ZHDA204 June   2026 MSPM0G5187

 

  1.   1
  2.   摘要
  3.   商标
  4. 1简介
  5. 2带 TinyEngine NPU 的 MSPM0G5187
  6. 3边缘 AI 工具链
    1. 3.1 TI Edge AI Studio
    2. 3.2 TI Tiny ML Tensorlab
    3. 3.3 TI 神经网络编译器
  7. 4边缘 AI 应用领域：数字识别
    1. 4.1 LeNet-5 变体 CNN 模型
    2. 4.2 NPU/CPU 性能比较
  8. 5边缘 AI 应用领域：波形分类器
    1. 5.1 特征提取
    2. 5.2 时序分类模型
    3. 5.3 模型内存注意事项
    4. 5.4 NPU/CPU 性能比较
  9. 6总结
  10. 7参考资料

5.1 特征提取

特性提取是常见 EdgeAI 应用的关键组成部分，尤其是在音频和时间序列信号处理中。特性提取模块提供针对嵌入式系统的高效信号处理功能，利用 ARM 库以实现最佳性能。可用的特性提取函数包括：

  • 实数快速傅里叶变换 (RFFT)：将时间域信号转换为频域表示
  • 幅度调节：应用缩放将信号幅度归一化到适当范围，并防止后续处理中出现上溢/下溢
  • 复幅度计算：计算 FFT 所得复数的幅度
  • 直流分量去除：消除信号直流偏置，以提高特征准确性
  • 频带计算：对定义频带内的频率分量进行平均，以实现降维

图 5-1 展示了特性提取处理流水线。

特性提取处理流水线图 5-1 特性提取处理流水线

表 5-6 展示了专为波形分类器设计的特性提取处理流水线配置。当相应的配置符号被定义时，其关联的任务将在处理流水线内执行。

表 5-3 波形分类器的流水线配置
正在处理任务配置符号是否已定义
RFFTFE_RFFTY
幅度缩放FE_COMPLEX_MAG_SCALEY
直流分量去除FE_DC_REMY
复幅度计算FE_MAGY
频带计算FE_BINY

表 5-4 展示了专为波形分类器设计的特性提取配置参数。对于每个推理任务，将八个帧进行拼接，每个帧处理 256 个数据点以生成 16 个特征维度，总共产生 128 个特征维度输入到波形分类器 AI 模型中。

表 5-4 波形分类器特性提取参数
Metric 配置符号 值
输入帧大小 FE_FRAME_SIZE 256
每帧特性大小 FE_FEATURE_SIZE_PER_FRAM 16
频率频带大小 FE_BIN_SIZE 8
归一化频带值 FE_BIN_NORMALIZE 1
要拼接的帧 FE_NUM_FRAME_CONCAT 8
输入特性大小 FE_STACKING_FRAME_WIDTH 128
注： 表 5-4 中配置的特性提取参数必须与模型训练期间使用的参数一致，以确保结果的可比性。

性能注意事项

  • 经优化的计算：利用 ARM 优化的库进行高效处理
  • 内存效率：缓冲区交换可最小化内存复制开销
  • 降维：频带计算可降低特性维度，从而降低后续阶段的内存使用和计算量
  • 参数调优：配置参数必须根据可用的内存和计算资源进行优化调整