完成总结和展望，并补充模型结构图

main.adoc

@@ -512,7 +512,9 @@ softmax 确保输出的概率分布在 [0, 1] 之间，并且所有类别的概
 
 当使用 softmax 作为分类网络的最后一层时，通常会使用交叉熵损失函数（cross-entropy loss）来度量模型预测的概率分布与真实标签之间的差异。交叉熵损失函数能够很好地与 softmax 函数一起工作，因为它直接度量了预测概率分布与真实概率分布之间的“距离”。本设计中也使用该损失函数。
 
+初步设计的神经网络模型结构如下图所示。
 
+image::doc_attachments/2024-05-12T09-19-31-206Z.png[神经网络模型结构] 
 
 ==== 超参数设计
 //超参数设计，学习率、损失函数
@@ -752,15 +754,35 @@ image::doc_attachments/2024-05-11T05-02-31-706Z.png[广播数据段设计]
 ===== 射频校准任务
 该任务定时触发，用于定周期校准射频部分，保证蓝牙稳定工作。
 
-== 基于 MEMS 和 CNN 的振动筛故障检测设备有效性验证
+// == 基于 MEMS 和 CNN 的振动筛故障检测设备有效性验证
 
-=== 验证场景
+// === 验证场景
 
-=== 准确性验证
+// === 准确性验证
 
 == 总结与展望
 
+本课题提出了一种基于 MEMS 和 CNN 的振动筛故障检测设备，该设备通过集成的 MEMS 加速度传感器和卷积神经网络 (CNN) ，实现了对振动筛振动信号的实时采集和分析。
+
 === 总结
 
+本设计中对于“基于 MEMS 和 CNN 的振动筛故障检测设备”，主要设计了检测终端的硬件部分、使用输入振动信号进行训练和推理的神经网络模型以及实际运行于检测设备上的数据采集、推理和数据传输软件部分。
+
+对于检测终端的硬件部分，设计了电源转换电路、主控外围电路、传感器外围电路以及通信相关电路。本设计中基本实现了振动检测设备从数据采集到进行推理并输出推理结果的功能。
+
+对于使用输入振动信号进行训练和推理的神经网络模型部分，设计了相适应的网络结构，并通过该网络训练得到了相应的推理模型。该网络使用三轴加速度计采集的加速度时域信号叠加形成的单通道二维信号图像作为输入，参考于 LeNet 网络结构，主要由一层卷积层和三层全连接层组成。该模型在本地运行推理取得了较高的识别精度。
+
+对于运行于检测设备上的数据采集、推理和数据传输软件部分，分层次设计了相应的应用部分。使得故障检测终端设备能够使用传感器实时采集被测设备的振动信号，并能够静态地部署在本地训练并转化过的推理模型，且在推理完成后能够使用总线和蓝牙广播方式反馈检测数据。
+
 === 展望
 
+由于个人水平和时间有限，仅实现了“基于 MEMS 和 CNN 的振动筛故障检测设备”的原型部分。
+
+在硬件设计上，由于理论和经验有限，仅对电源输入部分添加了常用的防过压和防反接保护措施，传感器和主控按照厂家数据手册进行了设计，而没有将其作为可实用的产品进行足够的加工合理性和稳定性论证和试验。
+
+在神经网络部分，由于保守起见，仅搭建了较为简单的的卷积神经网络结构，没有尝试进行更复杂的神经网络推理和部署验证，也许通过调整网络结构、优化数据预处理流程以及调整训练相关参数能够获得更好的模型性能。
+
+在主控程序的程序上也实现的较为简单，比如总线通信部分，没有对极端错误情况进行处理。以及使用蓝牙进行数据回传的部分可以设计使用 BLE MESH 组网进行数据回传，能够很大程度上解决当前使用广播方案通信距离十分有限的问题。
+
+另外仍有很多设想但未作实现的部分。如数据回传后的可视化部分以及使用仿真优化的检测设备壳体设计。
+