时序分类用于识别时序数据中的特定类别、运行状态或预定义标签，广泛适用于医疗健康、无线监控、智能安防和自动化测试等领域。

本波形分类器方案实现了一个轻量级、含 13K 参数的时序分类模型 (CLS_13k_NPU)，专为在嵌入式神经处理单元 (NPU) 上高效部署而设计。该设计采用 256 点实数快速傅里叶变换 (RFFT) 特性提取流水线，并结合每次 AI 推理任务中的 8 帧拼接，接受 128 元素的一维时序特性向量作为输入，输出 3 元素的输出向量，其中每个元素表示对应类别的置信度得分。

导出的模型文件从最后一个全连接层输出 INT8（8 位量化）张量。由于原始输出为量化形式的每类置信度得分，因此需要后处理步骤才能得到最终的分类结果。

波形分类器模型架构

模型网络结构为顺序式的特性变换流水线，其中每个阶段都直接构建在前一阶段的输出之上，逐步精炼并抽象输入表示，最终完成分类决策。图 5-2 展示了工作流程。

图 5-2 时间序列分类模型 (CLS_13k) 流程图

流水线起始于批量归一化层，该层对原始输入序列进行实时标准化处理，确保在任何可学习的变换应用之前，输入信号幅值变化不会影响特性缩放的一致性。输入稳定后，网络通过六个连续的卷积块逐步加深特性表示。每个卷积块内部结构一致：一个带偏置的 Conv2D 层，后接批量归一化和 ReLU 激活，形成重复模式，从而在连续的阶段中捕捉越来越抽象的时序模式。每个卷积块内的批量归一化有助于在深度增加时维持训练稳定性，而 ReLU 激活则为模型学习复杂信号特性提供了必要的非线性。

经过六个卷积阶段后，所得特性图通过一个自适应平均池化层，将空间分辨率压缩至固定大小 1×1，而与之前的时序长度无关。这一设计尤为关键：通过将模型与固定时序维度解耦，该模型本质上也支持不同长度的时序输入，为未来的部署场景提供了灵活性，无需修改网络架构。

固定尺寸的池化特性图随后被展平为二维张量，并送入最后的全连接 (FC) 层，该层将压缩后的高维特性表示直接映射到目标类别的输出得分。

模型输出和后处理

导出的模型文件从最后一个全连接层输出 INT8（8 位量化）张量。由于原始输出为量化形式的每类置信度得分，因此需要后处理步骤才能得到最终的分类结果。通常，这是通过在输出向量上应用 argmax 操作来实现的，该操作会识别出置信度分数最高的类别索引作为预测的分类结果。