我正在做一个项目，使用带加速度计的ARM cortex-m0微控制器（Freedom-KL25Z）来检测（分类）人类活动。我打算使用机器学习来预测用户的活动。
问题是，cortex-m0无法处理训练或预测算法，所以我可能不得不收集数据，在我的计算机中训练它，然后以某种方式嵌入它，我真的不知道如何做到这一点
我在互联网上看到一些帖子说，你可以生成一个权重矩阵，并将其嵌入微控制器中，因此，根据你为该函数提供的数据来预测某件事将是一个简单的函数。这是正确的做法吗？
无论如何，我的问题是，我怎么能在微控制器中嵌入分类算法？
我希望你们能帮助我，给我一些指导，我在这里有点迷路了。
提前谢谢。
我一直在考虑自己做这件事，以解决一个我很难手动开发启发式方法的问题。
你将不得不编写自己的机器学习方法，因为据我所知，目前还没有任何适合低端MCU的机器学习库。
根据问题的难度，仍然有可能开发和训练一种简单的机器学习算法，该算法在低端MCU上表现良好。毕竟，在具有类似约束的硬件上，使用了一些较旧/较简单的机器学习方法，并取得了令人满意的结果。
一般来说，我会这样做：
- 将（已标记的）数据（通过UART、SD卡或任何可用的方式）传输到PC
- 使用数据和机器学习工具包（scikit-learn、weka、vowpal-wabbit等）进行实验。在前进之前，确保现成的方法能够产生令人满意的结果
- 进行特征工程和选择实验。尽量获得最小的功能集以节省资源
- 编写自己的机器学习方法，最终将在嵌入式系统上使用。我可能会选择感知器或决策树，因为它们不一定需要很多内存。由于您没有FPU，我只使用整数和定点算术
- 执行正常的培训程序。即使用交叉验证来找到最佳调谐参数、整数位宽、基数位置等
- 在保留的测试集上运行最终训练的预测器
- 如果您训练的预测器在测试集上的性能令人满意，请将您的相关代码（计算预测的代码）和您训练的模型（例如权重）移动到MCU。模型/权重不会改变，因此它们可以存储在闪存中（例如，作为常量数组）
我认为您可能受到硬件的限制。你可能想要一些更强大的东西。对于您的项目，您选择了来自ARM的M系列处理器。这是他们提供的最简单的平台，其架构不适合您尝试进行的处理。ARM有三个基本分类如下：
- M-微控制器
- R-实时
- A-应用程序
您希望获得对这些复杂计算具有强大硬件支持的东西。你的起点应该是A系列赛。如果你需要做浮点运算，你肯定需要从A系列开始，可能会从NEON-FPU开始。
TI的探索系列是一个很好的起点，或者只是使用树莓派（至少在开发部分）？
然而，如果你坚持使用M0，我认为你可以使用像ROS-C这样的轻量级产品。我知道有一些含有ROS的软件包可以做到这一点，尽管它主要用于机器人，你可能能够将其适应你正在做的事情。
无依赖性ROS
ROS 的神经网络和机器学习