一种数据流驱动的卷积神经网络加速器

    公开(公告)号:CN114358266A

    公开(公告)日:2022-04-15

    申请号:CN202111683726.6

    申请日:2021-12-28

    Abstract: 本发明涉及一种数据流驱动的卷积神经网络加速器,包括:预处理模块、卷积模块、池化模块和指令分发模块;预处理模块用于加载输入特征执行卷积神经网络的预处理;卷积模块用于加载权重、偏置数据以及输入特征执行卷积层、全连接层或非线性激活层的计算;池化模块用于加载卷积模块的计算结果执行池化层的计算输出;指令分发模块用于对所述预处理模块、卷积模块和池化模块进行工作模式的配置和控制;在指令分发模块的工作模式配置和控制下,根据卷积神经网络结构,将预处理模块、卷积模块和池化模块进行动态的流式结构连接;实现对输入数据的卷积神经网络加速处理。本发明提高CNN加速器的可扩展性,提升系统的整体性能。

    一种融合超列的类激活映射图生成方法

    公开(公告)号:CN115063655B

    公开(公告)日:2025-01-07

    申请号:CN202111655904.4

    申请日:2021-12-30

    Abstract: 本发明涉及一种融合超列的类激活映射图生成方法,第一步:根据过滤器通道将网络卷积层分为低、中、高区域,并提取每个区域最后一个卷积块作为低、中、高区域三个不同层次的信息;第二步:对d1、d2两个层次的输出特征进行上采样,使其成为低层次的特征维度,然后进行深度拼接,得到特征图,并进行标准化,使其包含的元素范围在[0,1]之间;第三步:将第二步中得到的特征图进行分组批处理,每组特征图采用置信度算法得到每组特征图的置信度;第四步:将所有组的置信度结果进行拼接,得到一个多维向量,对该向量进行软最大(softmax())处理,将结果作为每个特征图的贡献度;第五步:将贡献度与对应的特征图相乘,并将相乘后的特征图相加,获得最终的类激活图。

    一种基于高精度控制系统的LMS自适应滤波器设计方法

    公开(公告)号:CN112803918B

    公开(公告)日:2024-12-13

    申请号:CN202011539234.5

    申请日:2020-12-23

    Abstract: 本发明涉及一种基于高精度控制系统的LMS自适应滤波器设计方法,属于数字信号处理领域;步骤一、设置LMS自适应滤波器的性能指标;步骤二、根据步骤一的性能指标,设置LMS自适应滤波器的选取采样率;步骤三、根据步骤一的性能指标,设置LMS自适应滤波器的权值更新步长μ;步骤四、优化LMS自适应滤波器的期望信号d(n);根据期望信号d(n)设置采样点数Δ;步骤五、设置LMS自适应滤波器的阶数M;完成LMS自适应滤波器的设计;本发明兼顾了动静态性能要求,适用于高精度大动态控制系统,具有结构简单、工程实现方便等优点。

    一种无动力飞行器的剩余飞行时间预测方法和系统

    公开(公告)号:CN114326813B

    公开(公告)日:2023-06-20

    申请号:CN202111672205.0

    申请日:2021-12-31

    Abstract: 一种无动力飞行器的剩余飞行时间预测方法和系统,方法包括获取当前时刻飞行器的目标距离、视线倾角、视线偏角和速度矢量,计算总前置角,根据总前置角判断当前飞行为转弯飞行或直线飞行;若为转弯飞行,则根据总前置角进行分段,最后一段为直线段其余段为转弯段,采用分段迭代预测转弯段剩余飞行时间;计算剩余直线段航程,根据剩余直线段航程对直线段进行分段,采用分段迭代预测直线段剩余飞行时间;转弯段剩余飞行时间与直线段剩余飞行时间的和为预测的总剩余飞行时间;若为直线飞行,计算剩余直线段航程,根据剩余直线段航程对直线段进行分段,采用分段迭代预测直线段剩余飞行时间,直线段剩余飞行时间为预测的总剩余飞行时间。

    一种数据流驱动的卷积神经网络加速器

    公开(公告)号:CN114358266B

    公开(公告)日:2024-12-10

    申请号:CN202111683726.6

    申请日:2021-12-28

    Abstract: 本发明涉及一种数据流驱动的卷积神经网络加速器,包括:预处理模块、卷积模块、池化模块和指令分发模块;预处理模块用于加载输入特征执行卷积神经网络的预处理;卷积模块用于加载权重、偏置数据以及输入特征执行卷积层、全连接层或非线性激活层的计算;池化模块用于加载卷积模块的计算结果执行池化层的计算输出;指令分发模块用于对所述预处理模块、卷积模块和池化模块进行工作模式的配置和控制;在指令分发模块的工作模式配置和控制下,根据卷积神经网络结构,将预处理模块、卷积模块和池化模块进行动态的流式结构连接;实现对输入数据的卷积神经网络加速处理。本发明提高CNN加速器的可扩展性,提升系统的整体性能。

    一种融合超列的类激活映射图生成方法

    公开(公告)号:CN115063655A

    公开(公告)日:2022-09-16

    申请号:CN202111655904.4

    申请日:2021-12-30

    Abstract: 本发明涉及一种融合超列的类激活映射图生成方法,第一步:根据过滤器通道将网络卷积层分为低、中、高区域,并提取每个区域最后一个卷积块作为低、中、高区域三个不同层次的信息;第二步:对d1、d2两个层次的输出特征进行上采样,使其成为低层次的特征维度,然后进行深度拼接,得到特征图,并进行标准化,使其包含的元素范围在[0,1]之间;第三步:将第二步中得到的特征图进行分组批处理,每组特征图采用置信度算法得到每组特征图的置信度;第四步:将所有组的置信度结果进行拼接,得到一个多维向量,对该向量进行软最大(softmax())处理,将结果作为每个特征图的贡献度;第五步:将贡献度与对应的特征图相乘,并将相乘后的特征图相加,获得最终的类激活图。

Patent Agency Ranking