Información acerca de proyectos IoT
Foto de Usuario
moiseseccam

Ranking Troomes
Mensajes: 51
Registrado: 25 Abr 2020, 15:40

Machine Learning en el Internet de las Cosas (IOT)

Mensaje por moiseseccam » 14 Ago 2020, 22:39

Artículo 1: Aprendizaje automático en Internet de las cosas: técnicas diseñadas para ciudades inteligentes
Descripción
Las técnicas de aprendizaje automático se están utilizando en varios campos, como la atención médica, las redes inteligentes, las comunicaciones vehiculares, etc. En este artículo se estudia los diferentes mecanismos de aprendizaje automático basados en IoT que se utilizan en los campos mencionados entre otros. Además, se informan las lecciones aprendidas y se exploran las evaluaciones para ver el objetivo básico que se espera que desempeñen las técnicas de aprendizaje automático en las redes de IoT.

Resumen de técnicas de aprendizaje automático
SPHA
Pros: Extrae características psicológicas de los usuarios y así reconoce sus condiciones de salud.
Contras: Conduce a un diagnóstico incorrecto si se proporcionan datos falsos

DLRT
Pros: Clasifica mediciones de glucosa genuinas o falsas
Contras: Provoca mediciones inadecuadas si un intruso cambia los datos del servidor

iDispenser
Pros: Proporciona servicios de dispensación sin contacto para minimizar las infecciones
Contras: Inseguro ya que la decisión se basa en la Nube.

Sistema de seguimiento de movimiento
Pros: Supervisa el tipo de movimiento y la identificación de ubicación de los ancianos para ayudarlos en caso de emergencia
Contras: ealiza un seguimiento de una sola persona.

Sistema de IoT seguro basado en ANN
Pros: Proporciona eficiencia y confiabilidad para reconocer la diferencia entre pequeños conjuntos de datos válidos e inválidos
Contras: Provoca demoras en la predicción al interactuar con una gran cantidad de datos válidos e inválidos.

Conclusiones
Internet de las cosas (IoT) es un concepto en el que miles de millones de nodos de red están conectados en un entorno para compartir datos relacionados con varios módulos, por ejemplo, ciudades inteligentes, hogares inteligentes, atención médica inteligente, emergencias inteligentes, agricultura, medio ambiente, vehículos.
comunicaciones, etc. El aprendizaje automático y la IoT han llamado la atención de académicos e industriales en los últimos años debido a los efectos positivos de estas dos tecnologías en la vida de las personas. IoT, junto con el aprendizaje automático, establece una forma de comunicación entre el editor y el suscriptor en la que pequeños dispositivos crean información, que es evaluada por aplicaciones de aprendizaje automático. Además, las aplicaciones de aprendizaje automático generan visiones e ideas sofisticadas, que se proporcionan a los sistemas de IoT para la modificación y elevación del servicio.

Referencia: https://doi.org/10.1016/j.future.2019.04.017

Artículo 2: De la nube a las cosas: una descripción general del aprendizaje automático en Internet de las cosas
Descripción
Este artículo revisa el papel del aprendizaje automático en IoT desde la nube hasta los dispositivos integrados. Se estudian diferentes usos del aprendizaje automático para el procesamiento de datos de aplicaciones y las tareas de gestión. Los usos más avanzados del aprendizaje automático en IoT se clasifican de acuerdo con su dominio de aplicación, tipo de datos de entrada, técnicas de aprendizaje automático explotadas y dónde pertenecen en el continuo de la nube a las cosas. Se discuten los desafíos y las tendencias de investigación hacia el aprendizaje automático eficiente en el perímetro de IoT. Además, las publicaciones sobre el aprendizaje automático en IoT' se recuperan y analizan sistemáticamente utilizando técnicas de clasificación de aprendizaje automático. Luego, se identifican los temas y dominios de aplicación en crecimiento.

Portelli introduce un modelo de aprendizaje distribuido en línea en el que los dispositivos de terminal entrenan su modelo de regresión local de forma independiente,
y luego los parámetros de los modelos se envían a una nube central. Un método adaptativo agrega los modelos de regresión para mejorar la precisión.

E. A. Castillo y A. Ahmadinia proponen distribuir las capas de Deep CNN entre el dispositivo integrado y la nube. Este estudio muestra que la tarea de reconocimiento de imágenes se puede distribuir entre múltiples cámaras inteligentes para mejorar el tiempo de respuesta y la eficiencia energética.

Conclusión
Con el aumento masivo de los datos recopilados de los dispositivos de IoT, el paradigma tradicional de la computación en la nube ya no cumple con los diversos requisitos de las aplicaciones de IoT y la inferencia de datos. El aprendizaje automático es una herramienta clave para la inferencia de datos y la toma de decisiones en IoT que se puede integrar en diferentes capas de procesamiento.

Referencia: https://doi.org/10.1109/JIOT.2019.2893866


Responder