每當清晨，窗簾會適時自動打開將第一縷陽光灑滿你房間當你將手掌貼在衣柜門上，衣柜就會檢測到你的體溫，并綜合氣溫為你搭配著裝家里的冰箱會對其中的食物進行監(jiān)控，提示哪些食物即將過期，如果某些食物短缺，也會自動地聯(lián)系超市幫助訂購……這些近似科幻的生活場景正是物聯(lián)網(wǎng)時代帶給我們的便利生活。

智慧應用領域

物聯(lián)網(wǎng)的應用領域覆蓋到各個角落、各個領域，開篇提到的僅僅是物聯(lián)網(wǎng)提供給我們的智能生活，除此還有以下四個值得特別關注的領域：

智能電網(wǎng)：能源事關國家的命脈，所以發(fā)展物聯(lián)網(wǎng)首先要關注智能電網(wǎng)。在傳輸能源的同時采集數(shù)據(jù)，通過優(yōu)化模型對數(shù)據(jù)進行挖掘和分析，可以預測電能流的情況，如電壓變化和用電量分布，為發(fā)電、輸電、配電、用電各方及監(jiān)管單位提供決策支持，實現(xiàn)用電的優(yōu)化配置、節(jié)能減排。

智慧汽車：智慧汽車將是汽車產(chǎn)業(yè)的未來發(fā)展方向。在汽車的部件上裝上傳感器，通過網(wǎng)絡和GPS定位讓汽車與指揮后臺、汽車與汽車之間彼此自動溝通，這樣人們在駕駛時，就可以預知哪個地方出了故障、哪個路段特別擁擠，以減少汽車追尾事故、減少等待時間和尾氣排放等等。這是智慧城市和車聯(lián)網(wǎng)時代必不可少的一部分。

智慧醫(yī)療：如果把嵌入式芯片裝到患者身上，就可以隨時感知到患者的血糖、血壓和臟器的情況，并通過網(wǎng)絡與后臺的醫(yī)療、保健系統(tǒng)聯(lián)系在一起，隨時給出警示和應對建議，緊急情況下還可以自動呼叫急救中心，并發(fā)送定位信息。

射頻識別(RFID)產(chǎn)業(yè)：物流、金融、零售、物品防偽、環(huán)境保護、身份識別等很多方面，都離不開RFID，今后隨著物聯(lián)網(wǎng)的大規(guī)模應用，其應用范圍將更加廣闊。

智慧實現(xiàn)技術

物聯(lián)網(wǎng)技術采用射頻識別、紅外感應器、全球定位系統(tǒng)、激光掃描器等信息傳感設備采集物體信息，使物品與互聯(lián)網(wǎng)連接起來，進行信息交換和通訊，實現(xiàn)智能化識別、定位、跟蹤、監(jiān)控和管理。

物聯(lián)網(wǎng)通過各式各樣的傳感器抓取信息，隨之而來的，就是如何處理急速膨脹的數(shù)據(jù)?又怎樣讓這些數(shù)據(jù)產(chǎn)生智慧呢?這無疑對數(shù)據(jù)挖掘技術提出了新的挑戰(zhàn)。數(shù)據(jù)挖掘在這里只是一個代表性概念，它是一些能夠?qū)崿F(xiàn)物聯(lián)網(wǎng)智能化、智慧化的分析技術和應用的統(tǒng)稱。細分起來，包括數(shù)據(jù)挖掘和數(shù)據(jù)倉庫、計算智能、人工智能、專家系統(tǒng)、決策支持等技術和應用。

在通常情況下，數(shù)據(jù)分析的步驟是：首先收集數(shù)據(jù)，將其存儲在數(shù)據(jù)庫中，再用模型對數(shù)據(jù)庫進行搜索，這種高度結(jié)構(gòu)化的方式通常需要耗費很多時間其次要對收集的數(shù)據(jù)進行融合，該過程是對多維數(shù)據(jù)或信息進行處理，組合出更有效、更符合用戶需求的數(shù)據(jù)最后用先進的軟件算法在數(shù)據(jù)流入同時即對其進行分析，讓程序在短時間內(nèi)對環(huán)境變化做出智能的回應。

數(shù)據(jù)融合的方法普遍應用在日常生活中，比如在辨別一個事物的時候通常會綜合各種感官信息，包括視覺、觸覺、嗅覺和聽覺等。單獨依賴一個感官獲得的信息往往不足以對事物做出準確的判斷，而綜合各種感官數(shù)據(jù)，對事物的描述會更準確。許多時候我們只關心結(jié)果，并不需要收到大量原始數(shù)據(jù)，數(shù)據(jù)融合是實現(xiàn)此目的的重要手段。

如何完成由收集融合后的數(shù)據(jù)到信息、到知識、再到智慧的轉(zhuǎn)換呢?IT技術的發(fā)展成就已遠遠出乎人們的想象，只要給它提供一個平臺，它就可以向精靈一樣創(chuàng)造出無限的智慧。完成這一過程有很多方式，可以用機器學習的辦法讓機器本身具有一定的智能，也可以采用專家系統(tǒng)，建立一個內(nèi)部含有大量的某個領域?qū)＜宜降闹R與經(jīng)驗的數(shù)據(jù)庫，使系統(tǒng)能夠利用人類專家的知識和解決問題的方法來處理該領域問題。 從學習的方法來看有兩類任務：有監(jiān)督的學習和無監(jiān)督的學習。前者利用已知的類別標識，對一組訓練樣本進行學習，發(fā)現(xiàn)樣本特征與類別之間的關系，用于預測新樣本的類別，這個過程稱為分類。后者在樣本類別未知的情況下，根據(jù)樣本之間的相似性進行分組，這個過程稱為聚類。在物聯(lián)網(wǎng)數(shù)據(jù)挖掘中，同樣存在這兩種學習，由于所處理的樣本數(shù)據(jù)蘊含著路徑信息，稱為基于路徑的分類和聚類?；诼窂降姆诸惛鶕?jù)物品在一段時間內(nèi)的移動路徑，判斷物品所屬的類別。例如，在物流監(jiān)控中，將貨物的運輸軌跡分為正常和異常兩種，發(fā)現(xiàn)這兩類軌跡的特征可以用來監(jiān)測可疑行為。對路徑的分類通常需要先將路徑劃分為子序列，然后利用決策樹、神經(jīng)網(wǎng)絡、貝葉斯等方法進行分類?；诼窂降木垲惏l(fā)現(xiàn)相似的路徑群，揭示路徑之間的關系以及路徑與其它特征之間的關系。聚類的結(jié)果可以用來優(yōu)化道路設計，減少交通阻塞，預測交通流量。路徑聚類一般包括數(shù)據(jù)表示、相似度量定義、聚類、聚類描述和聚類評價幾個步驟。通過以上步驟便使得物聯(lián)網(wǎng)具有一定的智能，能夠自行地處理一些問題，使人們的生活更加便捷舒適。