嵌入式人工智能技术开发及应用
来源:用户上传
作者:冯一龙 殷建立
摘 要：嵌入式人工智能技术在相关设备的使用者操作习惯记录、控制指令的响应速度提升等多个方面有重要的意义，所以该项技术已经成为当前行业内的研究重点。本文探索了嵌入式人工智能技术的开发方法，通过对详细开发过程的研究和了解，分析了这一技术的实现方式，让人工智能技术能够获得更好的应用水平。
关键词：嵌入式人工智能技术 技术开发 技术使用
中图分类号：TP393 文献标识码：A 文章编号：1674-098X（2020）02（a）-0139-02
嵌入式人工智能技术依托于硬件设备，通过软件系统的设计和开发，从而让所有的硬件设施能够协同运行，让这一系统的运行质量获得大幅度的提高。就实际作用效果上来看，当前大量的企业已经开始开发这一新型技术，并且取得了较好的应用水平，今后要对这一技术进行进一步的研究，分析该项技术的作用质量。
1 嵌入式人工智能技术的开发
1.1 处理系统架构
处理系统的框架确定过程，通常需要以专业类型的芯片作为内核的整体架构思想，从而让这一系统能够保持运行的稳定。通常情况下，会选用异构多核架构模式，既能够在运行过程中产生更少的消耗和占据更少的物理空间，也能够充分提高处理器的运行性能。在目前的行业发展中，已经开始大量使用这一设计理念，用异构多核处理系统完成整体加工工作。比如高性能ARM核芯片等，就是采用这一多核处理架构提高了整个系统的工作性能。
1.2 GPU嵌入
GPU的作用是实现对于各类图片和图像信息的渲染以及处理，可以说，当GPU功能较差或者存在缺陷时，并不能够发挥图片显示硬件设施的功能潜能，所以要对这批芯片进行合理加工。当前的GPU设计过程，要能够对各类信息加速计算，以提高整个系统的响应速度，同时让该芯片能够更好地完成各类数据的处理任务。当前常用的设计思路是，在边缘计算的环境下，让GPU的运转能够实现对所有参数的加速处理，达到这一目的有两种思路，一种是堆核处理方法，另一种是大核处理方法，前者的代表是ARM芯片，后者的代表是高通公司生产的芯片。
1.3 神经网络建设
神经网络系统事实上是整个人工智能技术中最核心的技术体系，这一方法颠覆了传统软件系统和硬件设施的建设框架，实现了深度学习以及数据的自主革新。
在系统的具体运行过程中，采用的架构方法是数据驱动并行计算理念，这一方法会把获取的所有操作指令和信息使用到后续的数据处理过程，并且通过对其余参数的获取和整理实现深度计算[1]。当前这一架构形式已经在多种处理器中取得了应用，比如华为公司的麒麟芯片系列、高通公司的芯片系列、寒武纪公司的芯片等，都开始采用这一技术详细记录所有的数据。
1.4 数字信号处理
DSP作为数字信号处理装置，其运行过程中会把所有的数据导入到专业的处理模块内，并且由于其中含有的硬件数据处理器、相关的信号处理单元可以协同运行，所以会把所有的数据以专业控制模块的方式处理，最终做好数据的核算和管理工作。DSP信号处理装置的使用过程，可以实现对所有数据的加速计算工作，并在此基础上让该系统的运行质量获得提高，当前的DSP经过了长时间的开发和发展已经经过了升级，具有更高的集成度。
1.5 其余配置设计
其余配件的设计最核心的有两类，一个是芯片内核加速单元，另一个是类人脑单元。前者当前多采用多數据流技术，把获取的多媒体信号和其余类型的信号加工处理，并给出经过处理后的获取控制指令。在前端部署方案的构造过程，通常采用这一处理方式，借助卷积运算体系，对所有的计算过程加速。
在后者的设计过程，当前主要采用的方式是模拟人脑神经网络建成的芯片系统，数据处理功能中含有大量的神经细胞和神经突触，其可以广泛地获取数据，并强化数据的处理水平，发挥了类似于人脑的功能。
2 嵌入式人工智能技术的实现和使用
2.1 硬件平台搭建
硬件平台的搭建过程，上文中已经选择了所有设备的具体参数，而且已经开发出了满足这些功能的所有硬件设备[2]。在系统的搭建过程，首先按照已经建设的方案以及整体架构，完成硬件设备的选择，详细选择之后要检查架构质量，确定某一批次的产品质量是否符合要求，可把其安装到设计的硬件内，从而让硬件平台的搭建水平大幅度提高。
其次是辅助设施的构造，建设过程要分析所有硬件设备的具体运行情况，并且对电路板中的通路以及通电系统合理设计，并把其构筑到同一个芯片架构内部，防止芯片的生产之后发现存在通信通道的断路问题或短路问题，这就要求加工企业以及代工厂具有专业的运营资质，以提高对于某批次芯片的生产质量。
最后是质检工作的践行，要求专业的质检人员和质检部门做好对于这一设备的全面保护和检查工作，当发现某零件的质量和实际要求不符，或者零件的损坏率高出标准值，则需要深度分析该批次芯片生产过程中存在的缺陷。
2.2 功能算法设计
2.2.1 特征值获取
特征值获取是软件系统的最基础性功能，在边缘特征的提取方法中，设计思路是把环境的数据压缩到感知理论体系内，并且基于深度学习理念，从获取的数据中提取特征值。这两种方法都能够在整个系统的运行过程中获取相关参数，并且把这类参数输入到后续的分析模块内，这一工作模式可以把已经生产的芯片和需要开发的嵌入性功能进行对接，从而实现了对运算精度和速度的双方面兼顾，最终让设计的芯片运行质量获得大幅度的提高，以满足对大量数据的处理要求。 2.2.2 计算速度提高
计算速度的提高过程，要实现在算法层面上的优化，由于采用的算法能够体现所有程序，并且算法可以实现对程序的普适性处理，所以要做好对算法的改进工作。可以采用的设计思路是，通过分析某场景的优化方式，研究同一类型工作体系下，对某问题的解决最佳方案，并研究所有问题解决方案的构成因素，当这些构成因素可以应用于其余类型问题的解决过程，则可把其作为一个算法的构成内容，在此基础上实现任务的多角度和多层面深度涵盖[3]。
2.2.3 传感器数据采集
把传感器获取的所有数据直接输入到算法内，并按照建成的功能模块处理各类信息时，则能够大幅度提高所有数据的处理速度，并且由于减少了中间环节数量，则数据的处理精度也可以获得提高，当前已经开始大量使用这一方法提高对系统的处理水平。比如对于移动设备来说，传感器体系中的陀螺仪等硬件，可以测量设备的偏移角度，并把这一参数输入到屏幕处理装置，可以确定是否需要进行屏幕的翻转和校准，此外该过程也可根据实际需求，在其中设置更高控制权限的数据输入装置，这一权限要能够做到对当前设备操作方式和操作流程的自主监测。
2.2.4 深度学习算法应用
深度学习过程的核心要求是简化网络，采用的方法是删除各类对性能影响较小的卷积核，这一方式可以让整个系统处于更为高效优质的运行状态，从而让整个系统的运行稳定度提高。另外也要把学习模型和各项参数简化处理，并且把这些参数输入到专用的处理系统内，从而让最终获取的输入参数具有更高的应用水平。
3 结语
综上所述，嵌入式人工智能技术的开发过程，要考虑对于硬件平台的搭建和软件系统的合理开发，通过传感器的构造、计算体系加入等多种技术的使用，实现对于各类输入信号的识别和了解，并且对控制信号详细处理，在此基础上输出控制指令，让被控设备精准运行。
参考文献
[1] 曾凡菊.機械电子工程中人工智能技术的有效运用分析[J].湖北农机化，2019（12）：17.
[2] 毕盛.嵌入式人工智能技术开发及应用[J].电子产品世界，2019，26（5）：14-16，25.
[3] 袁孙奇，段然，崔春风.基于O-RAN架构的无线网络嵌入式人工智能探索[J].通信世界，2019（7）：36-39.
转载注明来源:https://www.xzbu.com/1/view-15215744.htm
