ZHDA204A June   2026  – October 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 通过 TI Edge AI Studio 进行快速原型设计
    1. 4.1 工程设置
    2. 4.2 数据采集
      1. 4.2.1 硬件设置
      2. 4.2.2 特征概述
    3. 4.3 数据导入
      1. 4.3.1 分类任务
      2. 4.3.2 回归任务
      3. 4.3.3 预测任务
      4. 4.3.4 注释列表
    4. 4.4 数据注释
    5. 4.5 模型训练
      1. 4.5.1 训练参数
      2. 4.5.2 工具链依赖项
    6. 4.6 性能报告
    7. 4.7 模型导出
  8. 5 通过 TI Tiny ML Tensorlab 进行高级开发
    1. 5.1 环境设置
    2. 5.2 数据采集
      1. 5.2.1 数据检索
      2. 5.2.2 数据验证
    3. 5.3 模型架构迭代重构
      1. 5.3.1 基线实现
      2. 5.3.2 使用 PyTorch 内置模块进行重构
      3. 5.3.3 数据管道优化
      4. 5.3.4 过渡到 CNN 架构
    4. 5.4 模型导出
    5. 5.5 量化感知训练
    6. 5.6 模型编译
  9. 6 边缘 AI 应用：数字识别
    1. 6.1 LeNet-5 变体 CNN 模型
    2. 6.2 NPU/CPU 性能比较
  10. 7 边缘 AI 应用：波形分类器
    1. 7.1 特征提取
    2. 7.2 时序分类模型
    3. 7.3 模型内存注意事项
    4. 7.4 NPU/CPU 性能比较
  11. 8 总结
  12. 9 参考资料
  13. 10修订历史记录

7.1 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。可用的特征提取函数包括：

  • 实数快速傅里叶变换 (RFFT)：将时域信号转换为频域表示
  • 幅度缩放：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
  • 复数幅度计算：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求平均，以实现降维

图 7-1 展示了特性提取处理流水线。

特性提取处理流水线图 7-1 特性提取处理流水线

表 7-6 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 7-3 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 7-4 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 7-4 波形分类器特征提取参数
Metric配置符号值
输入帧大小FE_FRAME_SIZE256
每帧特性大小FE_FEATURE_SIZE_PER_FRAM16
频率频带大小FE_BIN_SIZE8
归一化频带值FE_BIN_NORMALIZE1
要拼接的帧FE_NUM_FRAME_CONCAT8
输入特性大小FE_STACKING_FRAME_WIDTH128
备注： 表 7-4 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

  • 优化的计算：利用 ARM 优化的库进行高效处理
  • 存储器效率：缓冲区交换可更大限度地减少存储器复制开销
  • 降维：频带计算可降低特征维度，从而降低后续阶段的存储器使用和计算量
  • 参数调优：配置参数必须根据可用的存储器和计算资源进行调优