ترجمه فارسی مقاله اعتبار سنجی عملی برای سنجش CSI با استفاده از یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Validation of Practicality for CSI Sensing Utilizing Machine Learning
عنوان مقاله به فارسی اعتبار سنجی عملی برای سنجش CSI با استفاده از یادگیری ماشین
نویسندگان Tomoya Tanaka, Ayumu Yabuki, Mizuki Funakoshi, Ryo Yonemoto
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Signal Processing,Information Theory,Machine Learning,Networking and Internet Architecture,پردازش سیگنال , تئوری اطلاعات , یادگیری ماشین , شبکه و معماری اینترنت ,
توضیحات Submitted 9 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 9 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this study, we leveraged Channel State Information (CSI), commonly utilized in WLAN communication, as training data to develop and evaluate five distinct machine learning models for recognizing human postures: standing, sitting, and lying down. The models we employed were: (i) Linear Discriminant Analysis, (ii) Naive Bayes-Support Vector Machine, (iii) Kernel-Support Vector Machine, (iv) Random Forest, and (v) Deep Learning. We systematically analyzed how the accuracy of these models varied with different amounts of training data. Additionally, to assess their spatial generalization capabilities, we evaluated the models' performance in a setting distinct from the one used for data collection. The experimental findings indicated that while two models -- (ii) Naive Bayes-Support Vector Machine and (v) Deep Learning -- achieved 85% or more accuracy in the original setting, their accuracy dropped to approximately 30% when applied in a different environment. These results underscore that although CSI-based machine learning models can attain high accuracy within a consistent spatial structure, their performance diminishes considerably with changes in spatial conditions, highlighting a significant challenge in their generalization capabilities.

چکیده به فارسی (ترجمه ماشینی)

در این مطالعه ، ما اطلاعات حالت کانال (CSI) را که معمولاً در ارتباطات WLAN مورد استفاده قرار می گیرد ، به عنوان داده های آموزش برای توسعه و ارزیابی پنج مدل یادگیری ماشین مجزا برای شناخت وضعیت های انسانی استفاده می کنیم: ایستاده ، نشستن و دراز کشیدن.مدلهایی که ما به کار بردیم عبارتند از: (i) تجزیه و تحلیل تبعیض آمیز خطی ، (ب) دستگاه بردار پشتیبانی از بیز های ساده لوح ، (iii) دستگاه بردار پشتیبانی هسته ، (IV) جنگل تصادفی ، و (v) یادگیری عمیق.ما به طور سیستماتیک تجزیه و تحلیل کردیم که چگونه دقت این مدل ها با مقادیر مختلف داده های آموزشی متفاوت است.علاوه بر این ، برای ارزیابی قابلیت های تعمیم مکانی آنها ، ما عملکرد مدل ها را در یک تنظیم متمایز از نمونه مورد استفاده برای جمع آوری داده ها ارزیابی کردیم.یافته های آزمایشی نشان داد که در حالی که دو مدل-(ب) دستگاه بردار پشتیبانی از بیز و حامی و (v) یادگیری عمیق-85 ٪ یا بیشتر در تنظیمات اصلی به دست آوردند ، اما دقت آنها در صورت استفاده در یک متفاوت به 30 ٪ کاهش یافت.محیطاین نتایج تأکید می کند که اگرچه مدل های یادگیری ماشین مبتنی بر CSI می توانند در یک ساختار مکانی سازگار با دقت بالایی دست یابند ، اما عملکرد آنها با تغییر در شرایط مکانی به میزان قابل توجهی کاهش می یابد و یک چالش مهم در قابلیت های عمومی سازی آنها را برجسته می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.