WSN–SOM results have lower quantiza

WSN–SOM results have lower quantization and topographic errors compared with the MATLAB SOM toolbox solutions as shown in Table 5. This means that the WSN–SOM can better represent the original data: weight vectors for BMUs of the WSN–SOM are closer (in the Euclidean distance sense) to the original data patterns than those obtained through the MATLAB SOM toolbox solution. Using the MATLAB SOM toolbox, there are four patterns that are mapped to the same BMU with at least another different pattern, while there is only one such double-representation by a single BMU in the WSN–SOM solution.

4. Complexity and scalability
Attributes of the proposed WSN–ANN architecture with respect to computational and message complexity, and scalability are of interest. Specifically, these attributes include ability of the WSN–ANN to scale with the problem size, the computational complexity in space and time, and the communications or messaging complexity. It is relevant to note that computational complexity aspects of artificial neural networks are an area that is largely incomplete and fragmented although there have been advances during the last decade [58]. One major challenge is the fact that there are too many neural network paradigms, learning algorithms and countless parameters to consider for a unified and coherent treatment of the subject. Therefore computational complexity analysis is only feasible for specific artificial neural network, training algorithm, and problem domain choices. Furthermore, in the case of WSN–SOM realization, various aspects of the sensor network such as the topology, and wireless protocol stack also become relevant factors affecting the complexity aspects of the design.

The SOM neural network algorithm employed in the simulation study is described in Fig. 11 to serve as a reference point for the forthcoming complexity analysis. Next, space, time and communication (messaging) complexity analyses for the WSN–SOM design will be presented, where N (short for NOL), P, and K (=tTE) represent the number of neurons, the number of training patterns, and the number of training iterations or epochs, respectively. This is followed by a discussion on the scalability of the proposed WSN–SOM design.

ผลลัพธ์ (ไทย) 1:

ผล WSN – ส้มมี quantization ล่างและข้อผิดพลาด topographic เมื่อเทียบกับโซลูชันมือส้ม MATLAB ดังแสดงในตาราง 5 หมายความ ว่า WSN – ส้มดีสามารถแสดงข้อมูลต้นฉบับ: น้ำหนักเวกเตอร์สำหรับ BMUs ของ WSN – ส้มใกล้ชิด (ในความรู้สึกแบบยุคลิด) กับรูปแบบข้อมูลเดิมกว่ารับผ่านโซลูชันมือส้ม MATLAB ใช้ MATLAB ส้มมือ ได้สี่รูปแบบที่ถูกแม็ปกับ BMU เดียวกันมีรูปแบบแตกต่างกันน้อยอีก ในขณะที่มีหนึ่งเท่านั้นเช่นสองแสดง โดย BMU เดียวในโซลูชัน WSN – ส้ม4. ความซับซ้อนและขนาดคุณลักษณะของสถาปัตยกรรม WSN – แอนเสนอเกี่ยวกับคำนวณ และความซับซ้อน และขนาดที่น่าสนใจ โดยเฉพาะ แอตทริบิวต์เหล่านี้รวมถึงความสามารถของ WSN – แอนชั่งขนาดปัญหา คำนวณซับซ้อนในพื้นที่ และ เวลา และการสื่อสารหรือส่งข้อความซับซ้อน เกี่ยวข้องกับสังเกตด้านคำนวณความซับซ้อนของเครือข่ายประสาทเทียมไม่สมบูรณ์มากนัก และกระจัดกระจายแม้ว่ามีความก้าวหน้าในระหว่างทศวรรษ [58] ความท้าทายสำคัญหนึ่งคือ ความจริงที่ว่า มี paradigms ข่ายประสาทมากเกินไป เรียนรู้อัลกอริทึมและพารามิเตอร์มากมายในการพิจารณาสำหรับการรวม และ coherent ของเรื่อง ดังนั้น การวิเคราะห์คำนวณซับซ้อนเท่านั้นเป็นไปได้สำหรับเฉพาะโครงข่ายประสาทเทียม ขั้นตอนวิธีการฝึกอบรม และเลือกโดเมนของปัญหา นอกจากนี้ ในกรณีของการรับรู้ WSN – ส้ม แง่มุมต่าง ๆ ของเครือข่ายเซ็นเซอร์เช่นโทโพโลยี และกองซ้อนของโพรโทคอไร้สายเป็น ปัจจัยเกี่ยวข้องที่มีผลต่อลักษณะความซับซ้อนของการออกแบบอธิบายขั้นตอนวิธีโครงข่ายประสาทสมลูกจ้างในการศึกษาการจำลองใน 11 Fig. เพื่อใช้เป็นจุดอ้างอิงสำหรับการวิเคราะห์ความซับซ้อนลง ถัดไป พื้นที่ เวลา และการสื่อสาร (ข้อความ) วิเคราะห์ความซับซ้อนแบบ WSN – ส้มจะนำ ซึ่ง N (สั้นสำหรับ NOL), P และ K (= tTE) แสดงจำนวน neurons จำนวนของรูปแบบการฝึกอบรม หมายเลขของแผนการฝึกอบรมหรือ epochs ตามลำดับ นี้ตาม ด้วยการสนทนาในการขยับของแบบ WSN – ส้มเสนอ

ผลลัพธ์ (ไทย) 2:

ผลการ WSN-SOM มี quantization ล่างและข้อผิดพลาดภูมิประเทศเมื่อเทียบกับโซลูชั่น SOM MATLAB กล่องเครื่องมือดังแสดงในตารางที่ 5 ซึ่งหมายความว่า WSN-SOM ดีขึ้นสามารถแสดงข้อมูลต้นฉบับ: เวกเตอร์น้ำหนักสำหรับ BMus ของ WSN-SOM มีความใกล้ชิด (ใน ความรู้สึกระยะทางยุคลิด) กับรูปแบบข้อมูลเดิมกว่าผู้ที่ได้รับผ่านการแก้ปัญหากล่อง SOM MATLAB โดยใช้กล่องเครื่องมือ SOM MATLAB มีสี่รูปแบบที่ถูกแมปไป BMU เช่นเดียวกันกับเวลาอย่างน้อยอีกรูปแบบที่แตกต่างกันในขณะที่มีเพียงหนึ่งในสองครั้งที่การแสดงดังกล่าวโดย BMU เดียวในการแก้ปัญหา WSN-SOM. 4 ความซับซ้อนและความยืดหยุ่นคุณสมบัติของสถาปัตยกรรมที่นำเสนอ WSN-ANN ที่เกี่ยวกับการคำนวณและความซับซ้อนของข้อความและความยืดหยุ่นที่น่าสนใจ โดยเฉพาะแอตทริบิวต์เหล่านี้รวมถึงความสามารถของ WSN-ANN จะไต่ที่มีขนาดปัญหาที่ซับซ้อนในการคำนวณในพื้นที่และเวลาและการสื่อสารหรือความซับซ้อนการส่งข้อความ มันเป็นเรื่องที่เกี่ยวข้องจะต้องทราบว่าด้านคอมพิวเตอร์ที่ซับซ้อนของเครือข่ายประสาทเทียมมีพื้นที่ที่เป็นส่วนใหญ่ไม่สมบูรณ์และการแยกส่วนถึงแม้จะมีความก้าวหน้าในช่วงทศวรรษที่ผ่านมาที่ [58] หนึ่งในความท้าทายที่สำคัญคือความจริงที่ว่ามีมากเกินไปกระบวนทัศน์เครือข่ายประสาทขั้นตอนวิธีการเรียนรู้และพารามิเตอร์ที่นับไม่ถ้วนที่จะต้องพิจารณาสำหรับการรักษาแบบครบวงจรและเชื่อมโยงกันของเรื่อง ดังนั้นการวิเคราะห์ความซับซ้อนของคอมพิวเตอร์เป็นเพียงเป็นไปได้สำหรับเครือข่ายประสาทเทียมเฉพาะขั้นตอนวิธีการฝึกอบรมและการเลือกโดเมนปัญหา นอกจากนี้ในกรณีของการสำนึก WSN-SOM ในด้านต่างๆของเครือข่ายเซ็นเซอร์เช่นโครงสร้างและโปรโตคอลสแต็คไร้สายก็จะกลายเป็นปัจจัยที่มีผลต่อด้านความซับซ้อนของการออกแบบ. ขั้นตอนวิธีเครือข่ายประสาท SOM ใช้ในการศึกษาแบบจำลองที่อธิบายไว้ ในรูป 11 เพื่อใช้เป็นจุดอ้างอิงสำหรับการวิเคราะห์ความซับซ้อนที่กำลังจะมา ถัดไปพื้นที่เวลาและการสื่อสาร (ส่งข้อความ) ความซับซ้อนวิเคราะห์สำหรับ WSN-SOM จะนำเสนอการออกแบบที่ N (ย่อมาจาก NOL), P และ K (= TTE) แทนจำนวนของเซลล์ประสาทจำนวนรูปแบบการฝึกอบรม และจำนวนของการฝึกอบรมการทำซ้ำหรือ epochs ตามลำดับ นี้ตามด้วยการอภิปรายเกี่ยวกับความยืดหยุ่นของการออกแบบที่นำเสนอ WSN-ส้ม

ผลลัพธ์ (ไทย) 3:

WSN –ส้มผลลดข้อผิดพลาด quantization และภูมิประเทศเมื่อเทียบกับโซลูชั่น Matlab ส้มกล่องดังแสดงในตารางที่ 5 ซึ่งหมายความว่า WSN –ส้มดีขึ้นสามารถแสดงข้อมูลเดิม : น้ำหนักเวกเตอร์ bmus ของ WSN –ส้มใกล้ ( ในยุทธการโอะกินะวะความรู้สึก ) ต้นฉบับรูปแบบข้อมูลมากกว่าผู้ที่ได้รับผ่านทางกล่องส้ม โซลูชั่นการใช้โปรแกรม MATLAB ซึ่งกล่องเครื่องมือมีอยู่ 4 รูปแบบ ที่แมปไปยัง bmu เดียวกันกับอีกอย่างน้อยรูปแบบต่าง ๆ ในขณะที่มีเพียงหนึ่งเช่นคู่แทนโดยซึ่งได้รับการสนับสนุนจากเดียวใน WSN –ส้มโซลูชั่น

4 . ความซับซ้อนและ scalability
คุณลักษณะของเสนอ WSN –แอน สถาปัตยกรรมส่วนคำนวณและข้อความที่ซับซ้อน และเลือกจะสนใจโดยเฉพาะ คุณสมบัติเหล่านี้รวมถึงความสามารถของ WSN –แอน ขนาด กับ ปัญหา ขนาด ความซับซ้อนของเวลาและอวกาศ และการสื่อสาร หรือ ส่งข้อความ ความซับซ้อน มันเกี่ยวข้องกับทราบว่าความซับซ้อนในการคำนวณด้านโครงข่ายประสาทเทียมมีพื้นที่ส่วนใหญ่ไม่สมบูรณ์และกระจัดกระจายแม้จะมีความก้าวหน้าในช่วงทศวรรษที่ผ่านมา [ 58 ]หนึ่งความท้าทายหลักคือความจริงที่ว่ามีมากเกินไปประสาทเครือข่ายกระบวนทัศน์การเรียนรู้ขั้นตอนวิธีและพารามิเตอร์ที่นับไม่ถ้วนที่ต้องพิจารณาสำหรับการรวมและการรักษาติดต่อกัน จากเรื่อง ดังนั้นความซับซ้อนในการคำนวณการวิเคราะห์เป็นเพียงความเป็นไปได้ที่เฉพาะเจาะจง , โครงข่ายประสาทเทียมขั้นตอนวิธีการฝึกอบรมและปัญหาการเลือก นอกจากนี้ ในกรณีของ WSN ) ซึ่งเกิดขึ้นได้ด้านต่างๆของเครือข่ายเซ็นเซอร์ เช่น โครงสร้าง และโพรโทคอลสแตกไร้สายยังเป็นปัจจัยต่างๆที่มีผลต่อความซับซ้อนด้านการออกแบบ

โสมเครือข่ายประสาทขั้นตอนวิธีที่ใช้ในการศึกษาแบบจำลองที่อธิบายไว้ในรูปที่ 11 เพื่อใช้เป็นจุดอ้างอิงสำหรับการวิเคราะห์ความซับซ้อนหน้า ถัดไป , พื้นที่ ,เวลาและการสื่อสาร ( ส่งข้อความ ) ความซับซ้อนการวิเคราะห์สำหรับ WSN –ส้มออกแบบจะนำเสนอที่ N ( สั้นสำหรับนอล ) P และ K ( = tte ) แสดงจำนวนเซลล์ประสาท หมายเลขของรูปแบบการฝึกอบรม และจำนวนของการทำซ้ำการฝึกอบรมหรือยุคสมัย ตามลำดับ นี้ตามด้วยการอภิปรายในสิ่งที่เสนอ WSN –ส้ม ดีไซน์