chuanganqishujuyingyongshixuduoyingyongchangjingdejichu

，gezhongchuanganqidedaguimoyingyongcushichuanganqichengbenxiajiang。chengbenjiangdishitongyishebeianzhuangduogetongleixingchuanganqichengweikeneng，suizhetongleixingchuanganqideshuliangzengduo，butongleixingdechuanganqihechuanganqizongshuyezaibuduanzengchang。weilehuodegengkekaodexinxi，shixiangenggaozhiliangdeyingyong
，yeneikaifachulechuanganqishujuronghejishu

，tigaoleguanxingmokuaideyingyongguimo，shenzhiweigengduoyingyongdakailedamen。

 

zhongduanshebeiyingyongzhiyouchuanganqihaibugou，haixuyaozhinengdanyuanlaichulixinxihelijiechangjing。yingyongchuliqifuzeduqushujuhechulixinxi
，suizhechuanganqishuliangzengjia，yingyongchuliqiderenwubiandegengjiafuza。tongyang
，lianjiechuanganqiheyingyongchuliqidezongxianyebiandezhiguanzhongyao，daliangdejiaohuanshujukenengzaochengshujuyongdu


，zongxianxingnengxiajiang。

 

最初
，有人認為更快的總線和性能更高的處理器可以解決這些問題。第二階段是“智能傳感器”一(yi)詞(ci)被(bei)濫(lan)用(yong)
，把(ba)通(tong)用(yong)低(di)功(gong)耗(hao)處(chu)理(li)器(qi)從(cong)板(ban)上(shang)移(yi)到(dao)傳(chuan)感(gan)器(qi)內(nei)部(bu)，做(zuo)成(cheng)一(yi)個(ge)係(xi)統(tong)級(ji)封(feng)裝(zhuang)解(jie)決(jue)方(fang)案(an)，這(zhe)種(zhong)通(tong)過(guo)增(zeng)加(jia)一(yi)個(ge)微(wei)控(kong)製(zhi)器(qi)的(de)方(fang)式(shi)有(you)效(xiao)增(zeng)加(jia)傳(chuan)感(gan)器(qi)數(shu)量(liang)的(de)簡(jian)單(dan)方(fang)法(fa)被(bei)稱(cheng)為(wei)“智能”。

 

在設計開發LSM6DSOX時，我們決定不走尋常路，將所有已知應用在概念上分為兩大類別：一種是用歸納算法實現的效果更好的應用；另一種是用演繹算法實現的效果更符合預期的應用。分析實際數據模式同時保持最高統計性能
，是我們評估最佳設計方案的方法標準。

 

最後
，為了便於執行演繹算法，我們決定在慣性單元內嵌入一個有多達16個有限狀態機的數字模塊；針zhen對dui歸gui納na型xing算suan法fa，我wo們men實shi現xian了le一yi個ge機ji器qi學xue習xi模mo塊kuai，該gai模mo塊kuai能neng夠gou與yu現xian有you人ren工gong智zhi能neng工gong具ju互hu動dong，采cai用yong監jian督du式shi機ji器qi學xue習xi方fang法fa，在zai傳chuan感gan器qi內nei部bu對dui複fu雜za計ji算suan進jin行xing預yu處chu理li，分fen類lei器qi能neng夠gou分fen析xi實shi時shi數shu據ju
，識shi別bie活huo動dong和he場chang景jing並bing進jin行xing分fen類lei
，參can數shu和he功gong能neng具ju有you很hen高gao的de可ke配pei置zhi性xing。

 

zhezhongchuanganqishujufenxizhuanyongzhinengjishukeyizhixingfuzasuanfa
，bahendayibufenjisuanfuhezhuanjiaogeichuanganqichuli，shiqitashebeibaochikongxianzhuangtai。tongguozhezhongfangshi
，keyizuidachengdudijiangdigonghao
，jianqingtongxinzongxianfudan，bingzuidachengduditigaoxitongdezhengtinengxiao。

 

傳感器僅在必要時才喚醒其它設備和應用處理器，通過這種方式，可以大幅降低功耗，我們認為

，僅LSM6DSOX這些新功能就可以創造出新的應用。

 

I.前言

 

在過去的十年中，物聯網應用規模呈指數增長。大多數物聯網應用都涉及在可能沒有電源的位置測量物理數值。 增zeng裝zhuang電dian源yuan線xian通tong常chang是shi行xing不bu通tong的de，因yin此ci，電dian池chi是shi首shou選xuan供gong電dian方fang案an
，並bing且qie無wu線xian數shu據ju傳chuan輸shu是shi必bi選xuan。物wu聯lian網wang相xiang關guan應ying用yong至zhi少shao需xu要yao一yi個ge傳chuan感gan器qi獲huo取qu數shu據ju和he一yi個ge傳chuan輸shu媒mei介jie發fa送song數shu據ju。電dian源yuan需xu要yao給gei數shu據ju傳chuan輸shu媒mei介jie和he傳chuan感gan器qi供gong電dian。在zai設she計ji這zhe種zhong類lei應ying用yong時shi，需xu要yao在zai這zhe個ge方fang麵mian做zuo出chu權quan衡heng和he取qu舍she：是最大限度延長電池續航時間還是提高數據傳輸頻率？

 

yingyongshejizhekeyongyigezaishichangshangyoushoudezhongyaogongjulaijiejuezhegezhezhongnanti。zhegegongjushiyigejingmidejisuandanyuan，keyizhixingcanshuceliangheshujuchuanshurenwu，xiaoguohenengxiaodouhenhao
，zheyangdejisuandanyuantongchangshizhenduidigonghaoshejidetongyongweikongzhiqi。duiyudigonghaoyingyong
，wuxianshujuchuanshubiqitachulirenwugengzhongyao，yinci，wulianwangyingyongshejicelveshi，ruguoqitachulirenwuyunxujiangditongxinsudu，zekeyijiangjisuandanyuanzhuanyidaowulianwangduan。

 

本文旨在於介紹創新傳感器在降低產品功耗方麵取得的新進展。意法半導體的新型慣性模塊LSM6DSOX允許將算法處理過程全部或部分移至傳感器的定製低功耗環境。這種方法具有廣泛的可配置性，保證廣泛的應用範圍。本文結構如下：第(di)一(yi)章(zhang)介(jie)紹(shao)一(yi)個(ge)創(chuang)新(xin)的(de)嵌(qian)入(ru)式(shi)算(suan)法(fa)，並(bing)結(jie)合(he)應(ying)用(yong)案(an)例(li)說(shuo)明(ming)其(qi)優(you)勢(shi)。然(ran)後(hou)用(yong)兩(liang)個(ge)章(zhang)節(jie)專(zhuan)門(men)介(jie)紹(shao)機(ji)器(qi)學(xue)習(xi)處(chu)理(li)。最(zui)後(hou)一(yi)章(zhang)介(jie)紹(shao)一(yi)個(ge)好(hao)用(yong)的(de)定(ding)製(zhi)支(zhi)持(chi)軟(ruan)件(jian)，用(yong)戶(hu)可(ke)以(yi)根(gen)據(ju)需(xu)求(qiu)快(kuai)速(su)配(pei)置(zhi)軟(ruan)件(jian)
，創(chuang)建(jian)新(xin)應(ying)用(yong)。

 

II.嵌入式算法方案

 

如前一章所述，簡單的物聯網應用模型包括發射器/接收器、計算單元、執行器或傳感器和電池。

 

以智能手環為例，智能手環能夠識別用戶活動
，並輸出相關活動數據：用戶步行多遠，乘車多長時間等。當然，智能手環應具有翻腕顯示日期和時間的功能。藍牙低功耗係統芯片[4]shizhixingchuanshuhekongzhideguanjianzujian。gaijiejuefanganqianrulewanzhengdelanyawangluochuliqiheyunxingyingyongchengxudeyingyongchuliqi。yingyongchuliqibaokuodigonghaoweikongzhiqi、用戶程序NVM存儲器，數據存儲器、編程存儲器（NVM鏡像）以及通信接口（SPI，I²C等）。從下麵給出的係統示例可以大致估算出該解決方案的功率預算。這款內置微控製器的“智能”藍牙模塊通常具有不同的功耗模式，下麵列出了最常見的模式：

 

a)睡眠模式：此模式用於關閉大多數內部模塊或使其處於低功耗狀態，最大程度地降低功耗。從此模式返回到正常工作模式需要一些時間（0.5-2 ms）。該模式電流消耗在0.5-2 µA之間。

 

b)微控製器工作模式：射頻發射器/接收器關閉，微控製器正常工作。 此模式的電流消耗在1-3 mA之間。

 

c)射頻收發模式：設備處於通信連接狀態，功耗為3-20 mA。

 

我們討論一下智能手環檢測用戶活動的用例。假設智能藍牙模塊中的微控製器通過I2C/SPI接口連接慣性模塊，傳感器數據輸出數據速率配置為25Hz。每當嵌入式16 MHz時鍾域生成樣本時，微控製器就會退出睡眠模式

，讀取傳感器數據並執行活動識別算法。高質量的活動識別算法用例平均需要4 ms的處理時間。藍牙傳輸是間歇性的，取決於用戶要求（一天一次）。

 

圖1:微控製器從睡眠到喚醒的時序

 

圖1顯示了微控製器運行算法時的占空比時序。Tstart是微控製器的喚醒時間
，Talgo是算法的執行時間，Todr是傳感器兩次讀取操作的間隔。

 

下麵是總平均電流I_TOT的基本計算公式，其中包含各種主要電流消耗參數：

 

I_TOT = I_BUS + I_SLEEP + f_algo * I_UCORE * ( T_start/2 + T_algo )

 

I_BUS 是接口總線讀取操作消耗的電流；SPI總線的讀取電流應小於1 µA

，I²C總線約在2-5 µA之間。射頻是間歇性傳輸，所以功耗可以忽略不計。考慮到每個參數取值取其聲明範圍的中間值，最後得到的I_TOT為230 µA。

 

嵌入式算法是經過重新配置的可以實現“活動識別”，工作電流小於8 µA。這(zhe)裏(li)所(suo)說(shuo)的(de)嵌(qian)入(ru)式(shi)算(suan)法(fa)與(yu)在(zai)微(wei)控(kong)製(zhi)器(qi)上(shang)運(yun)行(xing)的(de)算(suan)法(fa)在(zai)性(xing)能(neng)和(he)質(zhi)量(liang)上(shang)完(wan)全(quan)相(xiang)同(tong)。嵌(qian)入(ru)式(shi)解(jie)決(jue)方(fang)案(an)的(de)顯(xian)著(zhu)優(you)勢(shi)是(shi)在(zai)傳(chuan)感(gan)器(qi)內(nei)部(bu)生(sheng)成(cheng)可(ke)用(yong)數(shu)據(ju)，因(yin)此(ci)不(bu)存(cun)在(zai)I_BUS功耗。此外
，嵌入式解決方案完全沒有微控製器安全退出睡眠狀態所需的T_start時間
，當T_start和I_BUS兩項參數均為零時，I_TOT估算值是200 µA，這意味著，使用相同公式f_algo*I_UCORE*T_algo計算

，算法從微控製器遷移到傳感器使功耗降至二十五分之一。

 

因(yin)為(wei)意(yi)法(fa)半(ban)導(dao)體(ti)軟(ruan)件(jian)庫(ku)和(he)客(ke)戶(hu)需(xu)求(qiu)是(shi)已(yi)知(zhi)的(de)，並(bing)且(qie)是(shi)合(he)並(bing)在(zai)一(yi)起(qi)的(de)，所(suo)以(yi)，我(wo)們(men)的(de)策(ce)略(lve)是(shi)收(shou)集(ji)最(zui)常(chang)見(jian)的(de)用(yong)例(li)
，然(ran)後(hou)將(jiang)其(qi)分(fen)為(wei)兩(liang)類(lei)。第(di)一(yi)類(lei)是(shi)由(you)非(fei)常(chang)適(shi)合(he)使(shi)用(yong)有(you)限(xian)狀(zhuang)態(tai)機(ji)的(de)算(suan)法(fa)組(zu)成(cheng)，第(di)二(er)類(lei)基(ji)於(yu)需(xu)要(yao)統(tong)計(ji)分(fen)析(xi)（基於模式分析）並且可以通過決策網（樹）有效實現的應用。針對這兩大類應用，我們開發出一個覆蓋現有算法的“元命令”ji，bingquebaosuanfajuyouguangfandekezhongxinpeizhixing，yichulixindezidingyixuqiu。zuihouyibushisuanfafenxi
，mudeshizhaodaozuijiadedigonghaoqieyouxiaodesuanfadingzhiluoji。zaibuyingxiangsuanfaxingnengdeqingkuangxia，anzhaotedingyingyongxuqiujianhuasuanfa。xiamiandelianggezhangjiejieshaozhelianggemokuaiheyuanshuju。

 

III.機器學處理(MLP)

 

有限狀態機是利用本身固有的演繹推理特性：從假設開始
，檢驗達到特定邏輯狀態的概率。對於運動檢測算法
，演繹推理是確定一係列事件是否滿足“規則”。這種方法適用於大多數手勢檢測算法，當然
，不能全部適用。例如，手機舉起到放下的手勢算法可以完全基於以下事實：手(shou)機(ji)加(jia)速(su)度(du)計(ji)檢(jian)測(ce)到(dao)的(de)重(zhong)力(li)主(zhu)要(yao)是(shi)在(zai)同(tong)一(yi)個(ge)軸(zhou)上(shang)，並(bing)在(zai)一(yi)個(ge)時(shi)間(jian)序(xu)列(lie)後(hou)，檢(jian)測(ce)到(dao)的(de)重(zhong)力(li)方(fang)向(xiang)將(jiang)會(hui)變(bian)成(cheng)相(xiang)反(fan)方(fang)向(xiang)。修(xiu)改(gai)一(yi)些(xie)參(can)數(shu)就(jiu)可(ke)以(yi)更(geng)改(gai)手(shou)勢(shi)定(ding)義(yi)，這(zhe)些(xie)參(can)數(shu)包(bao)括(kuo)軸(zhou)定(ding)義(yi)、閾值和序列持續時間。步行檢測等運動算法幾乎不可能通過簡單的狀態機來定義，因為變量數量會急劇增加，傳感器定位、頻率、地形和個人行為導致感應信號變化很大。從上一個示例中，可以得出一個更具一般性的概念：雖然手機舉起到放下的手勢統計方差在一個人群中是較明顯的，但是可以進行演繹推理應用設計；而步行動作會引起廣泛的統計方差，演繹推理方法應該棄用，而采用歸納推理方法。

 

機ji器qi學xue習xi處chu理li的de基ji本ben原yuan理li是shi允yun許xu在zai芯xin片pian上shang執zhi行xing數shu據ju驅qu動dong型xing算suan法fa，開kai發fa從cong輸shu入ru模mo式shi構gou建jian模mo型xing的de能neng力li。在zai過guo去qu的de十shi年nian中zhong，互hu聯lian網wang和he物wu聯lian網wang爆bao炸zha式shi增zeng長chang，大da量liang信xin息xi產chan生sheng。 隨著數據量急劇增加，數據管理工具也被開發出來，使數據開始有應用價值。MLP解決方案被認為是適合在慣性傳感器上執行數據驅動算法。MLP具(ju)有(you)很(hen)高(gao)的(de)可(ke)重(zhong)新(xin)配(pei)置(zhi)性(xing)，在(zai)慣(guan)性(xing)傳(chuan)感(gan)器(qi)領(ling)域(yu)達(da)到(dao)了(le)預(yu)期(qi)效(xiao)果(guo)，可(ke)以(yi)在(zai)超(chao)低(di)功(gong)耗(hao)環(huan)境(jing)執(zhi)行(xing)算(suan)法(fa)
，適(shi)用(yong)於(yu)耗(hao)電(dian)量(liang)大(da)的(de)產(chan)品(pin)，例(li)如(ru)，物(wu)聯(lian)網(wang)算(suan)法(fa)。

 

數據挖掘是機器學習的一個重要分支：“數據挖掘是一個綜合機器學習、模式識別和統計學的跨學科領域 [1] [2]

，其目的是發現知識。

 

數據挖掘工具最後生成一個決策樹
，應用設計是從一個數據模式集合開始

，以在MLP內核上加載決策樹結束。用戶可以用支持軟件管理整個應用設計過程，我們將在下一章介紹支持軟件，本章介紹MLP內核背後的基本模塊。

 

圖4是機器學習處理內核的整體結構圖。

 

圖4：MLP內核整體結構圖

 

從圖中不難看出軟件層和硬件層之間的邊界。該應用設計從傳感器數據模式開始，模式是描述MLP內核在運行時必須理解的知識。以活動識別算法為例
，MLP從涉及要識別的活動（步行
，跑步

，運動的車輛，無運動等）的模式開始運行
，目的是直接從傳感器數據推出當前活動的結果。最多可以將3個傳感器的數據配置為算法輸入。陀螺儀和加速度計模塊位於傳感器內部，外部傳感器（例如磁力計）的數據可以通過嵌入式I2C控製器讀取。輸入傳感器數據由物理傳感器的軸和數值組成（表VI。）。

 

表I. MLP的輸入類型

 

要想調理輸入數據，還有多個可配置濾波器可用，如下表所示（表VII）。

 

表II. 內核中的濾波器類型

 

原始數據和過濾數據都可以設為特征模塊的輸入，特征模塊執行數據的統計計算
，輸出可以配置成多達19個不同的統計特征。表VIII中zhong列lie出chu了le可ke用yong特te征zheng。主zhu要yao特te征zheng集ji分fen為wei觸chu發fa式shi和he窗chuang口kou式shi兩liang類lei，前qian者zhe是shi按an照zhao特te征zheng事shi件jian計ji算suan的de結jie果guo
，後hou者zhe是shi按an照zhao固gu定ding時shi窗chuang間jian隔ge統tong計ji的de結jie果guo。盡jin管guan所suo有you特te征zheng計ji算suan結jie果guo可ke以yi是shi窗chuang口kou式shi或huo觸chu發fa式shi特te征zheng集ji
，取qu決jue於yu用yong戶hu配pei置zhi，但dan隻zhi有you這zhe些xie特te征zheng的de子zi集ji才cai可ke以yi生sheng成cheng觸chu發fa信xin號hao。

 

表III：MLP內核的統計特征

 

在特征配置結束時
，軟件工具(下一章介紹)輸出一個配置文件和一個ARFF文件。配置文件安裝在慣性單元上用於配置MLP，ARFF文件用於數據挖掘工具，是與MLP處理器芯片匹配的。數據挖掘工具組建ARFF文件，針對特定應用案例優化（或“確定”）選擇最佳的特征集，並輸出決策樹及相關統計性能。

 

在數據挖掘工具處理和反饋後
，可以重新處理數據並優化特征集。

 

當統計性能符合期望時，可以通過意法半導體軟件工具生成的配置文件將決策樹加載到MLP內核上。

 

IV.支持軟件

 

意法半導體開發出一個使基於統計學/機器學習的方法適合編程的工具，有了這個工具
，設備配置過程變得輕鬆快捷。

 

這個機器學習處理配置工具是一個擴展版的Unico GUI圖形用戶界麵軟件（意法半導體所有MEMS傳感器演示板通用 [5]）。Unico軟件連接基於STM32微控製器的主板[6] [5]，實現MEMS傳感器與PC GUI之間的通信。該軟件以圖形和數字形式顯示傳感器輸出

，並允許用戶保存或全麵管理來自設備的數據。

 

Unico軟件允許訪問MEMS傳(chuan)感(gan)器(qi)寄(ji)存(cun)器(qi)，可(ke)以(yi)快(kuai)速(su)配(pei)置(zhi)寄(ji)存(cun)器(qi)，並(bing)可(ke)以(yi)直(zhi)接(jie)在(zai)設(she)備(bei)上(shang)輕(qing)鬆(song)測(ce)試(shi)配(pei)置(zhi)。可(ke)以(yi)將(jiang)當(dang)前(qian)寄(ji)存(cun)器(qi)的(de)配(pei)置(zhi)保(bao)存(cun)為(wei)文(wen)本(ben)文(wen)件(jian)，並(bing)可(ke)以(yi)從(cong)現(xian)有(you)文(wen)件(jian)中(zhong)加(jia)載(zai)配(pei)置(zhi)。這(zhe)樣(yang)，可(ke)以(yi)在(zai)幾(ji)秒(miao)鍾(zhong)內(nei)重(zhong)新(xin)設(she)置(zhi)傳(chuan)感(gan)器(qi)。

 

基於統計/機器學習的算法要求收集數據日誌。使用Unico GUI可以做到這一點。每個數據日誌都必須關聯預期結果（例如
，靜止，步行，跑步等）。該工具收集這些數據模式用於計算某些特征。

 

圖8：數據模式表

 

該(gai)工(gong)具(ju)可(ke)為(wei)原(yuan)始(shi)數(shu)據(ju)選(xuan)擇(ze)濾(lv)波(bo)器(qi)，選(xuan)擇(ze)用(yong)過(guo)濾(lv)數(shu)據(ju)計(ji)算(suan)哪(na)些(xie)特(te)征(zheng)
，計(ji)算(suan)結(jie)果(guo)特(te)征(zheng)將(jiang)是(shi)決(jue)策(ce)樹(shu)的(de)屬(shu)性(xing)。幾(ji)個(ge)步(bu)驟(zhou)後(hou)

，該(gai)工(gong)具(ju)將(jiang)生(sheng)成(cheng)一(yi)個(ge)屬(shu)性(xing)關(guan)係(xi)文(wen)件(jian)（ARFF）。

 

圖9：配置表

 

ARFF文件是決策樹生成過程的入口。決策樹可以由不同的機器學習工具生成。 懷卡托大學開發的軟件Weka [7]能夠從屬性關係文件開始生成決策樹。Weka工具可以評估哪些屬性適合決策樹。通過更改Weka中所有可用參數

，可以實現不同的決策樹配置。

 

圖10:在Weka裏的屬性視圖

 

圖6：Weka中的決策樹生成

 

在決策樹生成後，可以將其上傳到意法半導體的軟件工具
，完成MEMS傳感器的寄存器配置。

 

通過訪問傳感器寄存器
，Unico GUI可以讀取決策樹輸出狀態。

 

V.應用案例

 

從(cong)第(di)二(er)部(bu)分(fen)介(jie)紹(shao)的(de)示(shi)例(li)開(kai)始(shi)
，我(wo)們(men)做(zuo)了(le)一(yi)些(xie)電(dian)流(liu)消(xiao)耗(hao)測(ce)量(liang)，選(xuan)擇(ze)了(le)一(yi)個(ge)活(huo)動(dong)識(shi)別(bie)算(suan)法(fa)作(zuo)為(wei)示(shi)例(li)。該(gai)算(suan)法(fa)的(de)性(xing)能(neng)在(zai)模(mo)式(shi)數(shu)據(ju)庫(ku)中(zhong)經(jing)過(guo)明(ming)確(que)評(ping)估(gu)
，而(er)且(qie)在(zai)普(pu)通(tong)通(tong)用(yong)微(wei)控(kong)製(zhi)器(qi)上(shang)運(yun)行(xing)時(shi)電(dian)流(liu)消(xiao)耗(hao)約(yue)為(wei)數(shu)百(bai)微(wei)安(an)。利(li)用(yong)上(shang)一(yi)章(zhang)介(jie)紹(shao)的(de)支(zhi)持(chi)軟(ruan)件(jian)，可(ke)以(yi)輕(qing)鬆(song)地(di)配(pei)置(zhi)MLP內核，運行該活動識別算法。

 

表IV：電流要求

 

表IX 總結了在Cortex-M3 [8] [9] [10]上運行活動識別算法的電流要求，以及在LSM6DSOx MLP上運行同一算法增加的電流需求。

 

VI.結論

 

世界網絡化程度越來越高：聯網設備可以交換大量數據。物聯網應用依賴於三個關鍵模塊：感知
、zhinenghetongxin。benwenjieshaoleyizhonggaodukepeizhideqianruzaiguanxingchuanganqizhongdeshuzimokuai。shuzimokuaiweichuanganqizengjialezhineng，keyidafujiangdixitongjinenghao。weilekuaisukaifayingyongyuanxing，suiyingjianyiqitigongleshuzimokuaipeizhizhichiruanjian。shangyizhangdeyingyonganliqingchudibiaoming
，shuzimokuaikedafujiangdidianliuxiaohao。zhinengchuanganqishifunengdianchixuhangnenglizhiguanzhongyaodexinyingyongdeguanjianjishu。

 

參考文獻

 

[1]S. Sumathi and S.N. Sivanandam: Introduction to Data Mining Principles, Studies in Computational Intelligence (SCI) 29, 1–20 (2006).

 

[2]V. Sze, Y. H. Chen, J. Einer, A. Suleiman and Z. Zhang, "Hardware for machine learning: Challenges and opportunities," 2017 IEEE Custom Integrated Circuits Conference (CICC), Austin, TX, 2017, pp. 1-8.

 

[3]V. Sze, "Designing Hardware for Machine Learning: The Important Role Played by Circuit Designers," in IEEE Solid-State Circuits Magazine, vol. 9, no. 4, pp. 46-54 , Fall 2017.

 

[4]STMicroelectronics, “Bluetooth® low energy wireless system-on-chip,” BlueNRG-2 datasheet, November 2017, [DocID030675 Rev 2].

 

[5]STMicroelectronics Analog Mems Sensor Application Team ,  Unico GUI User manual, Rev. 5  October 2016.

 

[6]STMicroelectronics Technical Staff,  STEVAL-MKI109V3 Professional MEMS Tool motherboard for MEMS adapter boards, July 2016

 

[7]Ian H. Witten, Eibe Frank, and Mark A. Hall. 2011. Data Mining: Practical Machine Learning Tools and Techniques (3rd ed.). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.

 

[8]STMicroelectronics, “Ultra-low-power 32-bit MCU ARM®-based Cortex®-M3 with 512KB Flash, 80KB SRAM, 16KB EEPROM, LCD, USB, ADC, DAC,” STM32L151xE STM32L152xE datasheet,  Rev. 9 August 2017.

 

[9]STMicroelectronics Technical Staff, STM32 Nucleo-64 boards, NUCLEO-XXXXRX NUCLEO-XXXXRX-P data brief, Rev. 10 December 2017.

 

[10]STMicroelectronics Technical Staff, Sensor and motion algorithm software expansion for STM32Cube , X-CUBE-MEMS1data brief, Rev. 10 November 2017.

 

 

推薦閱讀：