一项调查在机器上优于移动大数据分析:挑战和应用程序

文摘

本文试图识别需求和基于机器学习的发展移动大数据(MBD)通过讨论分析的见解在移动大数据的挑战。此外,它回顾了先进的数据分析的应用领域的MBD。首先,我们介绍MBD的发展。第二,经常应用的数据分析方法进行了综述。MBD的三种典型应用分析,即无线信道建模、在线和离线人类行为分析,互联网和语音识别的车辆,分别介绍了。最后,我们总结的主要挑战和未来发展方向的移动大数据分析。

1。介绍

成功的无线本地访问网络(WLAN)技术(也称为wi - fi)和第二/第三/第四代(2 g / 3 g / 4 g)移动网络,移动电话的数量,这是77.4亿年,每100居民103.5世界各地2017年,正在大幅上升(1]。如今,手机不仅可以发送语音和文本消息,但也很容易和方便地访问互联网被认为是最具革命性的发展,移动互联网(M-Internet)。与此同时,在世界范围内活跃的移动宽带订阅2017年增加到42.2亿,这是2016年高于9.21% (1]。图1显示了数字移动蜂窝电话和活跃的移动宽带订阅世界和主要地区从2010年到2017年。到酒吧的号码是移动蜂窝电话或活跃的移动宽带订阅(百万)今年世界上每年增加。M-Internet下,各种各样的内容(图像、声音、视频等)可以发送和接收都和相关应用程序出现来满足人们的需求,包括工作,学习,生活,娱乐,教育和医疗保健。在中国,移动应用的巨人,即。,百度、阿里巴巴和腾讯,M-Internet总上网时间的78%每天在应用2017年约2412分钟2]。这个数字表明M-Internet已经进入快速增长阶段。

(一)

(b)

如今,有超过10亿部智能手机在使用,每天产生大量的数据。这种情况对社会带来深远的影响和社会互动,增加的商业机会。与此同时,随着物联网的快速发展(物联网),更多的数据被数以百万计的机器自动生成节点与日益增长的移动,例如,传感器由移动物体或车辆。体积,速度,和各种各样的这些数据增加极快,很快他们将成为企业数据分析和研究人员的新标准。因此,移动大数据(MBD)已经在我们的生活和正在迅速丰富。爆炸的趋势增加数据量的增加带宽和数据速率M-Internet已经遵循了同样的指数级的增长作为半导体的摩尔定律(3]。预测(2)对全球数据量将增长到47个字节( )在2020年到2025年及163字节。M-Internet, 3.7艾字节( )数据生成每月的移动数据流量在2015年(4),2016年7.2艾字节(524 eb),到2019年在预测5),并在2021年49 eb预测(5]。根据统计和预测结果,称为MBD的概念已经出现了。

MBD可以被认为是一个巨大的数量的移动数据生成的大量移动设备和不能由一台机器上处理和分析(6,7]。MBD正在和将发挥更重要的作用比以往任何时候都通过移动设备的普及,包括智能手机和物联网设备尤其是在4 g和即将到来的时代的第五代(5克)4,8]。

信息技术的快速发展,各种数据生成不同技术领域也显示出爆炸性增长趋势(9]。大数据在许多领域有广阔的应用前景,已成为重要的国家战略资源10]。在大数据时代,许多数据分析系统面临巨大的挑战随着数据量的增加。因此,分析目前MBD高度关注的话题。MBD的重要性分析是由它的作用在发展中复杂的移动系统支持多种智能交互式服务,例如,医疗、智能能源网络、智能建筑和在线娱乐(4]。MBD分析可以被定义为矿业terabyte-level或petabyte-level收集的数据从移动用户和无线设备在网络级或app-level发现未知的潜在的和有意义的模式和知识与大规模机器学习方法(11]。

现在MBD的要求是基于软件定义为了更加可伸缩的和灵活的。M-Internet环境在未来将更加复杂和相互关联的12]。为此,MBD的数据中心需要收集用户统计信息数以百万计的用户和通过适当的MBD分析方法获得有意义的结果。降低价格的数据存储和广泛的高性能计算机、机器学习的一个扩张进入不仅理论研究,而且大数据的各个应用领域。虽然有很长的路要走的机器上优于MBD分析。

机器学习技术已经被许多互联网公司在他们的服务:从网络搜索13,14内容过滤][15和建议16,17在在线社交社区,购物网站,或者认为分销平台。此外,它还经常出现在产品,如智能手机、笔记本电脑、和智能家具。机器学习系统是用来检测和分类对象,返回最相关的搜索结果,了解语音命令,并分析使用习惯。近年来,大数据机器学习已经成为一个热点[18]。一些传统的机器学习方法基于贝叶斯框架(19- - - - - -22)、分布式优化(23- - - - - -26),和矩阵分解(27)可以应用到上述应用程序和获得良好的表演在小数据集。在此基础上,研究人员一直试图填补他们的机器学习模型和越来越多的数据(28]。此外,我们得到的数据不仅大而且多源等特性,动态和稀疏的价值;这些特性使它更难分析MBD与传统机器学习方法。因此,上述应用程序实现与传统机器学习方法已经在一个瓶颈时期低精度和泛化。最近,一类新颖的技术,应用深度学习,为了使努力解决问题,取得了很好的表现(29日]。机器学习,特别是深度学习,一直是一个重要的技术是为了有效地使用大数据。

最传统的机器学习方法是肤浅的学习结构与一个或没有一个隐藏层。这些方法在实际运用中表现良好,理论上精确分析。但在处理高维、复杂数据,浅机器学习方法展示他们的弱点。深度开发学习方法学习更好的表征与深层结构通过使用自动监督或无监督策略(30.,31日]。深隐藏层提取的特性用于回归,分类、可视化。深度学习使用更多的隐藏层和参数适应函数,可以从复杂的数据中提取高水平的特性;参数将自动使用大量的无监督数据(32,33]。深度学习算法的隐藏层帮助模型学习更好的表征数据;更高层次学习具体的和抽象的特性从全球低层次学习的特性。许多调查表明,非线性特征提取器相连的堆栈深度学习等方法总是在机器学习任务执行得更好,例如,一个更准确的分类方法34),更好的学习数据的概率模型(35),和健壮的特征的提取36]。深入学习方法被证明是有用的数据挖掘中,自然语言处理,和计算机应用幻影。更详细的介绍介绍了深度学习的部分3.1。4。

人工智能(AI)技术是发展的理论,方法,技术,模拟人类大脑或扩展的应用程序的能力。观察的研究、学习和决策过程在人类大脑激发深度学习的发展,这是第一次设计旨在模仿人脑的神经结构。进一步观察神经信号处理和对大脑的影响机制(37- - - - - -39)深入学习网络的架构设计的启发,利用层和神经元连接全球推广。传统的方法,如支持向量机,决策树,和案例推理基于统计或逻辑知识的人类可能达不到当面对复杂的结构或关系的数据。深度学习方法可以学习模式和关系从隐藏层和可能受益的信号处理与可视化方法研究人类大脑的神经网络。深度学习从人工智能研究人员最近吸引了太多的关注,因为其先进的性能在机器学习领域包括不只是上述自然语言处理(NLP),而且语音识别(40,41),协同过滤(42),和计算机视觉43,44]。

深度学习已成功用于工业产品,从用户获得大数据。谷歌、苹果等公司在美国,Facebook,和中国企业喜欢百度,阿里巴巴和腾讯已经从数百万用户收集和分析数据,并推动深度学习基础的应用程序。例如,腾讯YouTu实验室开发了识别(ID)卡和银行卡识别系统识别。这些系统可以读取卡片信息图像来检查注册时用户信息和银行信息,同时采购。识别系统是基于深度学习模型和腾讯提供的大量用户数据。苹果发展Siri, iphone虚拟智能助手,回答关于天气的问题,根据语音指令位置、新闻和拨号号码或发送短信。Siri也利用深度学习方法和使用数据从苹果服务(45]。谷歌使用深度学习在谷歌翻译服务和大量的数据收集的谷歌搜索引擎。

MBD的离线数据包含各种各样的信息和在线实时数据流生成的智能移动终端,传感器,和服务和促进各种应用程序基于数据分析技术的进步,比如协作filtering-based推荐(46,47),用户社交行为特征分析(48- - - - - -51)、车辆通信网络的车辆(IoV) [52),在线智能医疗(53),和城市居民的活动分析(6]。尽管基于机器学习方法广泛应用于MBD字段和获得良好的性能在实际数据测试中,目前的方法仍需进一步发展。因此,面临五大挑战MBD分析对于基于机器学习方法包括大规模和高速M-Internet,过度拟合和underfitting问题,归纳问题,跨通道学习,扩展通道尺寸和应该考虑。

本文试图识别需求和基于机器学习的发展移动通过讨论大数据分析的见解MBD的挑战和审查的最先进的应用数据分析领域的MBD。本文的其余部分组织如下。部分2介绍了发展的数据收集和MBD的属性。经常采用的数据分析方法和典型应用进行了综述3。部分4总结了未来的挑战MBD分析并提供建议。

2。发展和移动大数据的集合

2.1。数据收集

数据采集是数据处理和分析系统的基础。数据收集的移动智能终端和互联网服务,或称为移动互联网设备(mid)一般来说,这是multimedia-capable移动设备提供无线互联网接入和包含智能手机,可穿戴式计算机、笔记本电脑、无线传感器等。54]。

MBD可以分为两个层次数据形式:传输和应用程序数据,从下到上。传输数据集中解决信道建模(55,56)和用户访问问题对应M-Internet的物理传输系统。在此基础上,应用程序数据集中的应用程序基于MBD包括社交网络分析(57- - - - - -59),用户行为分析(48,50,60在IoV)、语音分析和决策61年- - - - - -66年),智能电网(67年,68年),网络医疗(53,69年,70年)、金融服务46,71年)等。

由于M-Internet的异质性和各种接入设备,收集到的数据是结构化的,通常在许多类别和格式,使数据预处理成为必不可少的一部分数据处理和分析系统,以确保输入数据完整和可靠72年]。数据预处理可以分为三个步骤,数据清洗,一代的隐式评分,和数据集成46]。

(1)数据清洗。可能由于设备故障、传输错误或人为因素,原始数据是“脏数据”,不能直接使用,一般(46]。因此,数据清洗方法包括异常检测和去噪应用在数据预处理获得的数据满足质量要求。手动删除错误数据困难,无法完成在MBD由于巨大的体积。常见的数据清洗方法可以缓解脏数据问题在某种程度上通过训练支持向量回归(SVR)分类器73年),多元线性回归模型(74年],autoencoder [75年[],贝叶斯方法76年- - - - - -78年),无监督方法(79年),或信息理论模型(79年]。

(2)代的隐式评分。代的隐式评级主要是应用于推荐系统。评级的数据量迅速增加通过分析特定用户行为与机器学习算法来解决数据稀疏问题,例如,神经网络和决策树46]。

(3)数据集成。数据集成是一个一步整合来自不同资源的数据格式和不同类别和处理缺失数据字段(7]。

图2代表了数据收集和预处理的过程。

2.2。移动大数据的属性

MBD带来大量新的挑战传统数据分析方法对其维数高,异质性,从应用程序和其他复杂的功能,比如计划、操作和维护、优化和营销(57]。本节讨论的五个Vs(简称体积、速度、品种、价值和真实性)特性(80年从大数据向MBD]推导。五Vs M-Internet特性得到改善,而让用户随时随地访问互联网81年]。

(1)体积:大量的MIDs Exabyte-Level数据和高维数据空间。MBD的体积是最明显的特征。在即将到来的5 g网络和MBD的时代,传统的存储和分析方法不能处理1000 x或多个无线交通量(7,82年]。十分重要的紧迫性改善目前MBD并提出新的分析方法。应该简单,并且具有成本效益的方法实施MBD处理和分析。此外,他们还应该足够有效,不需要大量的数据对模型的训练。最后,他们是准确的在各个领域的应用81年]。

(2)速度:实时数据流和效率的要求。速度可以认为是数据传输的速度和分析(83年]。现在不断涌入服务器的数据实时,使原来的批处理分解(84年]。由于MBD的生成率高,速度是MBD的效率要求分析由于实时数据处理和分析是非常重要的为了最大化的价值MBD流(7]。

(3)不同:异构和Nonstructured移动多媒体内容。由于异质性MBD这意味着移动数据流量来自空间分布式数据资源(也就是说,MIDs),各种MBD的出现,使MBD更复杂(4]。与此同时,nonstructured MBD也会造成品种。MBD可以分为结构化数据、半结构式数据和非结构化数据。在这里,非结构化数据通常是在新的应用程序和随机收集数据字段和内容(7];因此,他们很难分析在数据清洗和集成。

(4)价值:挖掘隐藏的知识和模式从低密度值数据。价值,或者低密度MBD的价值,是由大量的无用的或重复MBD的信息。因此,我们需要我的大值通过MBD分析提取隐藏的知识和模式。净化数据可以提供全面的信息进行更有效的分析结果对用户需求,用户行为和用户习惯(85年),实现更好的系统管理和更准确的需求预测和决策(86年]。

(5)准确性:MBD的一致性、可信赖性和安全性。MBD的真实性包括两个部分:数据一致性和可信度80年]。它也可以概括为数据质量。MBD质量不能保证是由于传输通道的噪声,设备故障,未校准的传感器MIDs或人为因素(例如,恶意入侵)导致低质量数据点(4]。真实性的MBD确保分析过程中使用的数据是真实的和防止未经授权的访问和修改80年]。

3所示。应用机器学习方法在移动大数据分析

3.1。数据分析方法的发展

在本节中,我们介绍一些最近的成果数据分析从四个不同的角度。

3.1.1。各个击破的策略和大数据采样

大数据是分而治之的策略计算范式处理大数据的问题。分布式和并行计算的发展使得各个击破的策略特别重要。

一般来说,是否在学习样本数据的多样性有利于训练结果不同。一些冗余和噪声数据会导致大量的存储成本以及减少学习算法的效率和影响学习精度。因此,更可取的选择代表性样本,形成原始样本空间的一个子集根据一定的性能标准,如保持样本的分布、拓扑结构,使分类精度。然后学习方法将建在以前形成的子集来完成学习任务。通过这种方式,我们可以保持甚至提高大数据分析算法与最小的性能计算和资源。大数据的需要学习要求样本选择方法。但大多数的样本选择方法只适用于规模较小的数据集,如传统的浓缩的最近邻(93年),减少了最近邻(94年),编辑最近邻(95年];这些方法的核心概念是找到的最小子集一致。找到最小子集相一致,我们需要测试每一个样本,结果是非常敏感的子集和样品的初始化设置。李等人。96年)提出了一个方法来选择分类和边缘边界样本基于局部几何和概率分布。他们保持原始数据的空间信息,但需要计算k - means为每个样本。Angiulli et al。97年,98年)提出了一种快速凝结最近邻(FCNN)基于凝聚最近邻算法,往往选择分类边界样本。

乔丹(99年)提出了大数据统计推断方法。在处理与分治算法统计推断,我们需要从巨大的数据集得到的置信区间。通过数据重采样,然后计算置信区间,引导理论旨在获得评估值的波动。但它不适合大数据。会导致错误的数据不完整的抽样范围波动。数据采样应该正确提供统计推断校准。提出了一个名为袋小白手起家的算法,不仅可以避免这个问题,但是也对计算有许多优点。另一个问题讨论(99年大量的矩阵计算。分治策略是启发式的,在实际应用中有很好的效果。然而,新的理论问题时出现试图描述分区算法的统计特性。为此,支持集中定理的基础上,提出了随机矩阵理论。

总之,数据分区和并行处理策略是处理大数据的基本策略。但是当前分区和并行处理策略使用数据分布知识,影响了负载平衡和大数据处理的计算效率。因此,存在迫切要求解决问题关于如何学习大数据的分布优化的负载均衡。

3.1.2。大数据的特征选择

在数据挖掘领域,如文档分类和索引,数据总是很大,其中包含大量的记录和特性。这导致了低效率的算法。通过特征选择,我们可以消除不相关的特性,增加任务分析的速度。因此,我们可以得到一个更好的预成型的模型减少了运行时间。

大数据处理面临着巨大的挑战和如何处理高维稀疏数据。交通网络、智能手机通讯记录和信息共享的互联网提供大量的高维数据,利用张量(如多维数组)表示一样自然。张量分解,在这种情况下,成为一个重要工具的总结和分析。Kolda [One hundred.)提出了一个有效的利用内存的塔克分解方法命名为节约内存塔克(遇到)分解降低时间和空间成本,传统的张量分解算法不能做。满足自适应选择执行策略基于可用内存的过程中分解。最大化的算法的计算速度的前提下使用可用内存。了避免处理大量的零星的中间结果在计算过程中进行。操作序列的自适应选择不仅消除中间溢出问题,而且节省内存而不降低精度。另一方面,·丁(101年)提出了两种方法的统计机器学习模型涉及离散,嘈杂的,不完整的数据。这两种方法是正规化内核估计(驾驶台)和健壮的多方面的展开(电气)。这些方法之间使用不同的培训信息,得到负的低等级确定的矩阵。矩阵将被嵌入到一个低维欧几里得空间,协调可以被用作各种学习模式的特征。同样,大多数在线学习的研究需要访问所有功能训练实例。等经典场景并不总是适合实际应用时面临的高维数据实例或昂贵的特性集。为了突破这一限制,荔枝等。102年)提出一个有效的算法来预测网络特性解决问题使用一些活跃的特性基于稀疏正则化的研究和截断技术。他们也测试该算法在一些公共数据集特征选择性能。

传统的自组织映射(SOM)可以用于特征提取。但SOM的低速度限制了其使用在大型数据集。Sagheer [103年)提出了一种快速自组织映射(FSOM)来解决这个问题。这种方法的目的是找到一个特征空间数据主要分布在。如果出口这样的地区,可以在这些领域中提取,而不是数据信息提取在整体功能空间。通过这种方式,我们可以大大减少提取时间。

Anaraki [104年)提出了一种阈值模糊粗糙集的特征选择方法基于模糊近似低。这种方法增加了一个阈值来限制QuickReduct特征选择。实验的结果证明,这种方法还可以帮助特征提取的准确性较低的运行时间。

Gheyas et al。105年)提出了一种模拟退火和遗传算法的混合算法(传奇),结合模拟退火算法的优点,遗传算法、贪婪算法、神经网络算法,选择最优特征子集的解决的np困难问题。实验表明,该算法能够找到更好的最优特征子集,大幅降低时间成本。Gheyas指出作为结论,很少有一个算法,可以解决所有的问题;的组合算法可以有效地提高整体的影响。

综上所述,由于复杂性,高维度、大数据和不确定的特点,这是一个紧急的问题来解决如何减少大数据处理的困难通过降维以及特征选择技术。

3.1.3。大数据分类

监督学习(分类)面临着新的挑战,如何处理大数据。目前,涉及大规模数据的分类问题是无处不在的,但传统的分类算法不适合大数据处理正确。

(1)支持向量机(SVM)。传统统计机器学习方法在面对大数据有两个主要问题。(1)传统的统计机器学习方法总是涉及密集计算很难应用于大数据集。(2)预测模型适合健壮和nonparameter置信区间是未知的。刘等人。106年]提出的在线支持向量机(SVM)学习算法来处理顺序提供了输入数据的分类问题。分类算法更快,用更少的支持向量,具有更好的泛化能力。Laskov et al。107年)提出了一个快速、稳定和健壮的数值增量支持向量机学习方法。Chang et al。108年)开发了一个名为LIBSVM的开源包作为支持向量机的库代码的实现。

此外,黄等。109年]目前分类器M4。不像其他大型保证金分类器本地或全球构造分离超平面,这个模型可以学习本地和全球决策边界。支持向量机和极大极小概率机(MPM)与模型有着密切的联系。模型具有重要的理论意义而且,maxi-min保证金机(M的优化问题⁴)可以在多项式时间内解决。

(2)决策树(DT)。传统的决策树(DT),作为一个经典的分类学习算法,有大量内存需求当处理大数据的问题。Franco-Arcega et al。110年构建DT]提出的方法从大数据,克服了一些算法的弱点。此外,它可以使用所有训练数据不保存在内存中。实验结果表明,该方法比现有的决策树算法在大规模问题。杨et al。111年)提出了一种快速增量优化决策树算法对于大型数据处理噪音。与前决策树数据挖掘算法相比,这种方法有一个很大的优势在实时数据挖掘的速度,非常适合在处理连续数据的移动设备。这个模型的最有价值的特点是,它可以防止爆炸性增长的决策树规模和预测精度的降低,当数据包含有噪声。决策树模型可以生成紧凑,甚至预测精度与高噪声数据。本哈伊姆et al。112年)提出了一个算法的并行决策树分类器。该算法在分布式环境中运行,适用于大量和流数据。与串行决策树相比,该算法可以提高效率的前提下精度误差近似。

(3)神经网络和极端学习机(ELM)。传统前馈神经网络通常使用梯度下降算法来优化重量参数。一般来说,学习速度慢和可怜的泛化性能的瓶颈限制前馈神经网络的应用。黄等。113年]丢弃的梯度下降算法的迭代调整策略,提出极端学习机(ELM)。这种方法随机分配输入重量和偏差的单隐层神经网络。它可以分析网络的输出权值计算一步。相比传统的前馈神经网络训练算法,网络权值可以由多个迭代,和榆树的训练速度显著提高。

然而,由于计算资源和计算复杂度的限制,这是一个困难的问题在大数据来训练一个榆树。通常有两种方法可以解决这个问题:(1)训练榆树(114年]基于分治策略;(2)引入并行机制(115年训练一个榆树。(所示116年,117年),一个榆树具有较强的函数逼近能力。是否可以扩展这个近似能力榆树基于分治策略是一个关键的指标来评估榆树可以应用到大数据的可能性。一些相关的研究还包括有效的学习来解决这样的问题(118年]。

总之,传统的机器学习分类方法难以直接应用到大数据的分析。平行或改进策略的研究不同的分类算法已经成为了新的方向。

3.1.4。大数据深度学习

空前巨大的和快速增长的数据,我们很难从大数据隐藏信息与普通机器学习方法。shallow-structured学习架构最传统的学习方法不适合在这些输入数据的复杂的结构和关系。大数据深度学习算法,其深刻的全球架构和特征提取能力,可以学习复杂的模式和隐藏连接之外的大数据(37,119年]。它有先进的性能在许多基准,也被应用在工业产品。在本节中,我们将介绍一些深大数据分析的学习方法。

大数据深度学习有一些问题:(1)隐藏层的深度网络很难从一个给定的数据向量,(2)参数的梯度下降方法学习使初始化时间作为参数的数量出现大幅增加,和(3)近似最深隐层可能是可怜的。辛顿et al。32深]提出了一种架构:信念网络(DBN)可以从标记数据和未标记数据通过使用无监督pretraining无标号数据分布和监督学习方法调整方法构建模型,并解决上述问题的一部分。与此同时,后续的研究,例如,120年),改善了DBN试图解决这些问题。

卷积神经网络(CNN) (121年)是另一种流行的大数据分析的深度学习网络结构。CNN有三个共同特征包括当地接受字段,共享的重量,和空间或时间二次抽样,和两种典型的层(122年,123年]。卷积层是CNN的关键部分结构目标从图像中提取特征。二次抽样层,也叫池层,调整输出从卷积层平移不变性。CNN主要是为大数据应用在计算机视觉领域,例如,图像分类(124年,125年和图像分割126年]。

文档(或文本)表示,NLP的一部分,是信息检索的基本方法和重要的理解自然语言。文档表示发现特定或重要信息从文档通过分析文档结构和内容。独特的信息可能是文档主题或一组标签高度相关的文档。浅模型文档表示只关注文本的一部分,简单的单词和句子之间的联系。使用文档的深度学习能得到全球表示因其庞大的接受域和隐藏层提取更有意义的信息。文档表示的深度学习方法能够从高维文本数据获取功能。辛顿et al。127年]提出深生成模型学习二进制代码文件,使文件易于储存。Socher et al。128年)提出了一种递归神经网络在分析自然语言和背景,实现先进的分割结果,对自然语言处理的理解。咕et al。129年]提出的递归神经网络(RNN),从大量的文本数据构造搜索空间。

学术和行业的快速增长和复杂性的数据集,如何培养深度学习与大量的模型参数一直是一个大问题。的作品40,41,43,130年- - - - - -133年)提出了有效和稳定的参数更新方法培训深度模型。研究人员专注于大规模并行深度学习,可以实现包括改进优化器(131年)和新结构(121年,133年- - - - - -135年]。

总之,大数据深度学习方法是数据挖掘的重要方法。他们使用复杂结构学习模式从大数据集和多通道数据。数据存储和计算技术的发展促进深度学习的发展方法和使它更容易使用的实际情况。

3.2。无线信道建模

众所周知,无线通信通过电磁波传递信息发射天线和接收天线,这被视为一个无线频道。在过去的几十年里,通道尺寸已经扩展到空间,时间和频率,这意味着通道属性全面发现。另一个发展是信道特征可以准确地描述不同的方法,如信道建模(136年]。

梁等。137年)使用机器学习来预测信道状态信息,以死飞行员开销。尤其是对5克、无线大数据及其相关技术是采用传统的沟通出现5克的研究来满足需求。然而,无线信道本质上是一个物理电磁波,和当前5 g通道模型研究遵循传统的方法。张(138年)提出了一个跨学科的研究大数据和无线频道,这是一个基于集群的信道模型。cluster-nuclei建立信道模型,多路径组件(mpc)聚合为一个传统的随机信道模型。同时,现场由计算机和分辨环境重建通过机器学习方法。然后,通过匹配与集群真正的传播对象,cluster-nuclei,联系的关键因素的确定性和随机集群环境,可以很容易地找到。有两个主要步骤采用机器学习方法在基于cluster-nuclei通道模型。如下所示的最近进展。

3.2.1之上。基于高斯混合模型(GMM)的通道mpc聚类方法

mpc是集群与高斯混合模型(GMM) [87年,139年]。使用足够的通道多路径的统计特征,GMM集群可以对应多路径传播的特点。GMM假定所有的mpc由若干个高斯分布在不同比例。给定一组的通道多路 ,高斯混合模型的对数似在哪里所有参数和的设置吗先验概率满足约束吗。估计GMM参数,期望最大化(EM)算法求解GMM的对数似功能(87年]。图3说明了GMM聚类算法的仿真结果。

见图3显然,GMM集群获得紧凑的集群。作为通道多路服从高斯分布的散射特性,紧凑的集群可以符合多径散射性质。此外,相应的GMM的集群机制,文献[87年)提出了一个紧凑的指数(CI)评价聚类结果显示如下: 在哪里的方差吗kth集群和和给出了作为在哪里多路径对应的数量吗k集群。的均值和方差在CI集群被认为是。考虑足够的统计特征,词可以揭示的内在信息多路径聚类结果参数和提供适当的解释。此外,考虑到足够的统计特征,词可以评价聚类结果更合理。

3.2.2。确定散射与同步定位和映射算法(大满贯)

为了重建三维(3 d)传播环境,找到主要的确定性对象,同时定位和地图(大满贯)算法用于识别的纹理测量场景图片(140年,141年]。图4说明了我们的室内SLAM算法重建结果。

(一)

(b)

传播环境的结构可以用来搜索的主要散射传播环境。然后,可以重建三维传播环境深度学习的方法。

然后cluster-nuclei形成的机制是明确的。信道脉冲响应可以由机器学习cluster-nuclei数量有限,即。,决策树142年),神经网络(143年),和混合模型144年]。基于数据库的不同场景中,天线配置,和频率,改变规则可以探索频道,然后输入cluster-nuclei基础建模。最后,预测信道脉冲响应的各种场景和配置可以实现(138年]。

3.3。在线和离线分析人类的行为基于移动大数据

无线网络的发展,越来越多的移动应用程序带来的移动交通数据。这是一个很好的来源的知识获取个人的运动规律和获得数百万人口的流动动态(145年]。先前的研究描述了个人访问地理位置和使用移动流量数据分析人类离线移动模式。代表作如(146年,147年]探索用户的移动基站的数量而言,这是一个重尾分布。作者在146年,148年,149年)也显示,用户经常访问的几个重要位置。特别是,这些首选地点通常与家庭和工作的地方。此外,通过定义一个度量熵,歌曲等。150年)认为,93%的个人运动可能可以预测的。因此,应用了各种模型来描述人类离线移动行为(151年]。被动地收集人类移动流量数据在用户访问移动互联网有许多优点如能耗低。一般来说,移动大数据覆盖广泛和大量的人口与细粒度,这给了我们一个机会来研究人类流动性规模,其他数据源是很难达到152年]。小说离线用户移动性模型开发基于移动大数据预计将受益很多领域,包括城市规划、道路交通工程、电信网络建设,和人类社会学(145年]。

在线浏览行为是另一个重要方面关于用户行为时网络资源消耗。各种各样的应用程序现在可以在智能设备,覆盖了我们日常生活的方方面面,并提供方便。例如,我们可以订出租车、购物和预订酒店使用手机。杨et al。49)提供一个全面研究在利用移动互联网用户行为。人们已经发现,许多因素,如数据使用和流动模式,可能会影响人们的网上行为在移动设备上。发现更多的用户访问不同的细胞的数量,更多样的应用程序的用户访问。郑et al。153年]分析了纵向距离密度的影响,人格和位置智能交通消费。特别是,位置已被证明有强烈影响什么样的应用程序用户倾向于使用(149年,153年]。上述观察指出,有一个在线浏览行为和离线迁移之间的关系的行为。

图5(一个)的一个例子是浏览应用程序和相关的当前位置彼此从时间和空间的角度规律性。人们已经发现,流动行为有强烈影响的在线浏览行为(149年,153年,154年]。类似的趋势也可以观察人群在人群聚集的地方,如图5 (b);即。,某些地方集团应用支持人们聚在一起并提供一些特定的功能。作者在50]试图衡量人类迁移和应用程序使用行为之间的关系。特别是,作者提出了一个评价框架,它可以预测在线应用程序使用行为为个人和人群。构建人类离线移动和在线移动互联网行为之间的桥梁可以告诉人们在日常生活中真正需要的。内容提供者可以利用这些知识来适当的推荐内容为移动用户。与此同时,互联网服务提供商(isp)可以使用这些知识来优化网络更好的终端用户体验。

(一)应用程序使用鲍勃在时间和空间维度的行为

(b)应用程序使用人群的行为在人群聚集的地方

为了充分利用用户的在线和离线信息,一些研究者开始数字转换在线社交网络之间的相互作用和离线社交网络和调查网络动力学从移动流量数据的角度155年- - - - - -158年]。具体来说,线上和线下的社交网络,分别构建了基于在线兴趣和基于位置的社交网络中移动用户。两个分组到不同的网络层的多层社交网络 ,如图6。和分别描述了离线和在线社交网络。被描述为在每一层中,图 ,在那里和 ,分别代表节点集和边集。节点,如 ,代表用户。边缘用户,当用户分享类似的基于对象的利益之间存在(88年]。结合信息从多种网络多层结构提供了新的见解的用户之间的交互虚拟和物理世界。它揭示了链接从多个视图生成过程,这将提高社会引导和朋友推荐各种有价值的应用程序以很大的优势(158年]。

到目前为止,我们已经总结了一些代表作品与人类相关线上和线下的行为。是有意义的,由于高度时空和非齐次性质的移动交通数据,一个普遍的框架具有挑战性并不可或缺的实现收集、处理和分析大量数据,降低资源消耗和提高质量的经验(体验质量)。乔的开创性工作等。60)提出了一个框架,MBD (FMBD)。它提供了全面的功能在数据收集、存储、处理、分析和管理,监控和分析大量的数据。图7(一个)显示FMBD的体系结构,而图7(b)显示了被认为是移动网络框架。与用户之间的交互设备和2 g / 3 g / 4 g网络,真正的大规模移动数据可以收集交通监控设备(时差)。实现模块采用基于Apache软件(159年]。FMBD构建一个安全环境和易于使用的平台对运营商和数据分析师,表现出良好的性能在能源效率、可移植性、可扩展性、可用性、安全性和稳定性。为了满足日益增长的交通要求监视和分析,该框架提供了一个解决方案来处理大规模移动大数据。

总之,不断繁荣的新兴移动应用程序和用户的增加要求访问互联网上所有对当前和未来的移动网络带来的挑战。本部分调查人类线上和线下行为的文献分析基于移动流量数据。此外,框架也被调查了,为了满足更高要求的移动交通数据处理显著增加了。基于大数据分析将提供有价值的信息互联网服务提供商的网络部署、资源管理、和未来移动网络的设计架构。

3.4。语音识别和验证网络的车辆

随着智能车辆产生的重大发展,智能车辆基于网络的汽车(IoV)技术得到了许多巨大的互联网企业的广泛关注160年- - - - - -162年]。IoV技术包括不同的车辆和车辆之间的通信传感器、道路、和人类。这些通信可以帮助IoV系统分享和收集信息对车辆及其周围。

实际的应用程序的一个挑战的智能车辆和IoV系统是如何设计一个健壮的司机和IoV系统之间交互的方法(163年]。专注于开车的水平将直接影响驾驶员和乘客的危险;因此,复杂的司机应该注意道路情况,以避免事故在激烈驾驶。所以,用声音传递信息助理IoV系统是一种有效的解决方案和合作。通过构建一个语音识别交互系统,司机可以检查附近的交通堵塞目的地或秩序在附近的餐馆吃午饭休息停止通过IoV系统通过使用语音交互。IoV系统的语音识别交互系统可以减少交通事故的风险,和司机不需要触摸控制面板或任何按钮。一个有用的语音识别系统在IoV可以简化在车辆司机和乘客的生命164年]。IoV系统,司机想用自己的语音指令控制驾驶车辆,和IoV系统必须认识到一个授权和授权的用户之间的区别。因此,扬声器自动验证系统在IoV是必要的,它可以保护你的车的骗子。

最近,许多深刻的学习方法已经应用于语音识别和说话人确认系统(41,165年- - - - - -167年),并公布结果表明,语音处理方法由MBD和深度学习可以明显改善现有的语音识别和说话人确认系统的性能(40,168年,169年]。IoV系统中,数以百万计的传感器收集丰富的车辆和环境噪音从引擎和街道将显著降低语音处理系统的准确性,传统的语音增强方法,例如,维纳滤波(170年)和最小均方误差(MMSE)估计(171年),重点推进信号噪声比(信噪比),不充分利用先验分配车辆周围的噪音。机器学习和深度学习方法的帮助下,我们可以使用噪声的先验知识来提高语音处理系统的鲁棒性。

对于语音识别任务,deep-neural-network(款)可以应用于一个有效的单音分类器训练,而不是传统的基于GMM分类器。此外,deep-neural-network隐马尔可夫模型(DNN-HMM)语音识别模型可以显著提高性能的高斯混合模型隐马尔科夫模型(GMM-HMM)模型(172年- - - - - -174年]。如图8,充分利用自适应调节款的力量,我们可以使用multitraining单音款分类器的方法来提高鲁棒性在训练数据中添加噪声(89年]。实验结果(89年,175年]表明,multitraining方法可以构建一个匹配的训练和测试条件可以改善噪声语音识别的准确性,特别是对于噪声类型的先验知识,我们可以很容易地获得车辆。

如图9,一个款也可以用来训练特征映射网络(FMN)使用噪声特征作为输入,并相应的清洁功能训练的目标。提高特征提取的单核苷酸FMN可以提高性能的语音识别系统。汉et al。176年FMN)用来提取一个增强Mel-frequency cepstral系数(MFCC)从15帧噪声MFCCs帧。徐et al。90年)建立了一个单核苷酸FMN,学会了从一个日志声谱图映射到的日志梅尔滤波器组。增强的特性可以显著减少这个词在语音识别错误率。

除了直接的映射特性,款也可以用来训练理想二元掩模(IBM),可以用来区分纯净语音和背景噪音,如图10(91年,177年,178年]。噪声类型的先验知识和信噪比,我们可以生成ibm培训目标和使用噪声功率谱作为训练数据。在测试阶段,我们使用了ibm可以增强功能可以提高语音识别的鲁棒性。

在议长验证任务,经典的基于GMM方法,例如,高斯混合模型通用背景模型(GMM-UBM) [179年)和矢量i系统(180年),需要建立一个背景GMM,首先,使用大量的扬声器独立演讲。然后,通过计算每个GMM组件的统计信息登记演讲者,我们可以得到模型或议长i-vectors。然而,一个训练有素的单音分类可以替代款GMM的功能通过计算每个单音的统计信息,而不是在GMM的组件。许多发表论文(181年- - - - - -184年]表明,基于DNN-i-vector议长验证系统的工作比GMM-i-vector方法检测准确性和鲁棒性。

与语音识别任务,款是用来从嘈杂的功能得到增强的特性,研究人员更喜欢用款或卷积神经网络(CNN)产生噪音鲁棒性瓶颈功能直接在议长验证任务(185年- - - - - -187年]。如图11、声学特性或特征图用于火车一款/ CNN瓶颈层节点和关闭到输出层。议长ID、噪声类型,单音标签,或组合使用这些标签的训练目标。输出瓶颈层包括丰富的有区别的信息,可以作为议长验证特性提高古典扬声器的性能验证方法如上述GMM-UBM和矢量i。multitraining方法相似,添加噪声演讲的训练数据还可以提高瓶颈特征提取的鲁棒性65年,92年]。

最近,一些敌对的训练方法介绍了提取噪声特性不变的瓶颈(64年,188年]。如图12,对抗网络包括两个部分,即。,一个编码网络(EN),可以提取噪声不变的特性和区别的网络(DN)可以判断噪声类型不变特性产生的噪音。因此,我们可以得到在噪音鲁棒性不变的特性可以提高扬声器的性能验证系统依次通过对抗训练这两个部分(64年,188年]。

总之,用款和机器学习方法可以充分利用从IoV MBD收集系统。此外,它提高了语音识别和扬声器的性能验证方法应用于语音交互系统。

4所示。结论和未来的挑战

尽管部分中引入的基于机器学习的方法3被广泛应用于MBD字段和获得良好的性能在实际数据测试中,目前的方法仍需进一步发展。因此,面临五大挑战MBD分析对于基于机器学习方法应考虑如下。

(1)大型和高速M-Internet。由于M-Internet MIDs和高速的增长,越来越多的不同介绍了移动数据流量和结果在重负载无线传输系统,这让我们改善无线通信技术包括WLAN和蜂窝移动通信。此外,实时服务和应用程序的需求取决于基于机器学习的发展MBD分析方法对效率和精度高。

(2)过度拟合和Underfitting问题。MBD机器学习和深度学习的一个好处在于,过度拟合的风险变得越来越小和越来越多的数据用于训练(28]。然而,underfitting超大数据量的另一个问题。在这种情况下,一个更大的模型可能是一个更好的选择,而数据的模型可以表达更多的隐藏信息。然而,更大的模型通常意味着更深层次的结构增加运行时模型的影响的实时性能。因此,在机器学习模型的大小和深度学习,代表数量的参数,应该平衡模型和运行时性能。

(3)泛化问题。MBD的大规模,是不可能获得全部数据,即使他们只是在一个特定的领域。因此,泛化能力可以定义为适合不同的数据子空间,或称为可伸缩性,机器学习相关的培训或深度学习评价模型是非常重要的性能。

(4)跨通道的学习。各种MBD引起多种形式的数据(例如,图像、音频、个人位置,web文档,和温度)来自多个传感器(相应地,相机、声音录音机、位置传感器、温度传感器)。多通道学习应该学习从输入数据多通道和异构机器学习和深入学习4,189年),获得隐藏的知识和有意义的模式;然而,它是非常困难去发现。

(5)扩展频道维度。通道尺寸已经扩展到三个领域,也就是说,空间、时间和频率,这意味着该频道属性全面发现。与此同时,增加天线数量,高带宽,和各种应用场景的大数据信道测量和估计,尤其是5克。发现通道特征需要精确描述的更先进的信道建模方法。

在本文中,基于机器学习的应用和挑战MBD分析M-Internet回顾和讨论。MBD的发展在不同的应用场景需要更先进的数据分析技术特别是基于机器学习的方法。MBD的三种典型应用分析集中在无线信道建模、在线和离线人类行为分析,互联网和语音识别和验证的车辆,分别基于机器学习方法在许多其他领域中得到了广泛的应用。为了满足上述挑战,未来三个主要的研究目标,也就是说,准确性、可行性和可伸缩性(28),为现在和未来MBD分析研究突出显示。在未来的工作中,准确性提高也将主要任务的基础上,一个可行的架构MBD分析。此外,上述讨论的泛化问题,可伸缩性取得了越来越多的关注尤其是在分类或识别问题,可伸缩性也包括推断类的数目会增加。是非常重要的改善方法和高精度的可伸缩性和可行性,以面对MBD的分析要求。

的利益冲突

作者宣称没有利益冲突。

确认

本文支持部分由中国国家自然科学基金(批准号(国家自然科学基金委)61773071);北京新星计划部分跨学科合作项目(批准号Z181100006218137];部分由北京新星计划(批准号Z171100001117049];部分由北京自然科学基金(批准号(BNSF)4162044);北京实验室的部分基金BUPT先进的信息网络;部分由基金北京重点实验室网络系统架构和BUPT收敛; and in part by BUPT Excellent Ph.D. Students Foundation [Grant no. XTCX201804].

引用

国际电信联盟(ITU)、“ICT事实和数字2017,”https://www.itu.int/en/ITU-D/Statistics/Pages/facts/default.aspx,2017年。视图:谷歌学术搜索
米克,”互联网趋势2017。”http://www.kpcb.com/internet-trends,2017年。视图:谷歌学术搜索
g . Fettweis和美国Alamouti 5 g:个人移动互联网以外的细胞所做的电话,“IEEE通讯杂志,52卷,不。2、140 - 145年,2014页。视图:出版商的网站|谷歌学术搜索
m·a·Alsheikh d . Niyato s .林H.-P。棕褐色,z汉,“移动大数据分析使用深度学习和apache火花,“IEEE网络,30卷,不。3月22,2016页。视图:出版商的网站|谷歌学术搜索
思科,“思科视觉网络指数:全球移动数据流量预测更新,2016 - 2021年的白皮书,”https://www.cisco.com/c/en/us/solutions/collateral/service provider/visual -网络-指数vni/mobile -白-纸- c11 - 520862. - html,2017年。视图:谷歌学术搜索
郭y, j·张,y,”一个算法分析城市居民的活动信息通过移动大数据挖掘,”联合学报》15日IEEE国际会议上信任,安全和隐私在计算和通信技术中,10日IEEE大数据科学与工程国际会议和14 IEEE国际研讨会上并行计算和分布式处理与应用,IEEE TrustCom BigDataSE /当前2016,页2133 - 2138,中国,2016年8月。视图:谷歌学术搜索
z廖,问:阴、黄y和l .盛“移动大数据的管理和应用,”国际期刊的嵌入式系统,7卷,不。1,第70 - 63页,2015。视图:出版商的网站|谷歌学术搜索
m . Agiwal a·罗伊,n . Saxena“下一代5 g无线网络:一个全面的调查,“IEEE通信调查和教程,18卷,不。3、1617 - 1655年,2016页。视图:出版商的网站|谷歌学术搜索
w·李和z周”,学习为大数据散列:现状和未来趋势,”科学通报(中国版),60卷,不。5 - 6,485年,页2015。视图:出版商的网站|谷歌学术搜索
诉Mayerschonberger和k . Cukier大数据:一场革命,将改变我们的生活方式,工作和思考,埃蒙Do-lan /霍顿-米夫林-哈考特,波士顿,2013年。
d . z Yazti和美国Krishnaswamy移动大数据分析:研究、实践和机会,”第十五届IEEE国际研讨会论文集在移动数据管理、IEEE MDM 20142014年7月,页1 - 2、澳大利亚。视图:谷歌学术搜索
e . Zeydan e . Bastug m·班尼斯et al .,“网络大数据缓存:从云到边缘,”IEEE通讯杂志,54卷,不。9日,36-42,2016页。视图:出版商的网站|谷歌学术搜索
马z . Liu y, z . et al .,“情绪分析通过研究大规模网络中国短”《计算机科学和应用工程国际会议(CSAE),研讨会,2017页。视图:谷歌学术搜索
y z . Wang气,j·刘,z,“从头用户意图的理解,”学报第一国际研讨会传感、处理和智能机器学习,2016年样条2016年7月,丹麦,。视图:谷歌学术搜索
张c、z . Si z, x,, y,“与分层开采顺序更新总结文本分析”,移动信息系统卷,2016篇文章ID 1340973, 10页,2016。视图:出版商的网站|谷歌学术搜索
c, y, w . Xu z妈,y愣,和j .郭“矿业激活力定义依赖关系提取模式,”以知识为基础的系统卷,86年,第287 - 278页,2015年。视图:出版商的网站|谷歌学术搜索
c . Zhang w .徐,z .妈,美国高,李问:和j .郭”建筑语义提取引导模型关系,”以知识为基础的系统卷,83年,第137 - 128页,2015年。视图:出版商的网站|谷歌学术搜索
从总统m·乔丹”消息:大数据的时代,“国际海底管理局牛,第18卷。1 - 3,2011页。视图:谷歌学术搜索
d . w . Chen Wipf, y, y . Liu和i . j . Wassell”同时与结构化稀疏贝叶斯稀疏近似模型,”IEEE信号处理,卷64,不。23日,第6159 - 6145页,2016年。视图:出版商的网站|谷歌学术搜索|MathSciNet
m . w . Chen r·d·罗德里格斯和i . j . Wassell”投影统计压缩传感设计:基于紧框架的方法,”IEEE信号处理,卷61,不。8,2016 - 2029年,2013页。视图:出版商的网站|谷歌学术搜索
h .勇·d·孟、w .左和l .张“健壮的网络矩阵分解为动态背景减法,”IEEE模式分析与机器智能,2017年。视图:谷歌学术搜索
问:谢,d .曾问:赵et al .,“健壮的低剂量CT正弦图prepocessing通过利用噪声产生机制,“IEEE医学成像,36卷,不。12日,第2498 - 2487页,2017年。视图:谷歌学术搜索
m·奥康纳g . Zhang w·b·Kleijn和t . d . Abhayapala“功能分离和二次逼近非乘数法的优化分布于图形、”IEEE在网络信号和信息处理,2018年,页1 - 1。视图:出版商的网站|谷歌学术搜索
g . Zhang和r . Heusdens分布式优化使用非乘数法”,IEEE在网络信号和信息处理,4卷,不。1,第187 - 173页,2018。视图:出版商的网站|谷歌学术搜索|MathSciNet
g . Zhang和r . Heusdens”二次优化,线性coordinate-descent消息传递”国际会议声学学报》,演讲,和信号处理,第2008 - 20055页,2012年。视图:出版商的网站|谷歌学术搜索|MathSciNet
g . Zhang, r . Heusdens和w·b·Kleijn“大规模LP解码复杂度较低,”IEEE通信信,17卷,不。11日,第2155 - 2152页,2013年。视图:出版商的网站|谷歌学术搜索
z, a . e . Teschendorff a . Leijon y俏,h . Zhang和j .郭”变分贝叶斯矩阵分解为有界的支持数据,”IEEE模式分析与机器智能,37卷,不。4、876 - 889年,2015页。视图:出版商的网站|谷歌学术搜索
Z.-H。周:诉Chawla是y,和g·j·威廉姆斯,“大数据机遇和挑战:从数据分析的角度讨论,”IEEE计算机情报杂志,9卷,不。4、62 - 74年,2014页。视图:出版商的网站|谷歌学术搜索
y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
y Bengio和s . Bengio”与多层神经网络建模高维离散数据,”第13届神经信息处理系统研讨会论文集,1999年捏美国,页400 - 406年,1999年12月。视图:谷歌学术搜索
m . Ranzato杨绍明。关铭Boureau y勒村,“稀疏特性为深层信念网络学习,”先进的神经信息处理系统,第1192 - 1185页,2008年。视图:谷歌学术搜索
g·e·辛顿、美国Osindero和y格兰,“快速学习算法深度信念网”,神经计算,18卷,不。7,1527 - 1554年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
y Bengio, p . Lamblin、d . Popovici和h . Larochelle“贪婪layer-wise培训深度网络”诉讼第20届年度会议上的神经信息处理系统(捏06年),页153 - 160年,剑桥,质量,美国,2006年12月。视图:谷歌学术搜索
h . Larochelle y Bengio、j . Louradour和p . Lamblin“探索策略训练神经网络,”机器学习研究杂志》上,10卷,第1 - 40页,2009年。视图:谷歌学术搜索
r . Salakhutdinov g·辛顿,“深玻耳兹曼机”《人工智能国际会议上和统计,24卷,第455 - 448页,2009年。视图:出版商的网站|谷歌学术搜索
格拉汉姆·古德费勒,h·李,问:诉勒,“测量不变性深陷网络,”神经信息处理系统,第654 - 646页,2009年。视图:谷歌学术搜索
y Bengio和y LeCun(“扩展学习算法对人工智能”,大规模的内核的机器34卷,第360 - 321页,2007年。视图:谷歌学术搜索
y Bengio、a .考维尔和p·文森特,”表示学习:审查和新视角,”IEEE模式分析与机器智能,35卷,不。8,1798 - 1828年,2013页。视图:出版商的网站|谷歌学术搜索
服装,d . c .玫瑰,t . p . Karnowski“深机器学习——一个新边疆在人工智能研究中,“IEEE计算机情报杂志,5卷,不。4,十三至十八页,2010年。视图:出版商的网站|谷歌学术搜索
g·e·达尔d, l .邓小平et al。”上下文相关的pre-trained深层神经网络词汇量的语音识别,”IEEE音频、语音和语言处理,20卷,不。1,30-42,2012页。视图:谷歌学术搜索
g .辛顿·l·邓,d . et al .,“深层神经网络语音识别的声学建模:四个研究小组的共同观点,“IEEE信号处理杂志卷,29号6,82 - 97年,2012页。视图:出版商的网站|谷歌学术搜索
r . Salakhutdinov a Mnih g·辛顿,“限制玻耳兹曼机协同过滤,”24日国际会议的程序机器学习(ICML ' 07)卷,227年,页791 - 798,科瓦利斯,俄勒冈州,2007年6月。视图:出版商的网站|谷歌学术搜索
d . c . Cireşan迈耶,l . m . Gambardella,的和j。施密德胡贝尔表示“深大,简单的神经网络的手写数字识别,”神经计算,22卷,不。12日,第3220 - 3207页,2010年。视图:出版商的网站|谷歌学术搜索
m·d·Zeiler g·w·泰勒,r·费格斯“适应性deconvolutional网络学习中期和高水平的功能,”学报2011年IEEE计算机视觉国际会议上,ICCV 2011西班牙,页2018 - 2025年,2011年11月。视图:谷歌学术搜索
a . Efrati“深度学习如何工作在苹果,超越”,https://www.theinformation.com/How-Deep-Learning-Works-at-Apple-Beyond,2013年。视图:谷歌学术搜索
z, b . Wu k .郑x Wang和l . Lei“的调查合作filtering-based推荐系统对于移动互联网应用程序,”IEEE访问4卷,第3287 - 3273页,2016年。视图:出版商的网站|谷歌学术搜索
朱k、l . Zhang和a . Pattavina“移动应用程序的建议,学习地理和流动性因素”IEEE智能系统,32卷,不。3,36-44,2017页。视图:出版商的网站|谷歌学术搜索
江,b, t . Wang赵z、x张,“大数据使得在移动互联网用户行为特征,”学报》2017年第九届国际会议上无线通讯和信号处理(WCSP)2017年10月,页1 - 5、南京、。视图:出版商的网站|谷歌学术搜索
j·杨,y俏,x, h .他f . Liu和g . Cheng”在移动互联网用户行为特征IEEE新兴主题计算,3卷,不。1,第106 - 95页,2015。视图:出版商的网站|谷歌学术搜索
赵x, y乔·j·杨,j .刘”移动big-data-driven评级框架:测量人类迁移和应用程序使用行为之间的关系,“IEEE网络,30卷,不。3、14号至21号2016页。视图:出版商的网站|谷歌学术搜索
y俏,j·杨,h .他,y,和z,“用户位置与能源效率模型预测长期演进网络”国际通信系统杂志》上卷,29号14日,第2187 - 2169页,2016年。视图:出版商的网站|谷歌学术搜索
m . Gerla和l .让“车载网络和移动互联网的未来,”计算机网络,55卷,不。2、457 - 469年,2011页。视图:出版商的网站|谷歌学术搜索
m . m .伊斯兰教,m . a . Razzaque m·m·哈桑·w·n·伊斯梅尔和b的歌,“移动云计算大医疗数据处理在智能城市,“IEEE访问5卷,第11899 - 11887页,2017年。视图:出版商的网站|谷歌学术搜索
德州仪器,“无线手机解决方案:移动互联网设备,“http://www.ti.com/solution/handset_smartphone,2008年。视图:谷歌学术搜索
张x, j . Zhang, y,, z,“数据基于无线信道的建模方法:动机、原理和性能,”通信和信息网络杂志》上,卷2,不。3,41-51,2017页。视图:出版商的网站|谷歌学术搜索
张x, j . Zhang y, z .妈,和y,“无线MIMO信道,PCA-based建模方法”《2017年IEEE计算机通讯大会上:车间(INFOCOM WKSHPS),页874 - 879年,亚特兰大,乔治亚州,2017年5月。视图:出版商的网站|谷歌学术搜索
张x, z, z燕et al .,“社会计算移动大数据,”电脑杂志卷,49号9日,第90 - 86页,2016年。视图:出版商的网站|谷歌学术搜索
k .朱、张、张y, z . Chen和美国金,“Geo-cascading和community-cascading社交网络:比较分析及其影响边缘缓存,”信息科学卷,436 - 437 1 - 12,2018页。视图:出版商的网站|谷歌学术搜索
美国高,h·罗,d . Chen等人“cyber-physical跨领域推荐模型系统,”IEEE新兴主题计算,1卷,不。2、384 - 393年,2013页。视图:出版商的网站|谷歌学术搜索
俏y, z, z . m . Fadlullah j .杨和n .加藤”描述流、应用程序和移动网络用户行为:一个框架,用于移动大数据”IEEE无线通讯杂志,25卷,不。1,40至49,2018页。视图:出版商的网站|谷歌学术搜索
z z h . Yu Tan, r·马丁和j .郭”欺骗检测扬声器自动验证系统使用分类器和动态款声学特性,”IEEE神经网络和学习系统1 - 12页。视图:出版商的网站|谷歌学术搜索
h . Yu Z.-H。马,y, z, j .郭”款过滤器银行欺骗检测cepstral系数”IEEE访问5卷,第4787 - 4779页,2017年。视图:出版商的网站|谷歌学术搜索
马z h . Yu Z.-H。棕褐色,j .郭”Text-independent议长识别使用直方图变换模型”,IEEE访问4卷,第9739 - 9733页,2016年。视图:出版商的网站|谷歌学术搜索
h . Yu Z.-H。马,z, j .郭”对抗的网络瓶颈特征对噪声健壮的发言人确认,”《第十八届国际言语交际协会会议上,INTERSPEECH 2017瑞典,页1492 - 1496年,2017年8月。视图:谷歌学术搜索
a . Sarkar h . Yu d·a·l·汤姆森Z.-H。马,z, j .郭”multi-condition培训效果和语音增强方法欺骗检测”学报第一国际研讨会传感、处理和智能机器学习,2016年样条2016年7月,丹麦,。视图:谷歌学术搜索
马z h . Yu, m·李”使用MFCC特征直方图变换模型text-independent说话人识别,”信号,IEEE艾斯洛玛尔的会议系统,第504 - 500页,2014年。视图:谷歌学术搜索
z, j .谢h·李et al .,“数据分析的角色发展的智能能源网络,”IEEE网络没有,卷。31日。5,88 - 95年,2017页。视图:出版商的网站|谷歌学术搜索
z, h·李,问:太阳,c . Wang Yan, f . Starfelt,“能源消费模式的统计分析建筑物的热量需求在集中供热系统中,“能源和建筑卷,85年,第472 - 464页,2014年。视图:出版商的网站|谷歌学术搜索
d .西方,“如何改变医疗、移动设备”在技术创新问题,18卷,不。1、1 - 11,2012页。视图:谷歌学术搜索
l . a . Tawalbeh r . Mehmood e . Benkhlifa和h的歌,“移动云计算和大数据分析模型对于医疗保健应用程序,”IEEE访问4卷,第6180 - 6171页,2016年。视图:出版商的网站|谷歌学术搜索
Sagiroglu和d . Sinanc“大数据:一个评论,”学报》国际会议协作技术和系统(CTS的13)页42-47 IEEE,圣地亚哥,加利福尼亚州,美国,2013年5月。视图:出版商的网站|谷歌学术搜索
k, l .侯h·孟问:郑,n, l . Lei,“Soft-defined异构车载网络:架构和挑战,”IEEE网络,30卷,不。4、72 - 80年,2016页。视图:出版商的网站|谷歌学术搜索
h·谢诉Klyuev,问:赵,s .吴”SVR-based孤立点检测及其应用酒店排名,”学报2014年IEEE第六意识科学技术国际会议(iCAST),页1 - 6,巴黎,法国,2014年10月。视图:出版商的网站|谷歌学术搜索
拉赫曼,m . Sathik Kannan k,“在孤立点检测的多元线性回归模型,国际计算机科学研究杂志》上,卷2,不。2,23-28,2012页。视图:出版商的网站|谷歌学术搜索
h·a·道诉什么不对,a .歌曲“异常检测使用复制因子神经网络训练在一个类的例子,”模拟进化和学习卷,8886在计算机科学的课堂讲稿,页311 - 322,施普林格国际出版,可汗,2014年。视图:出版商的网站|谷歌学术搜索
马z,黄永发。天雪,a . Leijon Z.-H。棕褐色,杨z, j .郭“中性向量的解相关变量:理论和应用,“IEEE神经网络和学习系统卷,29号1,第143 - 129页,2018。视图:出版商的网站|谷歌学术搜索|MathSciNet
z, s . Chatterjee w·b·Kleijn和j .郭”狄利克雷混合建模为LSF量化实证下界估计,“信号处理卷,104年,第295 - 291页,2014年。视图:出版商的网站|谷歌学术搜索
马z和a . Leijon”与变分推理β混合物模型的贝叶斯估计,“IEEE模式分析与机器智能,33卷,不。11日,第2173 - 2160页,2011年。视图:出版商的网站|谷歌学术搜索
c . c . Aggarwal“异常值分析,”数据挖掘施普林格,2015年。视图:谷歌学术搜索|MathSciNet
y Demchenko p·格罗索,c . de Laat和p . Membrey”在科学数据基础设施解决大数据问题,”《IEEE国际会议协作技术和系统(CTS的13)2013年5月,页48-55,。视图:出版商的网站|谷歌学术搜索
l . c, h .江y . Chen,和美国,“用户兴趣收购通过增加家庭和工作相关的上下文在移动大数据分析”IEEE INFOCOM学报》2016年IEEE计算机通讯大会上车间(INFOCOM WKSHPS),页201 - 206年,旧金山,美国,2016年4月。视图:出版商的网站|谷歌学术搜索
x通用电气、m . Guizani h . Cheng和t·汉”5 g无线回程网络:挑战和研究进展,”IEEE网络,28卷,不。6,6尺11寸,2014页。视图:出版商的网站|谷歌学术搜索
s . Landset t . m . Khoshgoftaar A . n级和t . Hasanin“开源工具的调查与大数据机器学习Hadoop生态系统,”《大数据,卷2,不。1,24-59,2015页。视图:出版商的网站|谷歌学术搜索
d . Soubra“3 vs定义大数据,”http://www.datasciencecentral.com/forum/topics/the-3vs-that-define-big-data,2012年。视图:谷歌学术搜索
l .马f·聂,陆问:“供应链重组的分析基于大数据和移动网上warehouse-type超市的案例研究”《IEEE国际会议上灰色系统和智能服务,GSIS 2015英国,页446 - 451年,2015年8月。视图:谷歌学术搜索
a . McAfee和e·布林”大数据:管理革命”,哈佛商业评论,卷90,不。10日,60 - 128、2012页。视图:谷歌学术搜索
j . y . Li张、马z”集群无线传播信道的统计数据框架,”学报2018年IEEE无线通信和网络会议(WCNC)2018年4月,页1 - 6、巴塞罗那、。视图:出版商的网站|谷歌学术搜索
p . Kazienko k Musiał,t . Kajdanowicz“多维社交网络在社会推荐系统,”IEEE系统,人,和控制论:系统第41卷。。4、746 - 759年,2011页。视图:出版商的网站|谷歌学术搜索
安倍,k .山本,中川,”鲁棒语音识别使用DNN-HMM声学模型结合noise-aware培训与谱减法,”美国第16届会议国际言语交际协会,INTERSPEECH 2015,页2849 - 2853,德国,2015年9月。视图:谷歌学术搜索
y, j . Du L.-R。戴和学术界。李,“一个试验研究语音增强深层神经网络基础上,“IEEE信号处理信件,21卷,不。1,第68 - 65页,2014。视图:出版商的网站|谷歌学术搜索
a . Narayanan和d . Wang“理想比面具估计使用深层神经网络鲁棒语音识别,”《2013年第38 IEEE国际会议音响、演讲,和信号处理,ICASSP 2013加拿大,页7092 - 7096年,2013年5月。视图:谷歌学术搜索
d . Serdyuk k Audhkhasi, p . Brakel噪声语音识别不变量表示,“计算和语言,2016年,arXiv: 1612.01928。视图:谷歌学术搜索
p·e·哈特“浓缩的最近邻规则,”IEEE信息理论,14卷,不。3、515 - 516年,1968页。视图:出版商的网站|谷歌学术搜索
g·盖茨”,减少了最近邻规则”,IEEE信息理论,18卷,不。3、431 - 433年,1972页。视图:出版商的网站|谷歌学术搜索
h·布莱顿和c .插”实例选择基于实例的学习算法的进步。”数据挖掘和知识发现》第六卷,没有。2、153 - 172年,2002页。视图:出版商的网站|谷歌学术搜索|MathSciNet
李y l·马奎尔,“选择关键模式基于局部几何和统计信息,“IEEE模式分析与机器智能,33卷,不。6,1189 - 1201年,2011页。视图:出版商的网站|谷歌学术搜索
f . Angiulli“快速最近邻凝结为大型数据集分类,“IEEE工程知识和数据,19卷,不。11日,第1464 - 1450页,2007年。视图:出版商的网站|谷歌学术搜索
f . Angiulli和g . Folino“分布式最近neighbor-based凝结的非常大的数据集,”IEEE工程知识和数据,19卷,不。12日,第1606 - 1593页,2007年。视图:出版商的网站|谷歌学术搜索
乔丹,“分治和大数据统计推断,”《18 ACM SIGKDD国际会议,4页,北京,中国,2012年8月。视图:出版商的网站|谷歌学术搜索
t . g . Kolda j .太阳,“对多元数据挖掘可伸缩的张量分解,”学报》第八届IEEE国际会议上的数据挖掘,ICDM 2008,页363 - 372,意大利,2008年12月。视图:谷歌学术搜索
g·“不同数据统计模型构建和机器学习”第五届国际大会的中国数学家学报》上,第809 - 785页,2012年。视图:谷歌学术搜索|MathSciNet
p . s . c .海下j . Wang赵,r·金,“在线挖掘大数据特征选择,”学报第一国际研讨会上大数据流和异构源矿业:算法,系统、编程模型和应用程序,第100 - 93页,北京,中国,2012年8月。视图:出版商的网站|谷歌学术搜索
a . Sagheer n . Tsuruta不。谷口,d . Arita, Maeda,“快速特征提取方法对多维特征空间的问题,”学报18国际会议模式识别,ICPR 2006,页417 - 420,中国,2006年8月。视图:谷歌学术搜索
j . r . Anaraki和m . Eftekhari”,改善模糊粗糙快速导出特征选择,”学报》2011年19伊朗电气工程会议,ICEE 20112011年5月,伊朗,。视图:谷歌学术搜索
中情局Gheyas和l·s·史密斯,”特征子集选择大维度域。”模式识别,43卷,不。1,第5 - 13页,2010。视图:出版商的网站|谷歌学术搜索
k·w·刘问:h . Wu,“支持向量分类器的在线培训”,模式识别,36卷,不。8,1913 - 1920年,2003页。视图:出版商的网站|谷歌学术搜索
p . Laskov c·格尔、美国克鲁格和K.-R。穆勒:“增量支持向量学习:分析、实现和应用,“机器学习研究杂志》上7卷,第1936 - 1909页,2006年。视图:谷歌学术搜索|MathSciNet
c . Chang和c·林,“LIBSVM:支持向量机的库,”ACM智能交易系统和技术,卷2,不。3、第二十七条,2011年。视图:出版商的网站|谷歌学术搜索
k黄h杨、王,和m . r .律”Maxi-min保证金机:学习大边缘分类器在本地和全球”IEEE神经网络和学习系统,19卷,不。2、260 - 272年,2008页。视图:出版商的网站|谷歌学术搜索
a . Franco-Arcega j . a . Carrasco-Ochoa g . Snchez-Daz et al .,“从大训练集快速构建决策树,”智能数据分析,16卷,不。4、649 - 664年,2012页。视图:谷歌学术搜索
h·杨和美国方”,嘈杂的大数据,逐步优化决策树”学报第一国际研讨会上大数据流和异构源矿业:算法、系统、编程模型和应用程序(BigMine 12),页36-44,北京,中国,2012年8月。视图:出版商的网站|谷歌学术搜索
y本哈伊姆和大肠Tom-Tov流并行决策树算法”,机器学习研究期刊》的研究(JMLR)11卷,第872 - 849页,2010年。视图:谷歌学术搜索|MathSciNet
g . b .黄、朱问:y和c·k·萧,“极端的学习机器:理论和应用程序”,Neurocomputing,卷70,不。1 - 3、489 - 501年,2006页。视图:出版商的网站|谷歌学术搜索
n . Liu和h·王,“基于整体的极端的学习机器,”IEEE信号处理信件,17卷,不。8,754 - 757年,2010页。视图:出版商的网站|谷歌学术搜索
问:他,t .商、f .壮族和z,“平行极端学习机基于mapReduce的回归,“Neurocomputing卷。102年,52-58,2013页。视图:出版商的网站|谷歌学术搜索
r·张G.-B y局域网。黄,Z.-B。许,“通用近似的极端学习机隐藏节点的自适应增长,”IEEE神经网络和学习系统,23卷,不。2、365 - 371年,2012页。视图:出版商的网站|谷歌学术搜索
周宏儒。荣,G.-B。黄:Sundararajan, p . Saratchandran周宏儒。荣”,在线连续模糊函数近似和分类问题的极端的学习机器,”IEEE系统,人,控制论,B部分:控制论,39卷,不。4、1067 - 1072年,2009页。视图:出版商的网站|谷歌学术搜索
x和y, y . Wang元,“双向极端学习机回归问题,其学习效果,”IEEE神经网络和学习系统,23卷,不。9日,第1505 - 1498页,2012年。视图:出版商的网站|谷歌学术搜索
w x x陈和林,”大数据深度学习:挑战和视角,”IEEE访问,2卷,第525 - 514页,2014年。视图:出版商的网站|谷歌学术搜索
g·e·辛顿和r . r . Salakhutdinov”,与神经网络,降低数据的维数”美国科学促进协会:科学,卷313,不。5786年,第507 - 504页,2006年。视图:出版商的网站|谷歌学术搜索|MathSciNet
y LeCun (l . Bottou y Bengio, p . Haffner“Gradient-based学习应用于文档识别,”IEEE学报》,卷86,不。11日,第2323 - 2278页,1998年。视图:出版商的网站|谷歌学术搜索
d . c . Ciresan美国迈耶,j .∙马希“灵活、高性能卷积神经网络的图像分类,”人工智能国际联合会议,第1242 - 1237页,2011年。视图:谷歌学术搜索
d·谢勒a·穆勒,美国本克先生,”池在回旋的业务架构评估对象识别,”人工神经网络的国际会议,第101 - 92页,2010年。视图:谷歌学术搜索
a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”学报》第26届年会在神经信息处理系统(捏12)太浩湖,页1097 - 1105年,内华达州,美国,2012年12月。视图:谷歌学术搜索
j·迪恩,g·柯拉,r .《艋舺》的“大规模分布式网络,”神经信息处理系统,第1231 - 1223页,2012年。视图:谷歌学术搜索
g .帕潘德里欧L.-C。陈、k·p·墨菲和a . l . Yuille”地semi-supervised学习深卷积网络语义图像分割,”第十五届IEEE国际研讨会论文集在计算机视觉,ICCV 2015智利,页1742 - 1750年,2015年12月。视图:谷歌学术搜索
g .辛顿和r . Salakhutdinov发现二进制编码文档通过学习深度生成模型,”认知科学的主题,3卷,不。1,第91 - 74页,2011。视图:出版商的网站|谷歌学术搜索
r . Socher彭译葶。林、c·d·曼宁和a . y . Ng”解析自然场景和自然语言与递归神经网络,”学报》第28届国际会议上机器学习(ICML 11)贝尔维尤,页129 - 136年,洗,美国,2011年6月。视图:谷歌学术搜索
r·库马尔j . o . Talton和s·艾哈迈德,“数据驱动的web设计”机器学习的国际会议2012年,页3 - 4。视图:谷歌学术搜索
r . Raina a Madhavan, a . y . Ng”大规模使用图形处理器深无监督学习,”学报》第26届国际会议在机器学习,ICML 20096月,页873 - 880,加拿大,2009。视图:谷歌学术搜索
j . Martens“深度学习通过Hessian-free优化”学报》第27届国际会议上机器学习(ICML 10)2010年6月,页735 - 742。视图:谷歌学术搜索
张和X.-W。陈:“与mapreduce大规模深度信念网”,IEEE访问,2卷,第403 - 395页,2014年。视图:出版商的网站|谷歌学术搜索
和j·l·邓d . Yu普拉特,“可伸缩的叠加和学习构建深架构,”学报2012年IEEE国际会议音响、演讲,和信号处理(ICASSP 12)《京都议定书》,页2133 - 2136年,日本,2012年3月。视图:出版商的网站|谷歌学术搜索
k . Kavukcuoglu m . Ranzato r·费格斯和y LeCun(“学习不变特性通过地形过滤器地图,”《2009年IEEE计算机学会学报计算机视觉与模式识别会议研讨会、CVPR车间2009美国,页1605 - 1612年,2009年6月。视图:谷歌学术搜索
b·哈钦森·l·邓,d . Yu,“张量叠加网络深处,”IEEE模式分析与机器智能,35卷,不。8,1944 - 1957年,2013页。视图:出版商的网站|谷歌学术搜索
j·张,“回顾宽带MIMO信道测量和建模IMT-Advanced系统,”科学通报卷,57号19日,2387 - 2400年,2012页。视图:出版商的网站|谷歌学术搜索
c .梁h·李,李y s周和j·王,“学习型通道模型协同作用的传输技术,”中国通信,12卷,不。9日,第92 - 83页,2015年。视图:出版商的网站|谷歌学术搜索
j .张“大数据和无线信道的跨学科研究:基于cluster-nuclei通道模型,”中国通信,13卷,不。补充2,ID 7833457条,14日至26日,2016页。视图:出版商的网站|谷歌学术搜索
j . y . Li张、马z和y,“聚类分析与变分无线传播信道高斯混合模型,”IEEE大数据,2018年,页1 - 1。视图:出版商的网站|谷歌学术搜索
t . Vidal-Calleja f .白,黄,“健壮的增量大满贯在约束优化配方,”IEEE机器人与自动化信件,3卷,不。2、1 - 8,2018页。视图:出版商的网站|谷歌学术搜索
即z Ibragimov和i . m . gleb stolyarov”比较ROS-based视觉大满贯均匀室内环境中的方法,”学报》2017年第14研讨会定位、导航和通信(WPNC)2017年10月,页1 - 6、不来梅。视图:出版商的网站|谷歌学术搜索
美国m·法耶兹决策树归纳的多个概念的学习密歇根大学,1992。
g . Cybenko“近似s型函数,通过叠加”控制信号与系统的数学,卷2,不。4、303 - 314年,1989页。视图:谷歌学术搜索|MathSciNet
z, p . k . Rana j . Taghia m . Flierl和a . Leijon”与变分推理狄利克雷混合物模型的贝叶斯估计,“模式识别卷,47号9日,第3157 - 3143页,2014年。视图:出版商的网站|谷歌学术搜索
d . zain Naboulsi费奥雷m、s Ribot和r . Stanica”大规模移动流量分析:一项调查,”IEEE通信调查和教程,18卷,不。1,第161 - 124页,2016。视图:出版商的网站|谷歌学术搜索
大肠Halepovic和c·威廉姆森,”描述和建模用户移动蜂窝数据网络,”诉讼PE-WASUN的05 -第二届ACM国际研讨会绩效评估无线临时,传感器,和无处不在的网络10月,页71 - 78,加拿大,2005。视图:谷歌学术搜索
美国Scepanovic、p回族和a . Yla-Jaaski”揭示人类动力学的脉冲在一个国家从手机数据,”NetMob D4D挑战,2013年1 - 15页。视图:谷歌学术搜索
s . Isaacman r·a·贝克尔和r·卡塞雷斯”识别重要的地方人们的生活从蜂窝网络数据,”普适计算的国际会议,第151 - 133页,2011年。视图:谷歌学术搜索
a . Kuzmanovic Trestian,美国野生动物,a . Nucci”测量意外:连接人、位置移动3 g网络和利益,”学报》2009年第九届ACM SIGCOMM互联网测量会议,IMC 2009,页267 - 279,美国,2009年11月。视图:谷歌学术搜索
c .歌曲,z: Blumm, A.-L。巴斯”限制人类的机动性,可预见性的”科学,卷327,不。5968年,第1021 - 1018页,2010年。视图:出版商的网站|谷歌学术搜索
问:Lv, y乔:安萨里,j . Liu和j·杨,“大数据驱动的基于隐马尔可夫模型的个人移动预测的兴趣点,”IEEE车辆技术,卷66,不。6,5204 - 5216年,2017页。视图:出版商的网站|谷歌学术搜索
俏y, y, j .杨j . Liu和n .加藤”大移动数据的流动分析框架在人口稠密的地区,”IEEE车辆技术,卷66,不。2、1443 - 1455年,2017页。视图:出版商的网站|谷歌学术搜索
l .孟s . Liu和a·斯特里格尔说,“分析纵向距离的影响、位置和人格智能手机使用,“计算社交网络,1卷,不。1,2014。视图:出版商的网站|谷歌学术搜索
m .玻姆,赫克特,j .肖恩a·克鲁格和g·鲍尔,“睡着了愤怒的小鸟,facebook和kindle:大规模的移动应用程序的使用,研究”学报》第13次国际会议上与移动设备人机交互和服务(MobileHCI 11)2011年9月,页47-56,。视图:出版商的网站|谷歌学术搜索
d . Hristova m . Musolesi, c . Mascolo“亲近你的朋友,更要亲近你的facebook好友:多路网络分析的方法离线和在线社交关系,”学报》第八届国际会议在博客和社交媒体,ICWSM 2014美国,页206 - 215年,2014年6月。视图:谷歌学术搜索
r . i m·邓巴诉Arnaboldi m .孔蒂和a .主席帕萨雷拉,“在线社交网络的结构反映了现实世界的,“社交网络,43卷,39-47,2015页。视图:出版商的网站|谷歌学术搜索
d . Hristova m·j·威廉姆斯,m . Musolesi p . Panzarasa和c . Mascolo”衡量城市社会多样性使用互联geo-social网络”第25届国际会议的程序2016年4月,页21 - 30、加拿大。视图:出版商的网站|谷歌学术搜索
d . Hristova A . Noulas c·布朗,m . Musolesi和c . Mascolo“多层方法multiplexity和链接预测在线geo-social网络,”EPJ数据科学,5卷,不。1,2016。视图:出版商的网站|谷歌学术搜索
Apache“Apache软件基金会”,http://apache.org,2017年。视图:谷歌学术搜索
m . Gerla E.-K。李,g .加索尔,李,“互联网的汽车:从智能电网自动汽车,车辆的云,”《IEEE世界物联网论坛(WF-IoT 14)2014年3月,页241 - 246。视图:出版商的网站|谷歌学术搜索
j·f·杨,s . Wang, z . Liu,问:太阳,“车联网的概述,”中国通信,11卷,不。10日,页1 - 15,2014。视图:出版商的网站|谷歌学术搜索
k·m·阿拉姆·m·赛,a . El Saddik”对社会网络的车辆:概念、体系结构和应用程序,”IEEE访问,3卷,第357 - 343页,2015年。视图:出版商的网站|谷歌学术搜索
j·d·李,卡文,s . Haake t·l·布朗:“基于语音交互与车载电脑:使用语音邮件的影响司机的注意道路,”人为因素:人为因素和人类工程学协会杂志》上,43卷,不。4、631 - 640年,2001页。视图:出版商的网站|谷歌学术搜索
c . y . Loh, k . l . Boey)和k . s .香港“语音识别车辆交互系统,”学报13 IEEE国际讨论会信号处理及其应用,CSPA 2017马来西亚,页85 - 88年,2017年3月。视图:谷歌学术搜索
d . Amodei s Ananthanarayanan, r . Anubhai“深演讲2:端到端在英语和普通话语音识别,”机器学习的国际会议,第182 - 173页,2016年。视图:谷歌学术搜索
e . Variani x Lei, e·麦克德莫特。l .莫雷诺和j . Gonzalez-Dominguez“深层神经网络对小足迹text-dependent议长验证”学报2014年IEEE国际会议音响、演讲,和信号处理,ICASSP 2014,页4052 - 4056,意大利,2014年5月。视图:谷歌学术搜索
k .陈和a·萨尔曼·“学习speaker-specific深神经结构特点,“IEEE神经网络和学习系统,22卷,不。11日,第1756 - 1744页,2011年。视图:出版商的网站|谷歌学术搜索
l·邓·g·e·辛顿和b金斯伯里,“新类型的深层神经网络学习语音识别和相关应用程序:概述,”学报》第38届IEEE国际会议音响、演讲,和信号处理(ICASSP 13)IEEE,页8599 - 8603年,温哥华,加拿大,2013年5月。视图:出版商的网站|谷歌学术搜索
答:坟墓,联合。穆罕默德,g .辛顿”与深复发性神经网络语音识别,”学报》第38届IEEE国际会议音响、演讲,和信号处理(ICASSP 13)2013年5月,页6645 - 6649。视图:出版商的网站|谷歌学术搜索
j·迈耶和k .炖”,多通道语音增强汽车环境中使用维纳滤波和频谱减法,”学报1997年IEEE国际会议音响、演讲,和信号处理,ICASSP。第1部分(5)1997年4月,页1167 - 1170。视图:谷歌学术搜索
r·c·亨德里克•r . Heusdens和j·延森,“基于MMSE的噪声PSD跟踪复杂性较低,”学报2010年IEEE国际会议音响、演讲,和信号处理,ICASSP 2010美国,页4266 - 4269,2010年3月。视图:谷歌学术搜索
f . Seide g·李,d . Yu”对话语音转录使用上下文相关的深层神经网络,”第12届年会学报》国际言语交际协会(INTERSPEECH的11)33卷,第440 - 437页,2011年8月。视图:谷歌学术搜索
h·泽、a .高级和m .舒斯特尔”统计参数使用深层神经网络语音合成,”学报》第38届IEEE国际会议音响、演讲和信号处理(ICASSP 13)IEEE,页7962 - 7966年,温哥华,加拿大,2013年5月。视图:出版商的网站|谷歌学术搜索
g·e·达尔t . n . Sainath g·e·辛顿,“改善深层神经网络使用纠正LVCSR线性单元和辍学”学报》第38届IEEE国际会议音响、演讲,和信号处理(ICASSP 13)2013年5月,页8609 - 8613。视图:出版商的网站|谷歌学术搜索
y钱,m . Bi和k, t . Tan“很深的卷积神经网络噪声鲁棒语音识别,”IEEE / ACM交易音频、语音和语言处理,24卷,不。12日,第2276 - 2263页,2016年。视图:出版商的网站|谷歌学术搜索
巴格奇d . k .汉,y, et al .,“深基于神经网络的谱特性映射健壮的语音识别,”INTERSPEECH,第2488 - 2484页,2015年。视图:谷歌学术搜索
b·李和k.c. Sim卡”,提高深层神经网络的鲁棒性通过光谱屏蔽自动语音识别”学报2013年IEEE研讨会自动语音识别和理解,ASRU 2013捷克共和国,页279 - 284年,2013年12月。视图:谷歌学术搜索
y, j . Du L.-R。戴和学术界。李,“回归基于深层神经网络的语音增强方法,”IEEE / ACM交易音频、语音和语言处理,23卷,不。1,7-19,2015页。视图:出版商的网站|谷歌学术搜索
t . f . d . a . Reynolds Quatieri, r·b·邓恩,“议长验证使用适应高斯混合模型,数字信号处理,10卷,不。1,19-41,2000页。视图:出版商的网站|谷歌学术搜索
n . Dehak p . j .肯尼·r·Dehak p . Dumouchel和p . Ouellet前端为议长验证因子分析,“IEEE音频、语音和语言处理,19卷,不。4、788 - 798年,2011页。视图:出版商的网站|谷歌学术搜索
o . Abdel-Hamid联合。穆罕默德,江h和g·佩恩,“卷积神经网络概念应用到混合语音识别NN-HMM模型,”IEEE国际会议上声学学报》,演讲,和信号处理(ICASSP 12)IEEE,页4277 - 4280年,2012年3月。视图:出版商的网站|谷歌学术搜索
m·麦克拉伦y Lei, l·费雷尔,“深说话人识别的神经网络方法,进步”40 IEEE国际会议上声学学报》,演讲,和信号处理,ICASSP 2015,页4814 - 4818,澳大利亚,2014年4月。视图:谷歌学术搜索
c, a . Ogawa m . Delcroix吉冈t, t . Nakatani和j·h·l·汉森”强大的矢量i提取的神经网络在嘈杂的环境中适应,”美国第16届会议国际言语交际协会,INTERSPEECH 2015,页2854 - 2857,德国,2015年9月。视图:谷歌学术搜索
n . Li,硕士。麦,J.-T。简,“深层神经网络混合驱动的PLDA健壮的矢量i议长验证,”学报2016年IEEE口语技术研讨会,SLT 2016美国,页186 - 191年,2016年12月。视图:谷歌学术搜索
z, a . Kai l . Wang t·山田w·李和m . Iwahashi“深层神经网络瓶颈特性和去噪autoencoder-based反混响distant-talking说话人识别,”EURASIP杂志在音频、语音和音乐的处理,卷2015,不。1,p。2015。视图:谷歌学术搜索
m·麦克拉伦y Lei, n .雅伯“卷积神经网络应用于说话人识别在嘈杂的情况下,”《十五国际言语交际协会年会上,2014年。视图:谷歌学术搜索
金斯伯里t . n . Sainath b, b . Ramabhadran“Auto-encoder瓶颈特性使用深层信念网络,”学报2012年IEEE国际会议音响、演讲,和信号处理,ICASSP 2012,页4153 - 4156,日本,2012年3月。视图:谷歌学术搜索
y筱原“敌对的多任务学习的深层神经网络强大的语音识别,”INTERSPEECH,第2372 - 2369页,2016年。视图:谷歌学术搜索
n . d .巷和p .吉奥吉夫”可以深度学习改变移动感应呢?“在第16届国际研讨会的诉讼圣达菲,页117 - 122年,海里,美国,2015年2月。视图:出版商的网站|谷歌学术搜索

无线通信和移动计算

信道特性和建模为5克和未来无线系统基于大数据

文摘