Как легкий алгоритм FPGA достигает точности 99,7% без блоков DSP

В мире периферийных вычислений и интеллектуальных датчиков мгновенное распознавание сигнальных форм волн имеет решающее значение. Это важно для таких задач, как радиоконтрмеры и биомедицинский мониторинг. Традиционные модели глубокого обучения точны, но требуют много ресурсов и энергии. Они не подходят для встраиваемых систем с ограниченными возможностями. Новое легкое решение использует дифференциальные признаки и классификатор случайного леса. Оно обеспечивает высокую точность при минимальной нагрузке на оборудование.

Подход отказывается от сложных нейросетей в пользу геометрического анализа структуры сигнала. Алгоритм вычисляет разности первого и второго порядка для дискретизированных волн. Это позволяет уловить локальную монотонность и кривизну. Непрерывные значения преобразуются в дискретную статистику знаков. Система просто подсчитывает, как часто сигнал растет, падает или остается неизменным. Сырые данные превращаются в семимерный вектор признаков. В него входят количества положительных, отрицательных и нулевых разностей, а также метрика смены знаков. Такая статистика устойчива к шуму и изменениям амплитуды. Она дает четкую математическую базу для различения синусоидальных, прямоугольных, треугольных и пилообразных волн.

Основа системы — классификатор случайного леса, работающий на простых признаках счета. В отличие от глубокого обучения, здесь не нужны тяжелые матричные умножения и большие банки памяти. Метод опирается только на сложение, вычитание, сравнение и логические операции. При реализации на ПЛИС Xilinx Artix-7 система демонстрирует удивительную эффективность. Вариант дерева решений занимает всего 239 таблиц истинности (LUT) и 242 триггера (FF). Более надежный случайный лес использует 1854 LUT и 352 FF. Обе реализации обходятся без блоков цифровой обработки сигналов (DSP) и оперативной памяти Block RAM (BRAM). Это значительно снижает стоимость и энергопотребление по сравнению с альтернативами на базе сверточных сетей, которым требуются сотни тысяч логических элементов.

Эксперименты подтверждают превосходство метода в реальных условиях. На ПК случайный лес достиг точности классификации 99,7% при различных отношениях сигнал/шум (SNR). Он превосходит методы шаблонного соответствия и пороговой обработки БПФ, особенно в зашумленной среде. Реализация на ПЛИС обеспечила пропускную способность 3,125 миллиона выборок в секунду. Конечная задержка подходит для обработки в реальном времени. Исследования показали, что учет количества смен знаков второго порядка критически важен для сохранения точности при низком SNR. Это особенно заметно при различении похожих волн, например синусоидальной и треугольной.

Это исследование делает значительный шаг к демократизации искусственного интеллекта на периферии. Доказано, что высокопроизводительное распознавание волн возможно с минимальными логическими ресурсами. Это открывает путь для внедрения сложного анализа сигналов в компактные устройства с низким энергопотреблением. Сюда относятся датчики Интернета вещей, портативные медицинские диагностические системы и навигация автономных дронов. Интерпретируемость алгоритма и дружелюбие к оборудованию предлагают практическую альтернативу моделям черного ящика. Это гарантирует надежную работу в условиях жестких вычислительных бюджетов.