DeepHeteroIoT: 深度局部和全局学习在异构 IoT 传感器数据上
通过对实际建筑物物联网数据流的多方面多维度的异质性进行细致研究,我们分析了数字化建筑物与电力网络的结合对于优化建筑物性能和能源效率的影响,并在此基础上通过实验评估了先进的预测模型在深度学习模型的性能上的影响,为未来研究提供了挑战和路径,以利用这种异质性作为资源推动智能节能建筑的进化。
May, 2024
本文提出了一个统一的室内外定位解决方案,利用迁移学习在多个环境下构建单一的深度学习模型,准确预测物联网设备在不同环境中的定位。性能评估结果显示,采用基于编码器的迁移学习方案,在室内环境中可以将基线模型的性能提升约 17.18%,在室外环境中可以提升约 9.79%。
May, 2024
网络流量分类是物联网中优化资源分配、增强安全措施和确保高效网络管理的关键问题。这篇综述论文通过系统分析和分类现有的深度学习方法,针对物联网环境中的网络流量分类问题,探讨了各种深度学习模型在处理物联网网络流量的独特挑战和限制方面的优缺点。通过这篇综述,我们旨在为研究人员和实践者提供有价值的见解,识别研究空白,并提供未来研究的方向,进一步提高基于深度学习的物联网网络流量分类的效果和效率。
Feb, 2024
提出了 MultiIoT,这是迄今为止最广泛的物联网基准,涵盖了来自 12 种方式和 8 项任务的超过 115 万个样本,引入了在学习许多感知模式、跨长时间范围内进行细粒度交互以及由于现实世界传感器的唯一结构和噪声拓扑而导致的极端异质性等方面的独特挑战,同时发布了一组强大的建模基线,从方式和任务特定方法到多感官和多任务模型,以鼓励未来在物联网的多感官表征学习方面的研究。
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
本文通过使用集成机器学习方法以实现 IoT 的异常检测,提出了一个统一的框架,利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境,实验结果表明与传统方法相比具有高预测能力。
Jul, 2023
本文介绍了在 IoT 领域中使用深度学习技术进行分析和学习的综述,包括 IoT 数据的特征和处理方法,以及深度学习算法及其在 IoT 领域中的应用和挑战,同时讨论了智能 IoT 设备背景下应用深度学习的实现方法,以及在雾计算和云中心的运用。
Dec, 2017
在物联网时代,物联网数据的高维和高频率给时序分类或回归带来了挑战,而深度学习算法在智能物联网应用中表现出了优异的时间序列数据分类性能。然而,发现时序中隐藏的动态模式和趋势仍然困难。近期的研究表明,将物联网数据转换为图像可以提高学习模型的性能。本文介绍了在物联网领域中使用图像转换 / 编码技术的研究进展,并根据其编码技术、数据类型和应用领域进行了综述。最后,我们强调了图像转换面临的挑战和未来的发展方向。
Nov, 2023
通过使用物联网传感器网络和先进的机器学习技术,结合精确及时的超本地天气预测和异常检测,我们提出了一种新颖的方法。我们的方法利用来自多个空间分布但相对较近的位置和物联网传感器的数据,创建能够预测短期、局部天气条件(如温度、压力和湿度)的高分辨率天气模型。通过监测这些位置之间的天气参数的变化,我们的系统能够提高预测的空间分辨率并实时有效地检测异常。此外,我们的系统采用无监督学习算法来识别异常的天气模式,并提供及时的警报。我们的研究结果表明,该系统有可能增强决策能力。
Oct, 2023