构建IoT系统必须的五项内容 (Page 2)

本文译至：http://japan.zdnet.com/article/35076390/2/

（1）高精度特征值的抽出

　从传感器设备收集的原始数据，由于传感器的故障或异常导致的缺失插补，处理采样速度不同的多个传感器的数据同步，电源噪音或随机噪音的过滤，非意图的趋势成分的去除等要求，就算目的是解析简单的数据，复杂且费时的数据清理（数据の前处理）在许多场合仍是必要的。

数据清理任务精度不高的话，就不能取出好的特征值用于之后的机器学习或优化等等的分析。典型的数据清理的例子如图2，图3所示。

图2:数据的缺失，采样周期不同的两种数据（左），缺失位置的数据插补，以及，采样周期的同步（重新采取）的例子（右）

　数据清理任务完成后，根据数据的种类（声音，图片，各种传感器数据等等），选择良好地表示该性质的特征值，信息量压缩后就能高效地解析数据，也能提高机器学习等的识别精度。

图4:各种特征值的例子：心电图数据的QRS（上）声音数据的MFCC（左）　图片数据的边缘（亮度的变化量）（右）