بهبود ادغام اطلاعات در اینترنت اشیاء به کمک الگوریتم های یادگیری ماشین

در اینترنت اشیا، ارتباط برقرار کردن بین اشیا به تنهایی کافی نیست، بلکه اشیا باید توانایی آموختن و درک محیط اطرافشان را نیز داشته باشند. یکی از مهم ترین ابزارهای کسب اطلاعات و درک محیط اطراف، فناوری شبکه های حسگر بی سیم است، که امروزه تحقیقات گسترده ای را به خود معطوف نموده است. این فناوری یکی از مهم ترین فناوری های اینترنت اشیاست که با وجود پیشرفت های صورت گرفته هنوز هم هزینه ی مصرفی بالایی دارد. بنابراین مهم ترین مساله در این تحقیق، بهبود روش های پیشنهادی در جهت افزایش کیفیت اطلاعات و افزایش دقت پیش بینی اطلاعات می باشد، تا در این راستا روش های پیشنهادی بتوانند تاثیر مثبتی بر کاهش هزینه ی شبکه های حسگر بی سیم نیز داشته باشند. بدین منظور، در این تحقیق پنج روش پیشنهادی همجوشی و یک روش داده کاوی اطلاعات، با کاهش نمونه های غیرضروری و توانایی پیش بینی اطلاعات یکسری از گره ها، کیفیت همجوشی و دقت پیش بینی اطلاعات را افزایش می دهند؛ هم چنین ارتباطات غیرضروری را برای ارسال داده های تکراری و نویزی به حداقل می رسانند و با غیرفعال نگه داشتن یکسری از گره های حسگر، در کاهش هزینه ی شبکه های حسگر نیز تاثیر مثبتی دارند. در این پنج روش پیشنهادی همجوشی اطلاعات، جهت حذف نمونه های نویزی و تکراری پیش پردازش اطلاعات انجام می شود. سپس با استفاده از روش های کاهش ابعاد داده ها، موثرترین ویژگی ها شناسایی می شوند. آنگاه توسط روش های دسته بندی به آموزش و پیش بینی داده های جدید پرداخته می شود. روش پیشنهادی داده کاوی نیز با خوشه بندی اطلاعات گره ها، اطلاعات دقیقی را از بین اطلاعات انبوه گره های حسگر کسب می کند؛ هم چنین با الگوریتم c&r tree، اطلاعات یکسری از گره ها را توسط سایر گره ها پیش بینی می نماید و نقش موثری را در بهبود دقت پیش بینی اطلاعات ایفا می کند. در بخش نتایج نیز براساس چهار پارامتر معرفی شده نتایجی به دست می آید، که این نتایج بر مبنای مجموعه داده های معتبر می باشد و حاکی از تاثیر گذار بودن این روش های پیشنهادی در بهبود کیفیت همجوشی اطلاعات و افزایش دقت پیش بینی اطلاعات دارد.