Jul, 2024

面向废水流量估计的嵌入式FPGA软传感器自动构建

HTML
PDF
TL;DR利用基于深度学习的软传感器在资源有限的物联网设备上进行流量估计已经展示出了在可靠性和能源效率方面的潜力，然而，在废水流量估计领域的应用仍未得到充分探索，原因包括缺乏可用的数据集、不便的设备上AI模型开发和部署工具链以及旨在提供通用深度学习而非为能源高效的软传感器应用进行优化的硬件平台。本研究通过提出一个自动化的物联网设备的端到端解决方案来填补这些空白。
发现论文，激发创造
  • 针对IoT大数据和流式分析的深度学习：一项调查

    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

  • IoT设备上实现深度学习的双向协同设计方法

    本文提出一种底层深度神经网络模型设计策略和顶层DNN加速器设计流程的双向协同设计方法，通过在IoT设备上进行联合优化使得既能获得高IoU精度的QoR也能获得高FPS和高能效的QoS。

    May, 2019

  • 基于深度贝叶斯粒子流框架的无监督跨领域软传感器建模

    本文提出了一个基于深度粒子流Bayes（DPFB）框架的交叉域软传感建模方法，利用物理启发粒子流实现对目标状态的无标签监督下的跨域学习，从而实现有效的时间序列无监督域自适应。

    Jun, 2023

  • 通过解决嵌入式FPGA中LSTM单元的吞吐量瓶颈来增强能效

    为了处理物联网(IoTs)中的传感器数据，本研究提出了一种嵌入式深度学习的重要技术，即LSTM细胞的优化，旨在实现端设备上的高效能推断。通过以交通速度预测为案例研究，利用优化的LSTM细胞的简单LSTM模型在 extit{XC7S15} FPGA芯片上实现了每秒17534次的推断，每次推断仅消耗3.8微焦耳的能量。与现有方法相比，其吞吐量至少提高了5.4倍，能量效率提高了1.37倍。

    Oct, 2023

  • 设备上的软传感器: 基于水位传感器数据的实时流体流量估计

    本研究通过在设备上部署软传感器，提高传感器融合和感知能力，改善能源效率，并利用可编程逻辑门阵列（FPGA）和微控制器单元的协同整合，提供了一种具有潜力的创新方法来高效地执行实时推理任务。

    Nov, 2023

  • FlowPrecision: 使用线性量化提升基于FPGA的实时流体流动估计

    本研究应用线性量化于基于FPGA的软传感器以实现精确的流体流量估计，通过克服传统定点量化的局限性，显著提高神经网络模型的精确度。通过针对硬件的优化，我们的方法在平均平方误差上实现10.10%的降低，并在推理速度上有9.39%的显著改进。在多个数据集上验证后，我们的发现表明优化的基于FPGA的量化模型能够提供高效、准确的实时推理结果，为普遍自主系统中基于云处理的可行替代方案。

    Mar, 2024

  • 边缘计算方法在物联网架构中与机器学习相结合的室内环境参数高效估计的比较

    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

  • DeepHeteroIoT: 深度局部和全局学习在异构IoT传感器数据上

    提出了一种新颖的深度学习模型，结合了卷积神经网络和双向门控循环单元，以端到端的方式学习本地和全局特征，并验证了在异构物联网传感器数据上优于最新的分类方法和多个机器学习和深度学习基线的有效性。

    Mar, 2024

  • 基于物理增强的工业物联网软感知的图神经网络

    基于物理增强的图神经网络的软测量方法在区域供热网络案例研究中表现出显著的改进，即使在存在噪声和参数不准确性的情况下，这种方法克服了传统深度学习模型无法明确表示各种传感器之间复杂相互作用的限制。

    Apr, 2024

  • 工业过程中半监督多单元软测量的深度潜变量模型

    通过结合半监督学习和多任务学习的方法，利用深度潜在变量模型实现了多单元软传感问题的优秀结果，即使没有标记数据，未标记数据也能提高软传感性能。

    Jul, 2024