在FPGA上实现及优化加速卷积神经网络的方法

本文在FPGA芯片zynq7020上实现了一种基于Lenet-5卷积神经网络的AI芯片设计,采用了将卷积操作转换为矩阵乘法、并行计算、流水线计算等技术来加速CNN的运算速度,提高了片上系统性能,并利用该芯片,实现了对手写数字集MNIST的快速准确识别.实验证明,在分类准确率几乎相同的前提下,该AI芯片与ARMCortex-A9CPU在处理相同批量MNIST数据集时实现了大约22倍的加速.并且该AI芯片在实现CNN的设计时采用了Vivado软件编程替代传统的硬件语言,降低了软件开发人员开发FPGA的门槛.

基于FPGA的QPSK调制器的设计与实现

介绍正交相移键控(QPSK)调制技术在数字信号处理中的作用与优势,详细分析了该调制技术的基本原理,对QPSK信号编码方式进行了说明,对相位选择法进行了分析。采用基于现场可编程逻辑门阵列(FPGA)的全数字QPSK调制设计方案,介绍了该方案中各模块的功能,重点介绍了串并转换、四相载波发生器等模块。通过Vivado对整个工程进行仿真和综合,例举了相关代码和测试波形,并在Zynq-7000系列开发板上验证了该设计的可行性。