- 高效低能耗的蓝绿模式化学电阻式传感器阵列的快速整合学习实现
该研究介绍了一种新的优化策略,采用快速集成学习模型委员会方法来实现在 IoT 中既节能又具备高性能的化学电阻型传感器阵列的发展。该策略通过使用弹性网回归、随机森林、XGBoost 等机器学习模型,识别出在 CRS 阵列中对准确分类有最大影响 - 深度物联网:增强下行效率的高效能物联网
该论文提出了 DEEP-IoT 这一革命性的通信范式,通过 “听多,传输少” 的策略,挑战和改变了传统的发射者(IoT 设备)为中心的通信模型,从而降低能源消耗,提高设备寿命。模拟结果表明,与传统的 Turbo 和 Polar 码系统相比, - CGGM: 一种适用于物联网网络中节点异常检测的具有自适应稀疏性的条件图生成模型
本文介绍了一种名为 CGGM 的新颖图生成模型,用于在动态图中生成属于少数类的更多节点,并通过自适应稀疏性增强了灵活性,使用多维特征生成器(MFG)生成节点特征和拓扑信息,并通过多阶段损失调整合成数据的分布以更好地模拟真实数据,实验证明 C - 通信流量特征揭示物联网设备身份
使用基于监督机器学习的设备指纹模型,仅利用通信流量特征(或隐含标识符)来识别网络连接的物联网设备,达到了对 22 个智能家居物联网设备进行分类的 98% 准确率,从而提高网络安全性。
- 最大化无人机雾计算部署效率以应对紧急救援工作
在灾难场景和紧急救援行动中,将无人机作为雾节点集成已变得至关重要。该模型通过优化系统的适应性和操作效能,以动态无人机雾部署为核心,解决了连接性和覆盖性子问题,并通过一维交换方法有效解决了网络寿命优化问题。同时使用适应性鲸鱼优化算法 (WOA - SONATA: 自适应硬件感知的神经架构搜索进化框架
最近的人工智能(AI)进展,由神经网络(NN)推动,在物联网(IoT)系统的受限环境中,要求创新的神经架构设计以平衡性能和效率。硬件感知神经架构搜索(HW-aware NAS)作为一种自适应策略自动化设计 NN 的方法显得具有吸引力,通过使 - SMORE:基于相似性的高维域自适应方法用于多传感器时间序列分类
本文提出了一种资源高效的多传感器时间序列分类方法 ——SMORE,利用高维计算的高效并行操作动态定制测试时间模型,以显式考虑每个样本的域上下文来减轻域漂移的负面影响。在多种多传感器时间序列分类任务上的评估结果显示,SMORE 的准确度比现有 - MM通过联合数据深化和预取实现高能效边缘学习
通过使用物联网设备实时采集的数据对人工智能模型进行训练,我们提出了一种名为 JD2P 的新型数据卸载架构,其中包括数据加深和数据预取两个关键技术。通过实验证明,JD2P 相比其他基准模型能够显著降低预期能源消耗,并且不会降低学习准确性。
- 利用机器学习技术改进的物联网应用的室内定位
利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位,通过测试不同的机器学习模型和无线技术,评估室内环境下的定位精度和稳定性。
- 基于物联网和机器学习的智能农业温室控制系统
通过物联网和机器学习的融合,本研究旨在构建和实施一个复杂的农业温室控制系统。通过对温室内在环境参数的细致监控和机器学习算法的整合,温室内的条件得以适当调节。预期的结果是提高农作物的生长效率和产量,减少资源浪费。
- 网络流量指纹识别的局部敏感哈希算法
本研究提出了利用局部敏感哈希技术进行网络流量指纹识别的解决方案,并通过与基于机器学习的流量指纹识别方法的比较,得出了相对于现有方法准确率提高了 12% 的结论,达到了 94% 的网络设备识别准确率。
- 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 - LLMs 在可持续智慧城市中的角色:应用、挑战和未来方向
通过深度学习、联邦学习、物联网、区块链等技术,本文探索了优化智慧城市 ICT 过程中的深度学习、联邦学习、物联网、区块链等技术的巨大潜力和应用,并强调它们在推动智慧城市创新方面的重要性和面临的挑战,以及可能的未来方向。
- 基于学习的边缘内容传输缓存机制
基于 Hazard Rate(HR)排序的 HR-Cache 是一种学习为基础的缓存框架,通过利用上界的规则指导缓存淘汰决策,并通过轻量级的机器学习模型提高字节命中率在边缘环境中的性能。实验结果表明,HR-Cache 相较于现有的最先进方法 - 用于检测 MQTT-IoT 协议攻击的多类分类方法
我们的工作集中于创建分类模型,以数据集为基础,该数据集包含使用 MQTT 协议的 IoT 系统遭受攻击的帧,以提高入侵检测系统的性能。我们研究了集成方法和深度学习模型两种分类攻击的方法,并取得了非常令人满意的结果。
- 多智能体强化学习用于协作无人机卸载蜂窝通信
通过多代理强化学习框架,本研究介绍了一种有效利用多个无人机最大化地满足用户对数据传输的需求的方法,其中重点是在服务质量约束下共同优化无人机轨迹和用户关联指标。
- 智能选择传感器数据传输的插件式微型 AI 模块
提出了一种新的传感模块,通过在传感器附近集成高效的机器学习模型,为传感框架提供智能数据传输能力,以解决当前传感系统中缺乏定向智能的问题,并通过调节数据传输频率,仅传输有价值的数据并丢弃无关信息。该模型经过量化和优化,用于实时传感器控制,结合 - 冷链供应链中物联网实施障碍的分析:一种集成的 ISM-MICMAC 和 DEMATEL 方法
将物联网技术整合到冷链供应链中,可以提高透明度、效率和质量,优化运营流程,提高生产力。本研究通过两阶段模型确定冷链供应链中物联网实施的主要障碍,并利用解释结构建模技术和决策试验与评估实验室方法评估这些障碍之间的因果关系和相对重要性,为产业相 - 物联网中网络流量分类的深度学习方法综述
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 - 基于自驱动传感器和深度学习的人工智能应用进展
在物联网时代,如何开发具有可持续电源供应、易部署和灵活使用的智能传感器系统已成为一个难题。本文基于 TENG 的智能声音监测和识别系统,旨在评估万能传感器网络中声音感知模块架构的可行性。