嵌入式人工智能是什么东西？

1739 智能嵌入式

问答对人有帮助，内容完整，我也想知道答案 0 嵌入式人工智能是什么东西？ 0
2021-12-27 07:52:21　　评论淘帖0 邀请回答您可以邀请以下用户，快速回答问题 × heks 该类别下有 16 个回答。邀请回答 ChristineGu 该类别下有 16 个回答。邀请回答 HengDu 该类别下有 16 个回答。邀请回答 dfasda 该类别下有 15 个回答。邀请回答 nhonglan 该类别下有 15 个回答。邀请回答 yonglanzhang 该类别下有 15 个回答。邀请回答 muwersddg 该类别下有 14 个回答。邀请回答杀狼000 该类别下有 14 个回答。邀请回答 wenminglang 该类别下有 14 个回答。邀请回答 C880U 该类别下有 14 个回答。邀请回答 jhdfvs 该类别下有 14 个回答。邀请回答 chm5 该类别下有 14 个回答。邀请回答 billbian 该类别下有 13 个回答。邀请回答 a732538 该类别下有 13 个回答。邀请回答 hrtuoyu 该类别下有 13 个回答。邀请回答 hfgdzc 该类别下有 13 个回答。邀请回答 thyysbk 该类别下有 13 个回答。邀请回答凡人wlj 该类别下有 13 个回答。邀请回答 kszdj113 该类别下有 13 个回答。邀请回答飞雪9366 该类别下有 13 个回答。邀请回答举报斗地主之神相关推荐 • 嵌入式与人工智能关系是什么？ 3963 • 嵌入式人工智能的实际作用是什么？ 1753 • 嵌入式人工智能技术是什么？ 2603 • 嵌入式RK3399主动模式的人工智能计算棒部署流程是怎样的 1797 • 嵌入式智能传感器的定义及特点 5180 • 人工智能在汽车中有什么应用？ 4457 • 人工智能芯片是指什么 4454 • 人工智能语音芯片行业的发展趋势如何？ 4455 • 什么是基于云计算的人工智能服务？ 5249 • 一文分析人工智能恐惧现象 2529 1个回答

答案对人有帮助，有参考价值 0 嵌入式系统的AI选项通过使用人工智能，嵌入式开发人员可以寻求提供最智能的解决方案。如今，人工智能（AI）被视为发展物联网（IoT）和诸如机器人和自动驾驶汽车之类的网络物理系统的重要技术。智能扬声器通过识别自然语言和合成高质量语音的能力，提供了日常生活中先进的AI实例。为此，扬声器需要将数据传递到远程服务器场中的多台高速计算机上。嵌入式硬件的局限性在于无法运行它们所依赖的各种深度神经网络（DNN）算法。AI不必局限于部署在服务器场中的高性能计算引擎中。现在还提出了AI技术，作为管理极其复杂的5G New Radio协议的一种方式。手机需要分析以提供最佳数据速率的信道参数数量已经超过了工程师开发高效算法的能力。对在现场试验中获得的数据进行训练的算法提供了一种更有效地平衡不同设置之间权衡的方法。在维护在远程位置运行的工业设备的健康方面，在嵌入式硬件上运行的机器学习算法正在成为一种有效的选择。诸如卡尔曼滤波器之类的传统算法很容易处理不同类型的输入数据（例如压力，温度和振动）之间的线性关系。但是，问题之前的问题的早期警告通常通过高度非线性的关系变化来识别。人工智能实施系统可以接受来自运行状况良好且发生故障的机器的数据的培训，以在发现实时数据后发现潜在问题。但是，神经网络虽然是当今流行的选择，但并不是唯一可用的AI解决方案。可以应用许多算法，替代解决方案可能最适合手头的任务。在基于规则的AI中可以找到一种可能的解决方案。通过在规则库中编码专家的知识，这可以利用领域专家的专业知识，而不是直接的机器学习。推理引擎根据规则分析数据，并尝试找到遇到的条件的最佳匹配。基于规则的系统具有较低的计算开销，但是如果条件很难使用简单的语句来表达或者输入数据与操作之间的关系不甚了解，则开发人员将会遇到困难。后一种情况适用于语音和图像识别，这是机器学习表现出色的地方。机器学习与优化过程密切相关。给定输入数据库元素，机器学习算法将尝试找到最合适的分类或排序方法。可以将基于线性回归等技术的曲线拟合算法视为最简单的机器学习算法：一种使用数据点制定最适合的多项式的算法，然后可以使用该多项式确定最可能的输出对于给定的输入基准。曲线拟合仅适用于尺寸很小的系统。真正的机器学习应用程序可以处理复杂的高维数据。通过将数据分类为分组，聚类进一步进行。一种典型的算法是基于质心的算法，但是机器学习中使用了许多其他类型的聚类分析。基于质心的系统使用数据点之间的几何距离来确定它们是否属于一个组或另一个组。聚类分析通常是一个迭代过程，在此过程中，将应用不同的标准来确定聚类之间的边界形成位置以及单个聚类中相关数据点的紧密程度。但是，该技术可有效地证明可能会避开领域专家的数据模式。将数据分离为类的另一种选择是支持向量机（SVM），它可以将超维数据沿着使用优化技术创建的超平面划分为类。决策树提供了在规则库中使用群集数据的方法。决策树为AI算法提供了一种通过数据输入来得出答案的方法。可以通过对输入数据进行聚类分析来确定树中的每个分支。例如，系统在高于特定温度的情况下可能会表现不同，因此在其他条件下可接受的压力读数可能有助于指示问题。决策树可以使用这些条件组合来找到最适合该情况的规则集。尽管DNN通常需要高性能的硬件才能实时运行，但诸如对抗性神经网络之类的结构却更为简单，已成功在基于32位或64位处理器的移动机器人上成功实现，例如Raspberry Pi平台中的处理器。 DNN的主要优势在于它采用了许多层。分层结构使中子有可能对多维数据元素之间的连接进行编码，这些多维数据元素在空间和时间上可能是高度分离的，但是在训练过程中却表现出重要的关系。除了其计算开销外，DNN的一个缺点是训练它需要大量的数据。 AI研究人员正在研究其他算法，例如基于高斯过程的算法。它们使用数据的概率分析来建立模型，该模型的功能类似于神经网络，但使用的训练数据少得多。但是，从短期来看，DNN的成功使它成为处理复杂的多维输入（例如图像，视频以及音频或过程数据的流采样）的关键候选人。在具有复杂要求的应用程序中，一种选择可能是在嵌入式设备中使用简单的AI算法查找输入数据中的异常值，然后从云中请求服务以更详细地查看数据以提供更准确的答案。这样的拆分将有助于维持实时性能，限制需要长距离传输的数据量，并确保即使在临时网络中断的情况下也能连续运行。如果连接丢失，则嵌入式系统可以缓存可疑数据，直到有机会通过云服务对其进行检查。人工智能提供商亚马逊网络服务（AWS）和IBM是现在向其客户提供基于云的AI服务的公司。 AWS提供对适用于机器学习的各种硬件平台的访问，包括通用服务器刀片，GPU加速器和FPGA。可以使用开源框架（例如Caffe和Tensorflow）构建在云中运行的DNN，这些框架现已被AI从业人员广泛使用。 IBM已将其Watson AI平台与Raspberry Pi等板建立了直接接口，从而使得在致力于最终架构之前，可以很容易地对机器学习应用程序进行原型制作。 ARM通过其mbed IoT设备平台提供了与Watson的类似链接。尽管AI可能看起来像是计算的新前沿，但Raspberry Pi等低成本高性能板的可用性以及对基于云的机器学习服务的访问意味着嵌入式开发人员可以直接访问整个机器学习领域在过去几十年中发现的算法。随着更先进技术的发展，机载处理和云计算的结合将确保嵌入式开发人员能够与时俱进，并提供可能的最智能解决方案。

2021-12-27 09:50:53 评论举报陈佳敏