这个集合的研究集中于一个三条腿的站现在是集中在研究社区:物联网(物联网),cyber-physical系统(CPS),基于大数据的数据驱动的知识提取。独特的可寻址的可用性异构电子(UAHE)包括传感器、执行器、智能设备、射频识别标签,嵌入式计算机和移动电子产品中不断成长。从网络的角度来看,物联网依赖于相互联系的UAHE创建网格的设备,生产信息,建立一个全球网络的物理对象。在这种背景下,物联网提出了一种技术,使松散耦合的分布式系统的智能对象自主physical-digital设备合作,增强与传感/执行、处理和网络功能。
在过去的17年里,因为物联网这个概念首先是由凯文·艾什顿在1999年,无线电频率识别(RFID)系统是物联网的一个重要基础和先决条件。射频识别是一种关键技术,自动利用设备识别、跟踪和监控,通过无线电波或控制对象。然而,射频识别设备的性能很容易受到周围环境因素的影响。因此,可以对射频信号产生负面影响和源数据。h .许等人提出了一个滑动窗口叫VSMURF清理算法,基于传统的蓝精灵算法。在这个研究,他们提出的算法结合了RFID标签的动态变化和信心的价值分析(δ)为了解决假阴性问题影响收集的数据的质量。同时,他们只有一个25 RFID阅读器和标签用于他们的实验设置。获得的实验结果表明,他们提出VSMURF算法优于典型的蓝精灵算法在大多数情况下,当标签的速度较低或高。
然而,物联网和CPS之间的边界并不总是明确的。一些现实问题,如相关电子健康和健康监测,是在:一方面,他们从用户收集信息环境,目的是提供建议的用户,亲戚,或医务人员。下午范盖拉等人分析了这个问题在一个真正的癫痫发作的背景下检测。这个研究的系统的问题,使用可穿戴设备和智能手机,应对检测tonic-clonic发作。的主要因素为这样的一个平台详细设计问题。最后,一个平台,正在开发的详细描述,提供了实验数据通信的可靠性。这个实验将最终帮助在线任务分配不同的计算资源。
困难的另一个例子建立物联网的局限性和CPS的问题是移动人群传感:也就是说,使用感官系统由每个人在人群中以谋取一些相关结论在一个特定的话题,如环境监测和定位。不需要说,这大数据挑战以及选择特性的问题,以及如何执行数据融合,等等与大数据技术主题。然而,L.-Y。江等人研究的问题数据的信任能力的问题避免个人有意无意地引入虚假数据。此外,作者提出了一个激励机制来解决这个问题。提出的激励制度是基于招聘者和应聘者的条件,成为在质量评估优化问题解决提出一个贪婪多项式时间近似算法。基于仿真的实验完成,充满兴趣。
之一,物联网研究社会需要解决的问题是确保安全:不仅未经授权的有关的问题和/或设备和/或破坏性的行为基础设施还包括相关的网络攻击和任何形式的恶意攻击。令人惊讶的是,这个问题没有得到深入的研究由于物联网的可变性场景:不同的通信硬件和软件,计算节点的限制,等等。这个问题已经分析了t . Andrysiak et al .,提出几个有趣的概念,需要考虑在处理安全问题。此外,作者提出了一个非常有趣的方法检测网络流量异常,可能来自网络攻击。为此,作者提出了估计正常网络行为(我)过滤异常值;(2)计算的指数平滑模型,要么与布朗,霍尔特,或者冬天的模型;(3)分析的波动估计使用Bollinger的乐队;及(iv)比较获得的估计的正常行为和网络中真正发生了什么。执行一个完整的实验使用智能计量网络,一个真正的物联网问题。
此外,物联网解决方案的部署的挑战也关注能源效率。在被动的后向散射通信系统中,传感器节点需要收获射频能量从收发器或读者和用它来充电储能能力有限。然而,射频能量收获也面临着不可预知的环境挑战,使传感器的传感、处理和交流活动困难。因此,一个高效的能源管理是必要的为了保证传感器的活动和QoS(服务质量)的后向散射通信。在这个特殊的问题,本文由美国胡等人提出一个射频能量收获和托管的被动正交幅度调制(QAM)后向散射通信信号模型。上述模型旨在实现良好的服务质量(QoS)水平通过将来自多传感器的干扰减少到最低限度,提高频谱效率。实验结果,基于数值分析和模拟,表明反向最大吞吐量与消耗功率和传感器的数量。同时,对于一个给定的消耗功率传感器,是观察到的吞吐量降低的责任周期,和传感器的数量几乎没有对吞吐量的影响。
另一方面,物联网、大数据社区之间的耦合是强劲的大数据分析已经成为一个重要的组件从数据中提取价值的。大数据作为一个最重要的和最近的研究挑战模式依赖于收集大量的数据来支持创新在即将到来的几十年。开会时被认为是大数据的数据集“四对”需求,即体积,不同,速度,和价值。大数据开发的重点是利用现有的数据集来创建新的信息和预测未来事件,丰富决定价值链。因此,随着物联网对周围的生活环境不断收集数据,它被认为是大数据的一个典型的例子,一个伟大的大数据分析的应用领域。
处理大量的动态数据是大数据分析的重要特征之一。实体解析(ER)是消除歧义表现现实世界的实体数据集的连接和分组和减少数据处理的复杂性,这是一个关键的一步实现有效、高效和准确的数据处理大数据分析。周宏儒。朱等人提出了一个基于类型多次拉丝技术提高数据质量。在文章中,他们提出一个新的ER使用混合方法的解决方案。特别是,通过他们的新的ER工作流,它能够减少搜索空间的实体。他们提出的方法进行验证的性能通过使用一个真实的数据集创建的一个物联网的项目。这些结果已经获得了使用五标准指标。实验结果得出结论,他们建议的方法可以是一个有前途的替代ER在大规模数据。
此外,CPS新兴的嵌入式计算设备的集成,智能对象,人,和物理环境,通常与通信基础设施。所以,CPS的设计和应用程序的实现需要依赖IoT-enabled架构和协议,在本地和全球,使收集、管理和处理大型数据集和支持复杂的流程管理和控制等系统。因此,事实上,IoT-based CPS的大规模的性质可以通过利用有效地促进和支持云计算基础设施和平台提供灵活的计算能力,资源虚拟化,和大容量存储数据流除了确保安全,安全和隐私。
CPS的扩展传统的闭环系统的计算机控制和网络通信,物理组件,计算机算法和传感元素是通过互联网紧密集成的通信链路。传感器是闭环系统的基本要素。在这个特殊问题,本文由l·桑切斯等人提出了一个基于模型的虚拟传感器用于锂离子电池在cyber-physical车辆系统的状态监测。与专家知识为基础的模型编码方式对电池的行为已经变成了一个柔软的传感器。喂养的信息从收集的数据中提取机上的测量,软传感器能够近似电池的健康状态。实验结果来自基于模型的实现软传感器故障检测和诊断的电池已经证明了软测量的效率高。
CPS的作为一个例子,w . Yu等人提出了一种新的方法来生成灵活的仿生腿步态的控制基于肌肉协同效应从表中提取(表面肌动电流图)信号。方法受到肌肉的协同效应这一事实导致降维可以简化电机控制和学习。通常,典型的多通道面肌ieee控制需要大规模的数据和时间差异很大导致更糟糕的延迟和其他绩效问题,很难产生兼容的步态。本文地址两个问题强调建议的方法的基本特征与一个有趣的实验结果。第一个问题地址是否相同的一组肌肉的协同效应可以解释跳跃运动的不同阶段与不同的速度。第二个问题是关于建立一个模型来生成velocity-adapted跳跃步态与肌肉的协同效应,提出了一种小波神经网络的预测参考步态模式,同时采用模糊推理系统合并这些参考步态为了创造更多广义步态与不同的跳跃的节奏。该方法可采用的译码器sEMG-based控制仿生腿。此外,协同效应的线性组合可以描述复杂的力和运动模式降低维度,和协同效应的健壮的表示在控制方案可以为其他复杂的运动生成灵活的步态。
清谭
Nashwa El-Bendary
Magdy a Bayoumi
Xiaokun张
哈维尔Sedano
何塞·r·维拉