首页 > 学术百科

基于FPGA的一维卷积神经网络CNN的实现（一）框架

基于FPGA的⼀维卷积神经⽹络CNN的实现（⼀）框架

理论建⽴与效果展⽰

环境：Vivado2019.2。

籼稻

Part：xcku040-ffva1156-2-i，内嵌DSP个数 1920个，BRAM 600个也就是21.1Mb。

七年级英语教学论文说明：通过识别加⾼斯⽩噪声的正弦波、余弦波、较简单的实例来利⽤FPGA实现⼀维CNN⽹络，主要是实现CNN⽹络的搭建。

也就是将下列数据传输⾄，识别出下⾯哪些是正弦波、余弦波、三⾓波，通过简单实例实践，在融会贯通，最终实现雷达辐射源调制⽅式识别。

实现流程：

训练参数：通过对10000个训练集进⾏训练获得训练参数，反向计算不在FPGA中实现。

数据产⽣：Matlab产⽣1000个测试集。

数据传输：通过Pcie⾼速总线将数据传输到FPGA中进⾏识别。

实践效果：信噪⽐在 -20~5dB之间识别率100%。

数据长度：100。

CNN⽹络：第⼀层卷积：1个通道，6个卷积核，卷积核元素为5。

CNN⽹络：池化。

CNN⽹络：第⼆层卷积：6个通道，16个卷积核，卷积核元素为5。

CNN⽹络：池化。

CNN⽹络：第三层卷积：16个通道，16个卷积核，卷积核元素为5。

CNN⽹络：全连接。

CNN时效：100M时钟下，⼀条长度为100的数据识别耗时239个时钟周期，也就是2390ns=2.39us（因为综合实践太长了，还没实现最优，⽹络中有可以优化的地⽅，可以控制在200个时钟周期，也就是2us左右，也就是长度为100的数据的第⼀个数据到达FPGA到波形识别完成耗时为2us）。

第⼀节：

第⼆节：

⽂章⽬录

对CNN⽹络先进⾏简单介绍，详细了解请移⾄互联⽹。⼀、卷积层

数学表达式

连续形式：

∗

计算机学报=

∫

−

∞

(

索爱mp4)

倍美力软膏

(

{\rm{f * g = }}\int_{ - \infty }^\infty {f(\tau )} g(t - \tau )d\tau

>−∞ ∞f(τ)g(t−<span class="mord mathde

fault" >τ)dτ</s pan> 离散形势：

∗

∑

∞

(

)

(

−

)

{\rm{f * g = }}\sum\limits_{\tau= - \infty }^\infty {f(\tau )} g(n - \tau )

f∗g=τ=−∞∑<span class="mord

mtight">∞ f(τ)g(n−<span class="strut" style="hei

先对g函数进⾏向左翻转，然后再把g函数平移到n，在这个位置两个函数对应点相乘，再把所有位置相乘的结果相加。

1.⼆维卷积

⼆维卷积matlab演⽰：

5×5的矩阵a与3×3的矩阵b相卷积：

⼆维卷积图⽰（图中卷积核翻转还是和原来⼀样）：威县仲夷小学

本文发布于:2024-09-21 13:42:12，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/475014.html

上一篇：深度学习-图片卷积输出大小计算公式

下一篇：可变形卷积的作用

标签：卷积识别训练实践数据耗时

留言与评论（共有 0 条评论）