机器学习在物联网中发挥关键作用

深度学习算法是机器学习 (ML)的未来——但仅限于具有特定要求的算法。许多 ML 算法可以有效地处理小数据。在这里，我们将研究其中的一些算法，例如神经网络和 k-means 聚类，以及如何应用它们。

当我们考虑用于物联网 (IoT) 的 ML 时，我们通常会想到云中的 ML 和研究大量数据的大规模算法。这是 ML 在 IoT 中的一个使用模型，但它不是唯一的。ML 可以应用于物联网生态系统中的任何地方，只是用不同的算法解决不同的问题（图 1）。

图 1：物联网生态系统和机器学习/数据视角。（来源：作者）

从图 1 中，您还可以看到数据使用方式的一些差异。云处理来自许多站点的数据，使其能够探索跨 IoT 产品的各种实例的模式。如果您关心端点的故障预测，拥有来自所有端点的数据可以帮助预测故障。

网关可以处理来自给定站点的数据和生成的 IoT 端点数据，为您提供站点级视图。对于传感器融合和学习家庭能源使用模式，网关（或家庭级）数据视图是合适的。

最后，端点本身孤立地查看传感器数据（它本身可以代表多个传感器，但视图更窄）。在此级别，ML 可以应用于 ML 算法层次结构中的各个传感器。

端点机器学习

在边缘使用 ML 的原因有很多，从通信延迟到云，再到数据隐私和学习模型。让我们看一下在边缘应用机器学习的一些方法。

Nest 恒温器或“Google Nest”被认为是物联网、智能家居和边缘 ML 的杰出示例。Nest 恒温器会学习自我编程，并根据您独特的温度偏好和居家时间表设置您家中的最佳温度。

另一个例子是住宅雨水收集系统，该系统将根据环境传感器数据、草坪区域优先级、一天中的时间、可用水位和当地历史降雨预报，了解何时以及如何确定和优化草坪浇水的优先级。 

表 1说明了一些可应用于 IoT 端点的 ML 算法及其可服务的应用程序。

表 1：机器学习算法及其应用

 

算法	应用
前馈神经网络	预言
递归神经网络	时间序列预测
K均值聚类	异常值检测
支持向量机	分类
主成分分析	故障检测
朴素贝叶斯	模式识别
基于密度的聚类	异常检测

 

深度学习呢？

对于涉及视频和音频信息的许多使用模型，深度学习是一种有用的算法。深度学习协处理器使在资源受限的嵌入式设备中构建深度学习应用程序成为可能。您还可以找到专为嵌入式设备定制的深度学习算法。

因此，您使用的算法是应用程序的一个功能。如果深度学习是您所需要的，那么该方法可以通过正确的硬件和固件实现应用于 IoT 端点。

结论

在物联网领域，没有一种方法是万能的。那些成功的解决方案是那些尽可能接近数据有效解决问题的解决方案。无论您是在 IoT 系统的各个级别集成 ML 还是在整个体系结构中分布 ML，ML 未来都将在 IoT 系统中扮演更重要的角色。

M. Tim Jones 是一位资深的嵌入式固件架构师，拥有超过 30 年的架构和开发经验。Tim 是多本书籍和多篇文章的作者，涉及软件和固件开发领域。他的工程背景从地球同步航天器的内核开发到嵌入式系统架构和协议开发。 

审核编辑 黄宇