基于软件定义片上可编程系统的卷积神经网络加速器设计

针对图像识别领域卷积神经网络(convolutional neural network, CNN)的计算需求,根据CNN的结构特点,设计出一种基于软件定义片上可编程系统(software defined system on chip,SDSoC)的加速器。首先通过修改CNN网络结构文件,选用修正线性单元(rectified linear unit, ReLU)作为激励函数,在虚拟机上训练出卷积神经网络的参数。最终完成一种占用硬件资源少,图像识别时间短和精度高的CNN硬件加速器。实验结果表明,与传统的CPU对比其识别精度提高至80%以上,消耗仅占其4.16%,识别时间从通用CPU的十几秒缩短至毫秒。资源消耗与识别时间都得到了很大程度的降低,为进一步加速提供了参考价值。     

小波网络异步电机转速辨识器的设计

为实现无速度传感器异步电机控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。因此,偿试利用小波网络构造转速辨识器,并将遗传算法和BP算法结合起来作为小波网络的学习算法。该算法首先采用混合编码的遗传算法优化网络的结构及网络初始权值,其次再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合.将所设计的网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINK实现无速度传感器控制系统的仿真实验结果表明,该方法具有良好辨识效果。     

Design and Implementation of Computer-Aid Garment Coordination Tool Using Fuzzy Neural Network

By modeling the decision-making process of garment coordination of fashion designers, a kind of computer-aid garment coordination using fuzzy neural network was proposed. The Takagi-Sugeno Fuzzy Neural Network (TSFNN) is used to learn the knowledge and rules of fashion designers on garment coordination and calculate the garment coordination satisfaction index (GCSI).The implementation of the computer-aid garment coordination tool is divided into two stages. The first stage is to acquire the knowledge of garment coordination. The second stage is to train and use the fuzzy neural network to conduct garment coordination. Three layers structure were also discussed for developing the system. By applying the computer-aid garment coordination tool into a real fashion-retailing store, the experimental results show the system performs well with choosing a suitable value for screening out the satisfaction coordination pairs.     

基于FPGA的神经网络硬件可重构实现

针对软件实现神经网络速度慢的缺点,介绍了一种神经网络在FPGA上可重构实现的设计方法.设计中依据成熟的BP算法公式,以一个三层的BP网络为例,利用Verilog HDL硬件语言自顶向下设计各个模块,使网络训练时将前向模块、误差反传模块和相应的控制模块同时配置到FPGA中进行网络训练;而当训练好的网络正常工作时,只在FPGA中配置前向模块和相应的控制模块就可以高速运行该神经网络.实验结果表明,该系统结构能极大地提高BP网络的学习速度.     

基于模糊神经网络的刀具磨损识别

为了实现刀具磨损状态的自动识别，采用机床功率法进行了刀具自然磨损和不同切削参数（切削速度、进给量和切削深度）对功率信号影响的实验。在此基础上，建立了功率信号的时序AR模型。在提取作为刀具磨损特征量的AR模型参数时，考虑了切削用量对模型参数的影响，提出了特征量选取的准则，使所提取的特征量更加实用化，通过具体自学习和良好函数逼近能力的神经网络获得了特征量对刀具状态的隶属函数，并利用模糊神经网Fuzzy ART实现了刀具磨损状态的自动识别，识别正确率为95%，说明所提出的方法是有效可行的。     

基于BP神经网络的交通流量预测设计

在研究交通流量特性的基础上,以交通流量控制为最终目标,建立了基于BP(Back Propagation)神经网络的交通流量预测模型.以某市某三叉口路段为例进行仿真模拟,结果表明预测系统能较准确地预测出交通流量状况.     

一种基于Muller流水线的异步流水线物理实现流程

为了克服异步电路实现工具不统一、实现复杂度较高的问题,提出了一种新的异步流水线实现流程.基于功能将实现流程分为同步时序约束和异步控制实现两个部分,对同步时序约束采用虚拟时钟,对异步控制实现采用真实延时控制,通过在实际的异步控制信号下的静态时序分析得到时序结果.实验和仿真结果一致表明,该流程可以完全利用成熟的电路自动化设计工具实现,极大地降低了异步流水线的实现难度.     

一种基于FPGA的通用卷积神经网络加速器的设计与实现

针对卷积神经网络中算子众多、网络结构变化迅速的特点,本文提出一种基于现场可编程门阵列(FPGA)的较为通用的卷积神经网络(CNN)加速器,可适应多种应用需求、达到较好的加速效果。该加速器采用专用的CNN指令集,可通过软件编译网络来生成指令,控制硬件灵活地实现多种网络的推理工作。在设计上,该加速器有如下几个特点：第一,采用状态握手的控制方式,让各个模块能够并行执行;第二,对FPGA的DSP进行拆分,成倍的提高计算资源;第三,通过片上RAM乒乓的方式,进一步减少MAC等待的时间,提高利用率;第四,采用类脉动阵列的形式,让工程的时序更加收敛,主频进一步提高。另外,本文还对第1层卷积以及平均池化等特殊算子,进行特殊支持来进一步提升运行性能。本文在Xilinx Kintex-7 XC7K325T FPGA上进行了实验,核心加速引擎可工作在200 MHz,卷积MAC阵列峰值算力为0.8TOPS,能效比达到63.00 GOP/(s·W)。对于YOLO V2网络,它的平均MAC利用率为91.9%;对于VGG16网络,它的平均MAC利用率为73.5%。     

基于神经网络的交通流的预测

在简要介绍智能系统中交通流的实时检测设备的基础上 ,为满足交通流诱导系统的理论需要 ,建立了实时交通流量神经网络预测模型。该模型为交通流诱导系统提供了预测交通状况的一种很好的方法     

一类神经网络观测器的设计及应用

为了减少小波神经网络(Wavelet Neural Network,WNN)的母小波与神经元数,在WNN模型修正的基础上提出了一种能够储存小波上一步信息由自反馈神经元组成的自回归小波神经网络(Self Recurrent Wavelet Neural Network,SRWNN);在分析了这种网络的结构形式后,提出了一类非线性系统的神经网络自适应状态观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的正确性;最后,将这种观测器设计方法用于航天器机械手的反演控制,根据SRWNN观测器的估计状态值,应用反演控制理论设计控制器,能够很好地实现系统状态观测,实现无需速度的信号跟踪。     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

Hopfield自适应异步电动机的直接转矩控制

传统的异步电动机直接转矩控制方法中,电动机低速稳态运行时的电磁转矩、定子磁链和定子电流脉动大,严重影响了整个电动机直接转矩控制系统的性能.为此,文中基于Hopfield神经网络理论和异步电动机动态数学模型,提出了基于Hopfield神经网络的改进异步电动机直接转矩控制方法,有效地降低了电磁转矩、定子磁链和定子电流的波动,达到了改善调速系统低速性能的目的.在此基础上,文中还进行了理论建模和仿真计算,仿真结果表明该方法具有良好的鲁棒性.     

车削过程中刀具磨损和破损状态的自动识别

采用机床主电动机功率法和声发射(AE)法来获取切削过程中发出的刀具磨损和破损信号,建立了刀具状态试验系统.在试验数据的基础上,建立了功率信号的自回归时序模型,在提取作为刀具磨损特征量的模型参数时考虑了切削用量的影响.针对刀具破损时功率信号时域幅值变化的随机性,提出用延时方差法来处理功率信号,数据分析结果表明,这种方法是可行的.针对切削过程中发出的AE信号,采用时频分析的方法进行处理,提取出反映刀具破损的特征量,最后利用2个并行的自适应共振神经网络ART-2实现了刀具状态的自动识别,识别成功率达到95%.     

压力和流量关联的神经网络解耦控制

传统的解耦控制综合方法，对耦合对象的数学模型依赖性较大，因此限制了它在工业领域内的应用。本文以压力-流量串联系统为研究对象，将神经网络用于耦合对象的解耦控制之中，其思路是通过神经网络对系统的I/O数据的学习，不断修正自身的权值，达到解耦控制的目的。实验结果表明，神经网络可以使对象不确定的耦合系统实现解耦控制，效果令人满意。     

应用神经网络法智能识别油气水多相流流型

采用分形理论和神经网络技术来实现智能识别油气水多相流流型 .测量了水平管内油气水多相流的压差 ,应用分形理论中的重构相空间算法 (Grassberger Procaccia算法 ) ,算出压差信号的关联维数 ,然后将关联维数作为径向基函数神经网络的输入 ,从而实现对流型的智能识别 .实验结果证明 ,该识别方法十分有效 .     

基于递归神经网络的异步电机转速辨识研究

根据异步电机的数学模型,针对常规速度辨识方法辨识结果易受电机内部参数变化影响的问题,提出了一种基于递归神经网络的自适应转速辨识模型。利用Simulink模块和S函数建立了仿真模型对其性能进行分析,结果表明这种转速辨识模型对参数变化的鲁棒性和动静态性都较好,能准确跟踪电机转速的变化。     

基于模糊神经网络控制的异步电动机软起动的探讨

软起动采用三相交流调压电路来控制电动机的起动,已经广泛地应用于各种电机,如压缩机、水泵、风机等。本文提出了一种基于模糊神经网络控制的软启动器,并在MATLAB的环境中,对该系统进行了仿真。仿真的结果证明了采用模糊神经网络控制的软起动方法可以使电机空载或者带一定负载起动时起动电流比较小,同时起动过程也很平稳。     

多媒体会议系统音频工具的设计与实现

从音频工具的应用特点出发,分析了多媒体会议音频处理的关键技术。在此基础上,设计了音频工具NAT（Network Audio Tool),并采用分离策略的软件模型在Linux操作系统上予以实现。对NAT实现过程中的缓存管理问题和系统性能进行了简单的分析,并指出存在的不足和将来的研究方向。     

粒子群算法优化神经网络的异步电机转速估计

在异步电机的矢量控制系统中,电机的转速检测是必不可少的,并且转速检测的精度直接影响磁场定向的准确性。讨论了各种无传感器速度辨识方法的特点,利用BP神经网络对异步电机转子转速进行辨识,通过粒子群算法优化使BP神经网络获得更好的网络初始权值和阀值,在此基础上利用Matlab/Simulink建立一个异步电机矢量控制系统,仿真结果表明这种方法能较好地辨识异步电机转子转速,系统具有良好的动态性能,对系统参数变化具有较强的鲁棒性。     

高速公路交通流的RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上 ,针对在不同环境以及时变系统中对复杂非线性大系统的控制 ,提出了一种改进的快速 RBF神经网络算法对交通流进行建模 ,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷 .该算法是采用 APC- 单路径聚类算法确定 RBF神经网络结构参数的一种快速 RBF神经网络算法 ,网络训练速度快 ,效果良好 ,对实现交通流的在线建模与控制有重要意义 .文中进行了计算机仿真研究 ,结果表明了方法的有效性