراج باشد، می تواند سودهای بالقوه زیادی برای شرکت ها ایجاد کند. علاوه بر این، در حال حاضر، رقابت در صنایع مختلف به طور فزاینده ای شدیدتر شده است [1]. بنابراین، روش سازماندهی و مدیریت بهتر اطلاعات، اهمیت بیشتری پیدا می کند [2]. مفهوم داده کاوی از این دیدگاه تجاری، توسعه یافته و به فناوری جدیدی برای پشتیبانی تصمیم، تبدیل شده است. قبل از ظهور فناوری انبار داده (DW)، فناوری پردازش تحلیلی سایبری (AP) و ابزار کاوش داده (DM)، پایگاه داده مورد استفاده توسط سیستم پشتیبانی تصمیم گیری (DSS) فقط می تواند داده های اصلی را به طور کلی پردازش و جمع بندی کند و تبدیل داده های اصلی به اطلاعات مفید، دشوار است، زیرا ناکارآمد بوده و نمی تواند روندها و گرایش ها را در داده های پنهان نشان دهد تا در دسترس بودن اطلاعات باارزش از داده ها به حداکثر برسد. بنابراین، فناوری DM می تواند دانش یا اطلاعات مهمی را در اختیار تصمیم گیرندگان قرار دهد و دارای ارزش اقتصادی مهمی است. در DM، داده های ذخیره شده، غالباً شامل ویژگی های مختلف زائد یا ناقص هستند که این کار به طور قابل توجهی کارایی و کیفیت الگوریتم های DM را کاهش می دهد [3].

To comprehensively understand the decision information system for the information processing of the intelligent manufacturing under Internet of Things, an intelligent decision support system (DSS) based on data mining technology is applied to enterprises to establish an Internet of Things-based intelligent DSS for manufacturing industry, thereby supporting the decision-makers in making intelligent decisions through the intelligent DSS. The research results show that data mining technology can analyze the statistical data from multiple angles and perspectives by modeling, classifying, and clustering a large amount of data, as well as discovering the correlations between the data. Also, in statistical work, the data are counted, and their correlations are utilized to support the decision analysis. Therefore, it can be concluded that the establishment of intelligent DSS for enterprises in manufacturing industry and the utilization of data mining technology as the key technology to achieve the system can make the decision-making of the manufacturing enterprises more effective and scientific. Eventually, the satisfactory decision-making results can be obtained. Introduction: In recent years, database technology has been continuously developed, and the database management systems have been widely applied. As a result, the total amount of data stored in various databases has increased dramatically. However, most of the information is hidden behind these large amounts of data. If the hidden information can be extracted from the database, it can create a lot of potential profits for the enterprises; besides, currently, the competition in various industries is becoming increasingly fierce [1]. Therefore, the way to better organize and manage information becomes more important [2]. The concept of data mining has been developed from such a business perspective and has become a new technology for decision support. Before the appearance of data warehouse (DW) technology, cyber analytical processing (AP) technology, and data mining (DM) tools, the database used by the decision support system (DSS) can only process and summarize the original data in general, and it is difficult to convert the original data into useful information, which is inefficient and cannot reveal the trends and tendencies in the hidden data to maximize the availability of valuable information from the data. Therefore, DM technology can provide important knowledge or information to decision-makers and has important economic value. In DM, the stored data often comprises various redundant or incomplete features, which critically decreases the efficiency and the quality of DM algorithms [3].