使用Winograd算法实现不规则长度DFT——在多载波调制系统(OFDM)中不规则长度FFT的一种实现方法

本文结合FFT在多载波调制系统(OFDM)中的应用,介绍了改进大素数Winograd FFT算法,并通过与传统Winograd FFT、DFT的性能比较,论述了本算法的研究意义;介绍了二维卷积算法Agarwal-Cooley、包括中国余数定理、小点数的Winograd卷积算法和克罗内克积;在介绍算法的同时穿插11点FFT的推导,先计算2点和5点Winograd卷积,之后得到10点卷积,最后得出11点FFT。

Winograd快速傅立叶变换及其在频谱分析仪中的应用

介绍了Winograd快速傅立叶变换的方法。这种方法的乘法次数只有Cooley Tukey傅立叶算法的 1/ 3,而加法次数并无明显增多 ,因此有很好的推广价值。采用这种算法设计了三相频谱分析仪 ,大大提高了计算速度。

基于Cache优化的大点数FFT在TS201上的实现

该文针对现有大点数快速傅里叶变换(FFT)在TS201处理器上的实现没有充分考虑Cache丢失对执行效率影响的问题,提出了改进型Winograd算法的实现方法。该改进型方法通过优化行列读取方法,最大程度利用Cache的读写特点,避免了三次显性转置;并通过重构蝶形运算,隐藏了乘铰链因子。实例测试与现有处理方法对比结果表明,Cache优化的大点数FFT执行速度有了明显提高,可用于雷达处理系统中的脉冲压缩的快速实现。

DTMB接收机中3780点FFT处理器的设计

提出了一种适合于DTMB接收机使用的FFT处理器的设计方法.该处理器基于混合基算法,素因子分解法和WFTA算法,采用动态截位法来保证精度与减小功耗和面积.FPGA验证表明:在输入输出均为13位时,该处理器的信噪比达到了60.4dB,运行最高频率达到84.48MHz,满足了DTMB接收机对FFT处理器的精度要求和速度要求.

快速卷积算法的综述研究

卷积神经网络是深度学习算法应用最广泛的方向之一,目前卷积神经网络的应用不仅仅是停留在科技领域,已经扩展到医学、军事等领域,并且已在相关领域发挥着巨大的作用。卷积是卷积神经网络中最为核心的一部分,卷积运算占整个网络70%以上的时间,所以针对卷积运算的加速研究就显得十分重要。首先介绍近年来的卷积算法,并对其复杂度进行分析,总结了这些算法各自的优点和不足,最后对其理论研究和应用领域可能存在的突破进行了探讨和展望。

快速傅立叶变换算法的比较

快速傅立叶变换有多种算法 ,本文较为全面地讨论了离散傅立叶变换的快速算法 。

基于卷积神经网络的GFW加速调度算法

神经网络的广泛应用使得人们更加关注神经网络的训练,更高精度的要求给神经网络的训练带来了困难,因此加速神经网络的训练成为了研究的重点。对于神经网络的训练中卷积层占据了大部分的训练时间,所以加速卷积层的训练成为了加速神经网络的关键。本文提出了GFW加速调度算法,GFW算法通过对不同卷积图像的大小和卷积核的数量调用不同的卷积算法,以达到整体的最佳训练效果。实验中具体分析了9层卷积网络的加速训练,实验结果显示,相比于GEMM卷积算法,GFW算法实现了2.901倍的加速,相比于FFT算法GFW算法实现了1.467倍的加速,相比于Winograd算法,GFW算法实现了1.318倍的加速。

卷积神经网络的卷积加速算法分析

在卷积神经网络中,卷积运算是最消耗运算资源的功能模块,其速度瓶颈限制了其在很多高实时性应用场合的使用。本文基于前人工作,详述了卷积神经网络中卷积运算几种加速算法的原理,包含传统卷积、基于FFT的卷积、基于OVA-FFT的卷积、基于Winograd的卷积,对运算量做了对比,并在此基础上,分析了不同算法适于的实现平台。

面向卷积神经网络的FPGA设计

近年来,卷积神经网络作为深度学习中的常用算法,被广泛地应用在计算机视觉的任务中.FPGA凭借它的高并行计算、低功耗和可重复配置的特点在实现卷积神经网络的多种加速器中显示了优异的特性.近几年,使用FPGA加速卷积神经网络的方法已经被人们广泛地探索,但是大部分设计的性能都受限于片上乘法器数量.快速算法在卷积操作中能够有效降低运算中乘法的数量,进而达到平衡资源的效果.本文首先介绍4种实现卷积神经网络的算法:传统的空间卷积算法、矩阵乘法、Winograd算法和FFT算法.同时介绍国内外对于不同算法在硬件上的实现,以及相应的优化手段,并且总结使用FPGA加速CNN的发展历程.