-
公开(公告)号：CN115906956A
公开(公告)日：2023-04-04
申请号：CN202211539304.6
申请日：2022-12-01
Applicant: 北京航天自动控制研究所
Inventor： 谢宇嘉 , 王晓峰 , 李悦 , 周辉 , 赵雄波 , 张辉 , 吴松龄 , 李晓敏 , 杨钧宇 , 路坤峰 , 张隽 , 丛龙剑 , 盖一帆 , 李山山 , 吴敏 , 林玉野 , 靳蕊溪
IPC: G06N3/0495 , G06N3/063 , G06F15/78
Abstract: 本公开涉及一种基于FPGA的神经网络模型轻量化方法，所述方法包括：步骤一、对需要计算的数据集进行预处理获得数据的最大值rmax、数据的最小值rmin、数据的均值m和方差σ2；步骤二、计算截断范围；步骤三、计算量化参数；计算量化所需参数量化步长s和量化零点z；步骤四、根据确定的参数进行量化计算。采用如上技术方案，将神经网络进行了适用于FPGA硬件的量化操作，减小了计算量，提高了计算效率。
-
公开(公告)号：CN110569713B
公开(公告)日：2022-04-08
申请号：CN201910663189.5
申请日：2019-07-22
Applicant: 北京航天自动控制研究所 , 中国运载火箭技术研究院
Abstract: 本发明一种利用DMA控制器实现数据串并行二维传输的目标探测系统及方法，系统包括探测器、上位机、FPGA、记录仪和多核ARM处理器；探测器上电工作后，将实时探测得到的图像传输给多核ARM处理器；多核ARM处理器根据上位机发出的指令选择对应的图像预处理算法对接收到的图像进行预处理后，发送给FPGA；FPGA上挂载的深度学习IP核对接收到的预处理后的图像数据进行深度学习目标识别计算，计算结果通过多核ARM处理器反馈至记录仪和上位机。本发明可支持神经网络运算算法单元，具有强实时、易移植、可扩展等特点的软件架构体系。
-
公开(公告)号：CN114265696A
公开(公告)日：2022-04-01
申请号：CN202111632969.7
申请日：2021-12-28
Applicant: 北京航天自动控制研究所
Abstract: 本发明涉及一种针对卷积神经网络最大池化层的池化器及池化加速电路，池化器包括第一选择器、第二选择器、比较器、常数寄存器和池化寄存器；比较器的第一输入端输入池化窗口中的特征数据，第二输入端接入第一选择器的输出数据，输出端连接到第二选择器；第一选择器的第一输入端连接常数寄存器，第二输入端连接外部的池化缓存从中读取数据，第三输入端连接池化寄存器输出端；第二选择器的第一输出端作为池化最终结果输出端，第二输出端连接外部的池化缓存向其写入数据，第三输出端连接池化寄存器的输入端。本发明以尽可能小的FPGA资源消耗量，实现常见CNN中最大池化层的高效计算，进而解决将CNN部署到嵌入式设备中遇到的实时性问题和功耗问题。
-
公开(公告)号：CN105426260B
公开(公告)日：2018-08-21
申请号：CN201510725014.4
申请日：2015-10-30
Applicant: 北京航天自动控制研究所 , 中国运载火箭技术研究院
IPC: G06F9/54
Abstract: 本发明公开了一种支持分布式系统的透明进程间通信系统及方法，所述系统包含多个通信节点，每个节点包括进程模块11和进程模块12、通信处理模块、链路发送服务模块、链路接收服务模块；所述方法包含唯一进程ID号设计、基于进程ID号的消息传递机制、消息传递路径快速路由、消息的快速传递，和基于“节点内部进程间通信+链路发送接收服务”的跨节点进程间通信机制。所述系统及方法高效地实现了进程间的消息传递，统一了节点内部进程间通信和跨节点进程间通信，实现了对分布式处理的支持。
-
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
Applicant: 北京航天自动控制研究所
IPC: G06N3/063 , G06N3/0464
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。
-
Patent Agency Ranking
公开(公告)号：CN112039800B
公开(公告)日：2024-02-20
申请号：CN202010926716.X
申请日：2020-09-07
Applicant: 北京航天自动控制研究所
Abstract: 本申请公开了一种遥测数据的发送方法及装置，用于摆脱硬件状态约束，实现不同遥测类型可配置，变长发送间隔的遥测数据发送。本申请公开的遥测数据的发送方法包括：配置初始化参数，进行系统初始化；确定遥测类型，并配置和注册所述遥测类型；确定待发送的数据，唤醒所述遥测类型的发送功能；使用所述遥测类型的发送功能发送所述待发送数据。本申请还提供了一种遥测数据的发送装置。
-
公开(公告)号：CN115905363A
公开(公告)日：2023-04-04
申请号：CN202211555122.8
申请日：2022-12-05
Applicant: 北京航天自动控制研究所
Inventor： 周辉 , 谢宇嘉 , 王晓峰 , 李悦 , 赵雄波 , 吴松龄 , 盖一帆 , 路坤峰 , 李晓敏 , 张隽 , 弭寒光 , 董文杰 , 靳蕊溪 , 吴敏 , 赵冠杰 , 阳徽 , 费亚男 , 赵伟
IPC: G06F16/2458 , G06F16/2455 , G06F16/248
Abstract: 本发明涉及一种数据的实时排序系统，其包括控制单元，输入数据预处理单元，排序模块以及数据缓存与输出单元，所述控制单元用于实现所述输入数据预处理单元和排序模块的控制，所述输入数据预处理单元用于确定所述排序模块是否能够接收新的外部数据并用于判定是否将序列数据输入所述排序模块，所述排序模块用于对输入其内的序列数据进行排序，所述数据缓存与输出单元用于对排序后的数据进行信息缓存和输出。其降低了输入数据从外部存储器读取的次数，降低了数据通讯量与数据存取开销，以尽可能小的FPGA资源消耗量，支持任意规模的数据排序操作，大幅压缩了排序运算的耗时，从而降低了排序操作的运算成本并提升了其效率。
-
公开(公告)号：CN110297423B
公开(公告)日：2022-08-12
申请号：CN201910447804.9
申请日：2019-05-27
Applicant: 北京航天自动控制研究所 , 中国运载火箭技术研究院
Inventor： 张英 , 王世会 , 赵雄波 , 郭波涛 , 李悦 , 呼吁 , 许琦 , 王琦 , 韩利军 , 杨广慧 , 陈伟 , 韦闽峰 , 宋鹏飞 , 王栋 , 成锐 , 张昕 , 周辉 , 秦东辉 , 汪冬瑾 , 江存胜 , 刘建敬 , 马征 , 赵星宇 , 孙德胜 , 杨俊峰 , 陈红岩 , 包亮 , 傅绍文 , 马力伟 , 王嘉贤 , 曹健 , 张兴
IPC: G05B13/04
Abstract: 本发明公开了一种飞行器长期在轨多模智能集成系统，包括：传感器模块、控制模块和执行模块；其中，所述传感器模块用于向控所述制模块实时输入飞行器敏感的飞行数据，其中，该数据包括可供飞行器控制直接使用的具有历史相关性的多维结构化浮点数据和相对应的传感器模块的物理表征量；所述控制模块接收飞行器敏感的飞行数据，并根据飞行器敏感的飞行数据处理得到状态数据和动作数据，并将状态数据和动作数据传输给所述执行模块；所述执行模块根据状态数据和动作数据输出运行指令，实现飞行器控制。本发明通过对飞行器长期在轨多模式状态智能控制，可动态的采取相应措施，确保系统正常运行。
-
公开(公告)号：CN114330658A
公开(公告)日：2022-04-12
申请号：CN202111630592.1
申请日：2021-12-28
Applicant: 北京航天自动控制研究所
Abstract: 本发明涉及一种动态可重构的卷积神经网络多核加速器，包括指令分发模块和与其连接、受其控制的加载模块、路由模块、计算模块和卸载模块；加载模块从外部加载输入特征数据和卷积核数据；路由模块将加载的数据分配给计算模块进行卷积神经网络加速处理；计算模块将结果通过卸载模块输出；加载模块、路由模块、计算模块和卸载模块中包括多路的加载器、路由器、计算核心和卸载器；在卷积神经网络处理过程中，指令分发模块对多路加载器、路由器、计算核心和卸载器进行分组动态重构，在计算核心中加载特征数据和卷积核数据，执行并行卷积神经网络加速处理。本发明利用动态重构实现多个计算核心间的并行，提高卷积神经网络的大动态适应能力。
-
公开(公告)号：CN114327629A
公开(公告)日：2022-04-12
申请号：CN202111682235.X
申请日：2021-12-28
Applicant: 北京航天自动控制研究所
Abstract: 本发明涉及一种基于FPGA的二维多通道卷积硬件加速器，包括：控制单元、偏置缓存、权重缓存、输入特征缓存、卷积缓存、权重预读寄存器组、PE阵列、非线性单元、第二选通器和第三选通器；特征缓存连接PE阵列；权重缓存通过权重预读寄存器组连接PE阵列；偏置缓存与卷积缓存通过第三选通器连接PE阵列，PE阵列输出端通过第二选通器连接卷积缓存和非线性单元；输入特征缓存、偏置缓存和权重缓存加载数据；权重预读寄存器组对权重缓存进行预读寄存；PE阵列写入输入特征、预读寄存的权重数据，偏置数据或卷积中间结果进行卷积运算，将卷积中间结果写入卷积缓存，将卷积最终结果经非线性单元激活后输出。本发明实现对CNN中任意规模卷积层的高效计算。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.036 seconds)
