2020年1月13日，公司在盈华酒店举行了2019评优表彰暨2020迎新春晚会。
会上，公司领导总结回顾2019年各项工作，对2020年工作做出计划、安排和部署。期待公司2020年将更上一层楼，抢抓新机遇，增创新优势，再创新辉煌！
新起点、新希望。站在2020年的起点，我们将继承和发扬过去工作中存在的优点，汲取经验，摒弃不足，满怀信心，以更清醒的头脑、更旺盛的斗志、更奋发的姿态和更充沛的干劲，向我们的既定目标进发！
2019年度，我们评选出了30多位优秀员工，公司领导为优秀员工颁发了证书和奖品，在过去的一年中感谢他们的付出，在新的一年起到模范带头作用，做出新的贡献。
年会上，无论是舞蹈、唱歌、还是才艺表演，都彰显出了小伙伴们才华横溢，充满活力的样子，穿插的抽奖环节也是激动人心呀。
歌声还在回荡中，在抽奖的激动还未褪去时，接下来就是我们满怀憧憬，激情澎湃的誓师仪式。
誓师仪式结束，接下来都饿了吧，到我们的晚餐环节咯！
为深入宣传公司的企业文化理念，进一步让文化的种子深耕在员工心中。行政人力资源中心于2019年12月21日在广州“自然界 团建聚会轰趴”馆举行了以公司战略为主线的企业文化理念宣传活动，并邀请了公司总经理伍总来讲述公司的文化历史和未来公司的战略方向。
活动中我们还通过以往团队人员在做项目攻关、共克难关的视频播放，来回首我们走过的路。看着视频中公司前辈们在为了项目按时按质的交付，通宵达旦的忙碌，晚上累了最多也只能在办公室桌上趴一会；看到项目经理们与客户沟通需求，传导出的一个个专业严谨的精神；看到大家项目完成交付后的一个个笑脸；这一路走来不仅有欢歌，也有艰辛和泪水，这些不仅让参与当年项目的人员内心感慨万千、唏嘘不已，也激励着公司后辈们在前进的道路上继往开来……
不忙初心忆传承 携手并肩创未来。。。。。。。
在下半场的活动中，我们以庆圣诞、迎元旦为主题，一起为明年的战略目标加油鼓劲。我们回首初心，展望未来；我们把酒言欢，举杯畅饮。
回首2018，我们满怀豪情，展望2019，我们重任在肩。
2019年1月25日，公司年会如期而至，全体员工欢聚一堂。过去的2018年，是公司承前启后、继往开来的一年，细数2018年中大家风雨同舟，奋力拼搏的点点滴滴，在充实忙碌的每一天中，我们迎来了崭新的2019年！
新的起点，新的征程，机遇蕴含精彩，发展充满信心。
伍总对过去一年中的工作作了总结,并对2019年公司未来的发展进行了规划，这些话语又给天源人注入了一股新的动力，促使我们每一个人以更沉着、自信的心态来迎接新一年的机遇和挑战。
心中有信念，前方有梦想，脚踏实地，锲而不舍。
2018年度，我们评选出了30多位优秀员工，他们对于工作兢兢业业，不计较个人得失，恪守己任，表现出色,他们无疑是我们中的优秀代表。
接下来当然是精彩绝伦的才艺展示了。
首先献上一首歌曲“真心英雄”，歌声激昂澎湃，鼓舞我们无畏艰难，勇于追梦。
其次公司女同事的手语舞蹈“感恩的心”，演绎着常怀一颗感恩的心，去面对生活，会让你感觉幸福而充实。
再次是自编自导的小品<<面试》上场，精彩的表演，有趣的剧情，引得大家捧腹大笑。
最后领导们合唱《明天会更好》。共同期愿公司蓬勃发展，日胜一日！
大家最期待的抽奖环节到了，奖品丰厚诱人。
今天最受瞩目的一等奖，由伍总进行抽奖。当然要让这位中大奖的幸运者露个脸，看那笑容，惊喜中透露满满的幸福呀。
短暂的时光，激动的时刻，令人回味良久，让我们共同记录下这一刻的美好。
看，一桌女将惊艳亮相。
今宵，我们共同举杯畅饮；未来，我们共同创造辉煌。
叮叮当，叮叮当，铃儿响叮当……圣诞节即将来了~
2018年12月22日我们在“窝家吧轰趴” 举行了一场圣诞party，天源人欢聚一堂，一起期待明天会更好。
为丰富员工业余生活，让员工在紧张的工作之余，放松身心。8月18日，公司组织了50余名员工及家属前往清远进行了漂流活动，让员工在惊险刺激的漂流中，体验大自然的魅力，愉悦身心。
上午10时左右，大家抵达牛鱼嘴原始生态风景区，游览广东首个原始亚热带野生植物园，观赏原始植物、欣赏原始风景。
（一）攀爬铁架桥
（二）登上玻璃栈道
午餐后，全体人员在景区工作人员的带领下，前去神秘峡谷进行勇士漂流体验。
踏上橡皮艇，大家便迫不及待的玩起了水，重温儿时戏水的乐趣。漂流的过程中所有人享受到翡翠三叠、神龙赐水、银珠落玉盘、曲水回环、群龙戏水、双龙出海等或动感好玩或景色怡人的乐趣。还可体验悬崖转艇、猛龙穿洞、卷龙出寨、杜鹃映红、瀑布飞艇、青蛙跳潭等有惊无险的刺激。
（三）员工踏上橡皮艇
（四）体验惊险的漂流
一天的游玩，定格了大家的欢声笑语。通过此次活动，员工加强了交流，拉近了距离，增进了友谊，提高了团队合作能力。活动过后，公司全体员工必将以更饱满的热情和昂扬的斗志投入到工作中，为公司今后的发展推波助澜。
（五）员工合影留念
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。
我们现在来分析下这些话：
BP是后向传播的英文缩写，那么传播对象是什么？传播的目的是什么？传播的方式是后向，可这又是什么意思呢。
传播的对象是误差，传播的目的是得到所有层的估计误差，后向是说由后层误差推导前层误差：
即BP的思想可以总结为
我们来看一个最简单的三层BP：
BP利用一种称为激活函数来描述层与层输出之间的关系，从而模拟各层神经元之间的交互反应。
激活函数必须满足处处可导的条件。那么比较常用的是一种称为S型函数的激活函数：
那么上面的函数为什么称为是S型函数呢：
我们来看它的形态和它导数的形态：
p.s. S型函数的导数：
神经网络的学习目的：
学习的核心：
权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。
二、有监督的BP模型训练过程
1. 思想
有监督的BP模型训练表示我们有一个训练集，它包括了： input X 和它被期望拥有的输出 output Y
所以对于当前的一个BP模型，我们能够获得它针对于训练集的误差
所以BP的核心思想就是：将输出误差以某种形式通过隐层向输入层逐层反传，这里的某种形式其实就是：
也就是一种 “信号的正向传播 —-> 误差的反向传播”的过程：
2.具体
转载声明：本网部分文章或图片来源于公开网络资料，本网转载使用出于传递更多信息和供人学习之目的。如转载涉及版权方面的问题，请作者及时与本网联系，本网将按法律规定予以及时删除或者采取其他方式妥善处理
6月26日上午，广州天源信息科技股份有限公司（简称：天源股份；股票代码：872811）在北京市金融街全国中小企业股份转让系统隆重举行了新三板挂牌敲钟仪式。伍和新董事长携公司股东代表、公司高管和员工代表陪同有关部门领导出席了挂牌仪式，共同见证了公司这一重要的里程碑时刻。
挂牌仪式现场
天源股份伍和新董事长致辞
伍和新董事长在致辞中表达了对公司客户和合作伙伴、安信证券、广东正中珠江会计师事务所和北京市盈科（广州）律师事务所、以及公司团队同事的感谢。他表示，新三板挂牌是公司发展历程中的一个新的起点！天源股份将在这个起点基础上进一步做大做强，在产业互联网时代为客户和合作伙伴提供更优质的商业解决方案和IT支撑产品，以更好的业绩回报员工、股东及社会！
出席嘉宾合影留念
出席嘉宾合影留念
天源股份成立于2001年，作为中国电信集团公司、中国电信国际公司、中国移动国际公司的长期战略合作供应商，拥有优质的工程和服务解决方案，擅长于集团化、跨域化、年交易总额超千亿生产系统的工程开发及产品研发，为电信客户的全球业务提供一站式生产支撑系统已达17年之久。
公司领导合影留念
自2014年起，公司开始投入产业互联网支撑平台和物联网支撑平台及相关技术组件的研发推广，投资数千万元研发的CBOS产业互联网运营内支撑平台，旨在解决生产侧企业互联网条件下企业营销、运营、生产的业务支撑，实现产业互联网下C2F的业务的无缝衔接，生产要素的配置效率优化，目前已经在快消品、城市配送、灯饰等细分市场落地。
基于CBOS商业理念和技术支撑体系，天源股份将通过对接产业、金融、学术机构等合作伙伴，为各行各业的终端客户或平台企业制订产业互联网平台解决方案，共同致力于中国实体企业的产业互联网转型和发展，达成合作共赢。
在这个物联网与传统商业、生活深度融合的时代，各种各样的传感器每天都在收集并产生着涉及各个领域的数据。
由于商业效率和生活质量提升方面的诉求，对物联网大数据流进行分析成为学界及产业界共同的研究方向。
本文对使用深度学习来改进物联网领域的数据分析和学习方法进行了详细的介绍，从机器学习视角，将处理物联网数据的方法分为物联网大数据分析和物联网流数据分析。对目前不同的深度学习方法进行了总结，并详细讨论了使用深度学习方法对物联网数据进行分析的优势，以及未来面临的挑战。
为了更好的在物联网领域内应用深度学习方法，本文分析了物联网数据的关键特征和主要问题，对目前最先进的深度学习方法及其在物联网领域的应用进行了详细的总结，同时，对目前应用了深度学习方法的大量物联网应用进行了介绍，并且对不同类型的深度神经网络在各种物联网领域的应用进行了概括和对比，强调了深度学习与物联网应用成功结合所面临的挑战和未来的研究方向。
文章结构
物联网快速流数据
目前流数据分析都是基于数据并行计算或增量处理的框架，尽管这些技术减少了从流数据分析框架返回响应的时间延迟，对于物联网应用的严格时间要求，它们并不是最佳方案。
物联网需要在数据源附近的平台(甚至是物联网设备自身)上进行快速流数据分析，以达到实时或近实时性的要求，传统的流数据分析方法则面临着计算、存储以及数据源能量方面的局限和挑战。
物联网大数据
物联网大数据具有“6V”特点：
容量(Volume)： 数据量是将数据集视为大数据、或传统的大规模/超大数据的一个决定性因素，使用物联网设备产生的数据量比以前要多得多，明显符合这一特点。
速度(Velocity)： 物联网大数据产生和处理速率要足够高，以支持实时大数据的可用性。鉴于这种高数据率，也证明了需要先进的工具和技术分析才能有效地运作。
多样性(Variety)： 一般来说，大数据有不同的形式和类型。这可能包括结构化的、半结构化的和非结构化的数据。各种各样的数据类型可以通过物联网产生，如文本、音频、视频、传感器数据等等。
真实性(Veracity)： 真实性是指质量，一致性，和数据的可信性，有真实性的数据才能进行准确的分析。这一点对于物联网来说尤其重要，特别是那些群体感知数据。
易变性(Variability)： 这个属性是指数据流的速率不同。由于物联网应用的性质，不同的数据生成组件可能会有不一致的数据流。此外，在特定时间，一个数据源的数据加载速率可能不同。例如，利用物联网传感器的停车服务应用在高峰期的数据加载会达到峰值。
价值(Value)： 价值是指大数据转化成为有用的信息和内容，为组织带来竞争优势。数据的价值的高度不仅仅取决于对数据的处理过程或服务，还取决于对待数据的方式。
数据流处理的主要障碍是缺少能部署在系统边缘，甚至是物联网设备上的框架或算法。当采用深度学习方法时，也要折衷考虑运行在系统边缘的网络的深度和性能。
深度学习
与其他传统机器学习方法相比，深度学习结构在近几年受到越来越广泛的关注。
Google Trend显示近几年对深度学习的关注呈上升趋势
深度学习整体训练机制
结构
深度学习模型总结
1)卷积神经网络(Convolutional Neural Networks，CNN)
CNN的核心结构是卷积层，有一系列可学习的参数，称作滤波器。训练过程中，滤波器在全图按照卷积顺序进行移动，计算输入和滤波器的乘积，得到该滤波器的特征图。CNN的另一个结构是池化层，将输入划分成不重叠的区域，然后用每个区域的最大值作为输出。CNN的最后一个结构是ReLU激活函数层，既可以缩短训练时间，也能避免影响网络的泛化能力。
CNN和DNN的主要区别在于CNN具有局部相连、权值共享的特性，因此在视觉任务中具有独特的优越性，并且降低了网络的复杂性。
2)循环神经网络(Recurrent Neural Networks，RNN)
循环神经网络结构图
RNN主要适用于输入为序列(例如语音和文本)或时间序列的数据(传感器数据)。RNN的输入既包括当前样例，也包括之前观察的样例。也就是说，时间为t-1时RNN的输出会影响时间为t的输出。RNN的每个神经元都有一个反馈环，将当前的输出作为下一步的输入。该结构可以解释为RNN的每个神经元都有一个内部存储，保留了用之前输入进行计算得到的信息。
3)长短时记忆(Long Short Term Memory，LSTM)
LSTM记忆单元结构
LSTM是RNN的一种扩展。LSTM中，每个神经元除了有反馈环这一储存信息的机制，还有用于控制神经元信息通过的“遗忘门”、“输入层门”及“输出层门”，防止不相关的信息造成的扰动。
4)自动编码器(Autoencoders，AE)
自编码器网络结构
AE的输入层和输出层由一个或多个隐层相连接，其输入和输出神经元数量相同。该网络的目标是通过用最简单的方式将输入变换到输出，以重建输入信息。
5)变分自动编码器(Variational Autoencoders，VAE)
变分自动编码器结构
VAE对数据结构的假设并不强，是较为流行的生成模型框架。它很适用于IoT解决方案，因为IoT数据呈现的多样性，以及标记数据的缺失。模型由两个子网络组成：一个生成样例，一个进行假设推理。
6)生成对抗网络(Generative Adversarial Networks，GAN)
生成对抗网络概念图
GAN由两个神经网络组成，一个生成网络，一个判别网络，共同工作来产生合成的、高质量数据。生成器根据数据在训练数据集中的分布生成新数据，判别器学习判别真实数据和生成器生成的假数据。GAN的目标函数是基于极大极小博弈的，一个网络要最大化目标函数，而另一个要最小化目标函数。
7)受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)
受限玻尔兹曼机结构
RBM是一种随机神经网络，由两层组成，一层是包含输入的可见层，一层是含有隐变量的隐藏层。RBM中的限制是指同一层的任意两个神经元互不相连。除此之外，偏置单元与所有的可见层和隐藏层单元都相连。
8)深度信念网络(Deep Belief Network，DBN)
深度信念网络结构图
虚线表示特征提取通道，实现表示生成通道。DBN是一种生成神经网络，由一个可见层可几个隐层组成。可以提取训练数据的多层表示，并且对输入数据进行重构。DBN的训练过程是逐层训练，将每一层视作一个RBM，在前一层的基础上进行训练。这样的机制使DBN成为深度学习中有效且快速的网络之一。
9)阶梯网络(Ladder Network)
两层阶梯网络
阶梯网络在无监督和半监督学习任务中达到了先进的水平。阶梯网络由两个编码器和一个解码器组成。编码器作为网络的有监督部分，解码器进行无监督学习。训练目标是最小化有监督部分和无监督网络的损失和。
快速实时深度学习结构
使用深度学习模型对数据流进行快速实时的处理仍在起步阶段。
早期工作：
【1】是对超限学习机（Extreme learning machine，ELM）的扩展——OS-ELM，将一个实时序列学习算法应用到单隐层的前馈神经网络。
【2】Ren等人提出的Faster-RCNN在图片中的目标检测中达到了接近实时的速度。他们的目标检测框架的运行时间为5-17fps。然而对于图像处理任务，真正的实时效果需要系统的处理和分析时间达到30fps或更高。
【3】Redmon等人提出了YOLO，将目标检测的速度提高到45fps，以及更小版本的YOLO，速度更是达到了155fps，已经适用于智能相机。
深度学习与其他方法结合
1）深度增强学习（Deep Reinforcement Learning）
深度增强学习是将增强学习和深度神经网络相结合的产物。其目标是创建能自主学习的个体（agent），通过建立成功的交互过程以获得长期的最大正反馈（reward）。
当环境（environment）可由大量状态表示时，传统的增强学习方法稍显不足，而深度神经网络则弥补了这一点。在IoT领域，【4】使用深度增强学习实现了半监督条件下智能校园环境中的定位。
2）迁移学习与深度模型（Transfer Learning with Deep Models）
迁移学习主要应用在域适应和多任务学习的领域。迁移学习对于许多难以收集训练数据的IoT应用来说都是一个可用的解决方案。
例如训练一个通过智能手机的低功耗蓝牙和Wifi fingerpringting的定位系统，同一时间，在同一地点的RSSI值（Received Signal Strength Indication接收的信号强度指示）对于不同的平台来说可能不同。
如果我们对一个平台训练了一个模型，该模型可以迁移到其他平台，而不需要对新平台再收集训练数据。
3）深度学习与在线学习算法
由于IoT的应用产生的数据流会上传到云平台来分析，在线机器学习算法的角色变得越来越重要，因为训练模型需要随数据的增加而更新。
框架
近几年，随着深度学习在各个领域的应用热潮，各种深度学习框架也应运而生。
Tensorflow： Tensorflow是机器学习系统的开源库，可以使用多种深度神经网络。
Tensorflow使用图表示来建立神经网络模型。开发人员也在使用TensorBoard，能可视化神经网络模型，并且观测学习过程，包括参数更新。
Torch： Torch是一个机器学习开源框架，包含大量深度学习算法，可用于深度神经网络模型的简单开发。它基于Lua语言开发，是训练深度学习算法的轻量级快速框架。支持在CPU和GPU上开发机器学习模型，并且提供了训练深度神经网络的并行计算库。
Caffe： Caffe是一个深度学习算法和参考模型集的开源框架。基于C++，支持CUDA进行GPU运算，并且提供Python和Matlab接口。Caffe通过配置文件定义模型，而不需要在源代码中定义参数，将模型表示和实现分开。
深度学习框架对比
深度学习在IoT领域的应用
IoT应用和基础服务：
基础服务
1）图像识别
物联网的一大部分应用场景中，输入深度学习的数据是图片或视频。每天，每个人都在用手机的高清摄像头拍摄者图片和视频，除此之外，家居、校园或工厂也在使用智能摄像头。所以，图像识别、分类、目标检测是这类设备的基础应用。
2）语音识别
随着智能手机和可穿戴设备的普及，语音识别也成了人们和自己的设备互动的一种自然而方便的方式。Price等人【5】搭建了一个专用的低功耗深度学习芯片，用于自动语音识别。这种特制芯片的能量消耗要比目前手机上运行的语音识别工具的能量消耗低100倍。
3）室内定位
室内定位在物联网领域有许多应用，例如智能家居、智能校园、或智能医院。例如DeepFi系统，在线下训练阶段，通过深度学习用之前储存的WiFi通道状态信息数据来训练网络权重，在线上定位阶段通过fingerpringting来测定用户位置。
4）生理和心理状态检测
物联网与深度学习的结合也应用在了检测各种生理或心理状态中，例如姿态、活动和情绪。许多IoT应用都在交付的服务中整合了人体姿态估计或活动识别模块，例如智能家居、智能汽车、XBox、健康、运动等等。
5）安全和隐私
安全和隐私是所有IoT领域应用所关注的一个重要问题。事实上，系统功能的有效性取决于是否能保护机器学习工具和处理过程不受攻击。虚假数据注入（False Data Injection，FDI）是数据驱动系统的一种常见攻击类型。
He等人【6】提出用条件DBN从历史数据中提取FDI特征，然后利用这些特征进行实时攻击检测。作为物联网数据和应用程序的一大贡献者，智能手机也面临着黑客攻击的威胁。
Yuan等人【7】提出用深度学习框架来鉴别安卓应用中的恶意软件，准确率达到了96.5%。深度机器学习方法的安全性和隐私保护是能否在IoT领域应用的最重要因素。
Shokri等人【8】提出了一种解决分布式学习的深度学习模型隐私保护问题的方法。
应用
1）智能家居：
智能家居的概念涉及广泛的基于IoT的应用，它有助于提高家庭的能源使用和效率，以及居住者的便利性、生产力和生活质量。如今，家电可以与互联网连接，提供智能服务。例如微软和 Liebherr的一个合作项目，对从冰箱内收集的信息应用了Cortana 深度学习。这些分析和预测可以帮助家庭更好地控制他们的家庭用品和开支，并结合其他外部数据，可用于监测和预测健康趋势。
2）智慧城市：
智能城市服务跨越多个物联网领域，如交通、能源、农业等。智慧城市的一个重要问题是预测群体移动模式，Song等人【9】开发了基于深度神经网络模型的系统，在城市级别实现了这一目标。Liang等人【10】基于RNN模型搭建了实时群体密度预测系统，利用移动手机用户的通信数据对交通站的群体密度进行预测。废物管理和垃圾分类也是智慧城市的一个相关任务，可以通过基于视觉分类任务的CNN模型来实现自动化。Amato等人【11】基于智能相机和深度CNN开发了检测停车场的使用中和空闲车位的系统。
3）能源：
消费者与智能电网之间的双向通信是IoT大数据的来源。能源供应商希望学习当地的能源消费模式、预测需求，并根据实时分析做出适当的决定。在智能电网方面，从太阳能、风能或其他类型的自然可持续能源中预测电力是一个活跃的研究领域，深度学习在这一领域的许多应用中越来越多地被使用。
4）智能交通系统：
来自智能交通系统（ITS）的数据是大数据的另一个数据源。Ma等人【12】采用RBM和RNN结构设计了一个交通网络分析系统，模型输入是参与该系统的出租车GPS数据。该系统通过一小时内的累积数据预测交通拥堵的准确率高达88%。ITS也带动了交通标志检测和识别的发展，这一技术在自动驾驶、辅助驾驶系统中都有很重要的应用。除此之外，许多初创公司应用深度学习来完善自动驾驶汽车系统的检测行人、交通标志、路障等任务。
5）医疗和健康：
IoT结合深度学习也在为个人和组织提供医疗和健康方案中得到应用。例如，开发基于移动应用程序的精确测量饮食摄入量的解决方案，可以帮助提升个人健康和幸福感。Liu等人【13】采用CNN开发了识别食物图片和相关信息的系统。用深度学习对医学图片进行分类和分析是医疗领域的研究热点。Pereira等人【14】通过CNN识别手写图片来鉴定早期帕金森症。除此之外，深度学习与IoT的结合在声音异常检测、乳腺血管疾病检测中也得到了应用
6）农业：
生产健康作物和发展有效的种植方式是健康社会和可持续环境的要求。使用深度神经网络进行植物病害识别是一个可行的解决方案。深度学习也被用于遥感，进行土地和作物的检测与分类。研究显示，使用CNN进行作物识别准确率达到了85%，相比于MLP或随机森林有很大提高。自动耕作中的预测和检测任务也应用了深度学习。
7）教育：
IoT和深度学习的结合有助于提高教育系统的效率。移动设备可以收集学生的数据，深度分析方法可以用来预测和解释学生的进步和成就。增强现实技术结合可穿戴设备和移动设备也是深度学习在这一领域的潜在应用，激发学生的兴趣，让教育学习方法更有效。此外，深度学习可以用于个性化推荐模块，向教育者推荐更多相关内容。利用深度学习对大型开放式网络课程数据（MOOC）进行分析，可以帮助学生更好的学习。除此之外，利用CNN监测教室占用率是深度学习在教育方面的另一个应用。
8）工业：
对于工业部门来说，IoT和网络物理系统（CPS）是推动制造技术迈向智能制造（工业4.0）的核心要素。工业中的广泛应用均可以受益于深度学习模型的引入。通过将装配线中生产车辆的图像及其注释都输入深度学习系统，可以利用AlexNet、GoogLeNet等网络实现视觉检测。
9）政府：
许多涉及市政的各种任务需要精确的分析和预测。【15】利用美国地质调查局网络的历史数据训练LSTM网络，可进行地震预测。【16】利用极端气候的图片训练CNN，进行极端气候事件探测。此外，城市的基础设施，如道路、供水管道等的损害检测，是IoT和深度学习可以为政府提供便利的另一个领域。
10）运动和娱乐：
运动分析近年来发展迅速，为团队或运动员带来了竞争优势。【17】提出了深度学习方法打造智能篮球场。【18】采用RNN识别NBA比赛中的球员违规。【19】结合了可穿戴设备传感数据和CNN进行排球运动员活动识别。【20】采用层级结构的LSTM模型研究排球队的整体活动。
11）零售：
随着移动设备的普及，网上购物的人数大大增加了。最近出现了通过视觉搜索技术向产品图像检索的转变。CNN一直用于服装和时尚市场的视觉搜索，帮助你在网店中找到在电影中看到的或在街上看到的商品。IoT结合深度学习可以搭建视觉购物辅助系统，包括智能眼镜、手套和购物车，目的是帮助视障人士购物。此外，智能购物车的开发可以实现实时自结账的功能。
IoT设备上的深度学习
深度学习在语音和视频方面的成功为IoT的基础服务打下了良好的基础，如何将它们的模型和方法部署在资源受限的设备上成了IoT领域的一个重要研究方向。到目前为止，深度学习方法难以应用于IoT和资源受限设备，因为它们需要大量的资源来运行，如处理器、电池能量和存储器。
幸运的是，近期研究显示，深度神经网络的许多参数是冗余的，有时也不需要大量的隐层。有效的去除这些参数或层可以减少网络的复杂度，同时对输出不会有太大的影响。
方法和技术
1）网络压缩
在资源受限设备上应用深度神经网络的方法之一是网络压缩，将密集的网络转化为一个稀疏的网络。主要局限性在于，它不足以支持所有类型的网络。它只适用于具有这种稀疏性的特定网络模型。另外，修剪多余的和不重要的参数或神经元，是在资源受限的设备上运行深度神经网络的另一个重要途径。
深度神经网络剪枝整体概念图
2）近似计算：
近似计算是实现在IoT设备上部署机器学习工具的另一种方法，并有助于主机设备的节能。在许多IoT应用中，机器学习的输出不一定是精确的，而是在可接受的范围内提供所需的质量。实际上，将深度学习模型与近似计算相结合，可以为资源受限设备提供更有效的深度学习模型。
3）加速器：
设计特定的硬件和电路来优化IoT设备中深度学习模型的能量效率和内存占用是另一个活跃的研究方向。目前已有工作为DNN和CNN设计加速器，并且应用Post-CMOS技术进行电子自旋加速。
4）微处理器：
除了之前所提方法，开发具有强深度学习能力的小尺寸处理器也是研究热点。微处理器的设计尺寸在一立方毫米的范围内，可以用电池驱动，进行深度神经网络分析只消耗大约300毫瓦。通过这种技术，许多对时间要求较高的IoT应用程序可以在设备上执行决策，而不是将数据发送到高性能计算机，等待它们的响应。
IoT的雾和云中心深度学习
最近，人们提出了雾计算，使计算和分析更接近终端用户和设备，而不是仅仅停留在云计算上。实验表明，通过对雾计算节点进行数据分析，可以避免向遥远的云节点传输大量原始数据，从而提高整体性能。还可以在一定程度上进行实时分析，因为雾计算在本地，靠近数据源。
一些用于在雾或云上使用深度学习和服务的IoT领域的产品
技术和平台
尽管在雾计算架构上引入了深度学习分析，云计算仍然是许多无法在雾计算中处理的IoT应用的唯一可行的解决方案。因此，设计的可扩展的和高性能的云中心的DNN模型和算法，对大量的IoT数据进行分析，仍然是一个重要的研究领域。
除了在云平台上托管可扩展的深度学习模型基础设施的进步，还需要研究使深度学习模型通过API访问的机制和方法，以便容易地集成到IoT应用程序中。
在云平台中作为服务的深度学习模型
挑战
在雾计算节点上进行深度学习分析时，也会面临一些挑战：
深度学习服务发现：设备需要通过深度学习分析的某种扩展服务发现协议，来识别适当的分析提供者的来源。
深度学习模型和任务分布：在雾节点之间划分深度学习模型和任务的执行，以及在可用节点之间优化数据流分配，对于时间敏感的应用程序是至关重要的。
设计因素：研究如何雾计算环境的设计因素，以及在这种环境中部署深度学习模型如何影响分析服务的质量是很有必要的。
移动端：在设计终端辅助的深度学习分析系统时，需要考虑移动端计算环境的动态性，因为移动设备可能会加入或离开系统。
深度学习带来的物联网挑战，以及未来的研究方向
挑战
1）缺少大型物联网数据集：
缺乏可用的实际IoT应用大数据集将深度学习模型引入IoT的一个主要障碍，因为深度学习需要更多的数据来实现更高的精度。此外，更多的数据也可以防止模型过度拟合。
2）预处理：
许多深度学习方法需要对数据进行预处理以产生更好的结果，对于IoT应用，预处理会更复杂，因为系统处理的是来自不同数据源的数据，可能有多种格式和分布，而且还可能有数据丢失。
3）安全和隐私：
确保数据安全和隐私是许多IoT应用的一个主要问题，因为IoT大数据将通过互联网进行分析，因此世界各地都有可能看得到。此外，深度学习训练模型也容易受到恶意攻击，如虚假数据注入或对抗性样本输入，其中IoT系统的许多功能或非功能性要求可能无法得到保证。
4）IoT大数据”6V“特性：
Volume（数据量）对于深度学习模型的时间消耗和结构复杂性提出了很大的挑战。并且数据量巨大也带来了包括噪声和未标注数据的挑战。
Variety（多样性）带来了管理不同数据源之间冲突的挑战。在数据源没有冲突的情况下，深度学习能够有效处理异质数据。
Velocity（速率）带来了高速处理和分析数据的要求，增强深度学习的在线学习和序列学习的技术仍需进一步研究。
Veracity（可信度），当输入数据不是来自可信的数据源时，IoT的大数据分析则是无用的。
Variability（可变性），IoT大数据的流速可变性对在线分析提出了挑战。
Value（价值），企业经理采用大数据的一个主要挑战是，他们不清楚如何使用大数据分析来获得价值，并改善他们的业务。
5）IoT设备上的深度学习：
在IoT设备上开发深度学习是一个新的挑战，要考虑在资源受限的设备上处理深度神经网络的需求。
6）深度学习局限：
尽管深度学习模型在许多应用中显示出令人印象深刻的结果，它仍然有局限性。研究发现，深度网络会将无法识别的图片分类到熟悉的种类中。并且深度神经网络的回归能力有待增强。
未来研究方向
1）IoT移动数据：
IoT数据的一大部分来自移动设备。研究利用移动大数据与深度学习方法相结合的有效方式，可以为IoT提供更好的服务，特别是在智慧城市场景中。
2）结合环境信息：
单靠IoT的 传感数据不能理解环境的情况。因此，IoT数据需要与其他数据源融合，即环境信息，以补充对环境的理解。
3）IoT分析的在线资源供应：
基于雾和云计算的深度学习快速数据分析部署需要在线配置雾或云资源来承载数据流。由于IoT数据的流特性，无法提前知道数据序列的容量。因此，我们需要一种新的基于当前数据流的算法，并且不依赖于数据流的先验知识。
4）半监督分析框架：
为半监督学习而设计的先进的机器学习算法非常适合于智慧城市系统，可以使用少量的训练数据集训练模型，然后使用大量未标记数据来提高模型的准确性。
5）可靠的IoT分析：
深度学习方法可以通过分析大量的信息物理系统（CPS）和IoT系统的日志，以识别和预测可能受到攻击的系统的薄弱点。这将有助于系统防止或从故障中恢复，从而提高CPS和IoT系统的可靠性水平。
6）自组织通信网络：
由于IoT设备的数量庞大，配置和维护他们的基本物理M2M通信和网络变得越来越难。虽然大量的网络节点及其相互关系对传统的机器学习方法是一个挑战，但它为深度学习体系结构提供了一个机会，通过提供自配置、自优化、自修复和自负载平衡等一系列的自我服务足以证明它们在这一领域的能力。
7）新兴IoT应用：
无人机：无人机被用于许多实时图像分析任务，如监视、搜索和救援行动，以及基础设施检查。这些设备的采用面临包括路由、节约能源、避免私人区域和避障等挑战。深度学习对于该领域的预测和决策任务有很大的影响，可以推动无人机达到最佳性能。
虚拟/增强现实：虚拟/增强现实是受益于IoT和深度学习的另一个应用领域。增强现实可以用于提供诸如目标跟踪、行为识别、图像分类和对象识别这样的服务。增强现实可以极大地影响如教育，博物馆，智能车等几大领域。
结论
深度学习和IoT近年来受到研究人员和商业领域的广泛关注，这两项技术对我们的生活、城市和世界都产生了积极的影响。IoT和深度学习构成了一个数据生产者-消费者链，其中IoT生成由深度学习模型分析的原始数据，深度学习模型产生高层次的分析，反馈给IoT系统，以微调和改进服务。
参考文献
【1】N.-Y. Liang, G.-B. Huang, P. Saratchandran, and N. Sundararajan, “A fast and accurate online sequential learning algorithm for feedforward networks,” IEEE Transactions on neural networks, vol. 17, no. 6, pp. 1411–1423, 2006.
【2】S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards realtime object detection with region proposal networks,” IEEE transactions on pattern analysis and machine intelligence, vol. 39, no. 6, pp. 1137–1149, 2017.
【3】J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 779–788.
【4】M. Mohammadi, A. Al-Fuqaha, M. Guizani, and J.-S. Oh, “Semisupervised deep reinforcement learning in support of IoT and smart city services,” IEEE Internet of Things Journal, vol. PP, no. 99, pp. 1–12, 2017.
【5】M. Price, J. Glass, and A. Chandrakasan, “A scalable speech recognizer with deep-neural-network acoustic models and voice-activated power gating,” in Proceedings of the IEEE ISSCC2017, 2017.
【6】Y. He, G. J. Mendis, and J. Wei, “Real-time detection of false data injection attacks in smart grid: A deep learning-based intelligent mechanism,” IEEE Transactions on Smart Grid, 2017.
【7】 Z. Yuan, Y. Lu, Z. Wang, and Y. Xue, “Droid-sec: deep learning in android malware detection,” in ACM SIGCOMM Computer Communication Review, vol. 44, no. 4. ACM, 2014, pp. 371–372.
【8】R. Shokri and V. Shmatikov, “Privacy-preserving deep learning,” in Proceedings of the 22nd ACM SIGSAC conference on computer and communications security. ACM, 2015, pp. 1310–1321.
【9】X. Song, H. Kanasugi, and R. Shibasaki, “Deeptransport: Prediction and simulation of human mobility and transportation mode at a citywide level.” IJCAI, 2016.
【10】V. C. Liang, R. T. Ma, W. S. Ng, L. Wang, M. Winslett, H. Wu, S. Ying, and Z. Zhang, “Mercury: Metro density prediction with recurrent neural network on streaming cdr data,” in Data Engineering (ICDE), 2016 IEEE 32nd International Conference on. IEEE, 2016, pp. 1374–1377.
【11】G. Amato, F. Carrara, F. Falchi, C. Gennaro, C. Meghini, and C. Vairo, “Deep learning for decentralized parking lot occupancy detection,” Expert Systems with Applications, 2017.
【12】X. Ma, H. Yu, Y. Wang, and Y. Wang, “Large-scale transportation network congestion evolution prediction using deep learning theory,” PloS one, vol. 10, no. 3, p. e0119044, 2015.
【13】C. Liu, Y. Cao, Y. Luo, G. Chen, V. Vokkarane, and Y. Ma, “Deepfood: Deep learning-based food image recognition for computer-aided dietary assessment,” in International Conference on Smart Homes and Health Telematics. Springer, 2016, pp. 37–48.
【14】C. R. Pereira, D. R. Pereira, J. P. Papa, G. H. Rosa, and X.-S. Yang, “Convolutional neural networks applied for parkinson’s disease identification,” in Machine Learning for Health Informatics. Springer, 2016, pp. 377–390.
【15】Q. Wang, Y. Guo, L. Yu, and P. Li, “Earthquake prediction based on spatio-temporal data mining: An lstm network approach,” IEEE Transactions on Emerging Topics in Computing, 2017.
【16】Y. Liu, E. Racah, J. Correa, A. Khosrowshahi, D. Lavers, K. Kunkel, M. Wehner, and W. Collins, “Application of deep convolutional neural networks for detecting extreme weather in climate datasets,” Int’l Conf. on Advances in Big Data Analytics, 2016.
【17】W. Liu, J. Liu, X. Gu, K. Liu, X. Dai, and H. Ma, “Deep learning based intelligent basketball arena with energy image,” in International Conference on Multimedia Modeling. Springer, 2017, pp. 601–613.
【18】K.-C. Wang and R. Zemel, “classifying nba offensive plays using neural networks,” in Proc. MIT SLOAN Sports Analytics Conf, 2016.
【19】T. Kautz, B. H. Groh, J. Hannink, U. Jensen, H. Strubberg, and B. M. Eskofier, “Activity recognition in beach volleyball using a deep convolutional neural network,” Data Mining and Knowledge Discovery, pp. 1–28, 2017.
【20】M. S. Ibrahim, S. Muralidharan, Z. Deng, A. Vahdat, and G. Mori, “A hierarchical deep temporal model for group activity recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 1971–1980.
转载声明：本网部分文章或图片来源于公开网络资料，本网转载使用出于传递更多信息和供人学习之目的。如转载涉及版权方面的问题，请作者及时与本网联系，本网将按法律规定予以及时删除或者采取其他方式妥善处理
（1）第一、第二、第三产业
我国有第一、第二、第三产业之分。
第一产业，个人简单给大家说说，就是制造业需要的原材料制造，或者农林牧渔的种植养殖，就这两大部分。
第二产业，简单粗暴分为两类：一类是装备设备产品的制造：如船舶、飞机、高铁、工程机械、电力电网设备、石油化工成套设备等等，一类就是面向老百姓的消费品制造，如服装、烟酒饮料、食品、手机…。
其实还有一类，它既属于服务业，又属于生产制造业的一部分，它就是：生产性服务业。我们一般会简单粗暴认为服务业默认是对消费者老百姓的服务业，而生产性服务业，是企业对企业（B2B），为生产提供服务的，如生产性需要的仓储物流、采购、供应链金融信贷、工业保险、工业租赁…。
第三产业，主要和老百姓息息相关，不卖实体产品让渡产品所有权，只提供服务。看似包罗万象，但主干还是很清晰，大部分苦逼，但肥肉的我也挑选了出来：
1、批发、分销、零售
2、仓储、物流、快递
3、电信通信
4、银行、保险、证券
5、媒体，如广播、电视、互联网媒体，聚集用户放大声音作用
6、教育、医疗、地产、租赁（老百姓看到的租赁一般都是租房租车）
7、交通运输，如客运、地铁公交、火车高铁、飞机民航、轮渡
8、吃喝玩乐，如旅游、餐饮、住宿
9、娱乐，如演出、电影、体育赛事、游戏、KTV
（2）消费互联网
互联网第一波是媒体，聚集了一大票用户，用广告展示挣钱。互联网媒体也走过了三阶段：自己采访、转载、爬虫。
互联网第二波是通信互动，也从邮件、BBS/贴吧/问答、聊天室/IM/微博、音视频交流/互动直播，一路演变过来，越来越趋向于视频图像。第二波互联网热潮除了广告展示挣钱外，还增加了虚拟增值功能的销售。如购买不同等级的会员后，可以突破总人数限制、突破并发人数限制、突破性能限制、突破容量限制，甚至还可以卖虚拟礼物，如直播互动流行的送虚拟飞机火箭（哈哈哈）。
互联网第三波才是电子商务，主要在网上做消费者营销吸引、浏览商品&搜索&自动推荐、加购物车&下订单、结算&网上支付、在网上跟踪仓储物流配送过程信息、在网上用互联网通信工具进行客服问答咨询。而不管是实物商品还是线下需要享受服务（如坐飞机/吃饭/住宿/旅游/看电影演出唱KTV），其实都在线下进行。而互联网起到的作用，本质就是信息化工具，只不过不是咱们常规见到的企业内部信息化、企业内部管理信息化，而是面向外部消费者的、业务处理操作的信息化。其实，消费者在前台干的事情，电商公司在后台有一大堆内部使用的业务处理系统，如采购（选品/选供应商/定价/合同）、广告投放、促销活动管理、仓储处理、物流处理、配送处理、客服处理…。消费者前台信息化系统和电商后台业务处理信息化系统是连接在一起的。
如果咱们中国基础服务业成熟完备如美国一样，那么中国电子商务厂商根本不用自己去亲自弄仓储业务、物流业务、配送业务、客服业务、金融业务、支付业务、保险业务等等，都放给专业的第三方即可。那么中国电子商务厂商就真正成为了一家信息化厂商，除了IT研发前后台系统，还得通过大数据去做运营，真正投放广告，把消费者拉上来，精准推荐商品、精准促销刺激转化、精准采购。
如果一个综合电子商城，有上千万种SKU，那么有经验的人才已经Hold不住了，如何选品、选供应商、定价、采购计划发起、商品陈列展示、商品推荐、促销商品组合、优惠券组合、仓储商品放置、物流路径规划，这都得通过大数据+人工智能深度学习来驱动了，计算机会自动进行最佳选品、选供应商、定价、最佳采购计划发起、千人千面最佳商品陈列展示、千人千面商品推荐、最佳促销商品组合、千人千面优惠券组合、最佳仓储商品分布、最佳物流路径推荐、自动化问答客服、最佳售后资源调度。抛开实体的仓储物流配送业务，那么这家综合电子商城，真的就是一家高科技虚拟经济的互联网公司。这才是电商的本质。
（3）工业互联网
说完消费互联网的电商后台，我们再说说工业互联网。
刚才就说了，生产制造，广义来说三部分：1、装备设备生产制造 2、消费品制造 3、生产性服务业。
我们说工业互联网，就是要针对这三部分来讲，不能偏颇。
所以我推崇的工业互联网，不是那些工业制造业专家、工业制造信息化厂商、工业制造数字设备厂商所狭义的互联网。他们说的可能不是互联网而是中国制造2025核高基升级，而我们在这里强调的是互联网，这才是重点。谁才真正懂得互联网。
所以我把过去写了两篇文章中的核心再摘要一次，让大家看到真正的清晰完整的工业互联网。
一、研发设计互联网
1、、云端高精度CAD电子图纸存储&同步变更、BOM数据存储&共享：这显然是面向整个产业链之间企业协同而用，这是典型的工业互联网范畴
2、全球（各地研发中心）协同研发管理系统：这显然是面向整个产业链之间企业协同而用，这是典型的工业互联网范畴
二、生产设备互联网
1、智能生产设备：这是比较典型的互联网。通过端计算边缘计算，收集智能生产设备的运转数据，发送到云端，进行大数据驱动：维护保养、远程诊断升级、备件采购准备、精准以旧换新、精准保险推荐、精准租赁定价、精准抵押信贷评估、精准二手转卖估值
2、智能车间：现在中国政府对工厂生产车间管控特别严：安全生产、环保生产、节能生产、消防逃生生产，全要求智能监控预警、智能开关。这需要大量的摄像头&人工智能视觉识别语音识别、传感器、物品&人员GPS定位。这些数据也和智能生产设备数据一样要上传到云端，要远程能控制，要接受政府监管检查。这虽然互联网特点不典型，但也可以勉强算。
三、跟生产设备互联网相关的是：生产设备的配套售后互联网
1、面向生产设备销售厂商的新品销售部：大数据驱动生产设备精准以旧换新
2、面向生产设备销售厂商的二手销售部：大数据驱动精准二手转卖、精准转卖估值
3、面向生产设备销售厂商的备件销售部：大数据驱动精准的备件生产准备、仓储分布
4、面向生产设备销售厂商的售后业务部：大数据驱动的精准的售后保养维护项目、维修项目营销；特约售后网络的智能派单调度
5、面向生产设备销售厂商的金融业务部：大数据驱动的精准的金融信贷额度评估、分期评估；精准的保险推荐营销
6、面向生产设备销售厂商的金融租赁业务部：大数据驱动的精准的设备租赁：精准的设备租赁方案：精准定价、精准租赁周期设计，精准设备实时定位
四、生产制造互联网
1、区域集群协同制造运营管理：这是典型的互联网，可以分包并行制造，也可以集成制造，这中间就需要有专门的协同制造运营管理系统在中间分配调度、协同推进、协同变更联动
五、生产性配套服务互联网
1、订单处理：上述讲郎咸平就讲到订单处理是很核心的生产性服务。我有朋友就做这样事，一边对接中国大量中小生产制造企业，一边对接中国大量淘宝店铺&线下终端门店，进行产供销智能自动化匹配。这典型是互联网。
2、原材料采购：这也是典型的互联网。通过网上选品、找供应商、资质认证、询价、电子订单、电子合同、企业支付…。
3、仓储物流运输调度：要知道仓储物流运输这是老牌业务，不是互联网范畴，但是仓储物流运输调度却是互联网业务，如阿里菜鸟网络，就是这样的公司
（4）产业互联网
说完了消费互联网，也说完了工业互联网。
从我个人来说，这两张网不是分离的，而是上下游的关系。我先不理睬众多细节差异的第三产业，就如同京东和阿里的电商交易平台上，可以卖滴滴打车，也可以卖机票宾馆旅游门票，也可以卖餐饮外卖，也可以卖服装生鲜电脑手机，也可以卖爱奇艺视频会员码，也可以卖保险卖金融理财。所以说不管是第三产业的服务业还是实物的批发分销零售，都可以一视同仁来看。
而谁去研发设计、生产制造、仓储物流配送这些：或消费品实物甚至工业品实物，或要提供服务的飞机轮船高铁客车等等的东西呢？那肯定是上游的生产制造业了啊。
这样就形成了我说的消费互联网和工业互联网一体化的端到端上下游产业互联网。
这张网包含了（你仔细体会以下我写的顺序，都是按照产业链上下游写的）：
1、智能产品互联网、智能装备设备互联网
2、消费者社区、媒体互联网
3、零售、分销、批发、订货采购互联网
4、仓储、物流、配送互联网
5、支付、信贷、保险、评级、交易所互联网
6、客服支持、售后网络互联网
7、产供销对接打通的订单处理互联网
8、区域集群协同生产互联网
9、原材料采购互联网
10、图纸/BOM物料清单数据库共享的研发设计互联网
我过去说了好几年产业互联网，很多人分不清B2C电商、S2B分销电商、B2B工业品电商，跟我说做S2B分销电商、B2B工业品电商就是做产业互联网。我呸！别再混淆大家视听了。
（5）最后
谁？到底是谁？
谁能够提供这套端到端的IT平台，能吸引各环节的消费者、企业上来用，企业间互联互通产供销协作，上来沉淀数据，用大数据驱动各环节最优化？
谁能够提供一整套应用中台，让这些端到端的互联网有公共的业务组件可访问、可集成？
谁能够提供一整套支撑以上的业务应用互联网IT、数据、应用中台的底层技术平台，如分布式微服务中间件、分布式SQL&NOSQL、Open API接入平台、大数据技术平台、人工智能引擎技术平台、IoT接入技术平台？
谁就是King！
转载声明：本网部分文章或图片来源于公开网络资料，本网转载使用出于传递更多信息和供人学习之目的。如转载涉及版权方面的问题，请作者及时与本网联系，本网将按法律规定予以及时删除或者采取其他方式妥善处理。
5月25日，在广东省惠州市举行的第二届“中国高校科技成果交易会”上，天源股份代表与南京邮电大学代表在与会领导嘉宾见证下签署了物联网领域战略合作协议。
会场外景
签约仪式
合影留念
双方将充分发挥各自的优势与影响力，强化双方在产、学、研领域的合作事宜，旨在建立物联网新技术研发、产品推广及创新人才培养的综合平台。平台宗旨在于瞄准技术、业务前沿，加强网络、应用、终端等基础设施的研发投入，促进传感设备、无线网络、智件终端等软硬件的研发和成果转化，形成集新业务、新产品的开发研究与人才培养（培训）、技术服务、产品评测和前沿课题研究于一体的、能为物联网与传感网技术创新发展提供支撑的国内一流物联网研发应用领域的产学研合作平台。