物联网采用的数据自动感知和采集的方式,产生了大数据的现象,这类大数据已经无法通过人工采用传统的数据分析方法进行分析和处理。边缘计算是化解大数据问题的一种解决方案,边缘计算可以将数据在物联网边缘节点进行存储和处理。由于边缘计算将计算任务从集中式云卸载到物联网设备附近的边缘,这将极大地减少传输的数据量。物联网的数据分析和处理更加智能的方法就是将机器学习应用到其中,机器学习系统从训练数据中自动学习模型,并使用它们预测未来数据的值。但是由于大量训练数据的网络传输会造成很严重的网络阻塞,所以这里就需要引用边缘计算方案,不仅能减少网络传输的拥挤,还能满足物联网应用时延低的需求。因此,面向边缘计算的机器学习成为物联网数据分析与处理的一种有效的方法。文章为了使得某些机器学习算法适应边缘计算下物联网对算法的要求,完成了以下的研究内容:(1)针对物联网对机器学习学习算法的需求:计算量小,快速且准确,选取了比较有优势的的机器学习算法极限学习机(ELM)作为研究重点,在差分演化的极限学习机算法模型(DE-ELM)的基础上,提出了在线的边增长边剪枝的极限学习机(GP-ELM),在跳跃式增长ELM的隐藏节点个数的同时利用计算节点贡献值的并且删去几乎没有作用的节点的方法,动态地确定网络的学习结构。在保证计算优势的前提下完成模型的自动生成。(2)在数据预处理中的数据填充问题上,提出了针对物联网特性的数据填充方案,分别通过短时间相关性对应的时间序列模型,地理位置相关性对应的K-近邻模型(KNN)和其他属性相关性对应的回归模型计算需要填充的值,最后对三个模型的结果再利用机器学习算法进行训练,得到最后的填充值,整个过程形成了保证后续使用数据准确率的一个解决方案。整个方案使得机器学习算法在边缘的环境下仍然能得到比较高质量的数据。为了评估上述方案的正确性和可行性,文章搜集了通用的物联网下的数据并且用MATLAB软件对设计的方案和算法进行仿真实验,同时对比了现有的一些解决方案。实验证明,相对于传统方法,提出的GP-ELM有着相当的准确率的同时提升了训练的速度,而且这是在自动完成的情况下。另外,所提出的数据填充方案在对比中也比以往的方案提高了准确率。