1. 研究目的与意义（文献综述）

1.1 研究目的及意义

随着现代科学技术的快速进步，人工智能日益发展壮大，神经网络已经被广泛应用于分布式物联网中。然而也还是存在着许许多多的问题。一方面，神经网络本身的参数数量和计算量对计算能力以及能量需求都非常高。另一方面，物联网分布式系统中的每一个物联网设备都是资源和能量极度受限的。如何对神经网络的计算任务进行分配使得整个物联网中的若干设备能保持最大的工作期限成为一个亟待解决的问题。

针对上述问题，本课题提出了一个分布式的神经网络计算策略。将计算的任务分配给分布式系统的每一个设备，充分利用了资源。而且，我们将神经网络任务智能的分配到各个物联网设备上，使得整个分布式物联网中的设备的有效工作期限最长。

2. 研究的基本内容与方案

本文以分布式物联网的神经网络为背景，利用java，python等编程语言，利用了分布式系统部署，android网络通信和神经网络深度学习等算法，设计并构造了分布式物联网的神经网络任务分配系统。该系统以多台android设备为系统的核心硬件，以神经网络深度学习的任务分配为核心的算法，辅之以android网络通信的算法。该系统最终的实现目标是：以一台android作为主节点，另外的android设备作为工作节点，由主节点来调配，收发数据，由工作节点实际来计算，并最后将计算结果交与主节点来处理，并统计运行的时间。并测试一台android设备与分布式系统之间在计算时间上面的差别。

图1 结构框图

3. 研究计划与安排

(1)第1－3周：查阅相关文献资料，明确研究内容，学习毕业设计研究内容所需理论的基础。确定毕业设计方案，完成开题报告；

(2)第4－5周：掌握神经网络任务分配的基本原理与应用，熟悉系统实现相关技术，完成英文资料的翻译；

(3)第6－9周：完成整个系统的设计；

4. 参考文献（12篇以上）

[1]d. camps-mur, a. garcia-saavedra, and p. serrano,“device-to-device communications with wi-fi direct: overview and experimentation,”ieee wireless communications, vol. 20, no. 3,pp. 96–104, 2013.

[2] w. chen, j. t. wilson, s. tyree, k. q. weinberger, and y. chen, “compressing neural networks with the hashing trick,” computing research repository, 2015.

[3] a. coates, b. huval, t. wang, d. wu, b. catanzaro, and n. andrew, “deep learning with cots hpc systems,” international conference on machine learning, vol. 20, no. 3, pp. 96–104,2013.