基于RP2040和机器学习实现语音控制

介绍了基于RP2040和机器学习开发的一款可以实现语音控制的语音识别设备,开发过程中将微控制器和机器学习进行结合.主要讲解了语音识别设备的语音控制模块开发过程中语音信号的处理、模型的搭建与训练等内容,其中语音信号主要采用傅里叶变换进行处理,模型的搭建过程中参考数据的处理与载有RP2040芯片的树莓派Pico的容量进行调...     

基于Spark的流程化机器学习分析方法

Spark通过使用内存分布数据集,更加适合负载数据挖掘与机器学习等需要大量迭代的工作.但是数据分析师直接使用Spark进行开发十分复杂,包括scala学习门槛高,代码优化与系统部署需要丰富的经验,同时代码的复用度低导致重复工作繁多.本文设计并实现了一种基于Spark的可视化流程式机器学习的方法,一方面设计组件模型来刻画机器学习的基本步骤,包括数据预处理、特征处理、模型训练及验证评估,另一方面提供可视化的流程建模工具,支持分析者设计机器学习流程,由工具自动翻译为Spark平台代码高效执行.本工具可以极大的提高Spark平台机器学习应用开发的效率.论文介绍了工具的方法理论和关键技术,并通过案例表明工具的有效性.     

Silicon Labs携手Edge Impulse加速实现机器学习应用

Silicon Labs(亦称“芯科科技”)宣布与领先的边缘设备机器学习(ML)开发平台Edge Impulse携手合作,实现在Silicon Labs EFR32无线片上系统(SoC)和EFM32微控制器(MCU)上快速开发和部署机器学习应用。Edge Impulse工具可在低功耗且内存受限的远程边缘设备上实现复杂的运动检测(motion detection)、声音识别和图像分类。     

运用Edge Impulse实现MCU机器学习

引言 近来业界对机器学习的兴趣大增,已经有许多云应用帮助我们进行机器学习的开发.但是,如果应用缺乏互联网连接、需要处理敏感数据或者要求低延迟,在小型微控制器上运行机器学习会更为合理.本文通过一个样例项目演示使用Edge Impulse在小型、低功耗、低成本微控制器上进行机器学习的开发.     

基于Matlab的STM32软件快速开发方法

为实现高效的C语言代码编写,将Matlab／Simulink应用在基于ARMCortex—M3内核STM32微控制器的嵌入式系统软件开发中。利用专门针对STM32系列微控制器开发的Simulink模块库RapidSTM32及其工具套件,对嵌入式系统进行建模与仿真。仿真成功后,在模型编译器中把其翻译成高效的MDKC语言代...     

基于概率模型检查的树模型公平性验证方法

如今,越来越多的社会决策借助机器学习模型给出,包括法律决策、财政决策等等.对于这些决策,算法的公平性是极为重要的.事实上,在这些环境中引入机器学习的目的之一,就是为了规避或减少人类在决策过程中存在的偏见.然而,数据集常常包含敏感特征,或可能存在历史性偏差,会使得机器学习算法产生带有偏见的模型.由于特征选择对基于树的模型具有重要性,它们容易受到敏感属性的影响.提出一种基于概率模型检查的方法,以形式化验证决策树和树集成模型的公平性.将公平性问题转换为概率验证问题,为算法模型构建PCSP#模型,并使用PAT模型检查工具求解,以不同定义的公平性度量衡量模型公平性.基于该方法开发了FairVerify工具,并在多个基于不同数据集和复合敏感属性的分类器上验证了不同的公平性度量,展现了较好的性能.与现有的基于分布的验证器相比,该方法具有更高的可扩展性和鲁棒性.     

基于堆叠泛化的设计模式检测方法

设计模式检测是理解和维护软件系统的一项重要工作.以高效识别设计模式变体和提高设计模式识别准确率为目的，将面向对象度量与模式微结构相结合，提出一种基于堆叠泛化的设计模式检测方法.该方法应用典型的机器学习算法，分别训练度量分类器和微结构分类器，并基于两者的预测值和相关对象模型特征进一步训练，从而形成堆叠分类器.为了评估该方法，基于该方法开发了一个原型工具OOSdpd.该工具从Java字节码级别的系统实现中抽取设计模式实例，并在JUnit等几个经典的开源项目上进行实验.通过与现有的两种工具进行对比分析，实验验证了该方法在提高设计模式识别准确率及召回率方面的有效性.     

MCU AI部署技术和方法

用微控制器实现人工智能是近年来嵌入式产品开发的热点和难点.本文讨论在MCU上部署深度网络模型,在MCU上进行推理的方法、技术和工具,分析部署MCU AI的流程、MCU深度网络模型支持库以及网络模型转换工具和优化方法,最后介绍知名MCU供应商发布的深度网络模型训练和部署工具.     

8位嵌入式微控制器PicoBlaze的应用

介绍了Xilinx公司的8位微控制器软核PicoBaaze的结构、性能和基本开发流程;设计实现了基于PicoBlaze微控制器的串行异步通讯接口,并通过Spartan-3E Starter Kit开发板和计算机验证了设计的正确性.     

基于业务模型和界面模型的代码生成工具

企业信息系统在企业的经营管理中发挥着至关重要的作用,然而,在企业信息系统的开发过程中,存在着相似代码重复编写、系统架构不一致、开发周期长等问题.目前已有的代码生成工具或无法将系统概念设计与软件实现技术分离,或无法满足由可视化设计直接生成完整功能代码的要求.针对上述问题,设计了一种基于业务模型和界面模型的代码生成工具,开发人员只需要对业务模型和界面模型进行可视化设计,由代码生成工具完成完整的代码生成功能.当模型修改时,由代码生成工具完成代码的重构.目前该代码生成工具已应用于国家电网公司统一应用开发平台中,实践表明,代码生成工具的使用可以减少开发人员80％以上的编码量,实现设计成果的复用和共享,统一企业信息系统的开发架构,提高企业信息系统开发的质量和效率.     

基于大数据下分布式机器学习的策略与原则

随着人工智能的快速发展,分布式机器学习开始成为社会生产建设中重要工具.大数据技术的应用,丰富了分布式机器学习的策略,进一步拓展了应用空间,提高了应用价值.基于此,本文分析了基于大数据下分布式机器学习特点,然后根据分布式机器学习的实际需要,从分配与调度、计算与通信连接等方面进行探讨,围绕着分布式机器学习的基本原则,寻找科学、合理的学习策略.     

微控制器开发系统的研究

从微控制器应用系统开发的需要出发，根据芯片的系统结构．本文站在微控制器芯片提供商的角度分析了使用宿主PC机实现一个目标微控制器的开发系统的设计方案，从微控制器CPU核心、片上调试支持、JTAG协议转换器、编程软件工具、仿真调试工具、评估板等六个方面对开发系统进行了研究。     

从ADS到RealView MDK(上)

1 ARM微控制器开发的新工具 Keil是颇受业界欢迎的51单片机开发工具,它拥有流畅的用户界面与强大的仿真功能.ARM将Keil公司收购之后,正式推出了针对ARM微控制器的开发工具RealView Microcontroller Development Kit (简称RealView MDK 或者 MDK),它将ARM开发工具RealView Development Suite(简称RVDS)的编译器RVCT与Keil的工程管理、调试仿真工具集成在一起,是一款非常强大的ARM微控制器开发工具.     

基于Markov链的软件任务剖面建模方法研究与实现

针对航空航天等安全关键领域里嵌入式软件测试中存在的困难,引入并研究了用户需求模型和任务剖面模型的概念及表示方法,设计并实现了基于用户需求模型的任务剖面模型自动建模算法,进而结合Markov链模型与任务剖面模型,为任务流提取和测试用例生成工作提供依据,基于Rose可扩展接口(REI)开发了任务剖面模型自动建模工具.通过验证,肯定了上述方法与工具在嵌入式软件测试过程中的效果和价值.     

基于Stateflow的触摸屏液晶显示器控制软件设计

采用Stateflow工具对触摸屏液晶显示器的控制软件进行开发设计,提高了开发速度和软件的可靠性.显示器控制电路采用μPD78F0495微控制器芯片,触摸屏液晶显示器选用的型号是LJD-ZN-1040T.实现了显示界面切换、信息显示、数据修改等功能.     

基于机器学习的SCADE模型组合验证环境假设自动生成方法

高安全应用开发环境(Safety Critical Application Development Environment, SCADE)是工业界进行安全关键软件建模、仿真测试和形式化验证的常用工具,如何解决工业级软件的SCADE模型在进行形式化验证时遇到的状态空间爆炸问题是目前面临的一项重要挑战。基于契约的组合验证方法通过研究软件各构件的上下文和外部环境来编写环境假设对构件的状态空间进行约束,能够解决状态空间爆炸问题,但环境假设的手工编写费时费力。为了解决这一问题,文中提出了一种基于机器学习的SCADE模型组合验证环境假设自动生成方法。首先,针对SCADE模型采用自动仿真方法生成机器学习方法所需数据集;然后,采用决策树和遗传算法进行环境假设自动生成;最后,实现了具有SCADE模型分析和环境假设自动生成功能的原型工具,并基于弹射座椅控制系统案例,验证了所提方法的有效性。     

工作流开发平台框架的研究与开发

文章提出了一个跨平台、支持各种操作系统、提供模型验证的独特工作流开发平台框架.通过平台建模工具搭建流程定义,依托引擎实现流程流转,采用基于Web的缺省客户端和管理监控工具完成对流程的调整、监控与审计,提供建模时期模型验证功能,提高了平台运行的可靠性.     

S3ML: 一种安全的机器学习推理服务系统

隐私保护问题在当今机器学习领域日益受到关注, 构建具备数据安全保障的机器学习服务系统变得越来越重要. 与此同时, 以英特尔SGX为代表的可信执行环境技术得到了日益广泛的使用来开发可信应用和系统. SGX为开发者提供了基于硬件的名为飞地的安全容器来保障应用程序的机密性和完整性. 本文基于SGX提出了一种面向机器学习推理的安全服务系统S3ML. S3ML将机器学习模型运行在SGX飞地中以保护用户隐私. 为了构建一个实用的基于SGX的安全服务系统, S3ML解决了来自两方面的挑战. 首先, 机器学习推理服务为了保证高可用性和可扩展性, 通常包含多个后端模型服务器实例. 当这些实例在SGX飞地内运行时, 需要新的系统架构和协议来同步证书及密钥, 以构建安全的分布式飞地集群. S3ML设计了基于SGX认证机制的飞地配置服务, 来专门负责在客户端和模型服务器实例之间生成、持久化和分发证书及密钥. 这样S3ML可以复用现有的基础设施来对服务进行透明的负载均衡和故障转移, 以确保服务的高可用性和可扩展性. 其次, SGX飞地运行在一个名为飞地页面缓存(EPC)的特殊内存区域, 该区域的大小有限, 由主机上的所有SGX飞地竞争, 运行在飞地中应用的性能因此易受到干扰. 为了满足机器学习推理服务的服务级别目标, 一方面S3ML使用轻量级的机器学习框架和模型来构建模型服务器以减少EPC消耗. 另一方面, 通过实验发现了使用EPC页交换吞吐量作为保障服务级别目标的间接监控指标是可行的. 基于该发现, S3ML提出基于EPC页交换强度来控制服务的负载均衡和水平扩展活动. 基于Kubernetes、TensorFlow Lite和Occlum实现了S3ML, 并在一系列模型上进行实验, 对S3ML的系统开销、可行性和有效性进行了评估.     

车间调度中的数据挖掘技术研究

基于Multi-Agent System（MAS）的人机合作技术适合于解决复杂调度问题。为了使人与机能够更好地合作来完成高效、准确的车间调度,引入C4.5算法,建立并实现了基于机器学习和MAS的人机合作车间调度系统仿真模型。在Java环境下,以Weka、JADE为开发平台,以Eclipse为开发工具,Access为后台数据库,完成了系统的开发。通过实例仿真和结果分析,运用机器学习算法动态调度的结果稍优于最佳的静态调度结果,证明了系统的正确性和优越性。     

邦元框架生成工具的设计与实现

邦元框架生成工具是用来自动生成邦元模型的框架程序.针对目前邦元程序开发与仿真应用结合过于紧密,通用性不足,在进行邦元框架生成工具总体结构设计的基础上,实现了一个仿真应用框架程序的自动生成工具.该工具具有支持邦元基本流程的框架生成、解读FED文件、自动生成基于Windows程序的邦元框架、邦元框架与Windows多框架的结合等功能.支持对象模型和实体模型两个层次的导入,能够在Visual Studio开发环境下根据使用者的要求自动生成仿真应用的程序模板,大大提高了工作效率,并保证了仿真应用实现的正确性.