Key points are not available for this paper at this time.
Esquemas eficazes de gestão de dados sempre foram uma demanda importante em sistemas universais de Internet das Coisas (IoT) industrial, especialmente em cenários com recursos limitados. No processo de tratamento de água residual (WTP) realista, apenas recursos de dados de monitoramento limitados podem estar disponíveis devido a algumas restrições digitais. Visando essa questão prática, este trabalho explora a utilização de redes neurais profundas para lidar com tal problema em uma situação objetiva. Portanto, um esquema de gestão de dados baseado em aprendizado profundo para controle inteligente de WTP em sistemas IoT com recursos limitados é proposto neste artigo. Primeiramente, uma abordagem específica de codificação e pré-processamento de dados é desenvolvida para o cenário de negócios objetivo. Em seguida, o fluxo de trabalho detalhado de uma estrutura de rede neural profunda é aplicado para prever parâmetros intermediários chave que podem orientar a decisão de controle. Finalmente, uma série abrangente de experimentos é conduzida em um conjunto de dados do mundo real que abrange um período de um ano. Tanto a eficiência quanto a robustez da proposta são testadas através da introdução de várias métricas de desempenho. Os resultados mostram que pode ter um efeito de previsão adequado em tal ambiente com recursos limitados, o que pode facilitar as operações de controle inteligente subsequentes.
Shen et al. (sex,) estudaram esta questão.