本文提出了一种面向能效和低延迟的智能家居语音控制方案，通过离线语音识别和物联网集成解决当前云端架构的缺陷。研究分析了现有系统的能耗模型，指出云端处理导致的高延迟（100-500ms）和能源浪费（一次简单命令消耗815W·s）。基于深度可分离卷积神经网络(DS-CNN)和8位量化技术，开发了计算量减少88.5%的轻量级关键词识别算法。系统采用四层架构设计，通过分层抽象和本地处理实现能效提升98%。实

人工智能（AI）已经完成了从大型企业专属的未来概念到中小企业（SMEs）可获取且必不可少的增长杠杆的转变。这种转变的速度和规模前所未有，对于企业家和商业领袖而言，战略性地采用AI不再是一种选择，而是保持竞争力、运营效率和长期生存的必要条件。令人信服的量化证据支撑着这一论断。根据Salesforce 2024年的研究，91%使用AI的中小企业报告称，AI直接提升了他们的收入。这种收入增长并非偶然，而

EdgeMark：嵌入式AI工具的自动化基准测试系统 本文提出EdgeMark系统，旨在解决嵌入式人工智能工具选择和部署中的关键挑战。研究分析了TensorFlow Lite Micro、Edge Impulse等主流eAI工具的核心架构和优化技术，包括内存管理、量化算法和硬件特定优化。EdgeMark采用模块化设计，通过自动化工作流程实现从模型生成到部署的全过程，并创新性地开发了Arena Si

EdgeMark：嵌入式AI工具的自动化基准测试系统 本文提出EdgeMark系统，旨在解决嵌入式人工智能工具选择和部署中的关键挑战。研究分析了TensorFlow Lite Micro、Edge Impulse等主流eAI工具的核心架构和优化技术，包括内存管理、量化算法和硬件特定优化。EdgeMark采用模块化设计，通过自动化工作流程实现从模型生成到部署的全过程，并创新性地开发了Arena Si

本文研究了28 GHz毫米波在隧道环境中的MIMO信道特性。通过实验测量和仿真分析，比较了水平极化(HH)与垂直极化(VV)配置的性能差异。研究采用高增益定向天线克服毫米波路径损耗，并使用射线追踪软件建立仿真模型。结果表明：1)仿真与测量结果吻合良好；2)水平极化配置在恒定信噪比下表现出更高的MIMO容量，这归因于隧道壁反射导致的更大角度扩展；3)当发射-接收距离超过45米时，HH配置的优势更为明

模型量化技术通过降低数值精度（如FP32→INT8）来减少深度学习模型的内存占用和计算成本，同时保持性能。其核心是线性映射过程，利用缩放因子和零点将浮点值转换为整数。量化带来显著优势：内存占用减少75%，推理速度提升3-4倍，能效比改善4-10倍。主要方法包括训练后量化（PTQ）和量化感知训练（QAT），前者简单快速，后者通过训练补偿精度损失。关键技术细节涉及对称/非对称量化策略选择、校准过程优化

本文系统阐述了嵌入式AI中神经网络量化的理论基础，重点关注信息论和优化理论。第一部分详细推导了量化过程的信息损失度量，包括互信息和率失真理论，给出了高斯源的闭式解。第二部分深入分析了最优量化器设计，证明了Lloyd算法的收敛性，并推导了非均匀量化的最优分配方案。第三部分探讨了量化感知训练的理论基础，解释了直通估计器的变分原理，并分析了训练收敛性。全文通过严格的数学推导，为嵌入式AI的模型压缩提供了

EdgeShard提出了一种基于协作边缘计算的高效大语言模型(LLM)推理框架。该方案通过将LLM模型分片部署在多个边缘设备上，采用动态规划和流水线并行策略优化推理延迟与吞吐量。系统包含三个阶段：分析阶段收集模型和设备信息，调度阶段生成最优部署策略，协作推理阶段通过顺序或流水线并行执行。实验表明，相比传统边缘计算和云边协作方案，EdgeShard能在保证隐私的同时显著提升推理效率，降低50%以上的

EdgeShard提出了一种基于协作边缘计算的高效大语言模型(LLM)推理框架。该方案通过将LLM模型分片部署在多个边缘设备上，采用动态规划和流水线并行策略优化推理延迟与吞吐量。系统包含三个阶段：分析阶段收集模型和设备信息，调度阶段生成最优部署策略，协作推理阶段通过顺序或流水线并行执行。实验表明，相比传统边缘计算和云边协作方案，EdgeShard能在保证隐私的同时显著提升推理效率，降低50%以上的

本文提出ProxylessNAS方法，直接在目标任务和硬件上高效进行神经架构搜索。传统NAS依赖代理任务导致迁移性能下降，且计算成本高。ProxylessNAS通过路径二值化技术，在训练时仅激活单条路径，显著降低内存需求；配合两路径采样策略，将GPU内存需求降至与普通训练相当。此外，该方法创新性地将硬件延迟建模为可微目标，实现端到端优化。实验表明，ProxylessNAS在ImageNet上搜索的