基于循环累量不变量的MPSK信号调制识别算法

提出一种新的循环累量不变量分类特征,来实现MPSK信号的调制样式分类。新分类特征只利用了码元速率的先验信息,对基带成型脉冲的形状具有稳健性;对MPSK基带信号的时移、载波相位误差、信号幅度变化具有不变性;并可抑制加性平稳噪声。利用循环时变累量的多信号选择性,所提出的分类特征可实现多信号分类识别,理论分析和计算机仿真结果都证实了分类算法的有效性。

面向深度学习算子的循环不变式外提算法

TVM是一个深度学习编译器,支持将TVM的领域专用语言即张量表达式定义的算子编译生成目标平台的代码,并在高级中间表示TVM IR上进行一系列优化。张量表达式对算子执行循环变换,产生与循环迭代变量相关的复杂表达式的计算,在多层嵌套循环内这些计算包含了大量的循环不变式。然而,传统的循环不变量外提技术不能判断不变量外提是否能带来额外收益,无法发现操作数顺序不同的循环不变表达式,不能处理嵌套的条件表达式,并且与目标平台编译器优化存在冲突等。由于这些挑战,传统的循环不变量外提算法无法直接用于深度学习编译器的优化,提出了一种融合深度学习代价函数和启发式策略的循环不变量外提算法。该算法基于深度学习编译器的高层中间表示,通过调整操作数顺序和简化嵌套条件表达式等方法规范化表达式。为了衡量优化的收益,在结合TVM IR和目标平台的特点的基础上,提出了一个新的面向深度学习的不变式外提代价指标函数。在开源编译器TVM 0.7版本上,通过新增优化遍的形式,具体实现了所介绍的算法以及代价函数。为评测算法的有效性,在Tesla P4的图形处理器(GPU)平台上对TVM TOPI的测试算子集中27个典型算子不同输入规模的511个测例进行了测试。实验结果表明47.6%的算子性能得到提升,最大加速比大于40.0%。

基于编译指示的向量化方法

编译器由于程序分析能力不足,无法自动实现循环向量化或者会造成盲目自动向量化。为此,提出一种基于编译指示的向量化方法。通过在代码中插入向量化编译指示语句,指导自动向量化编译工具的处理过程,自动生成高效的向量化代码。测试结果表明,该方法能够有效提高目标代码的运行性能。

A QUANTIFIER-ELIMINATION BASED HEURISTIC FOR AUTOMATICALLY GENERATING INDUCTIVE ASSERTIONS FOR PROGRAMS

用量词消除的一个方法为自动地产生程序 invariants/inductive 断言被建议。给一个程序，引入的断言，在一个理论作为 parameterized 假设了公式，与程序地点被联系。在引入的断言的参数被由保证引入的断言被导致程序的联系地点的所有实行路径确实保存在参数上产生限制发现。方法能被用来发现在一个环的入口仍然保持不变的变量不变性质的循环。parameterized 公式能被一个一个地考虑实行路径连续地精制；启发规则能为决定路径在被考虑的顺序被开发。如果可得到，象前提和帖子一样的变量调节的节目的初始化，能也被用来进一步精制假设不变。方法不取决于一个程序的前提 andpostcondition 的可获得性。这样产生的参数上的限制为参数的可能的价值被解决。如果没有解决方案是可能的，这意味着那一假设形式不变不是可能的在做产生联系确认条件的假设 / 近似下面为循环存在。不同如果参量的限制是可解决的，那么在为产生这些限制的方法上的某些条件下面，最强壮可能假设形式不变能从参量的限制的很一般的答案被产生。途径为表示断言象 Presburger 算术一样用多项式方程的连词的逻辑语言被说明。