要将传感器采集的实时数据送入类似DeepSeek的深度学习模型进行特征提取与数据分析，可参考以下流程，并结合多篇研究证据进行技术实现：

1. 数据采集与预处理

实时数据采集：通过多传感器（如加速度计、温度、压力等）持续获取原始数据流，需确保数据接口的实时性和低延迟
。

预处理：

去噪：使用中值滤波器、卡尔曼滤波器或低/高通滤波器消除噪声（如
中的加速度计数据处理）。

归一化：对多源传感器数据进行标准化（如Z-score归一化），消除量纲差异
。

降维：通过PCA（主成分分析）减少冗余特征，提升计算效率
。

2. 数据分割与窗口化

滑动窗口处理：将连续数据流分割为固定时间窗口（如1秒窗口），每个窗口包含多传感器通道的时序数据，适用于实时流处理
。

时间对齐：对多传感器数据进行同步，确保时间戳一致性（如
中的多传感器数据矩阵构建）
。

3. 特征提取
(1) 空间特征提取
卷积神经网络（CNN） ：通过卷积层提取局部模式（如振动信号的频谱特征或图像化数据）。

示例：将振动信号通过CEEMDAN分解为IMF分量，并转换为伪彩色图像输入CNN
。
(2) 时序特征提取
循环神经网络（RNN/LSTM/GRU） ：捕捉时序依赖关系，如
使用GRU层处理传感器序列数据
采用LSTM建模长期依赖
。
**混合模型：**结合CNN与RNN（如CNN提取空间特征后接LSTM处理时序），适用于多模态传感器数据
。

4. 模型训练与部署

模型架构：构建类似DeepSeek的深度网络，可参考
的CNN-GRU架构或
的CNN-LSTM组合
。
实时推断：
轻量化模型：使用MobileNet、ShuffleNet等轻量结构（如
中的CBAM-ShuffleNet单元）减少计算延迟
。
边缘计算：在传感器端或边缘设备部署模型，减少云端传输延迟。

5. 结果输出与应用

分类/回归输出：通过Softmax层（多分类）或全连接层（回归）输出预测结果，如设备故障诊断、行为识别等
。
实时反馈：将分析结果反馈至控制系统（如异常检测触发警报）
。

关键技术参考

数据融合：多传感器数据通过中间节点融合后输入模型
。

异常检测：基于重建误差（如
的PCA降维后统计异常）或分类置信度阈值判定
。

动态更新：使用在线学习（Online Learning）适应数据分布变化，提升模型鲁棒性。

流程总结

传感器数据 → 实时采集 → 预处理（去噪/归一化） → 滑动窗口分割 → CNN提取空间特征 → RNN提取时序特征 → 全连接层分类 → 结果输出与反馈
注：具体实现需根据传感器类型（如振动、光学、惯性）调整预处理和模型结构，例如光学数据可参考的加权平均特征融合方法，而惯性数据可结合的滑动窗口特征提取。

♯ 如何使用中值滤波器、卡尔曼滤波器或低/高通滤波器进行传感器数据的去噪？

传感器数据的去噪是信号处理中的重要任务，中值滤波器、卡尔曼滤波器以及低通/高通滤波器是常用的去噪方法。以下是基于我搜索到的资料对这些方法的详细说明：

1. 中值滤波器
中值滤波器是一种非线性数字图像处理技术，通过取邻域内像素的中值来平滑图像，去除噪声。其主要优点是能够有效去除随机噪声，同时保留边缘信息。例如，在图像去噪中，中值滤波器被广泛应用于处理噪声图像，通过取邻域内像素的中值来平滑图像，从而得到去噪后的图像
。

在传感器数据处理中，中值滤波器同样适用。例如，在处理RSSI（信号强度指示）数据时，中值滤波器可以有效减少噪声，使数据更加平滑
。此外，中值滤波器在处理生物电信号（如心电图）时也表现出良好的去噪效果
。

2. 卡尔曼滤波器
卡尔曼滤波器是一种递归算法，用于估计动态系统的状态。它基于当前观测值和前一时刻的最佳估计值进行修正，适用于处理随机噪声和动态变化的信号。卡尔曼滤波器的主要优势在于其能够实时更新状态估计，并且在噪声较大的环境中表现出色。

应用场景：

传感器数据去噪：卡尔曼滤波器被广泛应用于传感器数据的去噪，例如在无人机姿态估计中，卡尔曼滤波器能够平滑原始传感器数据，减少噪声
。
测量噪声估计：通过分析历史数据，可以使用卡尔曼滤波器推荐测量噪声的协方差矩阵，从而提高滤波精度
。
多传感器融合：在多传感器环境中，卡尔曼滤波器能够整合来自不同传感器的数据，减少测量噪声并防止发散
。
实例：
在无人机姿态估计中，卡尔曼滤波器能够平滑原始传感器数据，减少噪声，并提供更准确的姿态估计
。
在RFID系统中，改进的卡尔曼滤波器通过神经网络估计测量噪声协方差，显著减少了测量噪声
。

3. 低通/高通滤波器

低通滤波器和高通滤波器是基于频率特性的滤波器，分别用于去除高频噪声和低频噪声。它们适用于去除特定频率范围内的噪声。

应用场景：
高频噪声去除：低通滤波器适用于去除高频噪声，例如在生物电信号处理中，低通滤波器可以有效去除高频干扰
。
**低频噪声去除：**高通滤波器适用于去除低频噪声，例如在某些传感器数据处理中，高通滤波器可以去除低频漂移
。
实例：
在无人机姿态估计中，低通滤波器与卡尔曼滤波器结合使用，能够进一步平滑数据
。
在图像处理中，低通滤波器可以用于去除高频噪声，而高通滤波器可以用于增强图像边缘
。

综合比较

中值滤波器：适用于去除随机噪声，保留边缘信息，但对动态变化的信号效果有限。
卡尔曼滤波器：适用于动态系统的状态估计，能够实时更新状态并减少噪声，但需要准确的模型参数。
**低通/高通滤波器：**适用于特定频率范围内的噪声去除，但可能引入相位延迟。
结论
根据不同的应用场景和噪声特性，可以选择合适的滤波器进行传感器数据的去噪。例如，在需要保留边缘信息的情况下，可以选择中值滤波器；在需要实时更新状态的情况下，可以选择卡尔曼滤波器；而在需要去除特定频率范围内的噪声时，则可以选择低通或高通滤波器。

♯ 在实时数据流处理中，滑动窗口处理的最佳实践是什么？

在实时数据流处理中，滑动窗口处理的最佳实践可以从以下几个方面进行总结：

定义滑动窗口的大小和间隔
滑动窗口的大小和间隔是滑动窗口机制的核心参数。例如，在
中提到，滑动窗口的大小设置为72小时，滑动间隔为1小时。这意味着每过1小时，窗口会向右移动1小时，并丢弃最旧的数据块，同时将最新的数据块加入窗口。这种设置可以确保窗口内的数据始终反映最近一段时间内的变化趋势
。

动态调整窗口大小和间隔
根据具体应用场景的需求，可以动态调整滑动窗口的大小和间隔。例如，在
中提到的左滑动窗口和右滑动窗口，分别从数据流的两端向中间移动，可以根据实时监控的需求灵活调整窗口的范围和更新频率。

结合其他算法进行数据分析
滑动窗口不仅可以用于数据的简单存储和更新，还可以与异常检测、趋势分析等算法结合使用。例如，在
中提到，滑动窗口中的数据可以使用Iforest算法进行异常检测，判断异常率是否小于某个阈值（如u），从而实现对数据流的实时监控和异常报警。

优化窗口更新机制
在中提到，滑动窗口的更新机制可以通过减少窗口长度的变化来优化性能。例如，当时间到达t时，新窗口的长度l2应等于旧窗口长度l1加上滑动间隔δ，这样可以避免频繁的窗口长度调整，提高计算效率
。

多级滑动窗口的应用
在中提到，可以通过多级滑动窗口来处理不同粒度的数据。例如，一个较大的滑动窗口可以包含多个较小的滑动窗口，每个小窗口负责处理特定时间段内的数据。这种方法可以同时捕捉宏观和微观的趋势变化
。

实时数据流的连续性处理
滑动窗口适用于连续数据流的处理。例如，在中提到，滑动窗口可以逐个处理连续到达的数据块，每次只关注当前窗口内的数据。这种方法适用于大数据流或实时数据分析场景
。

结合分布式系统进行扩展
在中提到，滑动窗口机制可以通过分布式系统（如Apache Spark Streaming）来实现。每个滑动窗口可以分配到不同的弹性分布式数据集（RDD）中进行处理，从而实现大规模数据流的高效处理
。

监控和维护滑动窗口
在中提到，滑动窗口的维护可以通过初始化和监控两个阶段来实现。初始化阶段对第一个窗口进行搜索操作，而维护阶段则在后续的滑动窗口中执行监控操作。这种方法可以确保滑动窗口的稳定性和准确性
。

滑动窗口处理的最佳实践包括合理设置窗口大小和间隔、动态调整窗口参数、结合其他算法进行数据分析、优化窗口更新机制、应用多级滑动窗口、处理连续数据流、利用分布式系统扩展能力以及进行有效的监控和维护。

♯ 卷积神经网络（CNN）在提取传感器数据空间特征方面的最新进展有哪些？

卷积神经网络（CNN）在提取传感器数据空间特征方面的最新进展主要体现在以下几个方面：

深度卷积神经网络的应用
深度卷积神经网络通过多层卷积、池化和全连接层自动提取和分类传感器数据的特征。例如，文献中提到的深度卷积神经网络模型能够处理带有时序信息的归一化传感器数据，并通过特征图和下采样操作实现有效的特征提取
。此外，双尺度卷积神经网络（Dual-Scale CNN）能够捕捉不同尺度下的特征，进一步提升了模型对传感器数据的处理能力
。

时间窗口与特征图的结合
在处理传感器数据时，引入时间窗口的概念可以更好地捕捉数据的动态变化。例如，文献中提出了一种基于时间窗口的深度卷积神经网络模型，通过特征图和下采样操作实现特征映射，从而提高模型对传感器数据的预测能力
。

不同内核尺寸的使用
使用不同尺寸的卷积核可以更好地适应传感器数据的特性。例如，某些研究提出允许每个卷积层使用不同尺寸的内核，使模型能够自动学习适合输入大小的内核尺寸，从而提高特征提取的准确性
。

预训练权重的应用
预训练的卷积权重可以显著提高模型的性能。例如，在超声波传感器数据的特征提取中，预训练的卷积权重被应用于整个波形数据集，从而实现了快速且准确的特征提取
。

轻量化与高效性
随着传感器数据量的增加，模型的轻量化和高效性变得尤为重要。例如，ResNet-SR网络通过优化ResNet架构和改进训练过程，显著提高了大规模图像分类任务的性能
。此外，ConvNeXt等现代化CNN架构也在减少计算复杂度的同时保持了高效的特征提取能力
。

多源数据融合
多源传感器数据的融合可以提供更丰富的信息。例如，文献中提到GNSS传感器与场景的关联性最强，而IMU传感器与场景的关联性最弱。通过分析传感器数据之间的强相关性，可以更好地提取空间特征
。

优化算法的应用
优化算法如Adam和Batch Normalization在CNN训练中起到了重要作用。Adam算法通过自适应估计低阶矩来优化随机目标函数，而Batch Normalization通过规范化输入层来加速网络训练并减少内部协变量偏移
。

残差学习框架
残差学习框架通过引入残差块来缓解深层网络训练中的梯度消失问题。例如，ResNet通过残差连接显著提高了深度神经网络的训练效果
。

卷积神经网络在提取传感器数据空间特征方面的最新进展主要集中在模型架构的优化、多源数据的融合、轻量化设计以及优化算法的应用等方面。

♯ 循环神经网络（RNN/LSTM/GRU）在捕捉传感器时序依赖关系方面的最新研究成果是什么？

循环神经网络（RNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）在捕捉传感器时序依赖关系方面取得了显著的研究成果。以下是基于我搜索到的资料的详细总结：

1. 基本RNN的局限性与改进
基本RNN在处理长序列数据时存在梯度消失或爆炸的问题，导致其难以捕捉长期依赖关系。为了解决这一问题，研究者提出了LSTM和GRU等改进型RNN。
LSTM通过引入门控机制（如输入门、遗忘门和输出门）来控制信息的流动，能够有效缓解梯度消失问题，并在多个任务中表现出色。
2. LSTM的应用与发展
LSTM在多个领域得到了广泛应用，例如：
在自然语言处理中，LSTM被用于序列到序列（Seq2Seq）模型，用于翻译任务。研究表明，LSTM能够捕捉长距离依赖关系，并通过双向LSTM进一步提升性能
。
在时间序列预测中，LSTM被用于预测未来的时间序列数据，通过构建循环路径来传递信息
。
在工业系统故障诊断中，LSTM被用于利用时间序列数据的时间信息，学习构造信号的代表性特征
。
3. GRU的优化与应用
GRU是LSTM的简化版本，通过减少门控单元的数量（将输入门和遗忘门合并为一个更新门），在保持计算效率的同时仍能捕捉长期依赖关系
。
GRU在多个领域表现出色，例如：
在地震监测中，GRU被用于预测滑坡导致的累计变形，通过门控机制控制信息流，避免关键数据丢失
。
在自动驾驶车辆的速度预测中，GRU被用于处理输入序列并生成目标速度序列
。
4. 最新研究成果
2020年：研究者提出了一种基于全连接RNN的模型，用于从传感器数据中预测故障
。
2022年：研究者使用LSTM和GRU结合的方法，成功捕捉振动时间序列的隐藏模式，并应用于工业系统的故障诊断
。
2023年：研究者提出了一种独立学习的层次化模型，利用LSTM捕捉时间序列中的长期依赖关系，并通过最小化预测误差来优化性能
。
5. 未来研究方向
随着深度学习技术的发展，RNN及其变体（如LSTM和GRU）在捕捉传感器时序依赖关系方面的研究仍在不断深入。未来的研究可能会集中在以下几个方向：
多模态融合：结合多种传感器数据（如视觉、音频和温度数据）进行综合分析。
实时预测：提高模型的实时预测能力，以应对快速变化的环境。
可解释性：增强模型的可解释性，以便更好地理解其决策过程。
循环神经网络（RNN）、LSTM和GRU在捕捉传感器时序依赖关系方面取得了显著进展，尤其是在工业系统故障诊断、自然语言处理和时间序列预测等领域。

♯ 如何在边缘设备上部署轻量级深度学习模型以实现实时推断？

在边缘设备上部署轻量级深度学习模型以实现实时推断，需要综合考虑模型的轻量化、硬件优化以及推理效率。以下是基于我搜索到的资料整理出的详细步骤和方法：

1. 选择合适的轻量级模型
轻量级深度学习模型是边缘设备上的关键，因为它们能够在资源受限的环境中高效运行。常见的轻量级模型包括MobileNet、SqueezeNet和ShuffleNet等
。这些模型通过减少参数数量和计算复杂度，显著降低了模型的大小和推理时间。

MobileNet：采用深度可分离卷积，将卷积操作分解为深度卷积和逐点卷积，从而大幅减少计算量
。
SqueezeNet：通过使用Fire模块（包含瓶颈卷积和膨胀卷积）来减少参数数量，同时保持较高的准确率
。
ShuffleNet：利用通道洗牌操作来减少计算量，同时保持模型的性能
。
2. 模型优化与压缩
为了进一步降低模型的大小和计算需求，可以采用以下优化技术：

模型剪枝：移除模型中不重要的权重，减少模型的参数数量
。
量化：将模型的权重和激活值从浮点数转换为整数，从而减少内存占用和计算复杂度
。
知识蒸馏：通过将大型模型的知识迁移到小型模型中，提高轻量级模型的性能
。
3. 硬件架构优化
针对边缘设备的硬件限制，可以采用以下硬件架构优化策略：

并行处理：利用3D张量结构的PE（可编程逻辑单元）实现层与通道之间的并行处理，提高计算效率
。
片上内存管理：采用高效的片上内存管理策略，减少数据传输延迟
。
直接内存访问（DMA） ：通过DMA与外部内存交互，减少CPU的负担，提高数据处理速度
。
4. 模型部署流程
部署轻量级深度学习模型需要经过以下步骤：

数据收集与预处理：从传感器或摄像头等设备收集原始数据，并进行清洗和格式化
。
特征提取：使用轻量级模型提取输入数据的特征
。
模型训练与优化：在云端或边缘设备上训练模型，并通过交叉验证等方法进行优化
。
模型部署：将优化后的模型部署到边缘设备上，确保其能够在资源受限的环境中高效运行
。
实时推理：利用优化后的模型对实时输入数据进行推理，完成目标检测、分类或其他任务
。
5. 推理引擎的选择
选择适合边缘设备的推理引擎是实现高效推理的关键。常见的推理引擎包括TensorFlow Lite、PyTorch Mobile和MXNet等
。这些引擎支持轻量级模型的部署，并提供了优化工具来提高推理速度。

6. 评估与迭代
在部署完成后，需要对模型进行评估，确保其在边缘设备上的性能满足实时推断的要求。评估指标包括推理速度、功耗和资源占用等
。根据评估结果，可以进一步调整模型或硬件配置，以优化性能。

7. 案例参考
**PICO框架：**通过输入队列、特征拼接和约束条件等模块化设计，实现了多设备上的轻量级模型部署
。
云-边缘智能系统：结合云服务器和边缘设备，通过差分学习和模型更新机制，实现了轻量级模型的快速迭代和优化
。
结论
在边缘设备上部署轻量级深度学习模型以实现实时推断，需要从模型选择、优化、硬件架构设计到部署流程等多个方面进行综合考虑。

参考文献

1. PDFA. Krizhevsky, I. Sutskever et al. “ImageNet classification with deep convolutional neural networks.” Communications of the ACM(2012).
2. Sepp Hochreiter, J. Schmidhuber. “Long Short-Term Memory.” Neural Computation(1997).
3. PDFFengyun Xie, Gan Wang et al. “Gearbox Fault Diagnosis Based on Multi-Sensor Deep Spatiotemporal Feature Representation.” Mathematics(2023).
4. PDFN. Al-Ashwal, K. A. A. Soufy et al. “Deep Learning for Optical Sensor Applications: A Review.” Sensors (Basel, Switzerland)(2023)… Nagi H. Al-Ashwal, Khaled A. M. Al.
5. PDFTony Beltramelli, S. Risi. “Deep-Spying: Spying using Smartwatch and Deep Learning.” ArXiv(2015)… Tony Beltramelli, IT University of Copenhagen.
6. PDFMonit Shah Singh, Vinaychandran Pondenkandath et al. “Transforming sensor data to the image domain for deep learning — An application to footstep detection.” 2017 International Joint Conference on Neural Networks (IJCNN)(2017)… Monit Shah Singh, Vinaychandran Pondenkandath, Bo Zhou, Paul Lukowicz, Marcus Liwicki.
7. PDFSerafín Alonso Castro, Daniel Pérez et al. “A Deep Learning Approach for Fusing Sensor Data from Screw Compressors.” Sensors (Basel, Switzerland)(2019)… Serafín Alons.
8. PDFYuzhi Wang, A. Yang et al. “A Deep Learning Approach for Blind Drift Calibration of Sensor Networks.” IEEE Sensors Journal(2017)… Yuzhi Wang, Anqi Yang, Xiaoming Chen, Pengjun Wang, Yu Wang, Huazhong Yang, IEEE.
9. PDFPrerna Chikersal, Afsaneh Doryab et al. “Detecting Depression and Predicting its Onset Using Longitudinal Symptoms Captured by Passive Sensing.” ACM Transactions on Computer-Human Interaction (TOCHI)(2021).
10. PDFMarius Bock, Alexander Hoelzemann et al. “Tutorial on Deep Learning for Human Activity Recognition.” ArXiv(2021)… Marius Bock, Alexander Hölzemann, Michael Moeller, Kristof Van Laerhoven, University of Siegen.
11. PDFS. Mekruksavanich, A. Jitpattanakul. “Deep Convolutional Neural Network with RNNs for Complex Activity Recognition Using Wrist-Worn Wearable Sensor Data.” Electronics(2021).
12. PDFR. Boccagna, M. Bottini et al. “Unsupervised Deep Learning for Structural Health Monitoring.” Big Data Cogn. Comput.(2023)… Roberto Boccagna, Maurizio Bo.
13. PDFSibo Cheng, Che Liu et al. “Efficient deep data assimilation with sparse observations and time-varying sensors.” ArXiv(2023)… Sibo Cheng, Che Liu, Yike Guo, Rossella Arcucci; Data Science Institute, Department of Computing, Imperial College London; Leverhulme Centre for Wildfires, Environment, and Society; Department of Earth Science & Engineering, Imperial College London; Department of Computer Science and Engineering, Hong Kong University of Science and Technology.
14. PDFAla-Eddine Benrazek, Zineddine Kouahla et al. “Introduction of a tree-based technique for efficient and real-time label retrieval in the object tracking system.” ArXiv(2022)… Ala-Eddine Benrazek, Zineddine Kouahla, Brahim Farou, Hamid Seridi, Imane Allele.
15. PDFN. Ali, D. A. Mazhar et al. “Content-Based Image Retrieval Based on Late Fusion of Binary and Local Descriptors.” ArXiv(2017)… Nouman Ali, Danish Ali Mazhar, Zeshan Iqbal, Rehan Ashraf, Jawad Ahmed, Farrukh Zeeshan Khan.
16. PDFRafael Cuperman, K. Jansen et al. “An End-to-End Deep Learning Pipeline for Football Activity Recognition Based on Wearable Acceleration Sensors.” Sensors (Basel, Switzerland)(2022).
17. PDFCongyue Li, Yihuai Hu et al. “Deep Learning-Based Fault Diagnosis for Marine Centrifugal Fan.” Polish Maritime Research(2023).
18. PDFRunjie Liu, Qionggui Zhang et al. “Deep Learning-Based Transmitter Localization in Sparse Wireless Sensor Networks.” Sensors (Basel, Switzerland)(2024).
19. Yann LeCun, Yoshua Bengio et al. “Deep Learning.” (2015).
20. PDFX. Ji, Zhaojie Ju et al. “Multi-view transition HMMs based view-invariant human action recognition method.” Multimedia Tools and Applications(2015)… Zhaojie Ju, Dongxu Gao, Jiang.
21. PDFYu Chen, Yang-Han Lee et al. “An Energy-saving Fuzzy Control Fan Array with Bluetooth Received Signal Strength Indicator Sensing.” Sensors and Materials(2022)… MYU Tokyo.
22. G. Welch, G. Bishop. “An Introduction to Kalman Filter.” International Conference on Computer Graphics and Interactive Techniques(1995).
23. PDFAfrah Ramadhan, F. Mahmood et al. “Image denoising by median filter in wavelet domain.” ArXiv(2017)… Afrah Ramadhan, Firas Mahmood, Atilla Elci.
24. PDFXiaochen Lai, Quanli Liu et al. “A Survey of Body Sensor Networks.” Sensors (Basel, Switzerland)(2013)… MDPI.
25. PDFMert Akin, Aytaç Gören et al. “Implementation of Sensor Filters and Altitude Estimation of Unmanned Aerial Vehicle using Kalman Filter.” (2021).
26. PDFA. Rajamani, V. Krishnaveni et al. “Performance Analysis Survey of Various SAR Image Despeckling Techniques.” International Journal of Computer Applications(2014)… A.Rajamani, Department of ECE.
27. PDFSebin Park, Myeong-Seon Gil et al. “Measurement Noise Recommendation for Efficient Kalman Filtering over a Large Amount of Sensor Data.” Sensors (Basel, Switzerland)(2019).
28. PDFK. Eom, Seung Joon Lee et al. “Improved Kalman Filter Method for Measurement Noise Reduction in Multi Sensor RFID Systems.” Sensors (Basel, Switzerland)(2011)… MDPI.
29. PDFQigao Fan, Hai Zhang et al. “Improved Pedestrian Dead Reckoning Based on a Robust Adaptive Kalman Filter for Indoor Inertial Location System.” Sensors (Basel, Switzerland)(2019).
30. PDFJ. Qu, Y. Chai et al. “A Real-Time De-Noising Algorithm for E-Noses in a Wireless Sensor Network.” Sensors (Basel, Switzerland)(2009)… MDPI.
31. PDFXing Luo, Dongxiao Zhang. “An Adaptive Deep Learning Framework for Day-ahead Forecasting of Photovoltaic Power Generation.” ArXiv(2021)… Xing Luoa, Dongxiao Zhangb, Intelligent Energy Lab, Peng Cheng Laboratory, Shenzhen, P. R. China; School of Environmental Science and Engineering, Southern University of Science and Technology, Shenzhen, P. R. China.
32. PDFXiufeng Liu, P. S. Nielsen. “Regression-based Online Anomaly Detection for Smart Grid Data.” ArXiv(2016)… Xiufeng Liu, Per Sieverts Nielsen, Technical University of Denmark.
33. PDFTianyuan Lu, Lei Wang et al. “Review of Anomaly Detection Algorithms for Data Streams.” Applied Sciences(2023)… Tianyuan Lu, Lei Wang, Xiaoyong.
34. PDFDonna Xu, I. Tsang et al. “Online Product Quantization.” IEEE Transactions on Knowledge and Data Engineering(2017)… Donna Xu, Ivor W. Tsang, and Ying Zhang.
35. PDFRan Ben Basat, Gil Einziger et al. “Memento: Making Sliding Windows Efficient for Heavy Hitters.” IEEE/ACM Transactions on Networking(2018)… Ran Ben Basat, Gil Einziger, Isaac Keslassy, Ariel Orda, Shay Vargaftik, Erez Waisbard; Harvard University, Technion, Ben Gurion University, Nokia Bell Labs, VMware.
36. PDFDhanya R. Krishnan, D. Quoc et al. “IncApprox: A Data Analytics System for Incremental Approximate Computing.” Proceedings of the 25th International Conference on World Wide Web(2016)… Edinburgh Research Explorer.
37. PDFEdouard Fouché, Florian Kalinke et al. “Efficient Subspace Search in Data Streams.” Inf. Syst.(2020)… Edouard Fouché, Florian Kalinke, Klemens Böhm; Karlsruhe Institute of Technology (KIT).
38. PDFHyo-Sang Lim, Jae-Gil Lee et al. “Continuous query processing in data streams using duality of data and queries.” Proceedings of the 2006 ACM SIGMOD international conference on Management of data(2006)… Hyo-Sang Lim, Jae-Gil.
39. PDFYingyi Bu, Lei Chen et al. “Efficient anomaly monitoring over moving object trajectory streams.” Knowledge Discovery and Data Mining(2009)… Yingyi Bu, Lei Chen, Ada Wai-Chee.
40. PDFZhiqiang Chen, Meng Han et al. “A multi-level weighted concept drift detection method.” The Journal of Supercomputing(2022)… meng Han, North Minzu University, zhiqiang Chen.
41. PDFKaiming He, X. Zhang et al. “Deep Residual Learning for Image Recognition.” 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)(2015).
42. PDFDiederik P. Kingma, Jimmy Ba. “Adam: A Method for Stochastic Optimization.” CoRR(2014).
43. 周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017.
44. PDFA. Bowler, Michael P. Pound et al. “Convolutional feature extraction for process monitoring using ultrasonic sensors.” Comput. Chem. Eng.(2021)… Alexander Bowlera, Michael Poundb, Nicholas Watsona.
45. PDFTsige Tadesse Alemayoh, Jae Hoon Lee et al. “New Sensor Data Structuring for Deeper Feature Extraction in Human Activity Recognition †.” Sensors (Basel, Switzerland)(2021)… Tsi.
46. PDFSergey Ioffe, Christian Szegedy. “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift.” ArXiv(2015).
47. PDFZhenke Ding, Zhongliang Deng et al. “A New Scene Sensing Model Based on Multi-Source Data from Smartphones.” Sensors(2024)… Zhenke Ding.
48. PDFHanbo Yang, Fei Zhao et al. “A Novel Deep Learning Approach for Machinery Prognostics Based on Time Windows.” Applied Sciences(2019).
49. PDFShaohua Qiu, Xiaopeng Cui et al. “Deep Learning Techniques in Intelligent Fault Diagnosis and Prognosis for Industrial Systems: A Review.” Sensors (Basel, Switzerland)(2023).
50. PDFJunyoung Chung, Çaglar Gülçehre et al. “Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling.” ArXiv(2014).
51. PDFShobhit Gupta, M. Canova. “Eco-Driving of Connected and Autonomous Vehicles with Sequence-to-Sequence Prediction of Target Vehicle Velocity.” ArXiv(2021)… Shobhit Gupta, Marcello Canova, Center for Automotive Research, The Ohio State University.
52. PDFI. Sutskever, O. Vinyals et al. “Sequence to Sequence Learning with Neural Networks.” ArXiv(2014).
53. PDFE. Lydia, A. A. Jovith et al. “Green Energy Efficient Routing with Deep Learning Based Anomaly Detection for Internet of Things (IoT) Communications.” Mathematics(2021).
54. PDFKazuki Hayashi, S. Sakaino et al. “An Independently Learnable Hierarchical Model for Bilateral Control-Based Imitation Learning Applications.” IEEE Access(2022)… Kazuki Hayashi, Sho SaKaino, TOSHIAKI TSUJI.
55. PDFWen-Hui Lin, Ping Wang et al. “Deep-Learning Model Selection and Parameter Estimation from a Wind Power Farm in Taiwan.” Applied Sciences(2022)… Wen.
56. PDFM. Khalili, L. Guerriero et al. “Monitoring and prediction of landslide-related deformation based on the GCN-LSTM algorithm and SAR imagery.” Natural Hazards(2023).
57. PDFK. Simonyan, Andrew Zisserman. “Very Deep Convolutional Networks for Large-Scale Image Recognition.” CoRR(2014).
58. PDFMineto Tsukada, Masaaki Kondo et al. “A Neural Network-Based On-Device Learning Anomaly Detector for Edge Devices.” IEEE Transactions on Computers(2019)… Mineto Tsukada, Masaaki Kondo, Hiroki Matsutani, Keio University, The University of Tokyo.
59. PDFXiang Yang, Zikang Xu et al. “PICO: Pipeline Inference Framework for Versatile CNNs on Diverse Mobile Devices.” IEEE Transactions on Mobile Computing(2022)… Xiang Yang, Zikang Xu, Qi Qi, Jingyu Wang, Haifeng Sun, Jianxin Liao, and Song Guo, Fellow, IEEE.
60. PDFTz-Heng Hsu, Zhi-Hao Wang et al. “A Cloud-Edge-Smart IoT Architecture for Speeding Up the Deployment of Neural Network Models with Transfer Learning Techniques.” Electronics(2022).
61. PDFPreeti Agarwal, Mansaf Alam. “A Lightweight Deep Learning Model for Human Activity Recognition on Edge Devices.” ArXiv(2019)… Preeti Agarwal, Mansaf Alam, Department of Computer Science, Jamia Millia Islamia, Delhi, India.
62. PDFShengdong Shi, Qian Jiang et al. “A comparative analysis of near-infrared image colorization methods for low-power NVIDIA Jetson embedded systems.” Frontiers in Neurorobotics(2023)… Dee.
63. PDFMichael Bidollahkhani, Julian M. Kunkel. “Revolutionizing System Reliability: The Role of AI in Predictive Maintenance Strategies.” ArXiv(2024)… Michael Bidollahkhani, Institute for Computer Science, Universität Göttingen.
64. PDFYi Huang, Shuang Liang et al. “Edge Computing and Fault Diagnosis of Rotating Machinery Based on MobileNet in Wireless Sensor Networks for Mechanical Vibration.” Sensors (Basel, Switzerland)(2024).
65. PDFKyungho Kim, Sung-Joon Jang et al. “Lightweight and Energy-Efficient Deep Learning Accelerator for Real-Time Object Detection on Edge Devices.” Sensors (Basel, Switzerland)(2023).