基于TVM平台的MEC卷积算法优化

针对MEC(memory efficient convolution)卷积算法在传统设备下因访问数据地址不连续导致的缓存命中率低、内存访问延时长等问题,提出一种适用于MEC算法访存行为的优化方法。该方法分为中间矩阵转换和矩阵运算两部分。对于中间矩阵转换部分,采用修改数据读取顺序的方式对其进行优化,使读取方式符合算法的访存行为。对于矩阵运算部分,采用更加适合矩阵运算的内存数据布局对卷积核矩阵修改,并利用TVM(tensor virtual machine)平台封装的计算函数,重新设计中间矩阵同卷积核矩阵的计算方式。使用平台自带并行库对运算过程进行加速。实验结果表明,相比传统MEC算法,提出的优化方法可以有效解决缓存命中率低、内存访问延时长等问题,同MEC算法的运算时间对比,在单个卷积层上平均获得了50%的速度提升,在多层神经网络中最低获得了57%以上的速度提升,同空间组合算法的运算时间对比,最高获得了80%的速度提升。

基于MEC优化BP神经网络的PSD非线性校正

光电位置敏感传感器(PSD),特别是其B区存在非线性误差大、测量精度低的问题。针对现有神经网络校正方法的不足,提出一种基于思维进化计算(MEC)算法优化的神经网络校正模型。该方法首先应用MEC算法搜索最优神经网络初始权值和阈值,再利用LM算法训练BP神经网络,最后将训练好的神经网络用于PSD非线性校正。仿真实验结果表明,所提出的方法校正精度高,收敛速度快,泛化能力强,测试数据的平均误差被控制在0.005 mm以下。经过校正后的PSD在非线性区表现出与线性区相似的线性程度,提高了PSD的测量精度。

超图上最小边覆盖问题的算法研究

本文研究边赋权超图以及边赋权拉米纳(Laminar)超图的最小边覆盖问题.边赋权超图最小边覆盖问题是一个NP难问题,本文设计分层算法求解该问题,达到f近似比,及时间复杂度O(rm),其中f表示在超图的边集中出现最多顶点的次数,r表示超图的导出子图个数,m表示超图的边数.同时给出该算法的紧例子.而在边赋权拉米纳超图上求最小边覆盖问题是多项式时间可解的,求解该问题的策略是:首先构造对应的有根树,然后利用有根树的特殊性,基于动态规划的思想,对树从下往上按层次遍历各节点,设计MEC算法得到边赋权拉米纳超图上的最小边覆盖,求解该问题的时间复杂度为O(m^(3)).

基于SMEC的PID控制器参数优化整定方法

PID控制器参数的优化整定一直是自动控制领域的研究热点。提出一种利用改进思维进化计算(MEC)优化PID控制器参数的方法,在原有算法的框架上,加入自调整操作,依据进化方向和进化时间自动调整两种散布因子。经仿真表明使用SMEC方法整定得到的PID控制器参数可以获得满意的控制效果,其性能优于利用遗传算法得到的效果。