8、传感器前端质量缩放的硬件感知贝叶斯网络

传感器前端质量缩放的硬件感知贝叶斯网络

在传感器前端的设计中，平衡质量和能耗是一个关键问题。硬件感知贝叶斯网络（ns - BN）及其相关策略为解决这一问题提供了有效的途径，它能够考虑前端中从纯模拟、混合信号到数字模块等不同子系统。下面将介绍ns - BN的三个具体用例。

1. 第一个用例：混合信号质量缩放

此用例主要利用混合信号前端在质量和能耗之间的权衡关系。信噪比（SNR）描述了前端对随机电路噪声的容忍能力，可通过高斯分布来建模无噪声信号处理系统和有噪声系统之间的关系，其标准差与SNR成反比。

在这个用例中，假设噪声特征和无噪声特征之间的关系也可以用高斯分布描述。对于从同一感官链提取的特征或特征集，ns - BN允许有h个不同的质量降级级别。例如，在一个系统中有两个传感器特征集S1 = {F1, F2}和S2 = {F3, F4}，F1和F2、F3和F4分别由相同的前端提取，受到相同水平的电路噪声影响。ns - BN的参数集由这些特征集的相关参数组成。

ns - BN可以评估在不同电路噪声容忍度下分类准确性和能源成本之间的权衡关系。前端的能耗与SNR（以有效位数enob表示）相关，可使用搜索策略来提取准确性与能源成本权衡空间中的帕累托最优权衡前沿。

1.1 实验部分

• 实验目标 ：确定每个感官链的SNR水平，以在特定目标准确性下实现最小能源成本，反之亦然，即找到映射到局部成本与准确性帕累托前沿的感官链SNR配置。
• 成本函数和目标函数定义 ：
  • 成本函数：$CostF(θ) =