摘要：设计了一种基于深度学习的实时识别硬件系统框架。该系统框架使用Keras完成卷积神经网络模型的训练并提取出网络的参数,利用ZYNQ器件的FPGA+ARM软硬件协同的方式,使用ARM完成对实时图像数据的采集、预处理及显示,通过FPGA实现卷积神经网络的硬化并对图像进行识别,再将识别结果发送至上位机进行实时显示。系统框架采用MNIST和Fashion MNIST数据集作为网络模型硬化试验样本,实验结果表明,在一般场景下该系统框架能够实时、准确地完成图像数据的获取、显示及识别,并且具有可移植性高、处理速度快、功耗低的特点。

摘要：针对目前深度学习中的卷积神经网络(CNN)在CPU平台下训练速度慢、耗时长的问题,采用现场可编程门阵列(FPGA)硬件平台设计并实现了一种深度卷积神经网络系统。该系统采用修正线性单元(Re LU)作为特征输出的激活函数并使用Softmax函数作为输出分类器。利用流水线技术并针对每一层的特征运算进行了并行处理,从而能够在1个系统时钟周期内完成整个CNN中的295次卷积运算。系统最后采用MNIST数据集作为实验样本,实验结果表明,在50 MHz的工作频率下,FPGA的训练用时相较于通用CPU的训练用时提升了8.7倍,经过2 000次迭代后系统识别的准确率为92.42%。

摘要：针对当前智能家居中节点设备受硬件资源限制而存在的安全问题,提出了一种基于可信计算方法的硬件安全机制。使用集成了SHA256和AES128加密算法的可信芯片,设计了一个硬件安全模块(Hardware Security Module,HSM)并植入智能节点和家庭主机内部,结合手机APP中由软件实现相同的加密算法,通过软硬件协同加密机制,实现从智能节点到家庭主机之间、家庭主机到移动终端之间的身份认证协议和数据加密传输协议,实现一个由硬件资源提供加密算法和密钥保护的硬件安全机制,从而使智能家居中的设备更加安全可靠。