浅析机器学习之于IOT

为了更佳地服务于目标客户，嵌入式设计团队也在研究新技术，如机器学习和深度自学。深度自学容许这些设计师以受限的资源更慢地研发和部署简单的系统和设备。通过这些技术，设计团队可以用于数据驱动的方法创建系统或简单的系统模型。

机器学习和深度自学不是用基于物理的模型来叙述系统的不道德，而是从数据推论出有系统的模型。当必须处置的数据量比较较小，而且问题的复杂性较低时，传统的机器学习算法是简单的。但是，如果有更加多的数据，比如无人机，那么更大的问题又如何呢？这个挑战必须深度自学技术。

这种技术将把我们推上下一个掌控设计和物联网应用于的时代。机器学习在工业资产中的应用于首先，考虑到机器学习技术在工业资产状态监测中的应用于。机器学习将基于条件的监测应用于从被动和预防性确保的时代过渡到预测性确保。

这些技术用来检测出现异常不道德，临床问题，并在或许上预测了工业资产的剩下使用寿命，比如马达，水泵和涡轮机等等。基于机器学习研发和部署模型的工作流程如图1右图：图1分析工作流程与机器学习想到这个流程是如何用来监测马达健康状况的。数据来自于多种类型的传感器，如加速度计，热电偶和电动机上的电流传感器等。

特征工程一般来说由两部分构成：特征提取和特征萃取（图2）。图2特征工程特征提取是用来从原始数据（或波形）中提供简单信息，以理解资产的健康状况。例如，从电动机收到的电流信号的频谱包括了可用作检测故障的信息，如图3右图。

频谱中有所不同频段的平均值振幅可以作为从当前信号中萃取的特征。从多个传感器中萃取的特征有可能有校验信息。图3从电机电流信号中萃取特征一种特征萃取的方法是主成分分析（PCA），可以用来增加最后用作建构模型的特性数量。

、特征数量的削减可以增加所用于机器学习模型的复杂性。削减的特征集被回应为向量（或数组），并输出到模型用于的机器学习算法中。机器学习的类型模型创立和检验是一个递归过程，通过这个过程，可以实验几种机器学习算法，并自由选择最合适目标应用于的算法。

一种非监督的机器学习算法，如高斯混合模型（GMM），可以用来仿真电机的长时间不道德，并检测电机何时开始背离其基线。非监督的方法不利于找到数据中隐蔽的模式，而需要对数据展开标记。虽然非监督自学可以用来检测马达中的出现异常，而监督自学则必须检测出现异常的原因。在监督自学中，明确提出了一对输出数据和所需输入的算法。

这些数据被称作标记数据。该算法是将输出同构到输入的函数。用作训练机器学习算法的数据还包括在长时间和错误条件下萃取的特征。

这些兹特征是用一组标签来确切地标识请出约的状态。反对向量机、Logit模型和人工神经网络是常用的监督式机器学习算法。对传统机器学习技术的挑战是特征提取过程。这是一个薄弱的过程，必须领域专家的科学知识，一般来说是机器学习工作流程中的胜败关键。

本文来源：千亿体育官网登录入口-www.hammerheadiiibooks.com