muhammad anwarul azim (41 risultati)

Condizione: New.

Condizione: New.

paperback. Condizione: New. NEW. SHIPS FROM MULTIPLE LOCATIONS. book.

Condizione: New.

paperback. Condizione: New. NEW. SHIPS FROM MULTIPLE LOCATIONS. book.

Condizione: New.

Condizione: New.

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -The increasing prominence of Wireless Sensor Network (WSN) is stimulating greater interest in developing many application areas. WSNs promise viable solutions aiming at many monitoring problems despite energy, communication, computation & storage constraints. The security issues, data privacy, confidentiality and integrity become vital when the sensors are deployed in a hostile environment. Support Vector Machines (SVM) classification is one of the most widely used classifications having advantage of accuracy and sparse representation that SVMs provide for decision boundaries. It is important to achieve energy efficient data mining in WSN while preserving privacy of data. In this thesis we introduce SVM classification for WSN consisting energy efficiency advantage by distributed incremental learning for the training and construction of global SVM classification model without disclosing the data to others. We show security analysis and energy estimation for preserving privacy and energy efficiency in WSN using SVM. 60 pp. Englisch.

Condizione: New. Print on Demand.

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Rastuschaq populqrnost' besprowodnyh sensornyh setej (WSN) stimuliruet powyshennyj interes k razwitiü mnogih oblastej primeneniq. WSNs obeschaüt zhiznesposobnye resheniq, naprawlennye na reshenie mnogih problem monitoringa, nesmotrq na ogranicheniq po änergii, swqzi, wychisleniqm i hraneniü dannyh. Voprosy bezopasnosti, konfidencial'nosti, sekretnosti i celostnosti dannyh stanowqtsq zhiznenno wazhnymi, kogda datchiki razwernuty wo wrazhdebnoj srede. Klassifikaciq s pomosch'ü opornyh wektornyh mashin (SVM) qwlqetsq odnoj iz naibolee shiroko ispol'zuemyh klassifikacij, imeüschej preimuschestwo w tochnosti i razrezhennom predstawlenii, kotoroe SVM obespechiwaüt dlq granic prinqtiq reshenij. Vazhno dobit'sq änergoäffektiwnogo poiska dannyh w WSN pri sohranenii konfidencial'nosti dannyh. V ätoj dissertacii my predstawlqem SVM klassifikaciü dlq WSN, sostoqschuü iz preimuschestwa änergoäffektiwnosti putem raspredelennogo inkremental'nogo obucheniq dlq obucheniq i postroeniq global'noj modeli SVM klassifikacii bez raskrytiq dannyh drugim. My pokazywaem analiz bezopasnosti i ocenku änergii dlq sohraneniq konfidencial'nosti i änergoäffektiwnosti w WSN s ispol'zowaniem SVM. 52 pp. Russisch.

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 60 pp. Englisch.

Condizione: New. PRINT ON DEMAND.

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -La creciente importancia de las redes inalámbricas de sensores (WSN) está suscitando un mayor interés en el desarrollo de muchas áreas de aplicación. Las WSN prometen soluciones viables para muchos problemas de vigilancia a pesar de las limitaciones de energía, comunicación, cálculo y almacenamiento. Los problemas de seguridad, privacidad, confidencialidad e integridad de los datos se vuelven vitales cuando los sensores se despliegan en un entorno hostil. La clasificación mediante máquinas de vectores soporte (SVM) es una de las más utilizadas y ofrece la ventaja de la precisión y la representación dispersa que las SVM proporcionan para los límites de decisión. Es importante conseguir una minería de datos energéticamente eficiente en WSN preservando la privacidad de los datos. En esta tesis introducimos la clasificación SVM para WSN que consiste en la ventaja de la eficiencia energética mediante el aprendizaje incremental distribuido para el entrenamiento y la construcción del modelo de clasificación SVM global sin revelar los datos a otros. Mostramos el análisis de seguridad y la estimación de energía para preservar la privacidad y la eficiencia energética en WSN utilizando SVM. 52 pp. Spanisch.

Condizione: New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt. Autor/Autorin: Azim Muhammad AnwarulMuhammad Anwarul Azim is an Associate Professor in Computer Science & Engineering Department, University of Chittagong, Chittagong-4331, Bangladesh. His B.Sc (Engg.) degree is from Computer Science & Engineering .

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -L'importance croissante des réseaux de capteurs sans fil (WSN) suscite un intérêt accru pour le développement de nombreux domaines d'application. Les WSN promettent des solutions viables visant à résoudre de nombreux problèmes de surveillance malgré les contraintes d'énergie, de communication, de calcul et de stockage. Les questions de sécurité, de confidentialité et d'intégrité des données deviennent vitales lorsque les capteurs sont déployés dans un environnement hostile. La classification par machines à vecteurs de support (SVM) est l'une des classifications les plus largement utilisées. Elle présente l'avantage de la précision et de la représentation éparse que les SVM fournissent pour les frontières de décision. Il est important de réaliser une exploration de données économe en énergie dans les WSN tout en préservant la confidentialité des données. Dans cette thèse, nous introduisons la classification SVM pour les WSN, en tenant compte de l'avantage de l'efficacité énergétique par l'apprentissage incrémental distribué pour la formation et la construction d'un modèle de classification SVM global sans divulguer les données aux autres. Nous montrons l'analyse de sécurité et l'estimation de l'énergie pour préserver la confidentialité et l'efficacité énergétique dans les WSN en utilisant le SVM. 52 pp. Französisch.

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -The increasing prominence of Wireless Sensor Network (WSN) is stimulating greater interest in developing many application areas. WSNs promise viable solutions aiming at many monitoring problems despite energy, communication, computation & storage constraints. The security issues, data privacy, confidentiality and integrity become vital when the sensors are deployed in a hostile environment. Support Vector Machines (SVM) classification is one of the most widely used classifications having advantage of accuracy and sparse representation that SVMs provide for decision boundaries. It is important to achieve energy efficient data mining in WSN while preserving privacy of data. In this thesis we introduce SVM classification for WSN consisting energy efficiency advantage by distributed incremental learning for the training and construction of global SVM classification model without disclosing the data to others. We show security analysis and energy estimation for preserving privacy and energy efficiency in WSN using SVM.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 60 pp. Englisch.

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - The increasing prominence of Wireless Sensor Network (WSN) is stimulating greater interest in developing many application areas. WSNs promise viable solutions aiming at many monitoring problems despite energy, communication, computation & storage constraints. The security issues, data privacy, confidentiality and integrity become vital when the sensors are deployed in a hostile environment. Support Vector Machines (SVM) classification is one of the most widely used classifications having advantage of accuracy and sparse representation that SVMs provide for decision boundaries. It is important to achieve energy efficient data mining in WSN while preserving privacy of data. In this thesis we introduce SVM classification for WSN consisting energy efficiency advantage by distributed incremental learning for the training and construction of global SVM classification model without disclosing the data to others. We show security analysis and energy estimation for preserving privacy and energy efficiency in WSN using SVM.

Taschenbuch. Condizione: Neu. Privacy Preserving Support Vector Machine Classification in WSN | Muhammad Anwarul Azim (u. a.) | Taschenbuch | 60 S. | Englisch | 2018 | LAP LAMBERT Academic Publishing | EAN 9786139846603 | Verantwortliche Person für die EU: BoD - Books on Demand, In de Tarpen 42, 22848 Norderstedt, info[at]bod[dot]de | Anbieter: preigu Print on Demand.

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -The increasing prominence of Wireless Sensor Network (WSN) is stimulating greater interest in developing many application areas. WSNs promise viable solutions aiming at many monitoring problems despite energy, communication, computation & storage constraints. The security issues, data privacy, confidentiality and integrity become vital when the sensors are deployed in a hostile environment. Support Vector Machines (SVM) classification is one of the most widely used classifications having advantage of accuracy and sparse representation that SVMs provide for decision boundaries. It is important to achieve energy efficient data mining in WSN while preserving privacy of data. In this thesis we introduce SVM classification for WSN consisting energy efficiency advantage by distributed incremental learning for the training and construction of global SVM classification model without disclosing the data to others. We show security analysis and energy estimation for preserving privacy and energy efficiency in WSN using SVM.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 60 pp. Englisch.

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering.

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -La creciente importancia de las redes inalámbricas de sensores (WSN) está suscitando un mayor interés en el desarrollo de muchas áreas de aplicación. Las WSN prometen soluciones viables para muchos problemas de vigilancia a pesar de las limitaciones de energía, comunicación, cálculo y almacenamiento. Los problemas de seguridad, privacidad, confidencialidad e integridad de los datos se vuelven vitales cuando los sensores se despliegan en un entorno hostil. La clasificación mediante máquinas de vectores soporte (SVM) es una de las más utilizadas y ofrece la ventaja de la precisión y la representación dispersa que las SVM proporcionan para los límites de decisión. Es importante conseguir una minería de datos energéticamente eficiente en WSN preservando la privacidad de los datos. En esta tesis introducimos la clasificación SVM para WSN que consiste en la ventaja de la eficiencia energética mediante el aprendizaje incremental distribuido para el entrenamiento y la construcción del modelo de clasificación SVM global sin revelar los datos a otros. Mostramos el análisis de seguridad y la estimación de energía para preservar la privacidad y la eficiencia energética en WSN utilizando SVM.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 52 pp. Spanisch.

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - La creciente importancia de las redes inalámbricas de sensores (WSN) está suscitando un mayor interés en el desarrollo de muchas áreas de aplicación. Las WSN prometen soluciones viables para muchos problemas de vigilancia a pesar de las limitaciones de energía, comunicación, cálculo y almacenamiento. Los problemas de seguridad, privacidad, confidencialidad e integridad de los datos se vuelven vitales cuando los sensores se despliegan en un entorno hostil. La clasificación mediante máquinas de vectores soporte (SVM) es una de las más utilizadas y ofrece la ventaja de la precisión y la representación dispersa que las SVM proporcionan para los límites de decisión. Es importante conseguir una minería de datos energéticamente eficiente en WSN preservando la privacidad de los datos. En esta tesis introducimos la clasificación SVM para WSN que consiste en la ventaja de la eficiencia energética mediante el aprendizaje incremental distribuido para el entrenamiento y la construcción del modelo de clasificación SVM global sin revelar los datos a otros. Mostramos el análisis de seguridad y la estimación de energía para preservar la privacidad y la eficiencia energética en WSN utilizando SVM.

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -A crescente proeminência da Rede de Sensores Sem Fios (WSN) está a estimular um maior interesse no desenvolvimento de muitas áreas de aplicação. As RSSFs prometem soluções viáveis visando muitos problemas de monitorização, apesar das restrições de energia, comunicação, computação e armazenamento. As questões de segurança, privacidade dos dados, confidencialidade e integridade tornam-se vitais quando os sensores são implantados num ambiente hostil. A classificação das Máquinas Vectoriais de Apoio (SVM) é uma das classificações mais amplamente utilizadas, tendo a vantagem da precisão e da representação esparsa que as SVM proporcionam para os limites de decisão. É importante conseguir uma extracção de dados energeticamente eficiente na RMS, preservando ao mesmo tempo a privacidade dos dados. Nesta tese introduzimos a classificação SVM para RSSF que consiste na vantagem da eficiência energética através da aprendizagem incremental distribuída para a formação e construção de um modelo de classificação global de SVM sem revelar os dados a outros. Mostramos análise de segurança e estimativa de energia para preservar a privacidade e eficiência energética nas RSSF utilizando a SVM. 52 pp. Portugiesisch.

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Die zunehmende Bedeutung von drahtlosen Sensornetzwerken (WSN) weckt ein größeres Interesse an der Entwicklung vieler Anwendungsbereiche. WSNs versprechen praktikable Lösungen für viele Überwachungsprobleme trotz der Einschränkungen in Bezug auf Energie, Kommunikation, Berechnung und Speicherung. Sicherheitsfragen, Datenschutz, Vertraulichkeit und Integrität sind von entscheidender Bedeutung, wenn die Sensoren in einer feindlichen Umgebung eingesetzt werden. Die Klassifizierung mit Hilfe von Support Vector Machines (SVM) ist eine der am weitesten verbreiteten Klassifizierungen, die den Vorteil der Genauigkeit und der spärlichen Darstellung hat, die SVMs für Entscheidungsgrenzen bieten. Es ist wichtig, energieeffizientes Data Mining in WSN zu erreichen und gleichzeitig die Privatsphäre der Daten zu bewahren. In dieser Arbeit stellen wir eine SVM-Klassifikation für WSN vor, die den Vorteil der Energieeffizienz durch verteiltes inkrementelles Lernen für das Training und die Konstruktion eines globalen SVM-Klassifikationsmodells bietet, ohne die Daten anderen zugänglich zu machen. Wir zeigen Sicherheitsanalysen und Energieabschätzungen zur Wahrung der Privatsphäre und Energieeffizienz in WSN mit SVM. 52 pp. Deutsch.

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -La crescente importanza delle reti di sensori wireless (WSN) sta stimolando un maggiore interesse nello sviluppo di molte aree applicative. Le WSN promettono soluzioni valide per molti problemi di monitoraggio, nonostante i vincoli di energia, comunicazione, calcolo e memorizzazione. Le questioni relative alla sicurezza, alla privacy, alla riservatezza e all'integrità dei dati diventano fondamentali quando i sensori vengono distribuiti in un ambiente ostile. La classificazione con macchine a vettori di supporto (SVM) è una delle classificazioni più utilizzate, con il vantaggio dell'accuratezza e della rappresentazione rada che le SVM forniscono per i confini decisionali. È importante realizzare un data mining efficiente dal punto di vista energetico nelle WSN, preservando al contempo la privacy dei dati. In questa tesi introduciamo la classificazione SVM per le WSN con il vantaggio dell'efficienza energetica grazie all'apprendimento incrementale distribuito per l'addestramento e la costruzione di un modello di classificazione SVM globale senza rivelare i dati ad altri. Mostriamo l'analisi della sicurezza e la stima dell'energia per preservare la privacy e l'efficienza energetica nelle WSN utilizzando SVM. 52 pp. Italienisch.

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -L'importance croissante des réseaux de capteurs sans fil (WSN) suscite un intérêt accru pour le développement de nombreux domaines d'application. Les WSN promettent des solutions viables visant à résoudre de nombreux problèmes de surveillance malgré les contraintes d'énergie, de communication, de calcul et de stockage. Les questions de sécurité, de confidentialité et d'intégrité des données deviennent vitales lorsque les capteurs sont déployés dans un environnement hostile. La classification par machines à vecteurs de support (SVM) est l'une des classifications les plus largement utilisées. Elle présente l'avantage de la précision et de la représentation éparse que les SVM fournissent pour les frontières de décision. Il est important de réaliser une exploration de données économe en énergie dans les WSN tout en préservant la confidentialité des données. Dans cette thèse, nous introduisons la classification SVM pour les WSN, en tenant compte de l'avantage de l'efficacité énergétique par l'apprentissage incrémental distribué pour la formation et la construction d'un modèle de classification SVM global sans divulguer les données aux autres. Nous montrons l'analyse de sécurité et l'estimation de l'énergie pour préserver la confidentialité et l'efficacité énergétique dans les WSN en utilisant le SVM.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 52 pp. Französisch.

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - L'importance croissante des réseaux de capteurs sans fil (WSN) suscite un intérêt accru pour le développement de nombreux domaines d'application. Les WSN promettent des solutions viables visant à résoudre de nombreux problèmes de surveillance malgré les contraintes d'énergie, de communication, de calcul et de stockage. Les questions de sécurité, de confidentialité et d'intégrité des données deviennent vitales lorsque les capteurs sont déployés dans un environnement hostile. La classification par machines à vecteurs de support (SVM) est l'une des classifications les plus largement utilisées. Elle présente l'avantage de la précision et de la représentation éparse que les SVM fournissent pour les frontières de décision. Il est important de réaliser une exploration de données économe en énergie dans les WSN tout en préservant la confidentialité des données. Dans cette thèse, nous introduisons la classification SVM pour les WSN, en tenant compte de l'avantage de l'efficacité énergétique par l'apprentissage incrémental distribué pour la formation et la construction d'un modèle de classification SVM global sans divulguer les données aux autres. Nous montrons l'analyse de sécurité et l'estimation de l'énergie pour préserver la confidentialité et l'efficacité énergétique dans les WSN en utilisant le SVM.

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Rastuschaq populqrnost' besprowodnyh sensornyh setej (WSN) stimuliruet powyshennyj interes k razwitiü mnogih oblastej primeneniq. WSNs obeschaüt zhiznesposobnye resheniq, naprawlennye na reshenie mnogih problem monitoringa, nesmotrq na ogranicheniq po änergii, swqzi, wychisleniqm i hraneniü dannyh. Voprosy bezopasnosti, konfidencial'nosti, sekretnosti i celostnosti dannyh stanowqtsq zhiznenno wazhnymi, kogda datchiki razwernuty wo wrazhdebnoj srede. Klassifikaciq s pomosch'ü opornyh wektornyh mashin (SVM) qwlqetsq odnoj iz naibolee shiroko ispol'zuemyh klassifikacij, imeüschej preimuschestwo w tochnosti i razrezhennom predstawlenii, kotoroe SVM obespechiwaüt dlq granic prinqtiq reshenij. Vazhno dobit'sq änergoäffektiwnogo poiska dannyh w WSN pri sohranenii konfidencial'nosti dannyh. V ätoj dissertacii my predstawlqem SVM klassifikaciü dlq WSN, sostoqschuü iz preimuschestwa änergoäffektiwnosti putem raspredelennogo inkremental'nogo obucheniq dlq obucheniq i postroeniq global'noj modeli SVM klassifikacii bez raskrytiq dannyh drugim. My pokazywaem analiz bezopasnosti i ocenku änergii dlq sohraneniq konfidencial'nosti i änergoäffektiwnosti w WSN s ispol'zowaniem SVM.Books on Demand GmbH, Überseering 33, 22297 Hamburg 52 pp. Russisch.

Taschenbuch. Condizione: Neu. Classification par machine à vecteurs de support préservant la confidentialité dans les réseaux sans fil. | Muhammad Anwarul Azim (u. a.) | Taschenbuch | Französisch | 2023 | Editions Notre Savoir | EAN 9786205565155 | Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, 49078 Osnabrück, mail[at]preigu[dot]de | Anbieter: preigu Print on Demand.

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Rastuschaq populqrnost' besprowodnyh sensornyh setej (WSN) stimuliruet powyshennyj interes k razwitiü mnogih oblastej primeneniq. WSNs obeschaüt zhiznesposobnye resheniq, naprawlennye na reshenie mnogih problem monitoringa, nesmotrq na ogranicheniq po änergii, swqzi, wychisleniqm i hraneniü dannyh. Voprosy bezopasnosti, konfidencial'nosti, sekretnosti i celostnosti dannyh stanowqtsq zhiznenno wazhnymi, kogda datchiki razwernuty wo wrazhdebnoj srede. Klassifikaciq s pomosch'ü opornyh wektornyh mashin (SVM) qwlqetsq odnoj iz naibolee shiroko ispol'zuemyh klassifikacij, imeüschej preimuschestwo w tochnosti i razrezhennom predstawlenii, kotoroe SVM obespechiwaüt dlq granic prinqtiq reshenij. Vazhno dobit'sq änergoäffektiwnogo poiska dannyh w WSN pri sohranenii konfidencial'nosti dannyh. V ätoj dissertacii my predstawlqem SVM klassifikaciü dlq WSN, sostoqschuü iz preimuschestwa änergoäffektiwnosti putem raspredelennogo inkremental'nogo obucheniq dlq obucheniq i postroeniq global'noj modeli SVM klassifikacii bez raskrytiq dannyh drugim. My pokazywaem analiz bezopasnosti i ocenku änergii dlq sohraneniq konfidencial'nosti i änergoäffektiwnosti w WSN s ispol'zowaniem SVM.