Please use this identifier to cite or link to this item:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/19033
Title: | Uso e aprendizado de máquina visando maior eficiência energética de aplicações com microcontroladores embarcados. |
Other Titles: | Use and machine learning for greater energy efficiency of applications with embedded microcontrollers. |
???metadata.dc.creator???: | RANGEL NETO, Humberto de Brito. |
???metadata.dc.contributor.advisor1???: | SANTOS, Danilo Freire de Souza. |
???metadata.dc.contributor.referee1???: | SANTOS JÚNIOR, Gutemberg Gonçalves dos. |
Keywords: | Eficiência energética;Aprendizado de máquina;Microcontroladores embarcados;Processamento embarcado;Consumo energético;Microcontrolador NXP QN9080;Nó periférico - sistema embarcado;Matlab;Redes neurais;Dados de aceleração;Energy efficiency;Machine learning;Embedded microcontrollers;Embedded processing;Energy consumption;NXP Microcontroller QN9080;Peripheral node - embedded system;Neural networks;Acceleration data |
Issue Date: | 2019 |
Publisher: | Universidade Federal de Campina Grande |
Citation: | RANGEL NETO, Humberto de Brito. Uso e aprendizado de máquina visando maior eficiência energética de aplicações com microcontroladores embarcados. 2019. 42f. (Trabalho de Conclusão de Curso - Monografia), Curso de Bacharelado em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática , Universidade Federal de Campina Grande – Paraíba - Brasil, 2019. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/19033 |
???metadata.dc.description.resumo???: | Sistemas embarcados podem ser encontrados nas mais variadas aplicações e em vasta quantidade, de aparelhos celulares a satélites, de brinquedos a controle de usinas. Por serem fisicamente embutidos em outros sistemas maiores, são chamados embarcados. Pela mesma razão apresentam requisitos próprios quanto ao tamanho, peso e, consequentemente, limitações claras quanto à capacidade de processamento e memória, custo final e consumo de energia. Nas últimas décadas, indústria e academia têm somado esforços para o desenvolvimento de métodos que aumentem a eficiência energética dos sistemas embarcados, em todas as camadas, de hardware a software, tendo em vista os impactos positivos em custo, autonomia, usabilidade, confiabilidade etc. O objetivo do projeto descrito neste relatório foi de aplicar técnicas de aprendizado de máquinas no processamento de dados de sistemas embarcados, visando o desenvolvimento de aplicações de baixo consumo a partir da redução quantitativa dos dados transmitidos. Este trabalho apresenta um estudo de caso como guia do desenvolvimento do trabalho. São também apresentados um resumo das tecnologias usadas e as atividades feitas nos últimos meses, sendo estas: a obtenção, limpeza e criação de banco de dados; a definição, implementação e treino de rede neural em CPU; a conversão do modelo de rede neural de arquitetura de CPU para MCU; e a proposta e implementação de rotina adaptada ao baixo consumo em um MCU comercial, o NXP QN9080. |
Abstract: | Embedded systems can be easily found in many domains of technology, from mobile phones to satellites, from toys to industrial plants. As the name suggests, these systems are embedded in more complex ones. And for this reason, many concerns arise from their strict requirements of small size and low weight. When developing embedded systems, these requirements are translated into constraints on memory, processing performance, cost, and low energy consumption. In the last decades, industry has joined forces with academic research for developing new methods to increase energy efficiency of embedded systems, from hardware to software, and to improve usability, cost, autonomy and reliability altogether. The goal this project was to reduce the amount of transmitted data by applying machine learning techniques for processing data on the edge. This strategy should increase the autonomy of low power wireless applications. This work presents a study case as a guide. A review of the technologies and of the developed activities in the last months is presented. Among other topics, the process of gathering, preprocessing and creating a database; defining, implementing and training a neural network on CPU; the conversion from the CPU model to a model adapted to MCU architecture; and the proposal and implementation of a solution adapted to low power in a commercial MCU (NXP QN9080) |
Keywords: | Eficiência energética Aprendizado de máquina Microcontroladores embarcados Processamento embarcado Consumo energético Microcontrolador NXP QN9080 Nó periférico - sistema embarcado Matlab Redes neurais Dados de aceleração Energy efficiency Machine learning Embedded microcontrollers Embedded processing Energy consumption NXP Microcontroller QN9080 Peripheral node - embedded system Neural networks Acceleration data |
???metadata.dc.subject.cnpq???: | Engenharia Elétrica. |
URI: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/19033 |
Appears in Collections: | Curso de Bacharelado em Engenharia Elétrica - CEEI - Monografias |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
HUMBERTO DE BRITO RANGEL NETO - TCC ENG. ELÉTRICA 2019.pdf | Humberto de Brito Rangel Neto - TCC Eng. Elétrica 2019. | 1.41 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.