姓名：王藹伶? ? ? ? ? ?學(xué)號：19020100281? ? ?學(xué)院：電子工程學(xué)院

轉(zhuǎn)自：https://blog.csdn.net/qq_33378599/article/details/105472438?utm_source=po_vip

【嵌牛導(dǎo)讀】嵌入式系統(tǒng)的AI選項通過使用人工智能，嵌入式開發(fā)人員可以尋求提供最智能的解決方案。如今，人工智能（AI）被視為發(fā)展物聯(lián)網(wǎng)（IoT）和諸如機器人和自動駕駛汽車之類的網(wǎng)絡(luò)物理系統(tǒng)的重要技術(shù)。智能揚聲器通過識別自然語言和合成高質(zhì)量語音的能力，提供了日常生活中先進(jìn)的AI實例。為此，揚聲器需要將數(shù)據(jù)傳遞到遠(yuǎn)程服務(wù)器場中的多臺高速計算機上。嵌入式硬件的局限性在于無法運行它們所依賴的各種深度神經(jīng)網(wǎng)絡(luò)（DNN）算法。AI不必局限于部署在服務(wù)器場中的高性能計算引擎中?，F(xiàn)在還提出了AI技術(shù)，作為管理極其復(fù)雜的5G New Radio協(xié)議的一種方式。手機需要分析以提供最佳數(shù)據(jù)速率的信道參數(shù)數(shù)量已經(jīng)超過了工程師開發(fā)高效算法的能力。對在現(xiàn)場試驗中獲得的數(shù)據(jù)進(jìn)行訓(xùn)練的算法提供了一種更有效地平衡不同設(shè)置之間權(quán)衡的方法。在維護(hù)在遠(yuǎn)程位置運行的工業(yè)設(shè)備的健康方面，在嵌入式硬件上運行的機器學(xué)習(xí)算法正在成為一種有效的選擇。諸如卡爾曼濾波器之類的傳統(tǒng)算法很容易處理不同類型的輸入數(shù)據(jù)（例如壓力，溫度和振動）之間的線性關(guān)系。但是，問題之前的問題的早期警告通常通過高度非線性的關(guān)系變化來識別。

【嵌牛鼻子】人工智能實施

【嵌牛提問】人工智能提供商有哪些？

【嵌牛正文】

系統(tǒng)可以接受來自運行狀況良好且發(fā)生故障的機器的數(shù)據(jù)的培訓(xùn)，以在發(fā)現(xiàn)實時數(shù)據(jù)后發(fā)現(xiàn)潛在問題。但是，神經(jīng)網(wǎng)絡(luò)雖然是當(dāng)今流行的選擇，但并不是唯一可用的AI解決方案?？梢詰?yīng)用許多算法，替代解決方案可能最適合手頭的任務(wù)。

在基于規(guī)則的AI中可以找到一種可能的解決方案。通過在規(guī)則庫中編碼專家的知識，這可以利用領(lǐng)域?qū)＜业膶I(yè)知識，而不是直接的機器學(xué)習(xí)。推理引擎根據(jù)規(guī)則分析數(shù)據(jù)，并嘗試找到遇到的條件的最佳匹配?；谝?guī)則的系統(tǒng)具有較低的計算開銷，但是如果條件很難使用簡單的語句來表達(dá)或者輸入數(shù)據(jù)與操作之間的關(guān)系不甚了解，則開發(fā)人員將會遇到困難。后一種情況適用于語音和圖像識別，這是機器學(xué)習(xí)表現(xiàn)出色的地方。

機器學(xué)習(xí)與優(yōu)化過程密切相關(guān)。給定輸入數(shù)據(jù)庫元素，機器學(xué)習(xí)算法將嘗試找到最合適的分類或排序方法?？梢詫⒒诰€性回歸等技術(shù)的曲線擬合算法視為最簡單的機器學(xué)習(xí)算法：一種使用數(shù)據(jù)點制定最適合的多項式的算法，然后可以使用該多項式確定最可能的輸出對于給定的輸入基準(zhǔn)。曲線擬合僅適用于尺寸很小的系統(tǒng)。真正的機器學(xué)習(xí)應(yīng)用程序可以處理復(fù)雜的高維數(shù)據(jù)。

通過將數(shù)據(jù)分類為分組，聚類進(jìn)一步進(jìn)行。一種典型的算法是基于質(zhì)心的算法，但是機器學(xué)習(xí)中使用了許多其他類型的聚類分析?；谫|(zhì)心的系統(tǒng)使用數(shù)據(jù)點之間的幾何距離來確定它們是否屬于一個組或另一個組。聚類分析通常是一個迭代過程，在此過程中，將應(yīng)用不同的標(biāo)準(zhǔn)來確定聚類之間的邊界形成位置以及單個聚類中相關(guān)數(shù)據(jù)點的緊密程度。但是，該技術(shù)可有效地證明可能會避開領(lǐng)域?qū)＜业臄?shù)據(jù)模式。將數(shù)據(jù)分離為類的另一種選擇是支持向量機（SVM），它可以將超維數(shù)據(jù)沿著使用優(yōu)化技術(shù)創(chuàng)建的超平面劃分為類。

決策樹提供了在規(guī)則庫中使用群集數(shù)據(jù)的方法。決策樹為AI算法提供了一種通過數(shù)據(jù)輸入來得出答案的方法?？梢酝ㄟ^對輸入數(shù)據(jù)進(jìn)行聚類分析來確定樹中的每個分支。例如，系統(tǒng)在高于特定溫度的情況下可能會表現(xiàn)不同，因此在其他條件下可接受的壓力讀數(shù)可能有助于指示問題。決策樹可以使用這些條件組合來找到最適合該情況的規(guī)則集。盡管DNN通常需要高性能的硬件才能實時運行，但諸如對抗性神經(jīng)網(wǎng)絡(luò)之類的結(jié)構(gòu)卻更為簡單，已成功在基于32位或64位處理器的移動機器人上成功實現(xiàn)，例如Raspberry Pi平臺中的處理器。 DNN的主要優(yōu)勢在于它采用了許多層。分層結(jié)構(gòu)使中子有可能對多維數(shù)據(jù)元素之間的連接進(jìn)行編碼，這些多維數(shù)據(jù)元素在空間和時間上可能是高度分離的，但是在訓(xùn)練過程中卻表現(xiàn)出重要的關(guān)系。

除了其計算開銷外，DNN的一個缺點是訓(xùn)練它需要大量的數(shù)據(jù)。 AI研究人員正在研究其他算法，例如基于高斯過程的算法。它們使用數(shù)據(jù)的概率分析來建立模型，該模型的功能類似于神經(jīng)網(wǎng)絡(luò)，但使用的訓(xùn)練數(shù)據(jù)少得多。但是，從短期來看，DNN的成功使它成為處理復(fù)雜的多維輸入（例如圖像，視頻以及音頻或過程數(shù)據(jù)的流采樣）的關(guān)鍵候選人。

在具有復(fù)雜要求的應(yīng)用程序中，一種選擇可能是在嵌入式設(shè)備中使用簡單的AI算法查找輸入數(shù)據(jù)中的異常值，然后從云中請求服務(wù)以更詳細(xì)地查看數(shù)據(jù)以提供更準(zhǔn)確的答案。這樣的拆分將有助于維持實時性能，限制需要長距離傳輸?shù)臄?shù)據(jù)量，并確保即使在臨時網(wǎng)絡(luò)中斷的情況下也能連續(xù)運行。如果連接丟失，則嵌入式系統(tǒng)可以緩存可疑數(shù)據(jù)，直到有機會通過云服務(wù)對其進(jìn)行檢查。

人工智能提供商

亞馬遜網(wǎng)絡(luò)服務(wù)（AWS）和IBM是現(xiàn)在向其客戶提供基于云的AI服務(wù)的公司。 AWS提供對適用于機器學(xué)習(xí)的各種硬件平臺的訪問，包括通用服務(wù)器刀片，GPU加速器和FPGA?？梢允褂瞄_源框架（例如Caffe和Tensorflow）構(gòu)建在云中運行的DNN，這些框架現(xiàn)已被AI從業(yè)人員廣泛使用。

IBM已將其Watson AI平臺與Raspberry Pi等板建立了直接接口，從而使得在致力于最終架構(gòu)之前，可以很容易地對機器學(xué)習(xí)應(yīng)用程序進(jìn)行原型制作。 ARM通過其mbed IoT設(shè)備平臺提供了與Watson的類似鏈接。

盡管AI可能看起來像是計算的新前沿，但Raspberry Pi等低成本高性能板的可用性以及對基于云的機器學(xué)習(xí)服務(wù)的訪問意味著嵌入式開發(fā)人員可以直接訪問整個機器學(xué)習(xí)領(lǐng)域在過去幾十年中發(fā)現(xiàn)的算法。隨著更先進(jìn)技術(shù)的發(fā)展，機載處理和云計算的結(jié)合將確保嵌入式開發(fā)人員能夠與時俱進(jìn)，并提供可能的最智能解決方案。