试验室交流周报告-嵌入式与网络计算湖南重点试验室.PDF

实验室交流周报告 ——第七周 报 告 人：汪继龙 ： 时 间 2018.04.21 本周工作  项目进展  《Deep Learning for IoT Big Data and Streaming Analytics: A Survey》 ——Western Michigan University  流数据 一、项目进展 基于仿真模型，生成了五类目标的数据：  歼十战斗机  JAS 39鹰狮战斗机  UH‐1D直升机  波音747‐100 客机  东风31型导弹 训练数据约 34000 条 ； 测试数据约 10900 条 ；  目前工作：预处理数据，根据数据特点设 计不同的深度学习网络模型进行实验。 二、深度学习方法在IoT大数据和流数据中的应用  分析了 IoT 数据的关键特征和主要问题。  对前沿的深度学习方法及其在物联网领域对于 大数据和流数据的应用进行了详细的总结。  作者对于目前应用了深度学习方法的大量 IoT  应用进行了介绍，并且对不同类型的深度神经 网络在各种 IoT 领域的应用进行了概括和对比。  回顾了从资源受限设备到雾和云端的物联网层 级上部署DL的最新方法和技术。  强调了深度学习与物联网应用成功结合所面临 的挑战和未来的研究方向。 二、IoT数据特征 特点 大数据 4V：Volume （数据体量大）、Variety （数据类型繁多）、 Velocity （处理速度快）、     Value （价值密度低） 6V：Volume （数据体量大）、 Variety （数据类型繁多）、 Velocity （处理速度快）、Value （价值密度低）、 IoT大数据 Veracity （真实性）：真实性是指质量，一致性，和数据的可信性， 有真实性的数据才能进行准确的分析 Variability （易变性）：这个属性是指数据流的速率不同 IoT快速流数据 顺序、大量、快速、实时、多源 二、深度模型总结 快速实时深度学习结构 深度学习与其他方法结合 使用深度学习模型对数据流进行快速实时的 处理仍在起步阶段。早期工作： 增强 创建能自主学习的个 学习 智能体（agent）  OS‐ELM，将一个实时序列学习算法应用到 单隐层的前馈神经网络。Ren 等人 迁移 应用在域适应和多任 DL  Faster‐RCNN 在图片中的目标检测中达到了 学习 务学习 接近实时的速度。他们的目标检测框架的