问题1：工业物联网是什么？
简单来说，就是物联网在工业控制上的具体应用。
问题2：SSL/TLS是什么？
SSL(Secure Sockets Layer 安全套接层),及其继任者传输层安全（Transport Layer Security，TLS）是为网络通信提供安全及数据完整性的一种 安全协议 。TLS与SSL在传输层对网络连接进行加密。大部分互联网登录都是用的SSL/TLS，可以去网易邮箱>来自： Feature Selection: A Data Perspective
目的：
相对于算法本身的改进，特征工程往往对效果有更直接的提升。特征工程以降维为手段，重点解决以下问题：
1 过拟合；
2 随着特征增加，稀疏性呈指数爆炸。由于大多数算法假设数据特征独立同分布，稀疏性会干扰最终结果；
3 PAC Learning Theory：我们对实际问题的假设在多大程度上背离目标方程;
实际应用中，针对具体问题，我们通常能找到最佳特征数：
1 特征提取：将数据从原始的高位空间投向低维，得到的新特征通常没有物理意义；
11 线性投影：PCA，ICA，LDA等；
12 非线性投影：ISOMAP，LLE等；
2 特征筛选：基于相关性和冗余性，从原始特征择优；
从y值考虑，特征工程可分为有监督，无监督和半监督3类；从x考虑，特征工程可分为wraper，filter，embedder 3类。本文从数据角度，对特征工程做如下分类：
1 Similarity based methods：基于相似性的方法通过保持原始数据相关性的能力评估特征的重要性。好特征不能导致数值大小的随机性，同时好特征可以令邻近的数据数值接近，邻近由相关矩阵定义。假设相关矩阵在实数空间内，为了找到相关性最高的特征，需要最大化效用矩阵，通常需要用最小二乘法得到其最大值。
优点：1 特征得分计算简单，2 选出的的特征可直接用于后续学习任务；
缺点：没有有效解决特征冗余；
11 Laplacian Score [He et al, 2005]
111 首先：这种方法搭建X的对角矩阵（构建多样性）和拉普拉斯矩阵（构建相似性）， 不考虑Y；
112 好的特征需要同时保证X的相似性特征（越小越好）和特征的多样性（越大越好）；
113 拉普拉斯得分越小越好；
12 Spectral Feature Selection [Zhao and Liu, 2007]
121 相似矩阵的特征向量代表了X的分布；
122 特征的相似性由特征向量的内积衡量，特征值对X在该特征上的赋值由下图灰度表示，邻近的数据赋值相近；
123 谱特征得分越大越好；
13 Fisher Score [Duda et al, 2001]
131 这种方法考虑Y，构建类内和类间拉普拉斯矩阵，该矩阵每个元素越大，对应的x越相似；
132 好特征使不同类的数据相远，使同类数据相近；
133 费舍得分越大越好
14 Trace Ratio Criteria [Nie et al, 2008]
141 费舍得分单独地衡量每个特征，可能陷入局部最优
142 迹比准则还衡量特征子集；
143 迹比得分越大越好，所得特征没有物理意义；
2 Information Theoretical based Methods：使用启发式筛选方法挑特征，以总体最优为目标。找到最好的特征子集是NP-难的问题，通常基于熵，冗余性和信息增益，使用前向和后向搜索找特征。
优点：1 兼顾相关性和冗余性，2 选出的的特征可直接用于后续学习任务；
缺点：1 大部分方法只能用于监督学习，2 只能处理离散数据；
21 Information Gain [Lewis, 1992]
211 信息增益仅通过衡量基于Y的X的相关性来衡量特征重要性；
212 仅考虑单个特征，且不考虑特征间的互信息；
213 信息增益越大越好；
22 Mutual Information Feature Selection [Battiti, 1994]
221 信息增益仅考虑单个特征和Y的相关性；
222 互信息还考虑特征间的信息冗余；
223 互信息越大越好；
23 Minimum Redundancy Maximum Relevance [Peng et al, 2005]
231 直观上，MRMR基于相似矩阵，动态减小信息冗余对特征集的影响；
232 同时，增强特征子集对Y的相关性的影响；
233 MRMR得分越大越好，所得特征没有物理意义；
244 Conditional Infomax Feature Extraction [Lin and Tang, 2006]
241 类内相关性越大于总体类间相关性，相关特征越有用；
242 相关特征不一定冗余；
243 条件信息得分越大越好，所得特征没有物理意义；
3 Sparse Learning based Methods：上述方法不一定适用于某一具体任务。稀疏学习方法通常用于嵌入。该方法通常使用损失项和惩罚项，有极强的理论支撑，适用数据的类型较为广泛，且使用灵活。
优点：1 数据利用充分，2 直观，可解释性好；
缺点：1 泛化性弱，2 非平滑最优，计算量大；
31 Lasso [Tibshirani, 1996]
311 该方法基于特征权重的l1正则化项；
312 该方法通过补偿最小二乘法的损失确定得分大小；
313 Lasso得分越大越好；
32 Multi-Cluster Feature Selection (MCFS) [Cai et al, 2011]
321 该方法寻找X内部聚类的向量，检测其聚类结构；
322 对每个类计算lasso，并组合类的特征系数；
323 MCFS得分越大越好；
333 Nonnegative Unsupervised Feature Selection (NDFS) [Li et al, 2012]
331 该方法同时执行聚类和特征选择；
332 类的权重矩阵由RBF核构造，之后将该矩阵嵌入特征选择；
333 NDFS得分越大越好；
4 Statistical based Methods：基于一系列统计检测，通常用于特征筛选，不考虑冗余性，在离散数据上效果较好。
优点：1 直观，2 选出的特征可直接用于后续学习任务；
缺点：1 没解决特征冗余，2 数据需要离散化，3 在高维空间计算量大；
41 T-Score [Davis and Sampson, 1986]
411 用于二分类；
412 检测特征对样本间均值是否显著；
413 T得分越高越好；
42 Chi-Square Score [Liu and Setiono, 1995]
421 检测特征对Y的独立性；
422 不考虑类间关系；
423 卡方得分越高越好；
5 FS with Structured Features：常见的数据结构有时序，图，群，树等。流行的方法是最小化因结构正则化而受到惩罚的拟合误差
优点：1 提高学习效率，2 提高可解释性；
缺点：1 需要统一的标注规则，2 需要计算非凸优化，计算量大；
51 Group Structure – Group Lasso [Yuan and Lin, 2006]
511 该数据结构常用于脑功能，基因组的编码；
512 需要全选或全不选某个群；
513 以群的损失和惩罚为依据；
52 Sparse Group Lasso [Friedman et al, 2010]
521 用于挑选有代表性的群；
522 同时基于群和特征构建得分；
523 SGL得分越高越好；
53 Granger Causality Score [Granger, 2003]
531 用于计量时序数据，检测过去信息对现在的最小二乘方差；
532 检测前提是通过平稳检测和协整检测；
533 因果性得分越高越好；
54 Tree-Guided Group Lasso [Liu and Ye, 2010]
541 树状结构用于人脸识别，基因表达，部分词向量的编码；
542 子叶节点是单独特征，内部节点是群特征，
543 基于权重检测和每个子树的相关性；
55 Graph Lasso [Ye and Liu, 2012]
551 图结构用于同义反义词，基因的相互制约等场景的编码；
552 如果两个节点特征被连接，则这两个特征可能会被同时选择；
553 节点权重需要加惩罚项；
56 Graph-Guided Fused Lasso (GFLasso) [Kim and Xing, 2009]
561 Graph Lasso假设连接的特征具有相近特征系数，但是该系数可能为负；
562 GFL显示地构造正相关和负相关，两个相关项基于特征矩阵动态调整；
563 GFL得分越高越好；
6 Feature Selection with Heterogeneous Data：传统特征分析单一来源数据，这些数据通常满足独立同分布假设。异构数据来源广泛，比如互联网，物联网，天文观测，基因测序，人际网络等。该方法主要应对如何为关联信息建模，如何融合异构信息，如何在标签缺失的问题。
优点：适应多中来源数据；
缺点：不同来源的数据可能有噪声，甚至相互矛盾；
61 Feature Selection on Networks (FSNet) [Gu and Han, 2011]
611 使用线性分类器分别捕捉X和Y的关系；
612 使用Graph lasso建立不同来源X之间的关系；
613 以FSNet为目标方程获得权重矩阵；
62 Linked Feature Selection (LinkedFS) [Tang and Liu, 2012]
621 以社交网络行为：转发，共同关注，共同被关注，和关注来编码数据；
622 基于统制社交理论，假设这些行为的人具有相同兴趣；
623 以链接强度矩阵构建特征得分，越高越好；
633 Personalized Feature Selection [Li et al, 2017]
631 以社交网络行为的不同来构造特征，关注不同兴趣和相同内同的不同含义‘苹果降价了’；
632 通过鼓励群内特征竞争，抑制群间特征竞争来抑制过拟合；
633 目标方程考虑节点连接的方向，组内群内权重和群间权重；
64 Linked Unsupervised Feature Selection (LUFS) [Tang and Liu, 2012]
641 通过节点链接的权重，应对标注和特征定义不明的场景；
642 通过社交维度的散布矩阵，最大化组内相似性同时最小化组间相似性，相似性由RBF核定义；
643 目标：最小化Y的松弛谱同时对X各阶施加正则化项；
65 Robust Unsupervised on Networks (NetFS) [Li et al, 2016]
651 LUFS对网络构建和特征选择分开处理，NetFS将网络构建嵌入到特征选择中，对噪声链接有更好的鲁棒性；
652 构建潜在表达矩阵，对网络构建和特征选择形成互补；
653 使用Kmeans回溯NetFS和LUFS，前者对干扰的鲁棒性更好；
66 Feature Selection in Signed Networks (SignedFS) [Cheng et al, 2017]
661 上述方法分析了社交网络里正向的用户互动，SignedFS独立地添加负向互动到目标函数中，基于三个假设：1 正向互动的用户具有更高相似性，2 朋友的朋友是朋友，3 敌人的敌人是朋友。
662 同时嵌入正负项的潜在表示到特征选择中；
663 最终得到的特征在T检验下表现良好；
7 Multi-Source and Multi-View Feature Selection：前者选择不同的特征F，后者选择不同的X；
优点：不同来源数据互补，显著提升后续训练任务；
缺点：非凸优化计算量大，且涉及高位空间矩阵；
71 Multi-Source Feature Selection [Zhao and Liu, 2008]
711 基于不同来源的地理信息数据的邻接矩阵，构建总体样本；
722 对独立的数据源构建协方差矩阵来获得相关性；
733 可以通过协方差矩阵的对角矩阵对特征排序，也可以直接用PCA来提取该矩阵的特征；
72 Multi-View Unsupervised Feature Selection (MVFS) [Tang et al, 2013]
721 MVFS兼顾聚类结构，相似性和相关性：
722 对每个view考察其特征权重，同时考察该特征权重矩阵内部的稀疏性；
733 最后使用谱聚类寻找无效标签；
73 Multi-View Clustering and Feature Learning [Wang et al, 2013]
731 每个view的贡献需要区别对待，比如不同摄像头同一时间的数据；
732 同时对view内和view间的稀疏性以实现上述目标；
733 在该任务的稀疏矩阵的惩罚项上，l1比l2效果好；
8 Feature Selection with Streaming Data Instances and Features：主要挑战是数据流的大小和特征数量都未知，对实时性要求高，且难以批处理。特征流选择分两步：1 是否使用新特征，2 是否放弃老特征。
81 Grafting [Perkins and Theiler, 2003]
811 加入新特征时加入新的惩罚项，当loss的下降超过特征矩阵的权重时，目标方程减小，此时加入新特征；
812 如果新特征被加入，通过更新所有权重的共轭梯度下降来更新模型；
813 此时如果有些特征的权重被归零，删掉；
822 Unsupervised Streaming Feature Selection (USFS) [Li et al, 2015]
821 通过关联信息解决标注的缺失；
822 通过在线的特征子集的变化来确定新特征是否被加入；
823 得到的特征通常比较稳定；
83 Online Feature Selection (OFS) [Wang et al, 2014]
831 OFS基于线性分类器，每个特征的数据量设限不超过阈值；
832 如果新数据的特征预测错误，则执行特征权重的梯度下降，
833 在惩罚项下寻找已有的总体的新特征；
84 Feature Selection on Data Streams (FSDS) [Huang et al, 2015]
841 基于matrix sketching [Liberty 2013]获得低阶的特征矩阵；
842 权重更新使用MCFS
843 如果新的X正交，使用l2替换l1；
总结：
1 文档型数据库：文档型数据库支持存储和查询结构化和非结构化数据，并且能够轻松地存储和检索复杂的数据类型，例如JSON和XML格式。在物联网应用程序中，文档型数据库可以快速存储传感器数据、日志、警报和配置数据等信息。
2 列族型数据库：列族型数据库适用于需要处理大量数据的应用程序，例如数据聚合和时间序列数据分析。在物联网应用程序中，使用列族型数据库可以存储和查询大量时间序列数据，例如传感器读数、状态数据和其他一些深度数据等信息。
3 Key-Value型数据库：Key-Value型数据库是一种简单易用的NoSQL数据库，每个键都关联着一个值。在物联网应用程序中，使用Key-Value型数据库可以存储和查询对象的属性，以及配置数据和元数据等信息。
以上是应用于物联网应用系统中的几种NoSQL数据库类型，也可以根据应用需求和数据类型选择其他适合的NoSQL数据库类型。
我们在了解人工智能技术的时候，对于深度学习的概念进行了一次普及，今天我们就一起来学习一下深度学习对于物联网的发展都有哪些影响作用。下面北京电脑培训就开始今天的主要内容吧。
技术
在物联网时代，大量的感知器每天都在收集并产生着涉及各个领域的数据。由于商业和生活质量提升方面的诉求，应用物联网(IoT)技术对大数据流进行分析是十分有价值的研究方向。这篇论文对于使用深度学习来改进IoT领域的数据分析和学习方法进行了详细的综述。从机器学习视角，作者将处理IoT数据的方法分为IoT大数据分析和IoT流数据分析。论文对目前不同的深度学习方法进行了总结，并详细讨论了使用深度学习方法对IoT数据进行分析的优势，以及未来面临的挑战。
在本系列文章中，已介绍了深度学习和长短期记忆(LSTM)网络，展示了如何生成用于异常检测的数据，还介绍了如何使用Deeplearning4j工具包。本篇文章中，将介绍开源机器学习系统ApacheSystemML如何通过动态地优化执行并利用ApacheSpark作为运行时引擎，帮助执行线性代数运算。并展示了在时序传感器数据(或任何类型的一般序列数据)上，即使非常简单的单层LSTM网络的性能也优于先进的异常检测算法。
GoogleAssistant和其他自然语言理解平台正在推动用户如何使用他们的技术。无论是执行器诸如设置计时器之类的简单任务，还是进行更复杂的任务(例如Google智能助理调整恒温器)，您都可以参与其中。在这篇文章中，逐步介绍了如何构建自己的助手应用程序，通过简单地要求Google来控制AndroidThings设备来浇灌植物。
开源
tinyweb是一个用于在运行有MicroPython的ESP8266/ESP32等微型设备之上的简单轻便的>
Mynewt是一款适用于微型嵌入式设备的组件化开源 *** 作系统。ApacheMynewt使用Newt构建和包管理系统，它允许开发者仅选择所需的组件来构建 *** 作系统。其目标是使功耗和成本成为驱动因素的微控制器环境的应用开发变得容易。Mynewt提供开源蓝牙50协议栈和嵌入式中间件、闪存文件系统、网络堆栈、引导程序、FATFS、引导程序、统计和记录基础设施等的支持。
AngularIotDashboard是一个基于Angular4的物联网领域的仪表板。它是一个适用于任何浏览器的实时兼容仪表板，其目标是成为智能家居，智能办公室和工业自动化的d性前端。拥有许多可重用组件，开发者可以基于AngularIoTDashboard启发和实施自己版本的托管物联网仪表板。
硬件
FemtoUSB是一个基于Atmel的ARMCortexM0+产品ATSAMD21E18A的开源ARM开发板。其被设计成对那些对ARM设计感兴趣的人的基础起点，特别那些准备从AVR8位硬件转换到功能非常强大的ARM32位工具。其从电路板设计，原理图和零件清单完全是开源的，可以让开发者学习设计ARM芯片、编译工具链、ARM芯片的基本的电路图等等的内容。
物联网就是通过信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。通俗地讲，物联网就是“物物相连的互联网”，它包含两层含义：
第一，物联网是互联网的延伸和扩展，其核心和基础仍然是互联网；
第二，物联网的用户端不仅包括人，还包括物品，物联网实现了人与物品及物品之间信息的交换和通信。
物联网作为新一代信息技术的高度集成和综合运用，具有渗透性强、带动作用大、综合效益好的特点，是继计算机、互联网、移动通信网之后信息产业发展的又一推动者。
行业主要企业：大富科技(300134)、梦网集团(002123)、共进股份(603118)、胜宏科技(300476)、润和软件(300339)、立昂技术(300603)
本文核心数据：中国物联网市场规模、中国物联网区域竞争情况
行业概况
1、定义
所谓“物联网”(Internet of
Things，IOT)，又称传感网，指的是将各种信息传感设备，如射频识别(RFID)装置、红外感应器、全球定位系统、激光扫描器等种种装置与互联网连接起来并形成一个可以实现智能化识别和可管理的网络。
早期的物联网是指依托射频识别技术的物流网络，随着技术和应用的发展，物联网的内涵已经发生了较大的变化。现阶段，物联网是指在物理世界的实体中部署具有一定感知能力、计算能力和执行能力的各种信息传感设备，通过网络设施实现信息传输、协同和处理，从而实现广域或大范围的人与物、物与物之间信息交换需求的互联。物联网依托多种信息获取技术，包括传感器、射频识别(RFID)、二维码、多媒体采集技术等。物联网的几个关键环节可以归纳为“感知、传输、处理”。
2、产业链剖析：共有四大层面
所谓产业链，是以生产相同或相近产品的企业集合所在产业为单位形成的价值链，是承担着不同的价值创造职能的相互联系的产业围绕核心产业，通过对信息流、物流、资金流的控制，在采购原材料、制成中间产品以及最终产品、通过销售网络把产品送到消费者手中的过程中形成的由供应商、制造商、分销商、零售商、最终用户构成的一个功能链结构模式。
从产业链条来看，物联网的产业链条由上而下可以分为感知层、传输层、平台层和应用层四个层级。
自2018年中美贸易摩擦以来，美国加大了对中国高新技术出口的限制，不断扩大实体清单，影响了中国一些科技主导型企业的发展，这从侧面警示了中国在全球供应链中地位的脆弱性。物联网通过传感器把物理世界与数字世界联系起来，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。其中传感器作为数据采集的源头，已经成为各种应用能力所需的数据来源所在。目前中国国内也涌现出了一些传感器芯片重点生产企业，如：高德红外、西人马、士兰微、敏芯微电子、博通、全志科技、大唐微电子、复旦微电子等。
行业发展历程：处于市场验证期
物联网是通过射频识别(RFID)、红外感应器、全球定位系统、激光扫描器等 信息传感设备，按约定的协议，把任何物体与因特网连接起来，进行信息交换
和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。物联网发 展历史悠久，可分为三个阶段：
行业政策背景：政策大力推进
“十三五”以来，国家重视物联网产业建设及物联网成果应用，出台多度政策意见来推动物联网产业发展。在“十三五”以来发布的行业政策中，以推动物联网成果应用为主，利用物联网技术加强信息交换、提高监督管理水平等。
根据最新发布的《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》，在“十四五”期间，明确新基建，还要让5G用户普及率提高到56%。并且5次提到关于物联网的规划发展，除了划定数字经济的7大重点产业外，其余4次提到的场合均体现出对物联网发展重点的表述。
十四五规划中划定了7大数字经济重点产业，包括云计算、大数据、物联网、工业互联网、区块链、人工智能、虚拟现实和增强现实，这7大产业也将承担起数字经济核心产业增加值占GDP超过10%目标的重任。
发展现状
1、中国物联网连接数快速增长
全球物联网仍保持高速增长。物联网领域仍具备巨大的发展空间，根据GSMA发布的《The mobile economy
2020(2020年移动经济)》报告显示，2019年全球物联网总连接数达到120亿，预计到2025年，全球物联网总连接数规模将达到246亿，年复合增长率高达13%。我国物联网连接数全球占比高达30%，2019年我国的物联网连接数363亿。而根据2021年9月世界物联网大会上的数据，2020年末，我国物联网的数量已经达到453亿个，预计2025年能够超过80亿个。
2、应用层与平台层价值最高
从产业链价值分布看，应用层和平台层贡献最大的附加值，分别占到35%左右，传输连接层虽然重要，但产值规模较小;底层的感知层元器件由于种类众多，产业价值也较大，占到20%左右。
3、传输层产业结构中传输层占比最高
根据赛迪发布的《2019-2021年中国物联网市场预测与展望数据》，物联网的传输层依旧位居最大份额;随着大规模地方性物联网政策的落实陆续完成，支撑层增长速度放缓;而随着各领域市场需求的释放，平台层、应用层市场增长速度将持续呈上升趋势。
4、中国物联网市场规模突破25万亿
目前，物联网已较为成熟地运用于安防监控、智能交通、智能电网、智能物流等。近几年来，在各地政府的大力推广扶持下，物联网产业逐步壮大。再加之近几年厂商对物联网这一概念的普及，民众对物联网的认知程度不断提高，使得我国物联网市场规模整体呈快速上升的趋势。2019年我国物联网市场规模约在176万亿元左右，2020年根据赛迪公布的数据，我国物联网市场规模约达到214万亿元左右;预计未来三年，中国物联网市场规模仍将保持18%以上的增长速度。中国物联网市场投资前景巨大，发展迅速，在各行各业的应用不断深化，将催生大量的新技术、新产品、新应用、新模式。
行业竞争格局
1、区域竞争：北京物联网相关项目最多
截至2021年5月底，工信部共公开2批《物联网关键技术与平台创新类、集成创新与融合应用类项目公示名单》，前瞻结合2批的项目名单分析，目前中国物联网关键技术与平台创新类、集成创新与融合应用类项目主要集中在北京、浙江、广东和山东，其项目数分别为39个、24个、22个、20个。
2、企业竞争：以龙头企业间的竞争为主
《2021年中国物联网企业发展指数报告》于2021年10月29日发布，报告从动态角度评估物联网产业链各公司发展状况，围绕企业影响力、资金支持、研发技术能力、发展成效等多维度能力进行分析，剖析中国物联网企业的成就和面临的挑战，并总结中国物联网企业的发展情况及市场参与者竞争实力，试图发掘物联网行业业务实力强、成长性好以及竞争壁垒高的优秀企业群体。根据《2021年中国物联网企业发展指数报告》，2021年我国物联网最具领导力企业名单如下：
物联网行业发展前景及趋势分析
1、产业物联网占比逐渐上升
根据信通院于2020年12月发布的《2020中国物联网白皮书》，2019年中国物联网连接数中产业物联网和消费者市场各占一半，预计到2025年，物联网连接数的大部分增长来自于产业市场，产业物联网的连接数将占到总体的61%。由此来看，未来产业物联网的市场发展潜力大于消费物联网。
2、市场规模不断增大
目前，物联网在全球呈现快速发展趋势，欧、美、日、韩等国均将物联网作为重要战略新兴产业推进，但在繁荣景象背后却仍存在着众多阻碍发展的因素。其中核心标准的缺失，尤其是作为顶层设计的物联网参考架构等基础标准目前仍处于空白，基于争夺物联网产业主导权，各国对国际标准方面的竞争亦日趋白热化。
新冠疫情对于物联网行业来说犹如达摩利斯之剑，一方面疫情导致全球技术供应链出现一定的停滞期，另一方面疫情助推中国物联网的渗透。2020年无人工厂、无人配送、无人零售、远程教学、远程医疗等“无接触经济”的爆发均离不开物联网技术的支撑。综合多方面的情况分析，前瞻认为未来5年中国物联网的发展将保持高速增长，到2026年市场规模超过6万亿元。
以上数据参考前瞻产业研究院《中国物联网行业细分市场需求与投资机会分析报告》。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）