MATLAB手写识别实战：从数据清洗到RK3588端侧部署的SVM/KNN模型优化

本文将详细介绍一个完整的嵌入式机器学习项目流程：使用 MATLAB 对开源手写字母数据集进行处理、训练，并最终将模型部署到 Rockchip RK3588 边缘设备上，旨在实现微秒级识别延迟，以提升人机交互体验。

本篇作为“数据工程与模型训练篇”，将重点解析数据集获取、可视化探索、数据清洗、特征工程、模型训练与评估优化的全链路。后续篇章将涉及模型转换与硬件在环（HIL）测试。

一、项目概述

1.1 选题背景

在面向消费电子的嵌入式系统工程中，子系统与应用繁多。某些辅助功能（例如基于主动笔的手写字符输入）对即时性要求极高，同时不应占用过多系统资源。本项目基于 TL3588F-EVM 评估平台及其 SDK，利用 MATLAB R2025b 对官方开放数据集进行样本处理、模型训练与优化，目标是在 RK3588 上实现微秒级手写字符识别，降低延迟与资源开销。

1.2 模型选择

针对嵌入式 HIL 工程场景，手写识别模型不仅需要较高精度，更要满足嵌入式系统对实时性和资源的严苛约束。在非神经网络的机器学习算法中，我们重点考察了 K-最近邻（KNN）与支持向量机（SVM）两种方案。

1.2.1 KNN 与 SVM 对比

▲ 表 1 KNN与SVM的特性对比

手写识别的用户体验极度依赖即时响应。KNN 的推理速度与训练样本数量 N 线性相关，当字符库扩大时，计算距离与排序的开销会显著增加，导致识别延迟出现波动。而 SVM 在训练完成后计算量固定，能在嵌入式 CPU 上实现稳定推理，避免因计算拥塞导致的输入卡顿。

尽管 RK3588 内存资源较强，但作为多任务消费电子系统，子应用应尽量减少对总线与内存的占用。KNN 需要将大量训练样本常驻内存，这对内存带宽和容量是种浪费。相比之下，SVM 通过寻找最优超平面，将分类决策转化为少数支持向量的运算。经过 MATLAB 优化后，模型参数量可极大缩减，这不仅利于导出为 C 语言库，也显著降低了端侧部署时的存储与 RAM 占用。

▲ 图 1 未清洗数据时，可优化KNN与可优化SVM的性能概要对比

1.3 项目目标

本项目旨在使用 MATLAB 对包含 87 位用户书写的 9 个字母（共 1341 个样本）的笔画数据进行预处理和特征提取。利用 classificationLearner 进行三折交叉验证，并保留 5% 数据作为验证集，分别训练精细 KNN、加权 KNN、高效线性 SVM、可优化 SVM 以及可优化 KNN。通过对比混淆矩阵和模型概要，选取综合最优模型。

随后，使用 MATLAB Coder 将模型转换为适用于 ARM Cortex-A 处理器的 C 语言静态库，在 Ubuntu 22.04 虚拟机环境中构建嵌入式工程，并通过交叉编译工具链生成可执行文件进行 HIL 测试。HIL 测试将使用完整数据集在目标板上评估模型，输出总推理时间、单次推理时间及混淆矩阵，以验证跨平台转换后的推理效果，为后续应用集成做准备。

二、数据集介绍

2.1 数据集来源

数据集来源于 MATLAB 官网的示例数据集。

2.2 数据集规模

数据包含了 87 位用户使用主动式电容笔书写的 9 个字母（a, h, k, m, o, r, s, t, w）的笔画数据，共计 1341 个独立样本。每个样本存储为一个 .txt 文件，总大小约 1.92MB。

2.3 字段说明

每个样本的 .txt 文件基本格式如下：

Time,X,Y,P
0,-0.0296747457290869,0.117938092000219,0.028
0.008,-0.0296747457290869,0.117938092000219,0.161
...
0.524,0.389766371787818,-0.641050596839895,0.271
0.535,0.409739758336242,-0.654366187872178,0.104
0.536,NaN,NaN,NaN

▲ Listing 1 单样本数据格式

▲ 表 2 数据集字段含义

2.4 数据可视化

将完整数据集导入 MATLAB 工作区并新建脚本。

可视化单样本：

letter = readtable("user016_w_1.txt")
plot(letter.X, letter.Y)
axis([-1 1 -1 1])

▲ Listing 2 单样本可视化脚本

▲ 图 2 可视化后的 user016_w_1.txt（字母‘w’）

可视化某一类样本（例如，在同一张图上可视化所有 *_r_*.txt 文件）：

letterds = datastore("*_r_*.txt")
data = readall(letterds)
plot(data.X, data.Y)
axis([-1 1 -1 1])

▲ Listing 3 类样本可视化脚本

▲ 图 3 可视化后的字母‘r’类样本

三、提取特征后的数据预处理

由于本工程处理的数据较为特殊，需要先提取特征，再基于特征绘制箱型图进行分析和处理。

导入完整原始数据集并提取特征（特征工程细节见第四节）后，绘制箱型图进行分析。

▲ 图 4 针对三个关键特征的箱型图（清洗前）

从箱型图不难看出，timeToWrite（书写时间）、letterHeight（字母高度）和 numStrokes（笔画数）三个特征均存在明显的离群点。为此，设计以下脚本进行数据清洗：

%% Clean
% Clean timeToWrite
data(data.timeToWrite > 0.8, :) = [];

% Clean letterHeight
data(data.letterHeight > 2.5 | data.letterHeight < 0.2, :) = [];

% Clean numStrokes
data(data.numStrokes > 3, :) = [];

▲ Listing 4 数据清洗脚本

该脚本清除了极端异常的离群数据，同时保留了一部分轻度离群数据用于模型训练，以保持一定的数据多样性。使用清洗后的数据重新绘制箱型图。

▲ 图 5 数据清洗后的箱型图

四、特征工程

根据数据可视化结果和领域知识，我们从原始笔画坐标时间序列中提取了以下8个特征：

1. 起始点 X 坐标 (firstXpos)
2. 起始点 Y 坐标 (firstYpos)
3. 结束点 X 坐标 (lastXpos)
4. 结束点 Y 坐标 (lastYpos)
5. 书写总时间 (timeToWrite)
6. 字母高度 (letterHeight)
7. 字母宽度 (letterWidth)
8. 笔画数量 (numStrokes)

具体实现代码如下：

% Create a function that extracts the letter features
function features = extractLetterFeatures(letter)

% Extract features
firstXpos = letter.X(1);
lastXpos = letter.X(end-1);
firstYpos = letter.Y(1);
lastYpos = letter.Y(end-1);
timeToWrite = letter.Time(end);
letterHeight = range(letter.Y);
letterWidth = range(letter.X);
numStrokes = sum(ismissing(letter.P));

% Combine features into a table
features = table(timeToWrite, letterHeight, letterWidth, ...
    firstXpos, lastXpos, firstYpos, lastYpos, numStrokes);

end

% Use a transformed datastore to extract all letter features into a
% variable named data
letterds = datastore("letterFiles\*.txt");
featds = transform(letterds, @extractLetterFeatures);
data = readall(featds)

▲ Listing 5 特征提取函数及特征集成脚本

五、模型训练与评估

打开 MATLAB 的 classificationLearner App，我们创建两个会话，分别使用原始数据集和清洗后的数据集。均设置为 3 折交叉验证。

考虑到最终是嵌入式工程部署，为了达到最佳训练效果，我们使用 95% 的数据作为训练集，5% 作为测试集。在两个会话中，我们均训练迭代次数为 40 的“可优化 KNN”和“可优化 SVM”。为了高效优化超参数，采用贝叶斯优化（Bayesian Optimization）算法进行自动优化。

以下是使用不同数据集训练出的模型混淆矩阵对比：

使用未清洗数据训练：

▲ 图 6 数据未清洗前，可优化KNN的验证混淆矩阵

▲ 图 7 数据未清洗前，可优化SVM的验证混淆矩阵

使用清洗后数据训练：

▲ 图 8 数据清洗后，可优化KNN的验证混淆矩阵

▲ 图 9 数据清洗后，可优化SVM的验证混淆矩阵

通过混淆矩阵可以直观看出，数据清洗后，两类模型的分类准确性均有提升，对角线上的数值（正确分类的样本数）更加集中和突出。

关键性能指标对比
下图综合对比了数据清洗后，可优化 KNN 与可优化 SVM 在验证准确率、测试准确率、验证成本、推理速度、部署大小和训练时间上的表现。

▲ 图 10 数据清洗后，可优化KNN与可优化SVM的评估指标对比

从对比结果可知，在 模型训练 这一关键环节，经过优化的 SVM 模型在验证准确率（92.1% vs 91.1%）、测试准确率（88.7% vs 85.5%）、推理速度（70000 obs/s vs 38000 obs/s）和部署大小（53 kB vs 91 kB）上均优于 KNN 模型，虽然其训练时间更长。这为后续选择 SVM 模型进行 嵌入式端侧部署 提供了数据支撑。

总结与展望

本文详细记录了利用 MATLAB 完成手写字母识别项目的数据工程与模型训练阶段。通过数据可视化、清洗、特征提取到最终的模型训练与评估，我们对比了 KNN 与 SVM 在嵌入式场景下的潜力。结果表明，经过数据清洗和超参数优化后，SVM 模型在精度和效率上更符合嵌入式端侧部署的要求。

当然，这只是整个 人工智能 项目链的第一步。模型训练完成后，下一步将是利用 MATLAB Coder 将精选的模型转换为 C 代码，并集成到 RK3588 的嵌入式工程中进行硬件在环（HIL）测试，验证其在真实硬件上的微秒级推理性能。整个流程体现了从算法原型到嵌入式产品落地的完整思路，希望对各位开发者的项目实践有所启发。欢迎在 云栈社区 交流更多关于嵌入式 AI 部署的经验与问题。