روشی کارا برای خوشه بندی در شبکه حسگر بی سیم با منطق فازی (مقاله کامپیوتر)

عنوان انگلیسی مقاله: An Efficient Approach for Clustering in Wireless Sensor Network Using Fuzzy Logic
عنوان فارسی مقاله: روشی کارا برای خوشه بندی در شبکه های حسگر بی سیم با استفاده از منطق فازی
دسته: فناوری اطلاعات و کامپیوتر
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 12
_______________________________________
چکیده
شبکه حسگر بی سیم (WSN) از تعداد زیادی گره حسگر تشکیل شده که به یکدیگر متصل هستند تا عمل خاصی را انجام دهند. این گره ها انرژی، قدرت پردازش و حافظه محدودی دارند. به دلیل اینکه طول عمر شبکه بستگی به این گره ها دارد، منبع انرژی در گره ها بسیار مهم است. بنابراین نیاز به روش هایی برای کاهش مصرف انرژی در گره ها داریم. خوشه بندی یکی از روش ها برای کاهش مصرف انرژی است. الگوریتم های خوشه بندی بسیاری معرفی شده اند. الگوریتم LEACH یکی از معروف ترین این الگوریتم هاست. در این مقاله، ما یک روش کارا برای خوشه بندی با استفاده از منطق فازی با ورودی های مناسب پیشنهاد می دهیم و آن را با ویژگی های خوب LEACH ترکیب می کنیم. این روش کاملاً توزیع شده است. بنابراین سرعت آن بیشتر و مصرف انرژی آن کمتر از روش های متمرکز است. همچنین روش پیشنهادی ما، ضعف های LEACH را بر طرف کرده و کاراتر از روش های موجود است.

مقدمه

در سال های اخیر با پیشرفت فناوری، از شبکه های حسگر بی سیم (WSNها) در برنامه های مختلفی استفاده شده است. WSN شامل صدها یا هزاران گره حسگر کوچک است. ایم گره ها به یکدیگر متصل شده اند تا کار یا کارهای مشخصی را انجام دهند. هر گره در WSN شامل مؤلفه هایی مثل آنتن ارتباطی، حافظه کم، مدار حسگر (حسگر دما، نور، رطوبت و ...)، پردازنده ضعیف و منبع تغذیه محدود است. WSNها معمولا برای برنامه های نظارتی استفاده می شود و به محض تغییر در محیط، ایستگاه باخبر می شود. WSNها معمولاً در محیط هایی که دسترسی انسانی محدود است مثل کوه های آتشفشان یا مناطق نظامی استفاده می شوند. به دلیل ویژگی های خاص شبکه های حسگر بی سیم، چالش های متعددی در این شبکه ها وجود دارد. یکی از این چالش ها منبع انرژی محدود گره هاست. در اکثر موارد، منبع انرژی غیر قابل تعویض و غیر قابل شارژ است. بنابراین باید از روش هایی در WSNها استفاده شود که مصرف انرژی گره ها را کاهش می دهد. 

شبکه عصبی آموزشی رقابتی پیشرفته: تشخصی نفوذ به شبکه و شناسایی تقلب

عنوان انگلیسی مقاله: Improved competitive learning neural networks for network intrusion and fraud detection

عنوان فارسی مقاله: شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

طبقه بندی: کامپیوتر و فناوری اطلاعات

فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش

تعداد صفحات فایل ترجمه شده: 32

لینک دریافت رایگان نسخه انگلیسی مقاله: دانلود

_______________________________________

چکیده

در این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه آموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه آموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه بندی غیرنظارتی می باشد، که قوانین جدیدی را برای شبکه های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می کند. نورون های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN) برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده اند. این قوانین بروز شده، بی ثباتی شبکه های عصبی آموزشی رقابتی استاندارد را از بین می برند. شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه اموزشی رقابتی پیشرفته (ICLN) می باشد. در SICLN (شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN)، قوانین بروزرسانی شده نظارتی از دسته بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه بندی بهتر استفاده می کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می تواند برای داده های دسته بندی شده و دسته بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت های مفقودی و تاخیری مقاوم می باشد. علاوه بر این، شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه ها می باشد. برای ارزیابی الگوریتم های مورد نظر، به مقایسه عملی در مورد داده های تحقیق و داده های حقیقی در تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می کند که هر دو مورد ICLN و SICLN به بایگانی عملکرد بالا می پردازند، و SICLN در الگوریتم های خوشه بندی غیرنظارتی سنتی عملکرد بهتری دارد.