意法半導體STM32Cube.AI生態(tài)系統加強對高效機器學(xué)習的支持

意法半導體STM32Cube.AI開(kāi)發(fā)環(huán)境為用戶(hù)提供各種機器學(xué)習技術(shù)，為他們盡可能高效地解決分類(lèi)、聚類(lèi)和新穎性檢測三種算法挑戰提供更多靈活性。

除了能夠在STM32*微控制器(MCU)上開(kāi)發(fā)用于邊緣推理的神經(jīng)網(wǎng)絡(luò )外，最新的STM32Cube.AI版本(7.0版)還支持新的監督和半監督方法，這些方法可以處理更小的數據集和更少的CPU周期。其中包括孤立森林異常檢測(iForest)和單類(lèi)支持向量機(OC-SVM)新穎性檢測，以及K-means和SVM分類(lèi)器算法，現在，用戶(hù)無(wú)需人工寫(xiě)代碼就能實(shí)現這些算法。

除神經(jīng)網(wǎng)絡(luò )之外，這些經(jīng)典機器學(xué)習算法讓開(kāi)發(fā)人員通過(guò)易于使用的技術(shù)在STM32微控制器上轉換、驗證和部署各種學(xué)習模型，縮短研發(fā)周期，更快地解決人工智能開(kāi)發(fā)挑戰。

STM32Cube.AI允許開(kāi)發(fā)人員將機器學(xué)習處理任務(wù)從云端轉移到基于STM32的邊緣設備，以減少延遲、節約能源、提高云利用率，并通過(guò)大限度地減少互聯(lián)網(wǎng)上的數據交換來(lái)保護隱私?，F在，用戶(hù)使用STM32 MCU具有額外的靈活性，可以選擇高效的機器學(xué)習技術(shù)進(jìn)行設備上分析，是長(cháng)期在線(xiàn)使用案例和智能電池供電應用的理想之選。