词汇表
以下是 Reality AI Tools 中使用的技术术语和功能的按字母顺序排列的列表，并附有详细定义，以帮助您了解它们在整个平台中的用法。
A
AI 探索 (AI Explore)
Reality AI Tools 的功能，用于分析 数据样本列表 并自动比较 特征空间 和 决策结构，以建议最佳模型架构。这是大多数用户的典型起点。
异常检测 (Anomaly Detection)
一种半监督学习方法，用于识别偏离正常行为的数据模式。仅需正常样本即可进行训练；但是，当还可以获得反例时，结果可以自动优化。
B
基础工具 (Base Tool)
定义 AI 模型的基础，包括 特征空间、决策结构 和推理 目标。基础工具在特定数据上进行训练以创建 已训练工具。初始基础工具和已训练工具通常从 AI 探索运行中创建，为进一步的训练和改进提供基础。
C
Cortex 微控制器软件接口标准 – 神经网络 (CMSIS-NN)
一组优化的神经网络内核，用于加速嵌入式模型推理。在将模型部署到 ARM 核心设备时可以利用这些内核。
混淆矩阵 (Confusion Matrix)
一种可视化和表格工具，用于通过比较预测标签与实际标签来评估分类性能。
卷积神经网络 (CNN)
包含卷积层的神经网络。此类网络可以学习 特征空间 本身未直接提取的数据内的特征结构。与其他模型类型相比，CNN 的占用空间越来越大，推理时间也更慢。
整理 (Curate)
组织数据文件以用于训练和测试 AI 模型的过程。这包括移除不良数据、分组和标记数据，以及通过将原始传感器数据分段为样本来准备数据。
D
数据样本列表 (Data Sample List)
通过分段从原始文件派生的一组较小的数据帧，用于模型训练。每帧包含推理模型所见的一个测试样本，并相应地跟踪和制表结果。也称为“分段列表”。
决策结构 (Decision Structure)
AI 分类器模型的推理架构，例如 神经网络、卷积神经网络、支持向量机 或 K-means，连同其内部结构，包括 NN 情况下的网络层或 SVM 情况下的集成策略。
部署 (Deployment)
打包已训练模型并将其导出到云或嵌入式系统以供实际使用的过程。
E
e² studio
瑞萨电子提供的集成开发环境 (IDE)。它专门用于在瑞萨微控制器和微处理器上开发嵌入式应用程序。
能量触发 (Energy Triggered)
Reality AI Tools 中的一种分段方法，它根据输入信号中的能量模式或阈值而不是使用固定的滑动窗口方法将数据划分为样本。
Explorer 层级 (Explorer Tier)
一个免费试用帐户，允许用户使用有限的功能和数据测试 Reality AI Tools。
F
特征空间 (Feature Space)
一组用于在模型训练期间描述输入数据的派生属性，例如频率分量或统计属性。有关 Reality AI Tools 使用的更多信息，
文件级元数据 (File Level Metadata)
分配给数据集内单个文件的描述性标签。请参阅 元数据。
完全访问帐户 (Full-Access Account)
付费的 Reality AI Tools 订阅，提供对所有功能的无限制访问，包括上传、下载和模型部署。
K
K 折验证 (K-Fold Validation)
一种交叉验证技术，其中数据集被分为 K 个部分，以评估模型在多次训练/测试拆分中的准确性。Reality AI Tools 在 AI 探索期间应用 10 折测试，并使用户能够在 验证 页面中设置自己的 k 折测试。
K-Means
一种基于聚类的模型决策结构，通常使用距离度量根据相似性将数据划分为 K 个不同的组。这是一种无监督方法，对于异常检测和模式识别非常有用，尤其是在没有类别标签的情况下。K-means 具有紧凑的占用空间和高效的推理，使其适用于资源受限的嵌入式部署。
M
元数据 (Metadata)
元数据是指分配给数据子集的描述性标签（例如组号、日期、机器来源或颜色），用于参考和上下文理解。元数据可以在文件级别定义（文件级元数据），也可以在文件内的数据块中的样本级别定义（样本级元数据）。目标类别或目标值被视为一种特殊类型的元数据。
N
神经网络 (NN)
一种基于连接具有学习权重的神经元层的模型决策结构，对于具有更复杂类别结构的用例可能具有更好的性能，但代价是部署占用空间更大。
O
一对多 (One-vs-all)
一种 SVM 集成结构，其中仅为每个单独的类别与所有其余类别创建一个学习器。
一对一 (One-vs-one)
一种 SVM 集成结构，其中为每对可能的类别组合创建一个学习器。
优化 BOM (Optimize BOM)
一组 Reality AI Tools 功能，通过查找 AI 模型的临界限制来帮助用户优化硬件和传感器成本。这包括 传感器通道选择 以减少传感器数量，以及 灵敏度和容差 测试以确定可靠操作所需的最小采样率、位深度和噪底。
P
项目 (Project)
Reality AI Tools 中的一个容器，用于保存特定用例的数据集、模型、配置和结果。我们建议用户按项目组织其数据和模型。
R
Reality AI Tools
瑞萨电子的一个基于云的平台，用于开发、训练、验证和部署专为嵌入式系统量身定制的 AI 模型。
剩余使用寿命 (RUL)
一种回归模型输出，用于预测组件在发生故障之前将运行多长时间。
S
采样率 (Sample Rate)
从传感器收集数据点的频率，通常以赫兹 (Hz) 为单位。
样本级元数据 (Sample Level Metadata)
分配给文件内数据块的描述性标签。请参阅 元数据。
安全文件传输协议 (SFTP)
安全文件传输协议，用于通过加密连接将大型数据集上传到 Reality AI Tools。
分段列表 (Segmented List)
通过分段从原始文件派生的一组较小的数据帧，用于模型训练。每帧包含推理模型所见的一个测试样本，并相应地跟踪和制表结果。也称为“数据样本列表”。
滑动 CSV 窗口 (Sliding CSV Window)
一种分段策略，通过以恒定的间距或步幅在时间序列数据上使用移动窗口来创建 数据样本列表。这些窗口可以是重叠的或不重叠的。
支持向量机 (SVM)
一种基于用超平面划分数据的模型决策结构，对于许多用例，其结果是极其紧凑的嵌入式占用空间，同时仍保持良好的泛化属性。
T
目标 (Target)
每个 AI 推理模型都有一个目标。根据模型的类型，目标可以是 目标类别 或目标值。数据样本列表 标有与其将使用的 AI 模型类型兼容的目标。
目标类别 (Target Class)
分类任务中使用的分类标签，用于表示样本的状态或条件。
目标值 (Target Value)
回归任务中使用的数值，代表温度或压力等量。
已训练工具 (Trained Tool)
使用用户提供的数据进行训练后从 基础工具 派生的 AI 模型。已训练工具包括基础工具架构加上训练检查点。它还可以包括其他后处理方面，例如误差平衡调整和平滑。已训练工具完全定义了一个 AI 推理模型，并且是 Reality AI Tools 中用于测试、优化和部署的基本单元。