دانلود ترجمه مقاله مقایسه الگوریتم های یادگیری ماشین برای تجمیع داده ها در اینترنت اشیای اجتماعی

1. مقدمه 2. مقالات مرتبط 3. بیان مسأله 4. روش پیشنهادی، شرایط رابطه و الگوریتم 5. نتایج و تجزیه و تحلیل 6. نتیجه گیری و کارهای آتی

اینترنت اشیاء اجتماعی (SIoT)، الگویی از اینترنت اشیا است که طی آن بر اساس ترجیحات کاربر، اشیا می توانند با ایجاد پلتفرم اجتماعی، روابط اجتماعی را در بین یکدیگر برقرار کنند. برای برقراری این ارتباط، دستگاه‌های مختلفی از اینترنت اشیا با یکدیگر در تعامل هستند و ارتباطی را در بین آنها برقرار می‌کنند. این ارتباط با توجه به ویژگی‌ها، نوع دستگاه و غیره برقرار می‌ شود. داده‌های تولید شده توسط دستگاه‌ های ناهمگن دستگاه‌های SIoT بسیار عظیم هستند و بایستی به طور کارآمد مورد استفاده قرار گیرند. با اینحال، مطالعات اندکی در رابطه با تجمیع داده ها در زمینه SIoT در مقالات انجام گرفته است. از این رو، در این مطالعه روشی برای تجمیع داده‌های SIoT و شرایط مورد استفاده برای طبقه ‌بندی ارتباط بین دستگاه‌ ها ارائه شده است. عملکرد درخت تصمیم (DT)، الگوریتم k نزدیک ترین همسایه (KNN)، الگوریتم نایو بیز (NB)، الگوریتم شبکه عصبی مصنوعی (ANN)، الگوریتم های یادگیری ماشین بر روی مجموعه داده مورد آزمایش قرار می گیرند. نتایج تجربی به دست آمده حاکی از آن است که الگوریتم‌های DT و ANN در مقایسه با سایر الگوریتم‌های ML از عملکرد خوبی برخوردار هستند.

Social Internet of Things (SIoT) is a paradigm of IoT where in objects are able to build social relationship among each other based on user preferences there by creating social platform. To establish relationship, diversified IoT devices interact and setup a connection between them. The relationship is built by considering same features, attribute, device type etc. The data generated by the heterogeneous devices of SIoT devices are huge and it has to be efficiently used. There exist few works related to data aggregation in SIoT in the literature. Hence, in this work a method is proposed to aggregate the SIoT data and conditions used to classify the relationship between the devices. The performance of Decision Tree (DT), K-Nearest Neighbors (KNN), Naive Bayes (NB) and Artificial Neural Network (ANN) machine learning algorithms are tested on the dataset. The experimental results show that DT and ANN algorithms performs well compared to other ML algorithms.