智能物联网环境中的学习、计算与可信度:性能 - 能耗平衡
数字能源互联网(IoE)的数字领域即将在集成边缘人工智能(AI)的帮助下发生革命性转变。本综述详细阐述了边缘 AI 对重塑 IoE 生态系统的承诺和潜力。通过精心策划的研究方法,文章深入探讨了专门为 IoE 量身定制的众多边缘 AI 技术。从降低延迟和实时分析到信息安全、可扩展性和成本效益等关键方面的众多好处,凸显了边缘 AI 在现代 IoE 框架中的不可或缺性。随着叙述的深入,读者将了解到实际应用和技术,重点关注设备上的计算、安全的私有推理方法以及边缘 AI 训练的前沿范式。随后进行了一项关键分析,探讨了目前面临的挑战,包括安全问题、计算难题和标准化问题。然而,随着技术的不断拓展,综述以展望未来的观点告终,设想了 5G 网络、联邦边缘 AI、深度强化学习等未来的共生关系,描绘了未来所展示的生动画面。对于在 IoE 和 AI 领域投入的任何人来说,本综述既提供了基础知识,又以一种有远见的眼光,将现实与未来的可能性联系起来。
Nov, 2023
本文介绍了适用于物联网应用的多种学习框架,分别研究了机器学习、顺序学习和强化学习的优缺点、适用性及关键结果,并引入基于认知层次理论的新框架来处理物联网的异构性和资源限制,最终展示了在物联网中使用认知层次理论的关键结果。
Oct, 2016
本研究通过自学习、分布式学习的方法,适应环境,使物联网设备之间的通信参数最大程度优化,实现能源效率和通信可靠性的提高,并与中心化方式进行对比,结果显示本方法能显著提升物联网通信的能源效率和可靠性,在低成本和低功耗的物联网应用中具有很好的应用前景。
Jul, 2018
本篇综述介绍了人工智能赋能物联网的全景,在云计算、雾计算和边缘计算三个方面,介绍了 AIoT 的体系结构,然后从感知、学习、推理和行为四个角度阐述了 AI 在物联网领域中的研究进展,最后概括了一些有前景的 AIoT 应用,并强调了 AIoT 面临的挑战和潜在的研究机会。
Nov, 2020
通过低成本边缘物联网架构,提出了实现轻量级机器学习模型估计室内环境质量参数的两种方法,采用神经网络和分布式并行物联网架构,以减少数据处理负载和能源消耗。实验表明,在温度和照度小数据集上进行的训练和测试中,估计性能接近 0.95 的 F 分数和准确度,并且在分布式并行方法中,功耗降低了将近 37%。与相关研究的等效物联网架构相比,达到了相似或稍微更好的性能,并实现了 35% 至 76% 的误差减少,从而在性能和能源效率之间取得了恰到好处的平衡。
Feb, 2024
本研究提出了一种基于物联网的综合智能能源管理框架,并研究了基于智能机制的能源管理解决方案,使用所收集的数据来监控、控制和提高系统的效率。
Jun, 2023
本文介绍了物联网,自动驾驶汽车和环境的完全集成的智能车联网时代,讨论了存储和处理巨量数据的挑战,以及在车联网的边缘部署储存和计算资源的优势,指出了边缘信息系统对于智能车联网的关键作用。
Jun, 2019
本文通过云计算和机器学习的方式探讨了如何推动智能物联网监控和控制。通过将物联网和边缘计算相结合,可以降低延迟、提高效率和增强安全性,从而推动智能系统的发展。论文还介绍了物联网监控和控制技术的发展、边缘计算在物联网监控和控制中的应用以及机器学习在数据分析和故障检测中的作用。最后,通过实际案例和实验研究展示了智能物联网监控和控制系统在工业、农业、医疗等领域的应用和效果。
Mar, 2024
通过建立智能办公楼的物联网实验测试台,提出了基于物联网的能源自适应控制框架,实现了多尺度能耗自适应控制,包括建筑、用户和组织级别的能源自适应控制,并在现实中验证了其有效性。
Mar, 2016