基于ZYNQ的通用型卷积神经网络设计与实现

针对基于FPGA平台的神经网络开发周期过长、调节网络模型麻烦等问题,设计了一种基于ZYNQ的通用型卷积神经网络模型。首先通过Tensorflow平台搭建神经网络并训练得到模型各层权重;其次利用高层次综合工具进行卷积层和池化层的IP核设计;然后在ZYNQ平台上部署模型;最后分别运行了Le Net-5和Alex Net-8神经网络进行验证。实验结果表明模型在只损失极少准确度的情况下,卷积与池化运算速度相比于ARM平台分别提高了3.65倍和2.31倍,并具备通用性。

基于矢量测量的在线载体磁补偿方法

针对传统载体磁补偿求解系数存在病态性的问题,本文研究了磁干扰的主要来源,忽略了涡流场的影响,在原有的模型基础上进行了简化,建立了三分量磁补偿模型,由此提出了磁场分量的在线载体补偿方法。通过与传统方法进行对比仿真,本文方法有效提高了约1.14 nT的补偿精度。同时利用现场可编程逻辑门阵列(field programmable gate array,FPGA)的高层次综合工具(high-level synthesis,HLS)对该方法进行了嵌入式硬件仿真,验证了方法在硬件系统的实时性和补偿精度。

基于改进的Alexnet的服装识别及FPGA加速实现

为了快速识别服装款式类型,针对现有的服装识别网络模型有所累赘以及速度响应仍然有待提升的问题,设计了一种改进的Alexnet。采用小卷积核替换大卷积核的方式减少计算量并提升识别准确度,相比于原神经网络提升了2个百分点;然后通过对网络进行权重提取,最后在FPGA进行网络搭建,通过FPGA的高运算功能进行加速,在稍微减少改进的Alexnet准确度的情况下大幅度地提升了识别速度,相比于ARM平台提升了3倍。

硬件与软件对实现非递归滤波算法影响的研究

以信号处理中非递归型Finite Impulse Response(FIR)滤波器作为研究对象,针对硬件电路设计中存在的面积、功耗和计算性能的问题,通过利用Catapult C高层次综合工具先优化单个FIR滤波,再级联滤波算法的方法以改善滤波的能耗。同时FIR滤波算法在STx P70专用微处理器中采用单指令多数据Single Instruction Multiple Data(SIMD)VECx技术以加速电路的计算性能,分析与评估硬件与软件对实现FIR滤波算法的影响。实验结果表明,采用硬件等效替代的方法能使单个FIR滤波能耗降低6倍,级联滤波能耗降低7倍,满足了绿色环保的电路设计理念。采用软件的SIMD技术可实现数据向量化加速计算,计算加速比提高4倍以上。