典型文献
一种基于深度学习的异常数据清洗算法
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
匡俊搴;赵畅;杨柳;王海峰;钱骅
作者机构：
中国科学院上海高等研究院 上海 201210;上海科技大学信息科学与技术学院 上海 201210;中国科学院大学 北京 100049;中国科学院大学微电子学院 北京 100049;中国科学院上海微系统与信息技术研究所 上海 200050
文献出处：
引用格式：
[1]匡俊搴;赵畅;杨柳;王海峰;钱骅-.一种基于深度学习的异常数据清洗算法)[J].电子与信息学报,2022(02):507-513
A类：
迭代阈值收缩算法
B类：
异常数据清洗,数据清洗算法,IoT,数据质量,统计学方法,类聚,空相,先验知识,汇聚节点,计算开销,低秩,稀疏矩阵,矩阵分解,分解模型,深度神经网络,中时,感知数据,异常值,稀疏性,问题转换,优化问题,ISTA,算法展开,开成,定长,实际数据,自动更新,收敛速度
AB值：
0.305419
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
