12、边缘AI算法：功能、实现与优化策略

边缘AI算法：功能、实现与优化策略

1. 特征缩放

传感器收集的数据范围可能很广，例如16位无符号整数的测量值范围在0到65,535之间。这种大范围的数据会给一些AI算法带来挑战，如深度学习模型在处理大数值输入时训练困难，机器学习模型在处理不同尺度特征时难以取得好结果，还会影响传感器融合。

为解决这个问题，在将输入数据组合或输入AI算法之前进行缩放是个好方法，常见的是归一化。其中最简单的是重新缩放，步骤如下：
1. 确定输入数据代表性样本（通常是训练数据）中特定特征的最大值和最小值。
2. 使用公式 normalized_value = (raw_value - minimum) / (maximum - minimum) 计算归一化值，结果在0到1之间，方便与其他归一化值比较和组合。

其他常见的缩放方法包括均值归一化和标准化。需要注意的是，实际数据范围可能与训练数据不同，应裁剪超出预期范围的值。

2. 人工智能算法的分类视角

可以从功能和实现两个角度来思考AI算法。功能决定了算法的用途，实现则与数据集和部署设备相关。

2.1 按功能分类的算法类型

2.1.1 分类算法

分类算法用于区分不同类型的事物，例如健身监测器区分步行和跑步、安全系统区分空房间和有人的房间、野生动物相机区分不同物种等。分类可分为：
- 二元分类：输入属于两个类别之一。
- 多类分类：输入属于两个以上类别之一。
- 多标签分类：输入属于任意数量类别中的零个或多个。

其中二元和多类分类最常见，多标签分类