تازه ترین ها
خانه / مقاله ترجمه شده ISI / مقاله کاهش ابعاد غیرمتمرکز برای اطلاعات کششی ( تانسور ) توزیع شده در ….

مقاله کاهش ابعاد غیرمتمرکز برای اطلاعات کششی ( تانسور ) توزیع شده در ….

سال : 2015  ژورنال : IEEE  تعداد صفحات انگلیسی : 13  تعداد صفحات فارسی:  52

 

عنوان انگلیسی مقاله :

Decentralized Dimensionality Reduction for Distributed Tensor Data Across Sensor Networks

عنوان فارسی مقاله :

کاهش ابعاد غیرمتمرکز برای اطلاعات کششی ( تانسور ) توزیع شده در شبکه های حسگر

چکیده فارسی :

این مقاله یک الگوریتم کاهش ابعادی غیرمتمرکز جدید برای داده های کششی توزیع شده در شبکه های حسگر را مطرح می کند. سهم عده ی این مقاله، به صورت زیر است:

1.شیوه های متمرکز مرسوم که کل داده ها را برای تعیین همزمان تمام بردارهای ماتریس پروژه در حالت کششی استفاده می کند و برای محیط شبکه خوب نیستند. در اینجا، ما به دخالت پردازش همزمان در حالت یک بردار با یک بردار (OVBOV) کاری نداریم، مثلا تعیین کردن بردارهای پروژه (PV) ها مربوط به هر حالت کشش یک به یک.

2. ما اثبات می کنیم که در حالت OVBOV و PV می تواند بدون اصلاح هرگونه داده ی کششی تعیین شود که محاسبات مربوطه را ساده می کند.

3. ما مسئله ی تعیین PV متمرکز را به صورت یک مجموعه ی مسائل فرعی با محدودیت های سرشماری طرح می ریزیم و ادغام می کنیم، طوری که بتواند در محیط شبکه فقط با محاسبات محلی و ارتباطات اطلاعاتی در میان گروه های محیطی، حل شود.

4. ما فضای خنثی خود را معرفی می کنیم و مسئله ی تعیین PV را با محدودیت های قائم پیچیده در یک حالت محدب مخفی معادل و یکی هم بدون هرگونه محدودیت قائم بودن منتقل می کنیم که می تواند به وسیله ی شیوه ی چند برابر ساز لاگرانژی حل شود.

5. نتایج تجربی برای نشان دادن الگوریتم مطرح شده یک طرح کاهش ابعادی مؤثر برای داده های تانسور توزیع شده در شبکه های حسگر، می آیند.

چکیده انگلیسی:

This paper develops a novel decentralized dimensionality reduction algorithm for the distributed tensor data across sensor networks. The main contributions of this paper are as follows. First, conventional centralized methods, which utilize entire data to simultaneously determine all the vectors of the projection matrix along each tensor mode, are not suitable for the network environment. Here, we relax the simultaneous processing manner into the one-vector-by-one-vector (OVBOV) manner, i.e., determining the projection vectors (PVs) related to each tensor mode one by one. Second, we prove that in the OVBOV manner each PV can be determined without modifying any tensor data, which simplifies corresponding computations. Third, we cast the decentralized PV determination problem as a set of subproblems with consensus constraints, so that it can be solved in the network environment only by local computations and information communications among neighboring nodes.Fourth, we introduce the null space and transform the PV determination problem with complex orthogonality constraints into an equivalent hidden convex one without any orthogonality constraint, which can be solved by the Lagrange multiplier method.Finally, experimental results are given to show that the proposed algorithm is an effective dimensionality reduction scheme for the distributed tensor data across the sensor networks.

 

دانلود رایگان فایل انگلیسی مقاله

 

مطلب پیشنهادی

تأثیر توجه معطوف به خود و خُلق بر نارضایتی از ظاهر بعد از خیره شدن به آینه …

سال : 2016  ژورنال : ELSEVIER  تعداد صفحات انگلیسی : 7  تعداد صفحات فارسی:  23 …

دیدگاهتان را بنویسید

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

نه − یک =