摘要：在MIMO雷达中配备大量有源天线单元可以获得优异的波束形成性能,但会导致系统能耗大、电路复杂及成本高等问题。采用低精度的DAC组件可有效克服上述问题,但现有基于无限精度DAC条件所设计的MIMO雷达波形往往难以直接适用于低精度DAC系统。为此,该文提出了一种离散相位约束下基于最小化积分副主瓣比的低精度量化MIMO雷达恒模波形设计方法。该方法首先采用丁克尔巴赫(Dinkelbach)算法将目标函数二次分数形式转换成减法形式,再利用交替方向惩罚法求解非凸恒模离散相位约束问题。最后通过数值仿真与其他方法进行对比,分析了所提方法的发射方向图与积分副主瓣比性能,验证了该方法的有效性。

摘要：5G移动通信技术相比于目前的4G移动通信技术,其峰值速率将增长数十倍,达到吉比特。未来移动通信系统面临着硬件成本高昂、系统功率消耗过高等问题,成为高传输速率通信的主要瓶颈之一。为了解决上述问题,学术界展开了对低功耗高效传输技术的研究,其中能够有效解决上述问题的途径之一就是低精度(如1~3 bit)ADC的接收机。通过对高斯信道下低精度量化的信道容量进行分析,发现相较于传统高精度ADC接收机,2~3 bit的ADC所带来的信道容量损失在可接受的范围内。面向低精度量化在无线通信系统中的应用,综合论述了低精度量化对信道容量的影响以及低精度量化下接收机的设计,解决了低精度量化下诸如同步、增益控制、信道估计等问题,为低精度量化通信系统的具体实现提供指导。

摘要：卷积神经网络(CNN)被广泛应用于目标检测等任务场景中。然而,传统的CNN加速器只对单帧图像进行加速处理,没有对视频任务中连续帧之间存在的数据冗余特性进行加速处理。目前利用帧间数据复用的CNN加速器存在稀疏度低、模型规模大以及计算复杂度高的缺点。为解决上述问题,通过可学习步长的低精度量化方法提高差分帧的稀疏度,提出量化因子2的幂次约束实现一个硬件友好的量化方法。使用Winograd算法降低卷积算子的计算复杂度,并在此基础上提出输入通道位图压缩方案,利用激活和权重的稀疏性跳过无效的零值计算。基于YOLOv3-tiny网络,使用ImageNet ILSVRC2015 VID部分数据集和DAC2020数据集,在现场可编程门阵列(FPGA)平台上对所提出的量化方法和稀疏CNN加速器进行验证。实验结果表明,在平均精度均值损失小于2%的条件下,该量化方法实现了4 bit位宽的全整形量化。得益于帧间数据复用,所设计的稀疏加速器实现了814.2×10^(9)operation/s的性能和201.1×10^(9)operation/s/W的能效比,与其他基于FPGA的同类型加速器相比,所设计的加速器提供了1.77~8.99倍的性能提升以及1.91~5.56倍的能效比提升。