ترجمه فارسی مقاله به سوی استنتاج داده های پیوسته زمان در سنجش جمعیت پراکنده شهری

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 Toward Time-Continuous Data Inference in Sparse Urban CrowdSensing
عنوان مقاله به فارسی به سوی استنتاج داده های پیوسته زمان در سنجش جمعیت پراکنده شهری
نویسندگان Ziyu Sun, Haoyang Su, Hanqi Sun, En Wang, Wenbin Liu
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Networking and Internet Architecture,یادگیری ماشین , هوش مصنوعی , شبکه سازی و معماری اینترنت ,
توضیحات Submitted 27 August, 2024; originally announced August 2024. , Comments: 11 pages, 11 figures
توضیحات به فارسی ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 11 صفحه ، 11 شکل
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

Mobile Crowd Sensing (MCS) is a promising paradigm that leverages mobile users and their smart portable devices to perform various real-world tasks. However, due to budget constraints and the inaccessibility of certain areas, Sparse MCS has emerged as a more practical alternative, collecting data from a limited number of target subareas and utilizing inference algorithms to complete the full sensing map. While existing approaches typically assume a time-discrete setting with data remaining constant within each sensing cycle, this simplification can introduce significant errors, especially when dealing with long cycles, as real-world sensing data often changes continuously. In this paper, we go from fine-grained completion, i.e., the subdivision of sensing cycles into minimal time units, towards a more accurate, time-continuous completion. We first introduce Deep Matrix Factorization (DMF) as a neural network-enabled framework and enhance it with a Recurrent Neural Network (RNN-DMF) to capture temporal correlations in these finer time slices. To further deal with the continuous data, we propose TIME-DMF, which captures temporal information across unequal intervals, enabling time-continuous completion. Additionally, we present the Query-Generate (Q-G) strategy within TIME-DMF to model the infinite states of continuous data. Extensive experiments across five types of sensing tasks demonstrate the effectiveness of our models and the advantages of time-continuous completion.

چکیده به فارسی (ترجمه ماشینی)

Mobile Crowd Sensing (MCS) یک الگوی امیدوار کننده است که از کاربران تلفن همراه و دستگاه های قابل حمل هوشمند آنها برای انجام کارهای مختلف در دنیای واقعی استفاده می کند.با این حال ، با توجه به محدودیت های بودجه و عدم دسترسی به مناطق خاص ، MCS پراکنده به عنوان یک جایگزین عملی تر ظاهر شده است ، و داده ها را از تعداد محدودی از زیرگروه های هدف و استفاده از الگوریتم های استنتاج برای تکمیل نقشه سنجش کامل جمع آوری می کند.در حالی که رویکردهای موجود به طور معمول یک تنظیم زمانی را با داده های ثابت در هر چرخه سنجش ثابت می کنند ، این ساده سازی می تواند خطاهای قابل توجهی را ایجاد کند ، به خصوص هنگام برخورد با چرخه های طولانی ، زیرا داده های سنجش در دنیای واقعی اغلب به طور مداوم تغییر می کنند.در این مقاله ، ما از تکمیل ریز دانه ، یعنی تقسیم چرخه های سنجش به واحدهای حداقل زمان ، به سمت تکمیل دقیق تر و مداوم ، می رویم.ما ابتدا فاکتورسازی ماتریس عمیق (DMF) را به عنوان یک چارچوب فعال شده با شبکه عصبی معرفی می کنیم و آن را با یک شبکه عصبی مکرر (RNN-DMF) تقویت می کنیم تا همبستگی های زمانی را در این برش های زمان ظریف تر ضبط کنیم.برای مقابله بیشتر با داده های مداوم ، ما Time-DMF را پیشنهاد می کنیم ، که اطلاعات زمانی را در فواصل نابرابر ضبط می کند و امکان تکمیل زمان مداوم را فراهم می کند.علاوه بر این ، ما استراتژی تولید پرس و جو (Q-G) را در Time-DMF ارائه می دهیم تا حالتهای نامتناهی داده های مداوم را مدل کنیم.آزمایش های گسترده در پنج نوع وظایف سنجش ، اثربخشی مدل های ما و مزایای اتمام زمان مداوم را نشان می دهد.

📚 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.