VIP20
本课程属于：016-TinyML异常检测与预测性维护 嵌入式边缘AI与TinyML · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

6. TinyML异常检测模型：Autoencoder与One-Class方法

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
TinyML异常检测的定义 · 应用价值 · 课程目标与学习路径
课程导入TinyML
02
异常检测基础
异常类型（点异常 · 上下文异常 · 集体异常）
异常检测基础异常类型
03
TinyML环境搭建
嵌入式设备选型（MCU · 传感器） · 开发板（Arduino Nano 3…
TinyML环境搭建
04
数据采集与预处理
传感器数据采集（加速度计 · 温度 · 电流）
数据采集预处理
05
异常检测传统方法回顾
统计方法（Z-score · IQR） · 距离方法（KNN）
异常检测传统方法…Z-score
06
Autoencoder原理
神经网络结构 · 编码器-解码器 · 瓶颈层
Autoencoder原理
07
Autoencoder用于异常检测
训练正常数据 · 重构误差阈值设定 · 异常判定逻辑
Autoencoder用于异常检测
08
One-Class SVM原理
最大间隔超平面 · 核函数 · 支持向量
One-ClassSVM
09
One-Class SVM在TinyML中的实现
轻量化模型 · 参数压缩 · 推理优化
One-ClassSVM
10
Autoencoder与One-Class方法对比
准确率 · 计算开销 · 内存占用
AutoencoderOne-Class
11
模型压缩技术
量化（int8） · 剪枝 · 知识蒸馏
模型压缩技术int8
12
TensorFlow Lite Micro部署流程
模型转换（.tflite） · C++ API调用 · 内存管理
TensorFlowLite
13
案例实战1
基于Autoencoder的电机振动… · 模型训练 · 部署与测试
案例实战1Autoencoder
14
案例实战2
基于One-Class SVM的工业… · 模型训练与部署
案例实战2One-Class
15
案例实战3
可穿戴设备跌倒检测——使用加速度计数… · Autoencoder与One-Cl…
案例实战3可穿戴设备跌倒检…
16
实时推理与功耗优化
低功耗模式 · 事件驱动采样 · 推理频率控制
实时推理功耗优化
17
模型评估指标
精确率 · 召回率 · F1-score
模型评估指标精确率
18
阈值选择策略
基于验证集 · 动态阈值 · 自适应阈值方法
阈值选择策略基于验证集
19
过拟合与泛化
小样本问题 · 数据增强 · 正则化
过拟合泛化
20
常见问题与调试
模型不收敛 · 重构误差分布异常 · 部署后精度下降
常见问题调试
21
边缘端持续学习
在线更新模型 · 增量学习 · 概念漂移处理
边缘端持续学习线更新模型
22
多传感器融合
多通道输入 · 特征融合 · Autoencoder变体（如卷积自…
多传感器融合多通道输入
23
轻量化Autoencoder设计
深度可分离卷积 · LSTM-Autoencoder · 模型结构搜索
Autoencoder轻量化
24
One-Class方法的扩展
支持向量数据描述（SVDD） · 隔离森林 · 在TinyML中的可行性
One-Class方法的扩展
25
端到端项目流程
需求分析 · 数据收集 · 模型设计
端到端项目流程需求分析
26
实战工具链
Edge Impulse · Arduino IDE · PlatformIO
实战工具链Edge
27
性能基准测试
推理时间 · RAM/Flash占用 · 功耗测量
性能基准测试推理时间
28
安全性与可靠性
对抗样本 · 模型鲁棒性 · 异常检测系统的误报漏报管理
安全性可靠性
29
综合项目
设计一个完整的TinyML异常检测系… · 从零到部署
综合项目TinyML
30
课程总结与进阶方向
学习资源 · 社区 · 未来趋势（超低功耗AI
课程总结进阶方向