@phdthesis{oai:muroran-it.repo.nii.ac.jp:00009964,
 author = {LI, Liangzhi and 李, 良知},
 month = {2019-06-25, 2019-06-25},
 note = {application/pdf, There have been more and more Internet-of-Things (IoT) applications emerged in the recent few years, e.g., connected robots, Internet-of-Vehicles, IoT-enabled Smart Grid, IoT-based Sensing, etc. These new-generation IoT applications are potential to totally revolutionize people's everyday life, however, before that, a series of new artificial intelligence (AI) methods are needed to efficiently analyze the big, heterogeneous IoT data, and automatically give reliable decisions, accurate predictions, or quick yet correct feedbacks. In the dissertation, the author focused on the design and implementation of some novel deep learning approaches, in order to address various challenging problems in several emerging IoT applications. First, the author proposes a view-invariant Convolutional Neural Network (CNN) Model for the scene understanding tasks of connected disaster-handling robots. In this system, two individual CNNs are used to, respectively, propose objects from input data and classify their categories. The author attempts to overcome the difficulties and restrictions caused by disasters using several specially-designed multi-task loss functions. The most significant advantage in this work is that the proposed method can learn a view-invariant feature with no requirement on RGB data, which is essential for harsh, disordered and changeable environments. Second, the author adopts AI methods to implement intelligent decision-making for autonomous vehicles. A human-like driving system is proposed to give autonomous vehicles the ability to make decisions like a human. In this method, a decision-making system calculates the specific commands to control the vehicles based on the abstractions. The biggest advantage of this work is that the author implements a decision-making system which can well adapt to real-life road conditions, in which a massive number of human drivers exist. Third, the author focuses on the electrical load forecasting task for the Internet-of-Energy. An IoT-based deep learning system is introduced to automatically extract features from the captured data, and ultimately, give an accurate estimation of future load value. One significant advantage of this method is the specially designed two-step forecasting scheme, which significantly improves the forecasting precision. Also, the proposed method is able to quantitatively analyze the influences of some major factors. At last, the author introduces a new AI method to address the efficiency and privacy problems in the Internet-of-Sensors. The author adopts the state-of-the-art edge computing method to solve the crowdsensing problem with the real-time sensing data. A distributed deep learning model is adopted to extract features from the captured data, which is not only a compression process to reduce the communication cost, but an encryption procedure for privacy protection., 近年、Internet-of-Things（IoT）のアプリケーションが増えています。たとえば、コネクテッドロボット、Internet-of-Vehicles、IoT対応のスマートグリッド、IoTセンシングなどです。 IoTアプリケーションは人々の日常生活に革命を起こす可能性がありますが、その前には、大きく異質なIoTデータを効率的に分析し、信頼できる処理、予測または決定を自動的に与えるために、一連の新しい人工知能（AI）技術が不可欠です。この論文は、新たなIoTアプリケーションにおけるさまざまな困難や問題に対処するために、いくつかの新しいディープラーニングアプローチの設計と実現を目的としています。まず、災害処理用のコネクテッドロボットの場面理解タスクのために、新しい畳み込みニューラルネットワーク（CNN）モデルを提案しました。このモデルは、入力データからオブジェクトを提案し、それらのカテゴリを分類することが出来ます。いくつかの特別に設計されたマルチタスク損失機能で、災害によって引き起こされる困難と制限を克服する。この研究における最も重要な利点は、提案された方法がRGBデータを必要とせずに、角度によらない特徴を学習することができることであり、これは無秩序で変化しやすい環境にとって不可欠です。第二に、Internet-of-Vehiclesとして、自律走行車の知的意思決定システムを実現するためにAI方法を採用します。 この論文は、自律走行車に人間のような決断を下す能力を与える運転システムを提案しています。この意思決定方法の最大の利点は、現実の道路状況にうまく適応し、人間ドライバーを理解できることです。第三に、この論文は、Internet-of-Energyのための電気負荷予測を目的としています。 IoTベースのディープラーニングシステムを導入して、記録データから自動的に特徴を抽出し、最終的に将来の負荷値を正確に推定します。 この方法の最大の利点は、特別に設計された2段階予測方式であり、これによって予測精度が大幅に向上しました。また、提案した方法はいくつかの主要因子の影響を定量的に分析することができます。最後に、Internet-of-Sensorsにおける効率とプライバシーに対処するための新しいAI手法を紹介します。本論文はリアルタイムセンシングデータを用いたクラウドセンシング問題を解決するために最先端のエッジコンピューティングアーキテクチャを採用しました。データから特徴を抽出するために、分散されたディープラーニングモデルは採用されます。これは、通信コストを削減するための圧縮プロセスだけでなく、プライバシー保護のための暗号化手順でもあります。},
 school = {室蘭工業大学, Muroran Institute of Technology},
 title = {Artificial Intelligence for Emerging Internet-of-Things Applications},
 year = {}
}