在基于云计算的现代应用时代，AlgoBuilder将变得更智能

　　在本文中，我们只讨论Symbios中与AlgoBuilder相关的功能。

　　Symbios几乎可以从AlgoBuilder中实时检索数据，并在极坐标图上显示数据模式。单个或多个传感器有助于根据所选参数和参数测量值生成一个多传感器签名。

　　例如，下图所示是Symbios呈现的X、Y和Z轴AlgoBuilder FFT，具体地讲，极坐标图描述每个频率的FFT幅度。Symbios提供了将来自监测电机的ST MEMS加速度计的数据组成数据集(例如,针对不同电机速度的频率签名)、标记模式以及在学习模式中应用卷积神经网络的功能。只需点击几下鼠标，即可用AlgoBuilder传感器数据模式构建监督型深度学习模型，在同一电机或其它远程连接的电机上立即开始评估CNN分类器。此外，还可以生成格式与STCubeMX.AI兼容的CNN，以便在STM32 IoT节点上移植和运行。

AlgoBuilder用于云端机器学习频谱分析

　　下一张图片描述了另一个Symbios应用场景，通过AWS检索AlgoBuilder的环境和运动参数，并在极坐标图上形成签名。在实际应用中通过移动电路板或更改环境参数，开发人员可以了解签名或模式是如何变化的，因为极坐标轴代表了AlgoBuilder提取和发送的参数，用户能够快速了解从云服务获得的传感器数据对应用项目是否有益。

　　为了向开发人员提供灵活的数据整合功能，Symbios可将传感器数据送到两个不同的极坐标图。例如，下面左侧极坐标图描述的是运动MEMS加速度计和陀螺仪参数，而右侧极坐标图则是整合了HTS221运动MEMS传感器数据与和LPS22HB环境传感器数据。后面的截图描述的是其它类型的数据整合。

　　即使在这种情况下，用户也可以使用所提供的工具箱生成适合的训练集，还可以开启人工神经网络训练阶段以及实时测试。一旦对性能感到满意，开发人员就可以决定生成ANN网络，并用STCubeMX.AI工具将生成的ANN移植到STM32微控制器。在了解工作流程后，客户将能在自己的工作场所复制该方法，从而加快产品开发周期。

工作中的AlgoBuilder 和Symbios

工作中的AlgoBuilder 和Symbios

　　其它的演示示例是在单个应用环境中使用AlgoBuilder融合音视频流，用于开发支持图论和虚拟现实的高级数据融合算法(脑自动化)，在我们的RND部门，这个课题目前尚处于研发阶段，我们将在下一篇文章中为感兴趣的读者深入介绍。在本文中，我们简要介绍一下这个令人感兴趣的新方法——如何仅用一个在本地STM32 IoT节点、边缘或云端或者Web应用中运行的单一的分层互联的ANN(称为大脑)来解决复杂任务。下图是一个由多个非同构人工神经网络组成的协同网络的示例，每个图节点表示一个非同构人工神经网络。 大脑正在等待新的AlgoBuilder输入，收到后，输入模式就会被立即传送到所有网络节点。单个ANN被激活，将输出数据传送到其它ANN。通过这种方式，专门执行特定任务的ANN可以协同解决那些需要复杂工具和设备同时从不同角度监测才能处理的更为复杂的任务。

大脑正在等待新的AlgoBuilder输入

AlgoBuilder输入的感知刺激信号将大脑激活

　　结语

　　总之，我们相信AlgoBuilder将让设计者能够使用零行代码方法开发云服务导向的现代应用，通过点几次鼠标就能完成应用可行性评估，缩短研发周期，让客户更加满意。Symbios代表了一个演示案例套件，用于展示云计算时代传感器与云集成的潜力。