在万方找的英文文献摘要，自己翻译的
1. 
考虑到时间序列数据的高维度和复杂性给数据挖掘带来的困难以及聚类分析在时间序列数据挖掘领域中的重要性，本文总结了国内外时间序列数据聚类的研究现状。时间序列聚类可以被分为全时间序列聚类和子序列聚类。并且可以在特征表示，相似度测量，聚类算法，集群原型和特定应用程序分析方面来研究。根据时间序列存在的主要问题，本文提出了一些在未来值得研究的内容和方向。所有的工作都是为了促进时间序列数据聚类的研究和发展。
2.
在大数据时代，地理空间大数据为理解复杂的人地关系提供了新的机会。数据挖掘对揭示隐藏在地理空间大数据的有价值的时空模式是至关重要的。地理空间大数据有一些独一无二的特征，例如精细时空粒度，广泛的时空规模，人地关系中的丰富信息，高时空偏见，低时空精度。地理空间大数据需要根据它独特的特征设计出专门的数据挖掘方法。在这个研究中，我们首先分析了时间数据挖掘和地理空间大数据挖掘的关系，然后回顾了地理空间大数据挖掘的最新进展。本文的综述有望为地理空间大数据的理论和方法的完善提供一些有价值的参考。
3. 
针对网络控制系统没有考虑诱导时延的缺陷，提出了基于数据挖掘技术的网络控制系统建模和控制方法。设计网络控制系统通过时间驱动传感器，事件驱动执行器和控制器，分析存在诱导时延的信号并且构建一个线性离散数学模型，采用动态数据挖掘方法建立控制参数的预测模型，基于传感器的测量值和控制参数时间序列，确定最佳控制参数。结果表明使用此方法的网络控制系统的超调量小，延迟低，并且在单包传输以及多包传输情况下丢包率均低于0.2%。
4. 
本文主要介绍了深度学习在图像识别和语言处理上的应用。我们希望能给深度学习在无线电监测和频谱管理上的应用带来一些灵感。
5. 
本文介依照人工智能从编程智力像学习智力发展的进程介绍了深度学习的特点。在深度学习的热度中，冷静地分析了当前深度计算尤其是嵌入式深度计算必须重点关注的三大因素。
6. 
聚类是一种寻找数据内部之间结构的技术 ，是许多数据驱动领域的基本问题。聚类性能很大程度上依赖数据表示的质量。近年来，深度学习因其强大的特征提取能力被广泛的用在聚类任务，以学习更好的特征表示，显著的提高了聚类性能。首先，介绍了传统聚类任务。然后根据网络结构介绍了基于深度学习的代表性聚类方法。指出了存在的问题，并介绍了深度学习的聚类在不同领域的应用。最后总结和展望了深度学习的聚类发展。
