-
公开(公告)号：CN101840324A
公开(公告)日：2010-09-22
申请号：CN201010162368.X
申请日：2010-04-28
Applicant: 中国科学院自动化研究所
IPC: G06F7/57
Abstract: 本发明公开了一种支持复数运算和子字并行的64位定浮点乘法器，该乘法器由四个32位乘法器组合而成，其中每个32位乘法器均包含一个作为输出的“进位”串和一个作为输出的“和”串，四个32位乘法器共包含四个“进位”串和四个“和”串，该四个“进位”串和该四个“和”串通过一个8-2压缩器进行压缩，得到一个新的“进位”串和一个新的“和”串，然后求和作为该乘法器的输出。利用本发明，降低了关键通路延时，减小了运算资源开销。
-
公开(公告)号：CN101833441A
公开(公告)日：2010-09-15
申请号：CN201010162350.X
申请日：2010-04-28
Applicant: 中国科学院自动化研究所
IPC: G06F9/38
Abstract: 本发明公开了一种并行向量处理引擎结构，该结构包括局部存储器、总线控制器、向量处理单元和通信同步单元，其中，该局部存储器由多个存储块组成，每个存储块独立运行，且每个存储块作为一从设备通过总线与该总线控制器连接，该向量处理单元与该通信同步单元均作为一主设备通过该总线控制器连接。本发明提供的并行向量处理引擎结构，能够优化向量计算，提高了芯片的数字信号处理能力。
-
公开(公告)号：CN117152516A
公开(公告)日：2023-12-01
申请号：CN202311116909.9
申请日：2023-08-31
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/084
Abstract: 本发明属于图像处理领域，具体涉及了一种用于视觉任务的分块卷积计算方法、系统和设备，旨在解决现有技术中图形处理方法计算资源占用过大，导致神经网络模型在尺寸不足或性能不足的嵌入式设备中难以应用的问题。本发明包括：通过图像采集设备获取待处理特征图，记为第0层特征图；将当前特征图的层数记为i，此时i＝0；将当前特征图均分为预设尺寸的多个原始block；基于所述原始block进行边缘补零获得补零block；通过卷积层逐个对所述补零block进行计算获得第i+1层特征图。本发明通过将每层卷积的计算拆分为若干次独立的分块卷积计算，与普通卷积模型相比，在模型精度相同的情况下，计算时所需要的内存更小。
-
公开(公告)号：CN116489236A
公开(公告)日：2023-07-25
申请号：CN202310747250.0
申请日：2023-06-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种脑电信号实时无损压缩方法、装置、电子设备及存储介质，涉及脑电信号处理技术领域，该方法包括：对当前时刻输入的多通道原始脑电数据进行差分变换，得到所述当前时刻对应的每个通道的差分脑电数据；根据所述每个通道的差分脑电数据的数值，分别为所述每个通道的差分脑电数据分配数据位长并相应地进行数据截取；对数据截取后的所述每个通道的差分脑电数据分别添加用于指示数据位长的标签数据，得到所述当前时刻对应的多通道压缩脑电数据。可以显著降低大规模脑电数据传输的带宽要求，实现大规模的脑电数据传输，同时可以确保脑电数据压缩过程的实时性和无损性。
-
公开(公告)号：CN110880038B
公开(公告)日：2022-07-01
申请号：CN201911196648.X
申请日：2019-11-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于深度学习领域，具体涉及一种基于FPGA的加速卷积计算的系统、卷积神经网络，旨在为了解决解决现有技术中的上述问题。本发明包括：参数量化模块，存储各卷积层的定点化后的权值参数、尺度、偏置；参数加载模块，将定点化后的CNN模型参数文件加载到FPGA中；输入模块，获取输入数据定点化后的低比特数据；卷积计算模块，将输入数据的特征图矩阵拆分为多个小矩阵依次加载到FPGA中，根据卷积核的数量分批进行卷积计算；输出模块，各小矩阵对应的卷积计算结果进行合并作为下一层的输入图像；本发明在硬件FPGA上保证了网络模型精度损失很小的前提下，减少网络模型的存储，实现加速卷积计算。
-
Patent Agency Ranking
公开(公告)号：CN112990438A
公开(公告)日：2021-06-18
申请号：CN202110315588.X
申请日：2021-03-24
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于卷积神经网络领域，具体涉及了一种基于移位量化操作的全定点卷积计算方法、系统及设备，旨在解决现有的卷积计算方法内存占用和时间消耗大，难以在嵌入式设备上进行部署的问题。本发明包括：通过量化尺度参数公式和量化后偏置项参数公式获取待计算图像的卷积特征图的量化尺度参数和卷积核参数的量化尺度参数，进而计算偏置项参数的量化尺度参数，通过卷积核参数的量化尺度参数和偏置项参数对权重进行量化，进而获得量化运算结果，通过移位操作将中间结果进行量化，使得在前向计算过程中没有浮点运算的参与。本发明每一层仅需一个量化参数，减小内存占用和时间消耗，使得卷积模型可在嵌入式设备上部署。
-
公开(公告)号：CN101833441B
公开(公告)日：2013-02-13
申请号：CN201010162350.X
申请日：2010-04-28
Applicant: 中国科学院自动化研究所
IPC: G06F9/38
Abstract: 本发明公开了一种并行向量处理引擎结构，该结构包括局部存储器、总线控制器、向量处理单元和通信同步单元，其中，该局部存储器由多个存储块组成，每个存储块独立运行，且每个存储块作为一从设备通过总线与该总线控制器连接，该向量处理单元与该通信同步单元均作为一主设备通过该总线控制器连接。本发明提供的并行向量处理引擎结构，能够优化向量计算，提高了芯片的数字信号处理能力。
-
公开(公告)号：CN116489236B
公开(公告)日：2023-09-12
申请号：CN202310747250.0
申请日：2023-06-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种脑电信号实时无损压缩方法、装置、电子设备及存储介质，涉及脑电信号处理技术领域，该方法包括：对当前时刻输入的多通道原始脑电数据进行差分变换，得到所述当前时刻对应的每个通道的差分脑电数据；根据所述每个通道的差分脑电数据的数值，分别为所述每个通道的差分脑电数据分配数据位长并相应地进行数据截取；对数据截取后的所述每个通道的差分脑电数据分别添加用于指示数据位长的标签数据，得到所述当前时刻对应的多通道压缩脑电数据。可以显著降低大规模脑电数据传输的带宽要求，实现大规模的脑电数据传输，同时可以确保脑电数据压缩过程的实时性和无损性。
-
公开(公告)号：CN114819121A
公开(公告)日：2022-07-29
申请号：CN202210316654.X
申请日：2022-03-28
Applicant: 中国科学院自动化研究所
Inventor： 尹志刚
IPC: G06N3/063
Abstract: 本发明提供一种基于脉冲神经网络的信号处理装置及信号处理方法，所述装置包括：第一寄存器、第二寄存器、第三寄存器、加法器和移位器；第一寄存器的输出端和第二寄存器的输出端连接加法器的第一输入端；第一寄存器用于存储待处理信号对应的脉冲序列经压缩编码后的脉冲序列；加法器的输出端连接第三寄存器的输入端；第三寄存器的输出端连接移位器的输入端；移位器的输出端连接加法器的第二输入端；加法器用于获取当前时钟周期对应的脉冲积分值；第三寄存器还用于将最后一个时钟周期对应的脉冲积分值作为待处理信号的处理结果进行输出。本发明通过脉冲压缩编码加速SNN模型中的脉冲计算，可满足在有限硬件资源的情况下实现实时的信号处理。
-
公开(公告)号：CN112990438B
公开(公告)日：2022-01-04
申请号：CN202110315588.X
申请日：2021-03-24
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于卷积神经网络领域，具体涉及了一种基于移位量化操作的全定点卷积计算方法、系统及设备，旨在解决现有的卷积计算方法内存占用和时间消耗大，难以在嵌入式设备上进行部署的问题。本发明包括：通过量化尺度参数公式和量化后偏置项参数公式获取待计算图像的卷积特征图的量化尺度参数和卷积核参数的量化尺度参数，进而计算偏置项参数的量化尺度参数，通过卷积核参数的量化尺度参数和偏置项参数对权重进行量化，进而获得量化运算结果，通过移位操作将中间结果进行量化，使得在前向计算过程中没有浮点运算的参与。本发明每一层仅需一个量化参数，减小内存占用和时间消耗，使得卷积模型可在嵌入式设备上部署。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.029 seconds)
