针对卷积神经网络最大池化层的池化器及池化加速电路

    公开(公告)号:CN114265696B

    公开(公告)日:2024-12-20

    申请号:CN202111632969.7

    申请日:2021-12-28

    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。

    一种基于滚动时域的最优跟踪制导方法

    公开(公告)号:CN115291526B

    公开(公告)日:2023-05-09

    申请号:CN202211207671.6

    申请日:2022-09-30

    Abstract: 一种基于滚动时域的最优跟踪制导方法,属于飞行器制导与控制领域,解决了解决飞行器非线性最优在线弹道跟踪问题。最优跟踪制导方法包括:基于运动学模型进行轨迹跟踪,获得状态量偏差、控制矢量偏差;利用状态量偏差、控制矢量偏差,对运动学模型线性化;基于线性化后的运动学模型,在满足终端约束的情况下,求解最优控制目标函数使其最小,即获得制导指令。本发明通过小扰动线性化处理,将轨迹跟踪问题构建为一个凸二次规划问题,以轨迹跟踪误差最小为性能质保,能够实时生成最优跟踪指令,提升轨迹跟踪精度。

    一种基于梯度下降的制导参数在线修正方法及系统

    公开(公告)号:CN115268276B

    公开(公告)日:2023-02-03

    申请号:CN202211170921.3

    申请日:2022-09-26

    Abstract: 本发明涉及一种基于梯度下降的制导参数在线修正方法及系统,该方法步骤如下:根据飞行器当前状态与目标状态,利用在线轨迹方法得到后续的飞行轨迹与当前的制导指令;确定制导指令在线修正的最优指标,最优指标为按当前的制导指令执行若干制导周期后,得到的实际轨迹与在线轨迹方法得到的后续飞行轨迹最接近;利用梯度下降法对在线轨迹规划输出的制导指令进行修正,得到修正量;利用修正量确定制导程序角指令,完成制导参数的在线修正。本发明可使飞行器在受到本体和环境不确定影响下,实时对在线规划得到的制导程序角进行修正,从而获得最佳制导程序角,实现飞行器对不确定性的适应性提升,保证落点精度。

Patent Agency Ranking