边缘计算技术与机器学习技术的发展为物联网的数据智能研究带来了新的契机。作为一种新型的计算范式,边缘计算在网络边缘对数据进行汇集和智能分析,解决了集中式云计算难以解决的高通信成本和大时延的问题。但即使结合了边缘计算,数据传输仍旧是能量受限的无线传感器主要的能耗来源,因此数据汇集引起的高能耗是物联网亟需解决的问题之一。此外,尽管边缘设备的算力相对于传感器节点的而言更强大,它仍旧无法与云端数据中心的相比,对资源需求量大、计算复杂度高的机器学习分类模型难以提供实时性保证。因此,基于边缘计算的低能耗、轻量化、快速的数据汇集与分类技术研究具有重要的应用价值。针对上述问题,论文从数据汇集的角度,挖掘和利用传感器数据的时空相关性进行数据的压缩汇集,降低数据传输能耗;从数据分析的角度,研究适用于边缘设备的轻量级智能分类方法。主要工作及研究成果如下:(1)建立了一种基于边缘计算场景的低能耗数据压缩传输模型:基于分簇结构网络与分布式时空压缩场景,对直接传输与中继传输下的数据传输能耗进行建模和推导,分析得出:当充当簇首的边缘设备位于簇的中心位置时,簇内通信能耗最小;在簇规模较小时采用直接传输方式、反之采用中继传输方式的情况下,网络通信能耗最小。仿真结果证明此模型能有效地降低数据传输能耗。(2)提出了一种融合分块压缩感知与逻辑映射的时空数据压缩汇集方法:针对密集分布的传感器节点连续感知的数据体积庞大、时空相关程度高的问题,在传感器节点上对时域数据进行随机采样,在边缘节点上对簇内数据执行空间维度的压缩感知,以降低冗余数据传输量。并提出一种改进的逻辑映射方案,分别在边缘节点和汇聚中心上对簇内和簇间数据进行调整,使数据的空间分布大致有序化来进一步缩减精确重构所需的数据传输量。仿真结果表明,此方法能够在保证数据恢复质量的同时有效降低传输能耗。(3)提出了一种基于非重构数据的深度学习故障分类算法:针对传感器原始数据维度高,且压缩感知数据重构过程计算量大的问题,利用随机采样获取时域压缩数据,构建基于栈式稀疏自编码器和Softmax回归的深度神经网络模型,借助反向传播算法来对网络参数的进行微调,以实现基于压缩数据的自动的特征提取和分类。仿真结果表明本文的算法得到了较高的分类准确率和更低的运行时延。