9、硬件感知的概率模型：从贝叶斯网络到概率电路

硬件感知的概率模型：从贝叶斯网络到概率电路

在当今的技术领域，如何在保证系统性能的同时降低能耗和成本是一个关键问题。硬件感知的概率模型为解决这一问题提供了有效的途径，本文将介绍硬件感知的贝叶斯网络和概率电路，探讨它们在传感器前端质量缩放方面的应用。

硬件感知贝叶斯网络用于传感器前端质量缩放

在传感器前端的应用中，语音活动检测（VAD）是一个重要的场景。通过硬件感知的贝叶斯网络，可以实现传感器前端质量的缩放，从而在成本和准确性之间找到平衡。

VAD 应用实验

• 特征提取 ：VAD 系统在模拟域中提取特征，将传入的音频信号分解为 16 个频率带。每个带的中心频率从 75 Hz 到 5 kHz 呈指数增长，并且每个带的 ADC 可以将信号离散化为 8 位。每个带还具有可变放大功能，能够以 8、4、2 和 1 enob 提取特征。
• 成本和目标函数定义
  • 硬件感知成本函数 ：CostF(θ) = $\sum_{F∈F}$ CF,analog(F) = $\sum_{F∈F}$ β · 2θF，其中 θF 是特征 F 的 enob，β 的值基于 VAD 芯片的能耗测量。
  • 目标函数 ：OF(acc, cost) = log($\frac{\sqrt{accuracy}}{\sqrt{cost}}$)，其中成本在 0 到 1 之间归一化。
• 实验设置