書接上文：
瑞薩嵌入式AI技術(shù)漫談 · 信號處理場景的AI-as-a-Service
信號處理場景的AI-as-a-Service
3
面向信號數(shù)據(jù)的機器學(xué)習(xí)方法
信號并不適用于傳統(tǒng)機器學(xué)習(xí)
盡管傳統(tǒng)機器學(xué)習(xí)長期以來被視為替代經(jīng)驗規(guī)則和手工特征工程的主要方向，但在處理真實世界的信號數(shù)據(jù)時，其表現(xiàn)往往受到限制。信號數(shù)據(jù)具有高維度、強時序相關(guān)性、非平穩(wěn)性以及復(fù)雜的物理結(jié)構(gòu)，這些特性使傳統(tǒng)ML工具難以從中提取穩(wěn)定且可泛化的特征。在許多實際場景中，傳統(tǒng)ML模型不僅需要較長的訓(xùn)練和推理時間，還可能表現(xiàn)出偏低的準確率和較差的魯棒性。
問題的根源在于，信號中包含的關(guān)鍵信息通常不是靜態(tài)的統(tǒng)計量，而是以瞬態(tài)、局部模式或隱性變化的形式出現(xiàn)。傳統(tǒng)特征方法雖然可以對信號進行壓縮，但通常以犧牲細粒度信息為代價。例如，RMS能量可用于描述整體強度，高分辨率FFT能用于識別頻域結(jié)構(gòu)，但這些處理往往會過濾掉反映異常、故障、損傷或細微狀態(tài)變化的核心信息（如圖16-圖19所示）。因此，在傳統(tǒng)ML框架下，模型往往“看不到”這些關(guān)鍵細節(jié)，導(dǎo)致識別能力受限。
長期以來，機器學(xué)習(xí)一直被視為傳統(tǒng)方法的替代方案。然而，由于前述原因，信號數(shù)據(jù)往往使傳統(tǒng)機器學(xué)習(xí)工具難以奏效。信號分析的高維度和復(fù)雜數(shù)學(xué)關(guān)系導(dǎo)致大多數(shù)真實世界應(yīng)用中處理時間過長且準確率偏低。
特征在基于信號的機器學(xué)習(xí)中的關(guān)鍵作用
在信號領(lǐng)域，特征工程在很大程度上決定了模型的性能上限。特征是機器學(xué)習(xí)算法的輸入表達，可能是原始采樣點，也可能是基于信號域（如頻域、時域、時頻域等）提取的復(fù)合變量。無論采用何種算法，只要特征能夠有效表征不同類別或狀態(tài)之間的差異，模型便可以學(xué)習(xí)到穩(wěn)定的判別邊界；但如果特征無法捕捉真實世界的關(guān)鍵結(jié)構(gòu)，即使采用最先進的算法，也難以得到可靠的結(jié)果。
當(dāng)信號復(fù)雜到原始采樣值無法直接作為特征時，許多工程師會轉(zhuǎn)向傳統(tǒng)特征工程方式，如峰值、能量、包絡(luò)、FFT系數(shù)等。但這些特征本質(zhì)上仍然是人為設(shè)定，它們能反映的結(jié)構(gòu)有限，且對噪聲敏感，難以覆蓋自然界中多樣化的場景變動。結(jié)果是，在高噪聲、多干擾或非線性行為顯著的信號場景中，傳統(tǒng)特征工程方法難以保證模型的泛化能力。
圖 16 為什么基礎(chǔ)統(tǒng)計永遠不夠用。所有這些圖的X和Y的均值相同、標準差相同，X:Y相關(guān)性也相同。如果無法利用全部原始細節(jié)，算法將永遠無法在數(shù)據(jù)中看出這些不同模式。
圖 17 此示例展示的是一段來自制造設(shè)備中加速度計的時間序列數(shù)據(jù)。加速度向量的X、Y、Z分量以1秒為單位取平均。
圖 18 此示例展示經(jīng)過高頻分辨率快速傅里葉變換（FFT）預(yù)處理的振動數(shù)據(jù)。
X軸為頻率，Y軸為強度。相比圖17，這類數(shù)據(jù)有用得多——設(shè)備基礎(chǔ)轉(zhuǎn)速的倍頻成分會以尖峰形式出現(xiàn)，為了解機械狀態(tài)提供了關(guān)鍵信息，對旋轉(zhuǎn)設(shè)備尤其有效。FFT數(shù)據(jù)適用于許多應(yīng)用，但它舍棄了大量來自時域的信息；它只呈現(xiàn)某一時刻的單個快照——整張圖實際上就是圖17中一個數(shù)據(jù)點的展開。
圖 19 來自加速度計的原始時間波形數(shù)據(jù)。
該數(shù)據(jù)信息密度極高，是用于計算圖17中的簡單平均值和圖18中FFT的原始數(shù)據(jù)。在這類數(shù)據(jù)中，不僅能看到極其細致的頻率信息，還能同時獲取重要的時間特征，如瞬態(tài)與相位變化。然而，原始數(shù)據(jù)也包含所有噪聲，使其很難直接被人工分析。但對于Reality AI這樣的數(shù)據(jù)驅(qū)動特征發(fā)現(xiàn)算法來說，它能夠從這類數(shù)據(jù)中提取最大價值，創(chuàng)建自定義變換，精準聚焦于與檢測問題相關(guān)的信號部分——且僅聚焦這些部分。
瑞薩電子提供了基于RA6E2 FPB+加速度傳感器的運動狀態(tài)識別套件的實操案例，該案例使用加速度傳感器采集開發(fā)板在不同動作狀態(tài)下的姿態(tài)數(shù)據(jù)，建立“揮動”與“跌落”兩類樣本，并通過Reality AI Tools對相關(guān)數(shù)據(jù)特征進行分析，生成適用于端側(cè)識別的AI模型。隨后，模型結(jié)合e2studio完成集成、編譯與部署，并在開發(fā)板上進行實際運行驗證，從而形成從傳感器數(shù)據(jù)采集、模型生成到板級推理驗證的完整閉環(huán)。該案例能夠幫助開發(fā)者更直觀地理解端側(cè)AI在實際套件環(huán)境中的實現(xiàn)方式與驗證效果。
（詳細實踐指南請掃描下方二維碼或復(fù)制鏈接到瀏覽器打開查閱）
https://www.bilibili.com/video/BV1G3ZjYXEef/?vd_source=42a388f031f1b6aa0cb0e1df03220d4d
Reality AI：
從原始信號中直接發(fā)現(xiàn)數(shù)據(jù)驅(qū)動特征
Reality AI的核心方法論不同于依賴人工選擇特征的傳統(tǒng)路徑，而是通過自動化技術(shù)直接從原始信號中發(fā)現(xiàn)最具區(qū)分度的特征。其特征發(fā)現(xiàn)流程能夠融合時域與頻域信息，識別其他方法容易忽略的細微結(jié)構(gòu)與瞬態(tài)變化（如圖 20 圖 21所示）。
圖 20 當(dāng)使用傅里葉變換從復(fù)雜、動態(tài)信號中定義特征時，由于變換本身、噪聲與抖動會導(dǎo)致信息損失。
圖 21 Reality AI可以整合特征并消除抖動模糊，使特征更加精準，也更易于學(xué)習(xí)。
Reality AI的算法由多項已獲專利的技術(shù)構(gòu)成，包括稀疏分解、稀疏編碼與其他信號專用的數(shù)學(xué)方法。這些技術(shù)能夠在無監(jiān)督或半監(jiān)督條件下運行，通過分析原始傳感器波形中的局部結(jié)構(gòu)、模式重復(fù)性和異常點特征，自動提取適用于分類、預(yù)測或異常檢測的特征集。
Reality AI Tools中的AI Explore?提供完整的自動化特征探索能力。用戶無需定義特征，而是將原始數(shù)據(jù)輸入工具，由系統(tǒng)自動：
分析不同類別之間的可區(qū)分結(jié)構(gòu)；
生成多個備選模型，并按準確率、復(fù)雜度及嵌入式資源需求排序；
提供可直接部署于MCU/MPU的嵌入式C代碼。
這種方法顯著減少了對手工特征工程的依賴，使模型能夠在更少的數(shù)據(jù)、更高的噪聲條件下獲得穩(wěn)定性能，并且自然適配資源受限的嵌入式部署環(huán)境。
Reality AI與深度學(xué)習(xí)的比較
近年來，深度學(xué)習(xí)在多類信號相關(guān)任務(wù)中展現(xiàn)出優(yōu)異性能，尤其是在圖像分類、語音識別、場景理解與自然語言處理等領(lǐng)域。深度學(xué)習(xí)通過多層卷積或循環(huán)網(wǎng)絡(luò)自動構(gòu)建層級特征，不依賴人工定義特征，能夠逐層提取更抽象、更高維度的表示，是處理大規(guī)模高維數(shù)據(jù)的主流方法之一。
然而，深度學(xué)習(xí)與Reality AI并非簡單的性能高低比較，而是在不同任務(wù)中具備不同的優(yōu)勢。深度學(xué)習(xí)擅長處理結(jié)構(gòu)復(fù)雜、模式多樣、數(shù)據(jù)量充足的任務(wù)，例如圖像中的物體識別或語音中的語素建模。其強大的泛化能力使其適合處理高度復(fù)雜的空間結(jié)構(gòu)。
相比之下，Reality AI方法更側(cè)重于識別信號中的細微差異與局部特征，能夠捕獲紋理、微小斷裂點、局部異常等難以通過卷積操作直接提取的結(jié)構(gòu)信息。這種能力在圖像任務(wù)中表現(xiàn)明顯，在信號領(lǐng)域則更具價值，例如：
通過振動信號中的微妙變化識別設(shè)備維護狀態(tài)；
通過聲學(xué)信號捕捉異常碰撞、泄漏、摩擦行為；
通過電氣信號識別稀有瞬態(tài)事件或故障萌芽階段。
兩種方法并非相互替代，而是互補存在。深度學(xué)習(xí)適用于大規(guī)模復(fù)雜模式識別，而Reality AI則擅長處理需要捕捉細粒度結(jié)構(gòu)、資源受限且要求高魯棒性的信號場景。
下期預(yù)告：Reality AI技術(shù)架構(gòu)與部署模式
如果你正在評估某個IoT/嵌入式系統(tǒng)是否需要引入端側(cè)AI，可以繼續(xù)閱讀后續(xù)章節(jié)中關(guān)于AIoT技術(shù)體系、實時分析與視覺AI的實現(xiàn)路徑，它們將對具體落地方式展開說明。如果您希望就您的AI具體落地方式進一步與瑞薩電子的AI專家進行交流，請點擊以下鏈接填寫你的需求，我們將在收到您的需求之后，盡快與您溝通。
（AI電子書下載相關(guān)信息您可點擊文末“閱讀原文”或識別下方二維碼或復(fù)制鏈接至瀏覽器中打開查閱）
https://www.ramcu.cn/resource/list/?aType=985
點擊可查看大圖
如果你正在評估某個嵌入式系統(tǒng)是否需要引入端側(cè) AI，并對其具體落地方式希望進一步與瑞薩電子的AI專家進行交流溝通，請?zhí)顚懩男枨螅覀儗⒃谑盏侥男枨蠛螅M快與您進行溝通。
（相關(guān)信息您可識別下方二維碼或復(fù)制鏈接至瀏覽器中打開查閱）
https://jsj.top/f/Mowiwo
https://info.renesas.com/reality-ai
如您在使用瑞薩MCU/MPU產(chǎn)品中有任何問題，可識別下方二維碼或復(fù)制網(wǎng)址到瀏覽器中打開，進入瑞薩MCU/MPU官方技術(shù)論壇尋找答案或獲取在線技術(shù)支持。
https://bbs.21ic.com/renesas
未完待續(xù)
推薦閱讀
瑞薩嵌入式AI技術(shù)漫談 · 嵌入式系統(tǒng)機器學(xué)習(xí)終極指南
瑞薩嵌入式AI技術(shù)漫談 · 實驗室模型與真實世界部署
瑞薩嵌入式AI技術(shù)漫談 · 信號處理場景的AI-as-a-Service
