تركيب فناوري اينترنت اشيا با هوش مصنوعي در بهبود فرايند تصميم گيري شبكه هاي حسگر بي سيم در سيستم هاي فيزيكي سايبري

The combination of Internet of Things technology with artificial intelligence in improving the decision making process of wireless sensor networks in cyber physical systems

عملكرد اينترنت دائماً از اينترنت رايانه ها (IoC) به «اينترنت اشيا (IoT)» در حال تغيير است. علاوه بر اين، سيستم‌هاي به‌هم‌پيوسته گسترده كه به عنوان سيستم‌هاي فيزيكي سايبري (CPS) شناخته مي‌شوند از همسان سازي بسياري از جنبه‌ها مانند زيرساخت، دستگاه‌هاي جاسازي شده، اشياء هوشمند، انسان‌ها و محيط‌هاي فيزيكي پديد مي‌آيند. ادغام فناوري اينترنت اشياء صنعتي (IIOT) با هوش مصنوعي (AI) تأثير بزرگي بر فرآيندهاي تصميم‌گيري در صنايع پيشرفته داشته است. اين مقاله به پتانسيل هماهنگي بين IIOT و AI براي افزايش كارآيي، دقت، سرعت و تطبيق‌پذيري سيستم‌هاي تصميم‌گيري در يك طيف گسترده از كاربردهاي صنعتي پرداخته و تئوري ايجاد تصميم‌گيري مبتني بر داده را مورد بررسي قرار مي‌دهد. در اين مقاله از طريق نرم افزار يادگيري ماشين (ML) اطلاعات بدست آمده در شبكه حسگرهاي بي سيم (WSN) سيستم هاي فيزيكي سايبري مورد استفاده در دستگاه هاي IoT را با يادگيري ماشيني تركيب و مورد بررسي قرار مي دهيم كه به صنايع امكان مي‌دهد تصميم‌گيري بر اساس داده را با سطح‌هاي بي‌نظيري از پيچيدگي انجام دهند و در نهايت، در بهبود فرايند تصميم گيري شبكه هاي حسگر بي سيم سيستم هاي فيزيكي سايبري با دقت و سرعت بالا، بسيار موثر و مفيد باشد.

The functionality of the Internet is constantly changing from the Internet of Computers (IoC) to the Internet of Things (IoT) . In addition, extensive interconnected systems known as cyber-physical systems (CPS) emerge from the convergence of many aspects such as infrastructure, embedded devices, smart objects, humans, and physical environments. The integration of Industrial Internet of Things (IIOT) technology with Artificial Intelligence (AI) has had a major impact on decision-making processes in advanced industries. This paper addresses the potential of coordination between IIOT and AI to increase the efficiency, accuracy, speed and adaptability of decision-making systems in a wide range of industrial applications and explores the theory of data-driven decision-making. In this article, through machine learning (ML) software, we combine and examine the information obtained in the wireless sensor network (WSN) of cyber physical systems used in IoT devices with machine learning, which helps industries It allows making decisions based on data with unparalleled levels of complexity and finally, it is very effective and useful in improving the decision making process of wireless sensor networks of cyber physical systems with high accuracy and speed.