物业管理插上高科技的翅膀——物业管理结合人工智能的解决方案

一、前沿科技 看了纪录片《探寻人工智能》,联想到近来最为热门的科技名词：高科技、互联网＋、人工智能、大数据、深度学习、云计算、万物互联……所有这些已然不再陌生,其中最受关注、津津乐道的是人工智能（Artificial Intelligence,缩写“AI”）,纷纷预测机器会不会代替人类甚至统治人类。

基于深度学习的辐射源个体识别方法综述

首先,从辐射源的个体识别过程的3个步骤,即信号预处理、信号特征提取、信号分类分别展开分析,阐述了将深度学习应用于辐射源的个体识别方法;然后,归纳了基于深度学习的辐射源识别方法的改进趋势,包括零小样本学习的弱监督学习方法和多特征融合识别;最后,针对神经网络的训练和推理均需要消耗大量算力的问题,总结了基于现场可编程门阵列(FPGA)处理器的深度学习加速器并将其运用于本识别方法中,从而提高辐射源个体识别的速率、降低功耗和硬件成本,使基于深度学习的辐射源个体识别方法,能以更好的性能应用于实际场景中。

基于FPGA的卷积神经网络加速器研究与设计

本文针对Yolo v2目标检测卷积神经网络实现了基于Xilinx Virtex Ultrasale+VCU118的硬件加速,整体采用MCU+FPGA的异构计算架构,MCU采用ArmCortex-M3软核IP布局布线到FPGA开发板中。软件上完成了MCU读取大位宽RAM数据以及中断控制系统的设计,硬件上完成了Yolo v2网络前向传播模型中的卷积、ReLU非线性激活、最大池化等核心模块的设计。PE(Processing Engine)阵列借鉴了eyeriss阵列架构中的行固定流思想,通过精心设计阵列输入数据的格式,将多维卷积拆分成一维卷积,实现多输入特征图、多通道、多卷积核的通用性卷积计算,且利用Chisel3语言实现了一种高度参数化的卷积计算电路生成器,具有计算位宽可调、PE阵列规模可调、PE单元内部存储可调的特点。