دانلود ترجمه مقاله شناسایی سیستم با رویکرد فازی عصبی برای کاربرد اینترنت اشیا (IoT)

عنوان فارسی

شناسایی سیستم با استفاده از رویکرد فازی عصبی برای کاربرد اینترنت اشیا (IoT)

عنوان انگلیسی

System identification using neuro fuzzy approach for IoT application

کلمات کلیدی :

  سیستم عصبی فازی تطبیقی؛ کانال شبکه حسگر بی سیم؛ شناسایی سیستم پویای غیرخطی؛ اینترنت اشیاء؛ مدل میانگین متحرک اتورگرسیو

درسهای مرتبط اینترنت اشیا
تعداد صفحات مقاله انگلیسی : 8 نشریه : ELSEVIER
سال انتشار : 2022 تعداد رفرنس مقاله : 32
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
پاورپوینت : ندارد

سفارش پاورپوینت این مقاله

وضعیت ترجمه مقاله : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید
ELSEVIER
قیمت دانلود ترجمه مقاله
80,400 تومان
فهرست مطالب

1. مقدمه 2. فرمول بندی مسئله 3. روش تحقیق 4. نتیجه گیری و بحث و بررسی 5. نتیجه گیری

سفارش ترجمه
ترجمه نمونه متن انگلیسی

چکیده – اینترنت اشیا (IoT) در سال های اخیر کابردی محبوب داشته است. با این حال، این کاربرد دارای حالت ارتباط بی سیم می باشد. در چنین سناریویی، کاربر باید اطلاعاتی از نوع داده غیرخطی یا پویا را بسته به کاربردی که دارد، در قالب یک سیگنال یا تصویر، فیلم ارسال کند. مطالعه پیشنهادی بر شناسایی این مدل متمرکز شده است و قصد دارد به شناسایی سیستم پویای غیرخطی در کاربردهای IoT بپردازد. مدل میانگین متحرک اتورگرسیو (ARMA)، مدل کاربرد IoT را نشان می دهد. به منظور تأیید برتری مدل، از سیستم معیار ARMA استفاده شده است. انطباق پذیری از طریق تغییر وزن ثابت شده و به طور جهانی می توان از آن در نسل بعدی استفاده نمود. در اولین اقدام، مدل پرسپترون چند لایه (MLP) به عنوان سیستم ARMA در نظر گرفته و مشاهده می شود. علاوه بر این، مدل سیستم عصبی فازی تطبیقی (ANFIS) به منظور بهبود دقت و شناسایی سیستم طراحی شده است. در بخش نتیجه گیری نشان داده شده است که این مدل بهتر از MLP و همچنین تکنیک های شناسایی سیستم سنتی محسوب می شود. مقدمه: به طور کلی، توسعه کانال ارتباطی بی سیم پیامدهای بسیار بیشتری برای افراد و جهان دارد. امواج الکترومغناطیسی به دلیل انعکاس و انکسار، هنگامی که از طریق یک کانال بی سیم معمولی حرکت می کنند، به مسیرهای مختلف می روند. کانال چند مسیره کیفیت سیگنال دریافتی را کاهش می دهد و باعث تداخل شدید چند مسیری می شود. برای حل این مشکل، به یک الگوریتم شناسایی کانال بی سیم خوب نیاز داریم. همچنین در اینترنت اشیاء (IoT)، بسیاری از حسگرهای تعبیه شده در محیط های مختلف، وزن زیادی را بر تشخیص سناریوها وارد می کنند، در نتیجه می توان سیستم ارتباطی بی سیم را به شیوه ای درست طراحی، مستقر و مدیریت کرد و عملکرد ارتباطی بهتری داشت [1]. به همین دلیل، یافتن سناریوهای مناسب برای کانال بی سیم و برآوردن نیازهای خاص فرآیند ارتباط بی سیم امری دشوار به حساب می آید. ماکروسل‌ های شهری، ماهواره ‌های شهری، هات ‌اسپات‌ های داخلی و سایر محیط‌ های انتشار به عنوان «سناریوهای کانال بی سیم» تلقی می شوند [2،3].

نمونه متن انگلیسی مقاله

The Internet of Things (IoT) has become a popular application in recent years. However, it is the wireless communication mode. In such a scenario, the user would have to send information either nonlinear or dynamic data type in the form of a signal or an image, videos depending on the application. The proposed work is focused on this model identification that tends to nonlinear dynamic system identification for IoT applications. An Autoregressive Moving Average (ARMA) model represents model for IoT application. To verify the model supremacy, an ARMA bench mark system is used. The adaptiveness is proved through variation of weights and can be universally used for the next generation. In the first attempt, the Multilayer Perceptron model (MLP) is considered as the ARMA system and observed. Further, to improve its accuracy, the Adaptive Neuro-Fuzzy system (ANFIS) model is designed for system identification. It is shown in the result section that it identifies better than the MLP as well as traditional system identification techniques. Introduction: The development of the wireless communication channel has many more implications for individuals and the world at large. Due to reflection and diffraction, electromagnetic waves travel along different paths when they travel through a typical wireless channel. The multipath channel lowers the quality of the signal that is received and causes serious multipath interference. To solve this problem, we need a good wireless channel identification algorithm. Also, in the Internet of Things (IoT), many sensors built into different environments put a lot of weight on recognising scenarios so that the wireless communication system can be designed, deployed, and managed in the right way and have better communication performance [1]. Because of this, it is hard to find the right wireless channel scenarios to meet the specific requirements of the wireless communication process. Urban macrocells, urban satellites, indoor hotspots, and other types of propagation environments by referring to them as “wireless channel scenarios” [2,3].

توضیحات و مشاهده مقاله انگلیسی

ترجمه این مقاله در 21 صفحه آماده شده و در ادامه نیز صفحه 20 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.

محتوی بسته دانلودی:

PDF مقاله انگلیسی ورد (WORD) ترجمه مقاله به صورت کاملا مرتب (ترجمه شکل ها و جداول به صورت کاملا مرتب)
قیمت : 80,400 تومان

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “دانلود ترجمه مقاله شناسایی سیستم با رویکرد فازی عصبی برای کاربرد اینترنت اشیا (IoT)”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

بیست − 6 =

مقالات ترجمه شده

نماد اعتماد الکترونیکی

پشتیبانی

logo-samandehi