深度学习在移动信息系统

---

移动计算设备的使用和依赖以及移动信息系统指数增加在最近的过去。适应现代技术在发达国家已完全重新设计了游说的一个共同的人的日常生活。即使在发展中国家,它已经渗透和仍渗透速度非常快。现在这样的系统和应用程序包含一个广泛的应用领域在当今世界包括,但不限于,医疗、教育、电子商务、农业、林业、天气、牲畜,安全,和社交网络。大多数应用程序解决问题的识别、识别、诊断、预测、推理、解释,和相加。计算机视觉和机器学习交叉得体有效地覆盖这些应用程序以及问题域。

在同一时代,机器学习的发展作为一个全景科学计算机科学的几乎所有的学科,情报是嵌入式信息系统的核心。理论和应用程序监督、非监督和强化学习近年来明显得到改进。在大多数机器学习范式、理论学习和认知科学的贡献为基础。神经网络是一个这样的范例。神经网络的基本构建块是一个神经元如图1。一个神经元需要输入论域,总量分配重量时,输入的每个输入,并将输出通过传递函数和传递生成一个最终输出。

在传统的监督学习,生成的输出与目标输出提供的教练和一个错误计算使用以下方程: 在哪里神经元的输出和吗是目标输出。

误差传播回计算误差的变化率对每个重量使用链式法则中描述以下方程:

这个微分的步长控制通过学习速率和改变在每个重量计算使用以下方程: 在哪里体重的变化吗和是学习速率。每个重量更新使用更新规则给出了方程(4)和重复的过程,期望新的权重将已经接近目标权重。 在哪里是更新后的重量。它是应用在所有神经网络的边缘。

这个反向传播过程重复跨多个迭代根据目标函数的复杂性。不同的神经元组合在一起产生一个神经网络来解决复杂的问题,可能不是由单一神经元可以解决的。不同的神经元被安排在不同的层。神经网络主要是由深度隐藏层的数量。更深层次的神经网络能够学习复杂的问题域和计算复杂度上的妥协。深度学习成功地提高移动信息系统的有效性,近年来许多不同的用途,包括对象识别、故障诊断、健康监测、恶意软件检测,以及语言翻译。在过去的十年里,移动信息系统更加健壮、自治和自组织,任务执行通过这些系统更可靠。基于深度学习算法、模型和技术,如卷积神经网络、随机梯度算法,自适应次梯度方法,在云计算方法和分布式深度学习,已经提出,实现和部署,为核心的决策引擎在这些系统。

这个特殊问题的移动信息系统的目的是强调最近的创新深度学习在利用增强移动应用程序和计算设备的有效性。这个特殊的问题包括论文报告创新应用的深度学习任务,如视觉分析和分类在不同领域包括地质、室内定位、动物识别和人机交互。这一问题还包括一个调查论文,总结了典型应用的computational-resource-limited深度学习和提出了一系列需要解决的挑战。

风扇等人提出了一个深度学习模型的快速和准确的岩石识别与智能手机帮助地质调查。岩石岩性的识别和分类是一个重要的主题在地理科学。一个轻量级的卷积神经网络(CNN)一直训练有素的正确识别和岩石图像进行分类。

霁等人提出了一个室内基于多个描述符融合分类机制。描述符过滤算法使用一个贪婪的方法被提出和实施。它的性能分析和仿真结果。

崔书记等人提出了一项CNN对濒危鹦鹉物种进行分类。该方法与实时移动应用程序已经部署。应用程序是相当创新和鹦鹉的重要保护濒危物种。它有重要的应用程序,以防止走私和协助有关部门确定违反。

刘等人提出了一种深学习算法识别手势。手势在复杂场景中被选为测试使用单发射击multibox探测器深度学习算法。提出设置在实时测试情况和高分类精度已经达到。从人机交互的角度来看这增加了重要的价值。

王等人提出了一个修改MobileNet(一个轻量级的卷积神经网络)来改善其与移动平台集成的效率和能力。图像分类已经成功测试了该框架的实现和分析。

陈等人提出了一项调查在computational-resource-limited深度学习的部署平台。深入学习是相当昂贵的资源需求由于其固有的多层体系结构和大量的迭代执行梯度下降算法所需。这个话题在这个调查论文值得探索在这两个极端之间保持平衡:计算费用和可用资源有限的平台。

干预的复杂计算资源在全球范围内可以通过云计算、深度学习应用程序被广泛开发和部署。传统的机器学习基本上演变为基于人工神经网络和深度学习模型主要是由于其潜在的解决复杂问题。随着智能移动设备的计算资源,深度学习潜力巨大的启用和嵌入智能在各种各样的应用程序和系统运行在移动设备。

的利益冲突

编辑宣布没有利益冲突有关的出版这个特殊的问题。

马利克贾汗汗
艾尔Awan
Zeeshan阿里Rana

版权

版权©2021 Malik贾汗汗等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。