深層学習を用いたIoTデータ解析【JST・京大機械翻訳】

Xie Xiaofeng; Wu Di; Liu Siping; Li Renfa

プレプリント

J-GLOBAL ID：202202219105844758 整理番号：21P0004858

深層学習を用いたIoTデータ解析【JST・京大機械翻訳】

IoT Data Analytics Using Deep Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2017年08月13日プレプリントサーバーでの情報更新日： 2021年04月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

深層学習は,すべての従来の機械学習領域で多くの進展を達成した一般的な機械学習手法である。薄い(IoT)とスマートシティ配置のインターネットは,分析の必要において大量の時系列センサデータを生成する。これらのドメインに深い学習を適用することは,研究の重要な話題である。Long-Short Termメモリ(LSTM)ネットワークは,時系列の長い間隔と遅れを持つ重要な事象の扱いと予測に適していることが証明されている。LTSMネットワークは長期記憶を維持する能力を持つ。LTSMネットワークでは,積層LSTM隠れ層も,他の技法によって要求される微調整と前処理の必要なしに,高レベル時間的特徴の学習を可能にする。本論文では,長い短期メモリ(LSTM)再帰ニューラルネットワーク構造を構築し,予測モデルを構築するために通常の時系列訓練セットを使用した。そして次に,予測モデルからの予測誤差を用いて,元のサンプルが異常であるかどうかを検出するために,GaussナイーブBayesモデルを構築した。この方法はLSTM-Gauss-NBaysと呼ばれる。3つの実世界データセットを用いて,その各々は,非常に弱い時間依存性であっても,長期時間依存性または短期時間依存性を含む。実験結果は,LSTM-Gauss-NBaysが有効でロバストなモデルであることを示した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る