VIP20
本课程属于：017-TinyML传感器数据建模与时序分类 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

3. TinyML传感器数据清洗：异常点、丢包与采样漂移处理

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中传感器数据清洗的重要性 · 学习目标 · 课程整体框架与实战项目预览
课程导入TinyML
02
传感器数据基础
常见传感器类型（加速度计 · 陀螺仪 · 温湿度
传感器数据基础常见传感器类型
03
数据质量挑战
异常点 · 丢包 · 采样漂移的定义
数据质量挑战异常点
04
开发环境搭建
Python · NumPy · Pandas
开发环境搭建Python
05
数据可视化入门
使用Matplotlib绘制原始传感… · 识别异常与缺失的直观方法
数据可视化入门Matplotlib
06
异常点检测基础
基于统计方法（均值 · 标准差 · Z-score）的异常检测原理与实现
异常点检测基础基于统计方法
07
异常点检测进阶
基于移动平均 · 指数平滑 · 中值滤波的异常检测与平滑处理
异常点检测进阶基于移动平均
08
基于距离的异常检测
K近邻 · 局部离群因子（LOF）在传感器数据中…
基于距离的异常检…K近邻
09
基于聚类的异常检测
K-Means · DBSCAN在传感器异常点识别中的实…
基于聚类的异常检…K-Means
10
基于时间序列的异常检测
ARIMA · 季节性分解 · Prophet在传感器数据中的适用性
基于时间序列的异…ARIMA
11
异常点处理策略
删除 · 修正 · 插值
异常点处理策略删除
12
丢包检测与统计
识别丢包的方法（时间戳间隔 · 序列号） · 丢包率计算与可视化
丢包检测统计
13
丢包插值方法
线性插值 · 多项式插值 · 样条插值
丢包插值方法线性插值
14
基于模型的重建
使用卡尔曼滤波 · 状态空间模型对丢包数据进行估计
基于模型的重建使用卡尔曼滤波
15
丢包处理实战
模拟传感器丢包场景 · 使用Pandas和SciPy进行插值…
丢包处理实战模拟传感器丢包场…
16
采样漂移概念
时钟漂移 · 采样间隔不均匀 · 时间戳误差的成因与影响
采样漂移概念时钟漂移
17
采样漂移检测
通过时间戳分析 · 频谱分析 · 自相关函数识别采样漂移
采样漂移检测通过时间戳分析
18
采样重采样技术
重采样到固定频率（上采样 · 下采样） · 插值重采样
采样重采样技术重采样到固定频率
19
时间戳校正
基于线性回归 · 时钟同步协议（如NTP）的漂移校正方…
时间戳校正基于线性回归
20
采样漂移处理实战
对非均匀采样数据进行重采样 · 并对比处理前后的频谱特征
采样漂移处理实战对非均匀采样数据…
21
数据清洗流程设计
从原始数据到干净数据的完整pipel… · 包括异常 · 丢包
数据清洗流程设计pipel
22
特征工程与清洗结合
清洗后的数据如何影响特征提取（均值 · 方差 · FFT等）与模型性能
特征工程清洗结合
23
TinyML模型适配
清洗后的数据如何输入TinyML模型… · CNN） · 数据格式转换与归一化
TinyML模型适配
24
边缘设备约束
在MCU上实现数据清洗的算力 · 内存 · 功耗限制与优化策略
边缘设备约束MCU
25
实时数据清洗
流式处理与滑动窗口方法 · 在TinyML设备上实现实时异常检测…
实时数据清洗流式处理
26
案例实战
基于IMU的人体活动识别数据清洗 · 处理异常尖峰 · 丢包与采样漂移
案例实战IMU
27
案例实战
环境监测（温湿度）传感器数据清洗 · 处理漂移与周期性异常
案例实战环境监测
28
常见问题与调试
清洗过度 · 清洗不足 · 参数选择
常见问题调试
29
综合项目
从零构建一个传感器数据清洗模块 · 集成到TinyML流水线 · 并部署到开发板（如Arduino
综合项目从零构建一个传感…
30
课程总结与进阶
回顾核心知识点 · 讨论前沿方向（如自监督清洗 · 联邦学习中的清洗）
课程总结进阶