1. 研究目的与意义（文献综述）

（一）、论文的背景

互联网的发展分为五个阶段。互联网的发展始于将两台计算机连接在一起，然后转向通过将大量计算机连接在一起创建万维网。移动互联网是通过将移动设备连接到互联网而出现的。然后，人们的身份通过社交网络进入互联网。最后，它正朝着物联网的方向发展，将人类社会中的物品连接到互联网上。

随着各种技术的发展，例如嵌入式设备，通信技术，互联网协议、数据分析，人工智能，机器学习，物联网（internet of thing）逐渐从概念转变为现实。

在以前的大数据的研究中，大部分的数据都有人来产生，但随着物联网的时代来临，由于传感器技术的进步，传感器得到了更强大、更便宜和更小的尺寸，这刺激了大规模部署。因此，今天我们已经部署了大量传感器，各种联网设备将产生大量的数据，并且这些数据具有人产生的数据不具有的特点。

2. 研究的基本内容与方案

(一) 神经网络模型压缩

对资源受限的设备采用dnn的一种方式是通过网络压缩，将密集的网络转换为稀疏的网络。这种方法有助于减少dnn在用于物联网设备分类或其他类型运行时的存储和计算需求。这种方法的主要局限性在于它们的通用性不足以支持各种网络。它只适用于能够显示这种稀疏性的特定网络模型。

在已经训练好的模型上进行压缩，使得网络携带更少的网络参数，从而解决内存问题，同时可以解决速度问题。在减少网络参数的时候，可以通过通信的方式将压缩之后的神经网络模型部署到边缘的物联网设备上面去。

(二) 轻量化模型设计

通过神经网络模型压缩的方法来压缩网络以是深度学习模型能够在资源受限的物联网设备上部署，但是这种方法没有从根本上解决神经网络模型过大的问题。轻量化模型设计的主要思想是在于设计更加高效的，适用于资源受限的物联网设备。

3. 研究计划与安排