مقاله انگلیسی رایگان در مورد یک مدل محاسبه عمیق چندبعدی برای داده های هوشمند در اینترنت اشیا – الزویر ۲۰۱۹
مشخصات مقاله | |
ترجمه عنوان مقاله | یک مدل محاسبه عمیق چندبعدی برای داده های هوشمند در اینترنت اشیا |
عنوان انگلیسی مقاله | A multi-projection deep computation model for smart data in Internet of Things |
انتشار | مقاله سال ۲۰۱۹ |
تعداد صفحات مقاله انگلیسی | ۱۸ صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
مقاله بیس | این مقاله بیس میباشد |
نمایه (index) | Scopus – Master Journal List – JCR |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
۵٫۳۴۱ در سال ۲۰۱۷ |
شاخص H_index | ۸۵ در سال ۲۰۱۹ |
شاخص SJR | ۰٫۸۴۴ در سال ۲۰۱۷ |
شناسه ISSN | ۰۱۶۷-۷۳۹X |
شاخص Quartile (چارک) | Q1 در سال ۲۰۱۷ |
رشته های مرتبط | مهندسی فناوری اطلاعات، مهندسی کامپیوتر |
گرایش های مرتبط | اینترنت و شبکه های گسترده، الگوریتم و محاسبات، امنیت اطلاعات، هوش مصنوعی |
نوع ارائه مقاله |
ژورنال |
مجله | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
دانشگاه | College of Computer and Information Management, Inner Mongolia University of Finance and Economics, Hohhot, China |
کلمات کلیدی | داده های بزرگ، اینترنت اشیا، داده های هوشمند، مدل محاسبات عمیق، پس انتشار |
کلمات کلیدی انگلیسی | Big data، Internet of Things، Smart data، Deep computation model، Back-propagation |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2018.09.060 |
کد محصول | E10962 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Abstract
۱- Introduction ۲- Preliminaries ۳- Multi-projection deep computation model (MPDCM) ۴- Learning algorithm ۵- Experiments ۶- Related work ۷- Conclusion References |
بخشی از متن مقاله: |
Abstract The double-projection deep computation model (DPDCM) proved to be effective for big data feature learning. However, DPDCM cannot capture the underlying correlations over the different modalities enough since it projects the input data into only two subspaces. To tackle this problem, this paper presents a multi-projection deep computation model (MPDCM) to generalize DPDCM for smart data in Internet of Things. Specially, MPDCM maps the input data into multiple nonlinear subspaces to learn the interacted features of IoT big data by substituting each hidden layer with a multi-projection layer. Furthermore, a learning algorithm based on back-propagation and gradient descent is designed to train the parameters of the presented model. Finally, extensive experiments are conducted on two representative datasets, i.e, Animal-20 and NUS-WIDE-14, to verify the presented model by comparing with DPDCM. Results show that the presented model achieves higher classification accuracy than DPDCM, proving the potential of the presented model to drill smart data for Internet of Things. Introduction Recently, Internet of Things (IoT) have achieved great progress by integrating advanced sensing devices such as sensors and RFIDs into communication networks [1]. Specially, big data processing techniques such as data compression, deep learning, correlation analysis and clustering are playing a remarkable role in Internet of Things [2], [3]. For example, deep learning, an recently advanced artificial intelligence technique is used to find the valuable information, i.e., smart data, from IoT big data for smart market analysis in industrial manufacture. A unique property of IoT big data is its high variety, i.e., data comes from various sources such as cameras and sensors, with different formats like text, image and audio [4]. Typically, each heterogeneous data object has more than one modalities, implying that heterogeneous data is typically multi-modal [5]. For instance, a piece of video usually contains two modalities, i.e., image and audio, or three modalities, i.e., image, audio and text. |