22、硬件感知概率模型中的数字质量缩放

硬件感知概率模型中的数字质量缩放

1. 引言

在资源受限的边缘设备中，机器学习任务的实现面临诸多挑战，尤其是如何在有限的计算资源和能源预算下保持较高的分类准确度。传统的机器学习模型通常在高精度和高性能的计算环境中进行优化，但在边缘设备中，这些模型需要适应较低的精度和更严格的资源约束。因此，研究如何在不影响任务性能的前提下，通过调整数字特征提取的精度来实现资源高效的任务处理显得尤为重要。本文将探讨如何利用噪声可扩展贝叶斯网络（ns-BN）在数字特征提取模块中进行优化，以实现成本与准确度之间的最佳权衡。

2. 数字质量缩放实验

2.1 实验设置

为了验证数字质量缩放的有效性，我们选择了四个公开可用的数据集进行实验：合成数据集、HAD-USC、HAR-RIO 和机器人导航数据集。这些数据集涵盖了不同的应用场景，包括活动识别和机器人导航，能够充分展示所提出方法的通用性和实用性。

2.1.1 特征提取方法

在这些实验中，特征是通过以下步骤提取的：

1. 预处理 ：去除名义特征和包装特征选择（使用朴素贝叶斯分类器），以防止过拟合。
2. 特征提取 ：使用三阶低通滤波器对传感器信号进行处理，并计算结果信号的统计量（平均值、最大/最小值、相关性以及标准差）。
3. 离散化 ：数值特征使用独热编码进行二值化，以适应概率模型的输入要求。

2.1.2 数据集详情

表 1展示了所使用数据集的详细信息，