4、常用异常检测模型：自编码器、孤立森林、单类SVM、LSTM等，在TinyML中的适用性分析

在TinyML异常检测场景中，模型的选择直接决定了部署后的检测精度、内存占用、推理延迟和能效比。不同于云端或边缘服务器，Ethos-U NPU所服务的MCU级系统通常只有几十KB到几MB的RAM，且对实时性和功耗有严苛要求。本章将系统对比自编码器（Autoencoder, AE）、孤立森林（Isolation Forest, iForest）、单类支持向量机（One-Class SVM, OC-SVM）和长短期记忆网络（LSTM）四类主流异常检测模型，从算法原理、资源开销、部署难度和Ethos-U适配性四个维度展开分析，帮助开发者在实际项目中做出合理选型。

上图展示了四类模型在TinyML场景下的基本决策路径。传统机器学习模型（iForest、OC-SVM）与深度学习模型（AE、LSTM）在数据适配性、资源消耗和NPU加速效果上存在显著差异。下面将逐一深入分析。

4.1 自编码器（Autoencoder, AE）

核心原理

自编码器是一种无监督神经网络，通过编码器将输入压缩到低维潜空间，再由解码器重构原始输入。训练时仅使用正常数据，使模型学会“压缩-重建”正常模式。推理时，计算重构误差（如MSE），若误差超过阈值则判定为异常。其核心优势在于能够自动学习数据的高阶非线性特征，无需人工设计特征。

在TinyML中的适用性判断

• 资源开销：全连接AE参数量可控制在10K-100K之间，量化后INT8模型大小约10-100KB，RAM占用20-100KB，适合Cortex-M55/M85等带Ethos-U55/U65的MCU。
• NPU加速效果：Ethos-U对全连接层和激活函数（ReLU、Sigmoid）支持良好，推理延迟可低至1-5ms（视输入维度而定）。
• 适用场景：振动信号异常检测、电机电流波形分析、多传感器融合的工业预测性维护。

案例拆解：电机振动异常检测

某工厂需要在STM32N6（集成Ethos-U55）上部署电机轴承故障检测系统。输入为3轴加速度计数据，每轴取256个采样点，共768维特征。选用三层AE（768-64-768），训练集为正常振动数据5000条。

# 模型定义（TensorFlow/Keras）
from tensorflow import keras
model = keras.Sequential([
    keras.layers.Input(shape=(768,)),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(768, activation='sigmoid')
])
model.compile(optimizer='adam', loss='mse')

部署时使用Vela编译器优化，INT8量化后模型大小42KB，RAM峰值68KB。在Ethos-U55上推理耗时2.3ms，功耗仅0.8mJ/次。通过验证集确定重构误差阈值为0.035，实际测试中故障检测准确率97.2%，误报率1.8%。

常见误区

• 误区一：认为AE只能处理图像。实际上，一维时序信号同样适用，只需将窗口数据展平为向量。
• 误区二：忽略输入归一化。不同传感器量纲差异大，必须进行Min-Max或Z-score归一化，否则重构误差会被大数值维度主导。
• 误区三：直接使用浮点模型部署。Ethos-U仅支持INT8/INT16，必须做量化感知训练（QAT）或后训练量化（PTQ），否则精度损失可能超过5%。

4.2 孤立森林（Isolation Forest, iForest）

核心原理

孤立森林基于随机划分思想：异常点通常“少而不同”，更容易被少量随机划分孤立出来。通过构建多棵随机二叉树（iTree），计算样本的平均路径长度，路径越短越可能是异常。该算法线性时间复杂度，且无需计算距离或密度，非常适合高维数据。

在TinyML中的适用性判断

• 资源开销：模型由多棵决策树组成，每棵树深度通常限制在8-10层。100棵树、深度10的模型约需50-200KB存储（INT8），RAM占用取决于推理时同时加载的树数量。
• NPU加速效果：不适用。Ethos-U NPU主要加速卷积和全连接层，对树模型的分支判断（if-else）无法有效加速，只能由CPU（Cortex-M55）执行。
• 适用场景：低功耗蓝牙传输的温湿度传感器数据异常检测、电池供电的野外监测节点。

案例拆解：环境监测节点异常检测

某农业物联网项目使用nRF5340（无NPU）采集土壤温湿度、光照和CO2浓度，每5分钟上报一次。由于数据维度低（4维）、样本量小（每天288条），选用iForest模型。训练时用正常数据构建50棵树，每棵深度6。

# 使用scikit-learn训练
from sklearn.ensemble import IsolationForest
model = IsolationForest(n_estimators=50, max_depth=6, contamination=0.02)
model.fit(X_train_normal)
# 导出为C数组（通过m2cgen或自定义转换）

转换后的C代码占用Flash 38KB，RAM 12KB，在Cortex-M33上单次推理耗时0.4ms。检测到传感器漂移或通信异常时，准确率91.5%。但注意，该方案无法利用NPU，若MCU不带NPU则完全适用；若已有Ethos-U，则NPU处于空闲状态。

常见误区

• 误区一：树越多越好。在MCU上，树数量超过100棵收益递减，且Flash占用线性增长。
• 误区二：忽略contamination参数。该参数影响阈值设定，需根据实际异常比例调整，而非默认0.1。
• 误区三：直接使用浮点权重。树模型的分裂阈值需量化为定点数，否则在MCU上运行会因浮点模拟而变慢。

4.3 单类支持向量机（One-Class SVM, OC-SVM）

核心原理

OC-SVM将数据映射到高维特征空间，寻找一个超平面将正常数据与原点分离，最大化超平面到原点的距离。新样本若落在超平面内侧（决策函数值>0）则视为正常，否则为异常。其优势在于小样本下泛化能力强，且决策边界清晰。

在TinyML中的适用性判断

• 资源开销：模型存储取决于支持向量（SV）数量。通常SV数量为训练样本的10%-30%，若训练集1000条，SV约100-300个，每个SV维度为特征维度。INT8量化后，100维特征、200个SV约需20-80KB。
• NPU加速效果：部分不适用。OC-SVM的推理核心是计算核函数（如RBF），涉及大量指数运算，Ethos-U不支持。但若使用线性核，则退化为简单的点积运算，可由NPU的矩阵乘法单元加速。
• 适用场景：小样本工业质检（如PCB焊点检测）、设备启动阶段的基线建立。

案例拆解：PCB焊点异常检测

某电子制造厂需要在产线上对PCB焊点进行快速检测。每块板提取12维特征（如焊点面积、亮度、形状因子），正常样本仅200条。选用线性核OC-SVM，训练后得到45个支持向量。

# 训练线性核OC-SVM
from sklearn.svm import OneClassSVM
model = OneClassSVM(kernel='linear', nu=0.05)
model.fit(X_normal)
# 导出支持向量和rho阈值

部署到STM32H7（无NPU）时，Flash占用15KB，RAM 8KB，推理耗时0.2ms。若迁移到带Ethos-U55的STM32N6，线性核的点积运算可映射到NPU的矩阵乘法单元，推理时间降至0.05ms，但需要手动将支持向量组织为权重矩阵。

常见误区

• 误区一：盲目使用RBF核。RBF核在MCU上无法利用NPU，且浮点exp运算在无FPU的MCU上极慢。
• 误区二：忽略nu参数调优。nu控制异常比例的上界，需根据实际数据分布调整，而非固定0.1。
• 误区三：支持向量过多。若训练集过大，SV数量膨胀导致模型超限，需通过减少训练样本或使用近似算法（如SGD）控制。

4.4 LSTM（长短期记忆网络）

核心原理

LSTM通过门控机制（输入门、遗忘门、输出门）捕捉时间序列中的长期依赖关系。在异常检测中，通常使用LSTM预测下一个时间步的值，若预测误差超过阈值则判定异常；或使用LSTM编码器-解码器结构计算重构误差。其优势在于天然适配时序数据，能学习动态变化模式。

在TinyML中的适用性判断

• 资源开销：LSTM参数量较大。单层LSTM（隐藏单元32）处理1维输入，参数量约4×(1+32)×32=4.2K，量化后约4KB。但若输入维度高（如3轴加速度），参数量会成倍增长。
• NPU加速效果：Ethos-U对LSTM的支持有限。NPU可加速矩阵乘法部分（输入到隐藏层的变换），但门控激活（sigmoid/tanh）和逐元素操作仍需CPU执行。实际加速比约为2-4倍，不如CNN/AE显著。
• 适用场景：语音活动检测、ECG心电信号异常识别、连续运行设备的趋势预测。

案例拆解：ECG心电异常监测

某可穿戴设备项目需在Cortex-M55+Ethos-U55上实时检测心律失常。输入为单导联ECG信号，窗口长度128点，采样率250Hz。使用LSTM预测模型：输入前64点，预测后64点，计算MSE作为异常分数。

# LSTM预测模型
model = keras.Sequential([
    keras.layers.LSTM(16, return_sequences=True, input_shape=(64, 1)),
    keras.layers.TimeDistributed(keras.layers.Dense(1))
])
model.compile(optimizer='adam', loss='mse')

INT8量化后模型大小28KB，RAM峰值45KB。在Ethos-U55上推理耗时8.5ms（其中NPU加速矩阵乘法约3ms，CPU执行门控操作5.5ms）。检测房颤的准确率94.3%，但功耗比AE方案高约40%。

常见误区

• 误区一：认为LSTM一定优于AE。对于短窗口（<100点）数据，AE往往更高效且精度相当。
• 误区二：忽略状态重置。在MCU上连续推理时，LSTM的隐藏状态需在每次窗口滑动时正确传递，否则会产生累积误差。
• 误区三：直接部署浮点模型。LSTM对量化敏感，建议使用QAT训练，并验证不同量化精度（INT8 vs INT16）下的性能差异。

4.5 模型综合对比与选型决策

选型决策流程

1. 确认硬件：是否集成Ethos-U NPU？若无NPU，优先考虑iForest或OC-SVM（线性核）。
2. 分析数据：数据维度是否>50？是否具有时序相关性？若高维且非线性，选AE；若低维且独立，选iForest。
3. 评估实时性：要求延迟<5ms且功耗敏感，选AE；允许10ms以上延迟，可考虑LSTM。
4. 考虑训练数据量：样本<500且维度低，OC-SVM合适；样本>1000且无标签，AE或iForest更佳。