用于传感器换能器转换例程的机器学习
机器学习
2021-11-09 v2
摘要
具有数字输出的传感器需要软件转换例程，将无单位的模数转换器样本转换为具有正确单位的物理量。鉴于低功耗嵌入式系统有限的计算资源，这些转换例程在计算上较为复杂。本文提出了一组机器学习方法，为 BME680 环境传感器学习新的、复杂度较低的转换例程，且不牺牲精度。我们给出了模型在精度与计算开销之间的 Pareto 分析，并提出了能将现有工业标准转换例程在温度、压力和湿度方面的计算开销分别降低 62%、71% 和 18% 的模型。相应的 RMS 误差分别为 0.0114 摄氏度、0.0280 KPa 和 0.0337%。这些结果表明，用于学习转换例程的机器学习方法能够产生在保持良好精度的同时降低计算开销的转换例程。
引用
@article{arxiv.2108.11374,
title = {Machine Learning for Sensor Transducer Conversion Routines},
author = {Thomas Newton and James T. Meech and Phillip Stanley-Marbell},
journal= {arXiv preprint arXiv:2108.11374},
year = {2021}
}
备注
4 pages, 3 figures