中國電子元件行業(yè)協(xié)會
China Electronic Components Association
聯(lián)系人：李鋒
銀行匯款
機(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL）技術(shù)正在迅速推動傳感技術(shù)的發(fā)展，顯著提升了其準(zhǔn)確性、靈敏度和適應(yīng)性。這些進(jìn)步正在對包括工業(yè)自動化、機(jī)器人、生物醫(yī)學(xué)工程和民用基礎(chǔ)設(shè)施監(jiān)測等在內(nèi)的諸多領(lǐng)域產(chǎn)生重大影響。這種變革性轉(zhuǎn)變的核心在于人工智能（AI）與傳感器技術(shù)的緊密融合，著重于開發(fā)高效算法，以推動器件性能的提升并在各類生物醫(yī)學(xué)和工程領(lǐng)域加速新應(yīng)用場景的落地。機(jī)器學(xué)習(xí)/深度學(xué)習(xí)技術(shù)對傳感技術(shù)的貢獻(xiàn)主要分為四個方面：傳感器設(shè)計(jì)、校準(zhǔn)和補(bǔ)償、目標(biāo)識別和分類、行為預(yù)測。
據(jù)麥姆斯咨詢報(bào)道，近日，浙江大學(xué)的科研團(tuán)隊(duì)深入研究了機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法與傳感器技術(shù)的融合，揭示了它們對傳感器設(shè)計(jì)、校準(zhǔn)和補(bǔ)償、目標(biāo)識別以及行為預(yù)測所產(chǎn)生的深遠(yuǎn)影響。通過一系列示例應(yīng)用，這項(xiàng)研究展示了人工智能算法在顯著升級傳感器功能和擴(kuò)大其應(yīng)用范圍方面的潛力。此外，該研究還探討了在利用這些技術(shù)進(jìn)行傳感應(yīng)用時所面臨的挑戰(zhàn)，并對未來趨勢和潛在進(jìn)展提出了見解。這篇綜述以“AI-Driven Sensing Technology: Review”為主題發(fā)表在Sensors期刊上。Long Chen和Chenbin Xia為該論文的共同第一作者，付浩然特聘研究員為通訊作者。
機(jī)器學(xué)習(xí)/深度學(xué)習(xí)輔助傳感器設(shè)計(jì)
機(jī)器學(xué)習(xí)/深度學(xué)習(xí)主要通過兩個方面輔助傳感器設(shè)計(jì)。首先，開發(fā)了如人工神經(jīng)網(wǎng)絡(luò)等逆向工程模型，以根據(jù)所需性能結(jié)果來設(shè)計(jì)目標(biāo)傳感器的幾何架構(gòu)。其次，在設(shè)計(jì)過程中，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等算法優(yōu)化傳感器性能，解決諸如測量范圍小、信噪比低以及精度不足等問題。
圖1 機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法在傳感器設(shè)計(jì)中的應(yīng)用
將人工智能方法融入傳感器的設(shè)計(jì)過程，可以縮短設(shè)計(jì)時間、降低計(jì)算成本，同時最大限度地減少迭代，從而快速開發(fā)出滿足特定環(huán)境或功能需求的架構(gòu)。此外，將機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法集成到信號處理階段可以顯著改善關(guān)鍵參數(shù)。然而，人工智能在傳感器設(shè)計(jì)中的作用面臨著挑戰(zhàn)，包括為促進(jìn)設(shè)計(jì)的人工智能算法需要大量訓(xùn)練。此外，由于算法無法解釋器件的多場響應(yīng)的復(fù)雜相互作用，導(dǎo)致其無法預(yù)測性能隨時間發(fā)生的變化，例如老化，因此預(yù)先訓(xùn)練的模型有過時的風(fēng)險(xiǎn)。這凸顯了人工智能驅(qū)動的傳感器設(shè)計(jì)在通用性方面的局限性。
校準(zhǔn)和補(bǔ)償
在工作過程中，傳感器經(jīng)常會因電壓波動、溫度變化或其它環(huán)境因素而出現(xiàn)信號漂移，從而導(dǎo)致測量結(jié)果失真。為了解決這一問題，機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法采用了兩種策略：首先，在校準(zhǔn)過程中采用極限學(xué)習(xí)機(jī)（ELM）和多層感知機(jī)（MLP）等算法來考慮各種環(huán)境因素的影響，從而減少重復(fù)校準(zhǔn)測試的需求，縮短校準(zhǔn)時間，并提高精度；其次，在使用過程中引入多層感知機(jī)和卷積神經(jīng)網(wǎng)絡(luò)等算法，自動補(bǔ)償環(huán)境中遇到的各種干擾。
圖2 機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法在校準(zhǔn)和補(bǔ)償中的應(yīng)用
人工智能算法可以在傳感器校準(zhǔn)過程中減少因環(huán)境變化、電壓波動和其他因素造成的誤差，或者在傳感器使用過程中自動補(bǔ)償因環(huán)境變化、電壓波動和器件老化等因素造成的誤差。然而，人工智能在校準(zhǔn)和自動補(bǔ)償中的應(yīng)用面臨著一些挑戰(zhàn)。機(jī)器學(xué)習(xí)/深度學(xué)習(xí)模型的本質(zhì)是黑箱模型，難以定量解釋導(dǎo)致器件漂移的各種因素的比例，從而限制了對傳感器設(shè)計(jì)改進(jìn)的指導(dǎo)。此外，機(jī)器學(xué)習(xí)/深度學(xué)習(xí)模型訓(xùn)練通常需要大量的數(shù)據(jù)和計(jì)算資源，而且模型的有限通用性可能導(dǎo)致其在新環(huán)境中表現(xiàn)不佳。
識別和分類
在傳感器應(yīng)用中，人工智能不僅僅局限于信號收集，還能夠?qū)δ繕?biāo)和應(yīng)用場景進(jìn)行識別和分類。人工智能輔助識別和分類流程通常包括傳感器的數(shù)據(jù)收集、特征提取、特征匹配和識別。通過采用隨機(jī)森林（RF）、K-最近鄰（KNN）、支持向量機(jī)（SVM）和深度信念網(wǎng)絡(luò)（DBN）等算法，可以縮短識別中的決策時間，提高準(zhǔn)確性，降低人工識別成本，并且最大限度地減少環(huán)境干擾，從而實(shí)現(xiàn)更精確的特征提取。應(yīng)用場景的復(fù)雜性決定了對傳感器信息的需求；例如，語音識別可以僅通過振動信號實(shí)現(xiàn)，而運(yùn)動識別通常需要結(jié)合視覺和壓力傳感器的信號。
機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法在識別和分類中的應(yīng)用范圍很廣，包括機(jī)器人感知、目標(biāo)識別、行為識別、健康監(jiān)測、身份驗(yàn)證和機(jī)械故障檢測。
圖3 機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法在基于單維數(shù)據(jù)的識別和分類中的應(yīng)用
在人類行為識別、目標(biāo)識別或故障監(jiān)測等實(shí)際應(yīng)用中，僅依靠單一類型的信號數(shù)據(jù)進(jìn)行分析可能會導(dǎo)致準(zhǔn)確性問題或適用性受限。利用人工智能融合和分析來自傳感器的各種信號類型的數(shù)據(jù)，可以提高識別的準(zhǔn)確性。
圖4 機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法在基于多維數(shù)據(jù)的識別和分類中的應(yīng)用
將人工智能用于識別和分類中可以提高準(zhǔn)確率，減少環(huán)境因素造成的誤差，即使在處理復(fù)雜任務(wù)時也能保持較高的響應(yīng)速度。然而，機(jī)器學(xué)習(xí)/深度學(xué)習(xí)模型需要大量的訓(xùn)練數(shù)據(jù)，但是從傳感器數(shù)據(jù)中獲取的樣本有限，可能導(dǎo)致模型過度擬合。此外，樣本的稀缺性使得確定最合適的模型架構(gòu)（如最佳層數(shù)和參數(shù)）變得更加復(fù)雜。
行為預(yù)測
利用傳感器收集的數(shù)據(jù)來預(yù)測未來行為是人工智能在傳感技術(shù)中的重要應(yīng)用。將行為預(yù)測與預(yù)警系統(tǒng)相結(jié)合，可以顯著降低事故發(fā)生的可能性。
圖5 機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法在行為預(yù)測中的應(yīng)用
將人工智能與傳感器相結(jié)合來進(jìn)行預(yù)測，可以提高預(yù)測的準(zhǔn)確性和實(shí)時性，即使在復(fù)雜、非線性的情況下也是如此。然而，這些預(yù)測都是基于監(jiān)測數(shù)據(jù)而非機(jī)理分析模型。因此，針對未知數(shù)據(jù)或場景進(jìn)行預(yù)測時，模型的準(zhǔn)確性和靈敏度無法保證，這對機(jī)器學(xué)習(xí)/深度學(xué)習(xí)模型的通用性和穩(wěn)定性提出了很高的要求。
綜上所述，這項(xiàng)研究全面概述了機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法輔助傳感技術(shù)的增強(qiáng)和工程應(yīng)用。這顯著提高了傳感器的準(zhǔn)確性和對環(huán)境變化的適應(yīng)性。盡管，機(jī)器學(xué)習(xí)/深度學(xué)習(xí)輔助的傳感技術(shù)取得了重大進(jìn)展，但仍然存在一些挑戰(zhàn)，這為未來研究提供了機(jī)遇。為了解決這些問題，有必要在數(shù)據(jù)收集過程中采用數(shù)據(jù)增強(qiáng)（data augmentation）和對抗性訓(xùn)練等技術(shù)，以優(yōu)化數(shù)據(jù)集的質(zhì)量和數(shù)量。此外，在模型訓(xùn)練過程中引入噪聲和干擾可以提高模型對未知數(shù)據(jù)的通用性。此外，開發(fā)多場耦合模擬方法對于提高數(shù)值數(shù)據(jù)的全面性和準(zhǔn)確性，同時增強(qiáng)機(jī)器學(xué)習(xí)/深度學(xué)習(xí)模型的可解釋性來說至關(guān)重要。最后，需要通過推進(jìn)模型壓縮和邊緣計(jì)算技術(shù)的發(fā)展來降低模型復(fù)雜性，并將某些模型計(jì)算任務(wù)從傳感器端卸載，從而降低傳感器功耗。
