基于图卷积网络的卷积神经网络耗时预测算法

通过可学习的预测算法获取卷积神经网络(CNN)在硬件上的推理耗时越来越受到研究者的关注。现有耗时预测算法主要面临2个问题:卷积神经网络设计空间采样复杂度高,数据采集成本高;无法准确预测硬件编译器的算子融合技术对推理耗时的影响。为了解决上述问题,提出了一种基于图卷积网络(GCN)的耗时预测算法,将整体网络耗时看作多节点耗时补偿的累加,并利用图卷积对结构算子融合产生的耗时影响进行建模。同时,提出一种新型差分训练方案,减少采样空间规模,提高算法的泛化能力。在HISI3559硬件平台上对MB-C连续空间采样模型的耗时预测实验表明:所提算法可将耗时估计的平均相对误差从传统算法的302%降低到5.3%。另外,通过将传统耗时预测算法替换成所提算法进行耗时评估,可以使网络结构搜索算法搜索到耗时更加接近目标的高精度网络。

三相电压型整流器模型电压预测控制

模型电流预测控制在每个采样周期内对所有开关状态下的输出电流进行预测和评估,算法运算量大,对控制器性能要求较高。本文提出了一种用于三相电压型整流器(VSR)的模型电压预测控制算法。根据模型电流预测的逆过程获得参考电压值,将矢量平面分为7个部分,并判断参考电压值所在区域。根据参考电压所在区域获得最优的电压矢量作为控制器输出。该方法无需循环寻优过程,预测耗时少,易于实现。通过实验对所提出的模型电压预测控制方法进行分析,验证了所提算法具有优良的静态、动态性能同时可显著减少模型预测控制的计算耗时。