人工智能发展迅速，存在向嵌入式系统迁移的趋势。目前，人工神经网络主要依赖操作系统去实现，未发现在微控制器芯片上实现人工神经网络的训练与学习。微控制器芯片具备低功耗、实时、稳定、可靠、低成本的特点，在微控制器芯片上搭建神经网络，可将数据处理前移，实现边缘计算。
　　本系统在微控制器芯片上搭建了LSTM循环神经网络，并以此来预测大气雾霾浓度。使用微控制器芯片的浮点运算与DSP指令，编写神经网络需要的复杂数据运算函数，使用这些数据运算函数，搭建神经网络，直接在微控制器上实现了机器学习与预测，能够自主对权重矩阵进行更新。以米氏散射颗粒物浓度传感器测量雾霾值作为神经网络的监督，通过梯度下降法不断更新权重矩阵，使雾霾预测误差逐步降低。主要研究工作如下：
　　（1）提出并实现了在微控制器芯片上直接搭建LSTM循环神经网络，具备了机器学习与预测的功能。将循环神经网络的前向传播和反向传播搭建在微控制器芯片上，以传感器测量值为神经网络的监督，用预测值与传感器测量值之间的误差对权重矩阵进行梯度下降，使神经网络能够在使用中完成训练与学习。
　　（2）编写并封装了适合微控制器芯片搭建的神经网络所需要的接口。自Cortex-M系列芯片在M4之后增加了数字信号处理单元与FPU浮点运算单元，使在微控制器芯片上直接完成机器学习与预测成为可能。通过对微控制器芯片、神经网络的深入研究与分析，编写出微控制器芯片搭建神经网络需要的接口。
　　（3）设计并实现了在微控制器芯片上进行机器学习预测雾霾浓度。循环神经网络善于处理时序信号，在通用微控制器芯片上实现，来预测雾霾，使用有限的算力实现智能预测，真正实现仪器的智能化。
　　（4）对神经网络进行封装。微控制器芯片的主要用途之一就是信号处理，长短时循环神经网络主要用于处理时序信号，为使在微控制器上实现长短时循环神经网络能够具备广泛推广。对LSTM的门、单元状态、误差项计算等进行封装，使用时只需要调用函数以及改变参数，即可搭建用于处理不同时序信号的神经网络。
　　在通用微控制器芯片上实现长短时循环神经网络，首先进行预学习，再将设备放置在监测点，由颗粒物浓度传感器数据进行监督学习，预测雾霾浓度，预测一天后的雾霾浓度。实验数据表明，在通用微控制器芯片上搭建神经网络预测雾霾浓度是可行的。