中國電子元件行業(yè)協(xié)會(huì )
China Electronic Components Association
聯(lián)系人：李鋒
銀行匯款
機器學(xué)習（ML）和深度學(xué)習（DL）技術(shù)正在迅速推動(dòng)傳感技術(shù)的發(fā)展，顯著(zhù)提升了其準確性、靈敏度和適應性。這些進(jìn)步正在對包括工業(yè)自動(dòng)化、機器人、生物醫學(xué)工程和民用基礎設施監測等在內的諸多領(lǐng)域產(chǎn)生重大影響。這種變革性轉變的核心在于人工智能（AI）與傳感器技術(shù)的緊密融合，著(zhù)重于開(kāi)發(fā)高效算法，以推動(dòng)器件性能的提升并在各類(lèi)生物醫學(xué)和工程領(lǐng)域加速新應用場(chǎng)景的落地。機器學(xué)習/深度學(xué)習技術(shù)對傳感技術(shù)的貢獻主要分為四個(gè)方面：傳感器設計、校準和補償、目標識別和分類(lèi)、行為預測。
據麥姆斯咨詢(xún)報道，近日，浙江大學(xué)的科研團隊深入研究了機器學(xué)習/深度學(xué)習算法與傳感器技術(shù)的融合，揭示了它們對傳感器設計、校準和補償、目標識別以及行為預測所產(chǎn)生的深遠影響。通過(guò)一系列示例應用，這項研究展示了人工智能算法在顯著(zhù)升級傳感器功能和擴大其應用范圍方面的潛力。此外，該研究還探討了在利用這些技術(shù)進(jìn)行傳感應用時(shí)所面臨的挑戰，并對未來(lái)趨勢和潛在進(jìn)展提出了見(jiàn)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。
機器學(xué)習/深度學(xué)習輔助傳感器設計
機器學(xué)習/深度學(xué)習主要通過(guò)兩個(gè)方面輔助傳感器設計。首先，開(kāi)發(fā)了如人工神經(jīng)網(wǎng)絡(luò )等逆向工程模型，以根據所需性能結果來(lái)設計目標傳感器的幾何架構。其次，在設計過(guò)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(wèn)題。
圖1 機器學(xué)習/深度學(xué)習算法在傳感器設計中的應用
將人工智能方法融入傳感器的設計過(guò)程，可以縮短設計時(shí)間、降低計算成本，同時(shí)最大限度地減少迭代，從而快速開(kāi)發(fā)出滿(mǎn)足特定環(huán)境或功能需求的架構。此外，將機器學(xué)習/深度學(xué)習算法集成到信號處理階段可以顯著(zhù)改善關(guān)鍵參數。然而，人工智能在傳感器設計中的作用面臨著(zhù)挑戰，包括為促進(jìn)設計的人工智能算法需要大量訓練。此外，由于算法無(wú)法解釋器件的多場(chǎng)響應的復雜相互作用，導致其無(wú)法預測性能隨時(shí)間發(fā)生的變化，例如老化，因此預先訓練的模型有過(guò)時(shí)的風(fēng)險。這凸顯了人工智能驅動(dòng)的傳感器設計在通用性方面的局限性。
校準和補償
在工作過(guò)程中，傳感器經(jīng)常會(huì )因電壓波動(dòng)、溫度變化或其它環(huán)境因素而出現信號漂移，從而導致測量結果失真。為了解決這一問(wèn)題，機器學(xué)習/深度學(xué)習算法采用了兩種策略：首先，在校準過(guò)程中采用極限學(xué)習機（ELM）和多層感知機（MLP）等算法來(lái)考慮各種環(huán)境因素的影響，從而減少重復校準測試的需求，縮短校準時(shí)間，并提高精度；其次，在使用過(guò)程中引入多層感知機和卷積神經(jīng)網(wǎng)絡(luò )等算法，自動(dòng)補償環(huán)境中遇到的各種干擾。
圖2 機器學(xué)習/深度學(xué)習算法在校準和補償中的應用
人工智能算法可以在傳感器校準過(guò)程中減少因環(huán)境變化、電壓波動(dòng)和其他因素造成的誤差，或者在傳感器使用過(guò)程中自動(dòng)補償因環(huán)境變化、電壓波動(dòng)和器件老化等因素造成的誤差。然而，人工智能在校準和自動(dòng)補償中的應用面臨著(zhù)一些挑戰。機器學(xué)習/深度學(xué)習模型的本質(zhì)是黑箱模型，難以定量解釋導致器件漂移的各種因素的比例，從而限制了對傳感器設計改進(jìn)的指導。此外，機器學(xué)習/深度學(xué)習模型訓練通常需要大量的數據和計算資源，而且模型的有限通用性可能導致其在新環(huán)境中表現不佳。
識別和分類(lèi)
在傳感器應用中，人工智能不僅僅局限于信號收集，還能夠對目標和應用場(chǎng)景進(jìn)行識別和分類(lèi)。人工智能輔助識別和分類(lèi)流程通常包括傳感器的數據收集、特征提取、特征匹配和識別。通過(guò)采用隨機森林（RF）、K-最近鄰（KNN）、支持向量機（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(shí)間，提高準確性，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)現更精確的特征提取。應用場(chǎng)景的復雜性決定了對傳感器信息的需求；例如，語(yǔ)音識別可以?xún)H通過(guò)振動(dòng)信號實(shí)現，而運動(dòng)識別通常需要結合視覺(jué)和壓力傳感器的信號。
機器學(xué)習/深度學(xué)習算法在識別和分類(lèi)中的應用范圍很廣，包括機器人感知、目標識別、行為識別、健康監測、身份驗證和機械故障檢測。
圖3 機器學(xué)習/深度學(xué)習算法在基于單維數據的識別和分類(lèi)中的應用
在人類(lèi)行為識別、目標識別或故障監測等實(shí)際應用中，僅依靠單一類(lèi)型的信號數據進(jìn)行分析可能會(huì )導致準確性問(wèn)題或適用性受限。利用人工智能融合和分析來(lái)自傳感器的各種信號類(lèi)型的數據，可以提高識別的準確性。
圖4 機器學(xué)習/深度學(xué)習算法在基于多維數據的識別和分類(lèi)中的應用
將人工智能用于識別和分類(lèi)中可以提高準確率，減少環(huán)境因素造成的誤差，即使在處理復雜任務(wù)時(shí)也能保持較高的響應速度。然而，機器學(xué)習/深度學(xué)習模型需要大量的訓練數據，但是從傳感器數據中獲取的樣本有限，可能導致模型過(guò)度擬合。此外，樣本的稀缺性使得確定最合適的模型架構（如最佳層數和參數）變得更加復雜。
行為預測
利用傳感器收集的數據來(lái)預測未來(lái)行為是人工智能在傳感技術(shù)中的重要應用。將行為預測與預警系統相結合，可以顯著(zhù)降低事故發(fā)生的可能性。
圖5 機器學(xué)習/深度學(xué)習算法在行為預測中的應用
將人工智能與傳感器相結合來(lái)進(jìn)行預測，可以提高預測的準確性和實(shí)時(shí)性，即使在復雜、非線(xiàn)性的情況下也是如此。然而，這些預測都是基于監測數據而非機理分析模型。因此，針對未知數據或場(chǎng)景進(jìn)行預測時(shí)，模型的準確性和靈敏度無(wú)法保證，這對機器學(xué)習/深度學(xué)習模型的通用性和穩定性提出了很高的要求。
綜上所述，這項研究全面概述了機器學(xué)習/深度學(xué)習算法輔助傳感技術(shù)的增強和工程應用。這顯著(zhù)提高了傳感器的準確性和對環(huán)境變化的適應性。盡管，機器學(xué)習/深度學(xué)習輔助的傳感技術(shù)取得了重大進(jìn)展，但仍然存在一些挑戰，這為未來(lái)研究提供了機遇。為了解決這些問(wèn)題，有必要在數據收集過(guò)程中采用數據增強（data augmentation）和對抗性訓練等技術(shù)，以?xún)?yōu)化數據集的質(zhì)量和數量。此外，在模型訓練過(guò)程中引入噪聲和干擾可以提高模型對未知數據的通用性。此外，開(kāi)發(fā)多場(chǎng)耦合模擬方法對于提高數值數據的全面性和準確性，同時(shí)增強機器學(xué)習/深度學(xué)習模型的可解釋性來(lái)說(shuō)至關(guān)重要。最后，需要通過(guò)推進(jìn)模型壓縮和邊緣計算技術(shù)的發(fā)展來(lái)降低模型復雜性，并將某些模型計算任務(wù)從傳感器端卸載，從而降低傳感器功耗。
