Machine learning has demonstrated exceptional capability in solving complex tasks across a wide range of fields. Advances in hardware accelerators have enabled the deployment of machine learning models on edge devices, facilitating real-time AI applications in resource-constrained systems. Recent accelerators have increasingly adopted Network-on-Chip (NoC) architectures to support massive data communication within large-scale processing element arrays. However, as the complexity of these accelerators continues to grow, effective design-space exploration before hardware prototyping becomes essential. Additionally, achieving high flexibility and efficiency across diverse machine learning workloads remains a significant challenge, especially for edge computing.

To address these problems, we explore from both the architecture side and the application side. Firstly, we introduce a cycle-accurate simulation tool for NoC-based deep neural network (DNN) accelerators. This simulator enables rapid and precise evaluation of inference efficiency by exploring design parameters. By providing detailed performance tracing into system behavior, the simulator facilitates the optimization of DNN inference efficiency, which can reduce the time and cost associated with hardware prototyping. Then we focus on novel architectural designs for NoC-based DNN accelerators, leveraging in-network processing techniques to improve end-to-end latency and resource utilization. Two key approaches are proposed: an activation-in-network design that offloads non-linear operations to the NoC and a pooling on-the-go design that minimizes communication overhead for pooling layers. These designs demonstrate substantial improvements in processing efficiency upon existing NoC-based accelerator architectures, while maintaining scalability and adaptability for diverse DNN workloads.

The third part explores the application of machine learning in embedded sensor systems, with a focus on lower-limb prostheses. A wearable pressure measurement system is developed to collect and analyze intra-socket pressure data. Two machine learning applications are proposed for solving sub-tasks within the field of comfortable prosthetic socket design. A clustering-based method is developed for optimizing sensor deployment by reducing redundancy while maintaining data integrity. A gait phase recognition approach that utilizes multiple hidden Markov models and Gaussian mixture models is developed. The proposed gait recognition method achieves high accuracy and computational efficiency, which outperforms conventional techniques.

By tackling the challenges in NoC-based accelerator design and machine learning applications for embedded systems, we bridge the gap between hardware optimization and practical deployment. These techniques would pave the way for future advancements in embedded intelligence.

Maskininlärning har visat en exceptionell förmåga att lösa komplexa uppgifter inom en rad olika områden. Framsteg inom hårdvaruacceleratorer har möjliggjort implementeringen av maskininlärningsmodeller på edge-enheter, vilket underlättar realtidsapplikationer för AI i resursbegränsade system. Nya acceleratorer har i allt högre grad anammat Network-on-Chip (NoC) arkitekturer för att stödja massiv datakommunikation inom storskaliga processorelementmatriser. Dock blir det, i takt med att komplexiteten hos dessa acceleratorer ökar, allt viktigare att utforska designrymden effektivt innan hårdvaruprototyptillverkning. Dessutom kvarstår utmaningen att uppnå hög flexibilitet och effektivitet över olika maskininlärningsarbetslaster, särskilt inom edge computing.

För att hantera dessa problem utforskar vi både arkitektursidan och applikationssidan. För det första introducerar vi ett cykelnoggrant simuleringsverktyg för NoC-baserade djupa neurala nätverks (DNN) acceleratorer. Denna simulator möjliggör snabb och exakt utvärdering av inferenseffektivitet genom att undersöka designparametrar. Genom att tillhandahålla detaljerad prestandaspårning av systembeteende underlättar simulatorn optimeringen av DNN-inferenseffektivitet, vilket kan minska tiden och kostnaden för hårdvaruprototyptillverkning. Därefter fokuserar vi på nya arkitektoniska lös\-ningar för NoC-baserade DNN-acceleratorer, där vi utnyttjar in-netverksbear\-betningstekniker för att förbättra end-to-end-latens och resursutnyttjande. Två nyckelmetoder föreslås: en "activation-in-network" design som avlastar icke-linjära operationer till NoC samt en "pooling on-the-go" design som minimerar kommunikationsöverhead för pooling-lager. Dessa designlösningar uppvisar betydande förbättringar i bearbetningseffektivitet jämfört med befintliga NoC-baserade acceleratorarkitekturer, samtidigt som de bibehåller skalbarhet och anpassningsförmåga för olika DNN-arbetslaster.

Den tredje delen undersöker tillämpningen av maskininlärning i inbäddade sensorsystem, med fokus på underbensproteser. Ett bärbart tryckmätningssys\-tem utvecklas för att samla in och analysera tryckdata inom proteshylsan. Två maskininlärningsapplikationer föreslås för att lösa deluppgifter inom området för komfortabel proteshylsdesign. En klusterbaserad metod utvecklas för att optimera sensordistribution genom att minska redundans samtidigt som dataintegriteten bibehålls. En gångfasigenkänningsmetod som utnyttjar flera dolda Markovmodeller och Gaussiska mixmodeller utvecklas. Den föreslagna metoden för gångigenkänning uppnår hög noggrannhet och beräkningsmässig effektivitet, vilket överträffar konventionella tekniker.

Genom att hantera utmaningarna inom NoC-baserad acceleratorutformning och maskininlärningsapplikationer för inbäddade system överbryggar vi klyftan mellan hårdvaruoptimering och praktisk implementering. Dessa tekniker banar väg för framtida framsteg inom inbäddad intelligens.