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，如何在保证性能的同时降低能耗是一个关键问题。硬件感知贝叶斯网络（ns - BN）为解决这一问题提供了有效的途径，它能够考虑前端不同子系统，包括纯模拟、混合信号和数字模块。下面将详细介绍ns - BN的三个应用场景。

1. 第一个用例：混合信号质量缩放

在混合信号前端，存在着质量与能耗之间的权衡。信噪比（SNR）可以描述前端对随机电路噪声的容忍能力，无噪声信号处理系统和有噪声系统之间的关系可以用高斯分布来建模，其标准差与SNR成反比。

当传感器信号经过前端处理后在数字域提取特征时，有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。这是因为数字特征提取模块中的大多数操作是加法和乘法，两个具有高斯噪声的信号进行加法和乘法运算后，结果信号仍具有高斯噪声。

在对应的ns - BN中，分布$Pr(F’ i | F_i)$是高斯分布，均值$\mu = F_i$，标准差等于前端的总噪声$V {n,rms,tot}$，且与SNR成反比。ns - BN允许每个特征或从公共传感链提取的一组特征有$h$种可能的质量降级级别。

1.1 实验设置

• 数据集 ：使用了UCI机器学习库中的13个公开数据集，包括Pioneer、HAR - UCI等。所有数据集都经过了预处理，去除了名义特征，并使用朴素贝叶斯分类器进行了包装特征选择，以防止过拟合。
• 成本函数 ：$CostF(\theta) = \sum_{S\in S} C_S(S) = \sum_{S\