在基于云計算的現(xiàn)代應(yīng)用時代，AlgoBuilder將變得更智能

　　在本文中，我們只討論Symbios中與AlgoBuilder相關(guān)的功能。

　　Symbios幾乎可以從AlgoBuilder中實時檢索數(shù)據(jù)，并在極坐標圖上顯示數(shù)據(jù)模式。單個或多個傳感器有助于根據(jù)所選參數(shù)和參數(shù)測量值生成一個多傳感器簽名。

　　例如，下圖所示是Symbios呈現(xiàn)的X、Y和Z軸AlgoBuilder FFT，具體地講，極坐標圖描述每個頻率的FFT幅度。Symbios提供了將來自監(jiān)測電機的ST MEMS加速度計的數(shù)據(jù)組成數(shù)據(jù)集(例如,針對不同電機速度的頻率簽名)、標記模式以及在學習模式中應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)的功能。只需點擊幾下鼠標，即可用AlgoBuilder傳感器數(shù)據(jù)模式構(gòu)建監(jiān)督型深度學習模型，在同一電機或其它遠程連接的電機上立即開始評估CNN分類器。此外，還可以生成格式與STCubeMX.AI兼容的CNN，以便在STM32 IoT節(jié)點上移植和運行。

AlgoBuilder用于云端機器學習頻譜分析

　　下一張圖片描述了另一個Symbios應(yīng)用場景，通過AWS檢索AlgoBuilder的環(huán)境和運動參數(shù)，并在極坐標圖上形成簽名。在實際應(yīng)用中通過移動電路板或更改環(huán)境參數(shù)，開發(fā)人員可以了解簽名或模式是如何變化的，因為極坐標軸代表了AlgoBuilder提取和發(fā)送的參數(shù)，用戶能夠快速了解從云服務(wù)獲得的傳感器數(shù)據(jù)對應(yīng)用項目是否有益。

　　為了向開發(fā)人員提供靈活的數(shù)據(jù)整合功能，Symbios可將傳感器數(shù)據(jù)送到兩個不同的極坐標圖。例如，下面左側(cè)極坐標圖描述的是運動MEMS加速度計和陀螺儀參數(shù)，而右側(cè)極坐標圖則是整合了HTS221運動MEMS傳感器數(shù)據(jù)與和LPS22HB環(huán)境傳感器數(shù)據(jù)。后面的截圖描述的是其它類型的數(shù)據(jù)整合。

　　即使在這種情況下，用戶也可以使用所提供的工具箱生成適合的訓練集，還可以開啟人工神經(jīng)網(wǎng)絡(luò)訓練階段以及實時測試。一旦對性能感到滿意，開發(fā)人員就可以決定生成ANN網(wǎng)絡(luò)，并用STCubeMX.AI工具將生成的ANN移植到STM32微控制器。在了解工作流程后，客戶將能在自己的工作場所復制該方法，從而加快產(chǎn)品開發(fā)周期。

工作中的AlgoBuilder 和Symbios

工作中的AlgoBuilder 和Symbios

　　其它的演示示例是在單個應(yīng)用環(huán)境中使用AlgoBuilder融合音視頻流，用于開發(fā)支持圖論和虛擬現(xiàn)實的高級數(shù)據(jù)融合算法(腦自動化)，在我們的RND部門，這個課題目前尚處于研發(fā)階段，我們將在下一篇文章中為感興趣的讀者深入介紹。在本文中，我們簡要介紹一下這個令人感興趣的新方法——如何僅用一個在本地STM32 IoT節(jié)點、邊緣或云端或者Web應(yīng)用中運行的單一的分層互聯(lián)的ANN(稱為大腦)來解決復雜任務(wù)。下圖是一個由多個非同構(gòu)人工神經(jīng)網(wǎng)絡(luò)組成的協(xié)同網(wǎng)絡(luò)的示例，每個圖節(jié)點表示一個非同構(gòu)人工神經(jīng)網(wǎng)絡(luò)。 大腦正在等待新的AlgoBuilder輸入，收到后，輸入模式就會被立即傳送到所有網(wǎng)絡(luò)節(jié)點。單個ANN被激活，將輸出數(shù)據(jù)傳送到其它ANN。通過這種方式，專門執(zhí)行特定任務(wù)的ANN可以協(xié)同解決那些需要復雜工具和設(shè)備同時從不同角度監(jiān)測才能處理的更為復雜的任務(wù)。

大腦正在等待新的AlgoBuilder輸入

AlgoBuilder輸入的感知刺激信號將大腦激活

　　結(jié)語

　　總之，我們相信AlgoBuilder將讓設(shè)計者能夠使用零行代碼方法開發(fā)云服務(wù)導向的現(xiàn)代應(yīng)用，通過點幾次鼠標就能完成應(yīng)用可行性評估，縮短研發(fā)周期，讓客戶更加滿意。Symbios代表了一個演示案例套件，用于展示云計算時代傳感器與云集成的潛力。