文献类型：期刊文章

作　　者：匡俊搴[1,2,3] 赵畅[1,4] 杨柳[5] 王海峰[5] 钱骅[1,2,3]

KUANG Junqian;ZHAO Chang;YANG Liu;WANG Haifeng;QIAN Hua(Shanghai Advanced Research Institute,Chinese Academy of Sciences,Shanghai 201210,China;School of Information Science and Technology,ShanghaiTech University,Shanghai 201210,China;University of Chinese Academy of Sciences,Beijing 100049,China;School of Microelectronics,University of Chinese Academy of Sciences,Beijing 100049,China;Shanghai Institute of Microsystem and Information Technology,Chinese Academy of Sciences,Shanghai 200050,China)

机构地区：[1]中国科学院上海高等研究院,上海201210 [2]上海科技大学信息科学与技术学院,上海201210 [3]中国科学院大学,北京100049 [4]中国科学院大学微电子学院,北京100049 [5]中国科学院上海微系统与信息技术研究所,上海200050

出　　处：《电子与信息学报》

基　　金：国家自然科学基金(61971286);国家重点研究发展计划(2020YFB2205603);上海市科学技术委员会科技创新行动计划(19DZ1204300)。

年　　份：2022

卷　　号：44

期　　号：2

起止页码：507-513

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：在物联网(IoT)中采用合适的异常数据清洗算法能极大地提升数据质量。许多研究人员采用统计学方法或分类聚类等方法对时-空相关数据进行清洗。但这些方法需要额外的先验知识,会给汇聚节点带来额外的计算开销。该文根据低秩-稀疏矩阵分解模型,提出一种基于深度神经网络的快速异常数据清洗算法,来解决物联网中时-空相关数据的清洗问题。结合感知数据的时-空相关性和异常值的稀疏性,将异常数据清洗问题转换为优化问题,并采用迭代阈值收缩算法(ISTA)求解该优化问题,再将ISTA算法展开成一个固定长度的深度神经网络。实际数据集的实验结果表明,该方法能够自动更新阈值,比传统的ISTA算法收敛速度更快,精度更高。

关 键 词：物联网 异常数据清洗  迭代阈值收缩算法  展开  深度神经网络  

分 类 号：TN915] TP181]