最近,各种基于物联网(物联网)的算法和应用程序开发利用大量的传感器数据。例如,他们一直在使用移动无线传感器网络数据接收,已被广泛应用于城市可持续发展。优化决策利用来自多个来源的数据,是至关重要的正确解释和重用传感器数据从不同的领域。因为大多数物联网设备在实际运行环境中,信息的质量和服务在物联网领域可以随时间变化。底层设备和网络的异构性也很难提供one-fits-all解决方案来表示数据和服务的物联网网络。建立传感器本体和传感器数据映射到领域本体是一个可行的方法来解决这些问题。目前,一些传感器本体开发定义传感器和传感器网络的功能(例如,联邦科学与工业研究组织(CSIRO)传感器本体,OntoSensor,传感器网任务代理(SWAMO),海洋元数据的互操作性(MMI)设备本体,传感器模型语言(SensorML)过程,沿海环境传感器网络(CESN),无线传感器网络本体(WISNO),基于代理中间件方法混合模式(A3ME)和Ontonym-Sensor环境。

不同的传感器本体是由不同的独立开发和维护本体工程师。相同的传感器概念可能会用不同的术语,表示粒度,或上下文,这提高了异质性问题向更高水平发展。传感器本体异构数据集成问题带来了重大挑战,数据融合,发现机制需要互操作和machine-interpretable数据质量和描述。因此,迫切需要提供来自异构传感器本体的集成和交换知识的机制。特别是,我们需要提供技术支持处理,解释和分享物联网的传感器数据使用不同的数据模型,或其信息被组织成不同的本体论的计划。

这个特殊问题的目的是探索最近使用机器学习技术的发展(如支持向量机(SVM),决策树(DT),随机森林(RF),等等)。提交也讨论深度学习技术(如卷积神经网络(CNN),递归神经网络(RNN),多空词记忆(LSTM)也欢迎。最后,这个特殊的问题鼓励提交包括优化技术(例如,进化算法,群体智慧,等等)为集成异构传感器信息和知识。

潜在的主题包括但不限于以下:

• 机器学习、深入学习和文中针对传感器知识建模和表示
• 机器学习、深入学习和文中针对传感器
• 本体工程和传感器数据注释
• 机器学习、深入学习和文中针对传感器本体对齐,与传感器数据集成
• 机器学习、深入学习和文中针对应用程序语义注释和集成传感器数据
• 机器学习、深入学习和文中针对传感器数据存储和管理的应用程序