基于卷积神经网络的混叠光谱解调方法

研究了一种基于深度学习的光纤光栅混叠FBG光谱解调方法。利用卷积神经网络(Convolutional Neural Networks, CNN)模型处理混叠光谱非线性序列模型问题,通过一维卷积神经网络预测识别混叠光谱中心波长,并搭建了并联结构的混叠光谱数据自动采集实验系统,验证了混叠光谱的中心波长高精度解调。实验分析了训练样本、迭代次数对训练时间、测试时间、解调精度的影响,并对训练完成后的模型进行了解调时间测试。分别与其他解调算法进行了解调精度和测试时间对比,同时对同一组光谱数据使用解调模型算法及最高点寻峰算法进行中心波长值的对比并进行误差分析。实验结果表明:解调模型均方根误差结果为0.082 58 pm,使用Intel(R) Core(TM) i7-8550U CPU （Central Processing Unit）的解调计算时间为0.338 s。研究结果表明:采用卷积神经网络模型对于混叠光谱中心波长解调结果的准确性具有合理性,与其他算法相比,文中的解调算法在解调精度和时间上具有优势,模型大小在400 kB以下,所需算力较小,可部署在小型嵌入式设备中,在大规模机载传感网络,结构健康监测中有良好的应用前景。     

一种可配置的CNN协加速器的FPGA实现方法

针对卷积神经网络中卷积运算复杂度高而导致计算时间过长的问题,本文提出了一种八级流水线结构的可配置CNN协加速器FPGA实现方法.通过在卷积运算控制器中嵌入池化采样控制器的复用手段使计算模块获得更多资源,利用mirror-tree结构来提高并行度,并采用Map算法来提高计算密度,同时加快了计算速度.实验结果表明,当精度为32位定点数/浮点数时,该实现方法的计算性能达到22.74GOPS.对比MAPLE加速器,计算密度提高283.3%,计算速度提高了224.9%,对比MCA（Memory-Centric Accelerator）加速器,计算密度提高了14.47%,计算速度提高了33.76%,当精度为8-16位定点数时,计算性能达到58.3GOPS,对比LBA（Layer-Based Accelerator）计算密度提高了8.5%.     

基于FPGA的声纹识别系统设计

随着生物识别技术在各行各业之中开始普遍使用,作为人类最高频的交互方式,声纹识别成为生物识别技术中一种不可替代的解决方案。本文设计了一种基于现场可编程门阵列(Field Programmable Gate Array, FPGA)的声纹识别系统。该系统基于MFCC提取的声音特征通过卷积神经网络模型进行声纹识别,并结合IP核对卷积运算进行加速,试验测试表明,该系统可以充分发挥FPGA的高密度、高效率优势,提高CNN的运行效率、优化其前馈网络结构,从而实现更快速、更精准的声纹识别。     

一种基于三维可变换CNN加速结构的并行度优化搜索算法

现场可编程门阵列(FPGA)被广泛应用于卷积神经网络(CNN)的硬件加速中。为优化加速器性能,Qu等人(2021)提出了一种3维可变换的CNN加速结构,但该结构使得并行度探索空间爆炸增长,搜索最优并行度的时间开销激增,严重降低了加速器实现的可行性。为此该文提出一种细粒度迭代优化的并行度搜索算法,该算法通过多轮迭代的数据筛选,高效地排除冗余的并行度方案,压缩了超过99%的搜索空间。同时算法采用剪枝操作删减无效的计算分支,成功地将计算所需时长从106 h量级减少到10 s内。该算法可适用于不同规格型号的FPGA芯片,其搜索得到的最优并行度方案性能突出,可在不同芯片上实现平均(R1, R2)达(0.957, 0.962)的卓越计算资源利用率。     

一种基于FPGA的可配置硬件加速平台

本文介绍了一种基于FPGA的可配置硬件加速平台,该平台支持多种配置的方法加载FPGA代码,可以实现关键核心算法的加速,从而达到提升整个软件性能的目的。     

一种基于FPGA的神经网络的实现

本文介绍了一种用 FPGA 实现神经网络的方法。它利用 FPGA 器件的可重构计算特性,把BP 算法分成三个执行阶段并顺序配置到 FPGA 中执行。这种方法有效地提高了 FPGA 硬件资源的利用率     

一种采用预分类式神经网络的混叠信号识别方法

在非合作通信系统中,对未知信号调制方式的识别是对此信号进行准确处理的前提。随着通信环境的日益复杂,会不可避免地接收到时频混叠信号。针对混叠信号的信号分量{2FSK, BPSK, QPSK, 8PSK, 16QAM, 64QAM}的时频、高阶特征,提出了一种预分类式分类网络,实现了对分量信号两两混合的21种混叠信号调制方式的识别。改进了传统的稠密连接网络(DenseNet),简化其结构,引入自编码(Auto-encoder)和注意力机制(Attention),提出了AttEn-DenseNet。结合双向长短时记忆网络(Bi-LSTM),组成预分类式神经网络。先对混叠信号进行预分类,而后再循环式筛选网络极易混淆的高阶调制信号。在此方法中,预分类结构和注意力/自编码机制,能够帮助网络有效提取特征。通过实验对比,验证了预分类结构对识别信号的促进作用和AttEn-DenseNet对特征的高敏性。     

一种基于可变形卷积的高光谱图像分类算法

随着深度学习的不断发展,基于深度学习的机器 视觉方法被广泛应用,其中,卷积神 经网络(convolutional neural network,CNN)对高光谱图像(hyperspectral imagery,HSI ) 分类有着显著的效果。传统卷积网络中卷积核的采样位置是固定的,不能根据HSI中复杂的 空间结构而改变,忽略了数据在空间分布上的特征,为了提高高光谱图像分类在实际应用中 的性能,本文提出了一种基于可变形卷积的高光谱图像分类方法,考虑到HSI高维度的特性 , 将可变形卷积从2D引伸到3D,从而更好地提取3D空间上的特征。本文结合双分支双注意机制网络(double- branch dual-attention mechanism network,DBDA)的网络结构和3D可变形卷积,在Indi an Pines(IP)和Botswana(BS)2个数据集上进行了实验。实验结果表明,本文的方法在 综合精度(overall accuracy, OA) 、平均精度(average accuracy, AA)、KAPPA评价标准上均获得了更好的分类准确 率,相较于次优算法,OA提高了0.15%—0.23%,AA提高了0.21%, KAPPA提高了0.000—0.001。     

Hadamard变换光谱仪光谱复原算法的FPGA实现

提出一种利用FPGA实现Hadamard变换光谱仪光谱复原算法的方案。利用具备数字信号处理功能的FPGA对Hadamard编码图像,可以快速地进行Hadamard逆变换并得到复原图像。根据复原图像可以知道被测目标在各个波段的信息从而获得光谱曲线。实验表明,利用FPGA来完成该型光谱仪的光谱复原可以得到清晰的复原图像和单点光谱曲线,并且与软件得到的处理结果基本相同。该方案可以用于该型光谱仪的实时光谱复原以及基于光谱特征的目标识别领域。     

一种考虑光谱变异性的高光谱图像非线性解混算法

非线性解混可以解释高光谱图像复杂场景中的非线性混合效应,但地物的光谱变异性是其中的一个难点。提出一种考虑光谱变异性的无监督非线性解混算法。通过核函数将原始高光谱图像数据隐式地映射到高维特征空间中,从而在该空间中结合光谱变异性进行线性解混;与此同时,依据实际地物的分布特性,添加丰度和光谱变异系数的局部平滑约束。模拟和真实高光谱数据的实验结果表明,该方法能克服不同非线性混合场景中存在的光谱变异性问题,提高光谱解混的精度。     

基于FPGA的PCB测试机测试算法及其实现

印刷电路板(简称PCB)测试机的测试算法是PCB测试机的核心,它直接决定测试机的测试功能和测试速度.在现场可编程门阵列(Field programmable gate array,FPGA)上实现此算法,不仅简化了电路板设计,而且提高了系统的测试速度及系统的可重构性.论文研究了PCB测试中的主要测试算法(导通测试和绝缘测试)的FPGA实现,给出了测试算法的状态图,以及应用Altera公司的EDA设计的仿真图.实验结果表明此方法是一种可行和有效的方法.     

卷积神经网络的FPGA并行加速设计与实现

为提高目前硬件设备上运行卷积神经网络的速度和能效,针对主流的卷积神经网络提出了一种基于现场可编程门阵列(Field Programmable Gate Array,FPGA)的流水线并行加速方案,设计优化了数据存储模块、卷积计算模块、池化模块以及全连接模块,结合高层次综合技术构建了基于FP GA的卷积神经网络基本单元.为了降低加速系统的硬件开销,在保证卷积神经网络精度损失很小的前提下,采用数据量化的方式将网络参数从32位浮点数转化为16位定点数.系统测试使用MNIST数据集和CIFAR-10数据集,实验结果显示,所提出的卷积神经网络FPGA加速具有更快的识别效果,并且该方案在资源和功耗较少的情况下可以提供更好的性能,同时能够高效地利用FP GA上的硬件资源.     

卷积码Viterbi译码算法的FPGA实现

探讨了卷积码Viterbi译码的FPGA实现问题。在Viterbi译码算法中，提出了减少路径量度的位数和流水线回索法的幸存路径等方法，能有效地减少存储量、降低功耗、提高速度，使得K=7的Viterbi译码算法可在以单片FPGA为主的器件上实现。     

光纤激光器的谱叠加技术

谱叠加技术是一种非相干叠加方法,采用色散元件来实现各单元光束的叠加。介绍了光栅法、受激布里渊散射法、布拉格体光栅法等3种谱叠加技术,分析了各自的工作原理并比较了3种方法的优缺点。     

动态深度神经网络的硬件加速设计及FPGA实现

基于现场可编程门阵列(Field Programmable Gate Array, FPGA)实现的卷积神经网络由于具有优秀的目标识别能力,广泛应用在边缘设备。然而现有的神经网络部署多基于静态模型,因此存在无效特征提取、计算量增大、帧率降低等问题。为此,提出了动态深度神经网络的实现方法。通过引入模型定点压缩技术和并行的卷积分块方法,并结合低延迟的数据调度策略,实现了高效卷积计算。同时对神经网络动态退出机制中引入的交叉熵损失函数,提出便于硬件实现的简化方法,设计专用的加速电路。根据所提方法,在Xilinx xc7z030平台部署了具有动态深度的ResNet110网络,平台最高可完成2.78×10⁴ MOPS(Million Operations per Second)的乘积累加运算,并支持1.25 MOPS的自然指数运算和0.125 MOPS的对数运算,相较于i7-5960x处理器加速比达到287%,相较于NVIDIA TITAN X处理器加速比达到145%。     

中频采样QPSK解调的FPGA设计与实现

中频采样QPSK解调是一个比较成熟和稳定的技术,它克服了基带采样所带来的一些模拟因素。从中频采样出发,介绍了中频采样理论以及QPSK解调的组成和实现框图,同时也对2种采样方式进行了性能比较。中频采样也有利于设备的小型化和产品化。     

基于长信号快速相关算法的FBG传感解调

针射光纤布拉格光栅（FBG）复用传感解调技术中光纤上复用光栅的数量问题，基于F-P滤波器，提出用长信号快速相关算法来检测波长移位的解调方法。通过MATLAB仿真和具体实验证明：该方法在实际中可以解决两波形部分（〈40％）重叠的问题，进而在光谱宽度、测量范围和光栅谱宽一定的条件下，使复用光栅的数量大大增加，同时测量精度可达到1pm。     

神经网络激活函数及其导数的FPGA实现

神经元的激活函数是神经网络的重要组成部分。采用折线斜率为2的次幂的分段线性逼近方法实现激活函数(sigmoid函数)及其导数的映射。该方法在FPGA实现时不需要使用硬件乘法器,而且可以节约大量的RAM单元。由于神经网络的并行计算需要消耗大量的硬件乘法器和RAM,因此,与其他方法相比,该方法为整个神经网络的FPGA实现有效地节省了大量宝贵的FPGA资源,可以较好地应用在BP神经网络的在线训练中。     

波分复用加光栅光谱形状复用的FBG传感解调技术

针对光纤布拉格光栅(FBG)传感网络中可复用光栅的数量问题,提出波分复用(WDM)和光栅光谱形状复用结合的方法。通过MATLAB仿真和具体实验表明,WDM和光谱形状复用结合使用,在光谱宽度、测量范围和光栅谱宽一定的条件下,能使可复用的光栅数量比只用WDM时增加1倍,相比于其他多种复用技术结合的传感网络,解调系统更为简单。