qq_39172792的博客

头文件中我们可以看到，数据只需要15个，也就是说在fill_buffer函数中我们最多填充15个数据给input_buffer数组。数据预测其实很简单，就是将训练出来的模型可以根据此刻的数据预测下一刻的数据。所以，你将buff填充好后给该函数，就可以在第二个参数这里拿到模型的预测值。教程这里写的比较简单，如果需要详细教程，可以看下本系列第二章。第一个入参为数据buff，第二个为预测值。这是因为，第16个数据是模型预测出来的。打开压缩包，将这些文件复制到工程下。打开工程，依照配置文件进行工程配置。

OK，又是好久不见，各位。出差刚回来，让我们开启今天第三章，多分类。多分类的意思是，输入设备在多个状态下的数据集，在生成的模型可以实现状态的判断。

简要来说，单分类就是，你只需要将某一状态的数据给NEAI，经过训练后AI可以判断新数据与该状态的相似度。这里讲解的就非常简单了，很多内容都在第二章铺垫好了，大家可以去看下。出差在外，没有太多时间更新。让我们开始第三章--单分类。2.选择MCU和数据维度。数据要求和之前的一样。

NanoEdge AI Studio主要可以实现的功能主要分为四种：1.异常判断：异常判断的是指模型对正常数据与异常数据进行训练、学习后，生成的模型可以识别生成的边缘AI可以判断数据是正常还是错误。这里可能有人要问，为什么不使用阈值判断，不是更简单吗？其实很简单，当数据多维时，根据阈值判断数据状态其实是个很难的设定。同时，当阈值变化后，程序里的判断只能通过手动更改进行数据判断，其实挺麻烦。而机器学习可以在MCU进行数据学习优化，避免了数据多维和阈值问题。

NanoEdge AI Studio是由意法半导体（STMicroelectronics）推出的一款人工智能开发工具，专为边缘设备设计。这个集成开发环境（IDE）允许开发人员在资源受限的边缘硬件上轻松创建、测试和部署机器学习模型。NanoEdge AI Studio支持多种流行的机器学习框架，如TensorFlow Lite和PyTorch，确保了项目的灵活性和可移植性。