Questa tesi affronta l'implementazione di Intelligenza Artificiale su dispositivi con capacità computazionali limitate, quali i microcontrollori, utilizzando la soluzione software messa a disposizione da STMicroelectronics: STM32AI/X-CUBE-AI. I maggiori e migliori strumenti oggi a disposizione degli sviluppatori hanno permesso a questa tecnologia di raggiungere tutti i punti del sistema di controllo. In questo lavoro dopo una panoramica sul mondo dell'Intelligenza Artificiale si sono andate ad esaminare le funzionalità messe a disposizione all'interno di questo tool. Come primo approccio all'utilizzo si è addestrata e messa in esecuzione sul microcontrollore una rete neurale per il filtraggio digitale del segnale tramite filtro passa-basso del 1° ordine. Successivamente si è realizzata una rete neurale per il calcolo del punto di massima efficienza per un convertitore dual active bridge. L'obiettivo è mappare attraverso una rete neurale una funzione estremamente complessa di cui non si conosce l’espressione analitica e riuscire ad eseguirla direttamente sul dispositivo. Queste prove sono state realizzate su un microcontrollore STM32F767ZI montato sulla scheda di sviluppo NUCLEO-F767ZI.

Sviluppo di reti neurali su microcontrollori STMicroelectronics

VOLTAN, ALESSANDRO
2021/2022

Abstract

Questa tesi affronta l'implementazione di Intelligenza Artificiale su dispositivi con capacità computazionali limitate, quali i microcontrollori, utilizzando la soluzione software messa a disposizione da STMicroelectronics: STM32AI/X-CUBE-AI. I maggiori e migliori strumenti oggi a disposizione degli sviluppatori hanno permesso a questa tecnologia di raggiungere tutti i punti del sistema di controllo. In questo lavoro dopo una panoramica sul mondo dell'Intelligenza Artificiale si sono andate ad esaminare le funzionalità messe a disposizione all'interno di questo tool. Come primo approccio all'utilizzo si è addestrata e messa in esecuzione sul microcontrollore una rete neurale per il filtraggio digitale del segnale tramite filtro passa-basso del 1° ordine. Successivamente si è realizzata una rete neurale per il calcolo del punto di massima efficienza per un convertitore dual active bridge. L'obiettivo è mappare attraverso una rete neurale una funzione estremamente complessa di cui non si conosce l’espressione analitica e riuscire ad eseguirla direttamente sul dispositivo. Queste prove sono state realizzate su un microcontrollore STM32F767ZI montato sulla scheda di sviluppo NUCLEO-F767ZI.
2021
Development of neural networks on STMicroelectronics microcontrollers
stm32ai
X-CUBE-AI
Edge AI
File in questo prodotto:
File Dimensione Formato  
Voltan_Alessandro.pdf

accesso riservato

Dimensione 1.82 MB
Formato Adobe PDF
1.82 MB Adobe PDF

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/29599