通过无监督机器学习提高汽车 AMS 电路的功能安全性
原文中文，约300字，阅读约需1分钟。发表于：。基于无监督机器学习的 AMS 电路早期异常检测新框架通过在多个电路位置和组件注入异常、提取观测电路信号特征、应用聚类算法实现异常检测，并利用时间序列框架提高检测性能，从而为确保汽车 SoCs 的功能安全铺平道路。实验结果表明，该方法实现了 100% 的异常检测准确率，并将相关延迟优化了 5 倍，凸显了该解决方案的有效性。
本研究开发了一种数据采集系统（DAS），结合小波、微分计算和信号处理的概念，提出了特征工程和数据缩减方法。预测模型准确率达到89%，SVM和NN的准确率超过95%，测试新样本时达到100%。研究结果可应用于中小型工业领域，对自动化故障检测与诊断具有重要意义。
