摘要：Huffman解码是感知音频解码过程的重要部分。软件实现Huffman解码运算,计算速度慢、功耗高,采用硬件实现的方法,设计并实现了一个兼容MP3与AAC标准的Huffman解码硬件加速器。采用十六叉树搜索算法,在存储空间增加不大的情况下,有效减少了Huffman码字的搜索深度,简化寻址操作,加快了搜索速度。通过直接外设访问的接口设计,该硬件加速器还可快速进行音频码流的数据读取。在Xilinix FPGA上的功能和性能验证表明,该Huffman硬件加速器可成功应用于MP3和AAC解码器。

摘要：随着深度学习的快速发展,神经网络算法被广泛应用于图像处理领域。由于硬件算力限制了神经网络的实现与应用,基于FPGA的神经网络硬件加速器相继被提出。U-Net网络作为一种特殊的卷积神经网络,在生物医学图像分割方向具有重要的意义。U-Net网络的运算瓶颈是卷积运算,采用循环展开、循环流水等硬件电路设计方法,通过提高FPGA内部硬件资源利用率增加卷积运算硬件加速器的并行度,提升硬件系统的整体运算性能。最终在Pynq-Z1异构平台上实现了卷积运算硬件加速器的设计,完成了整个U-Net网络的软硬件系统开发。试验表明,整个U-Net网络硬件加速器的运算性能提升为原来的19.690倍,是一种有效的神经网络加速方案。

摘要：1 引言当系统设计者们被问起在构建移动消费电子设备、汽车、工业、医疗和科研类应用的过程中曾面临的问题时，他们都会不约而同地提到对主机处理器性能的优化。这点并不奇怪。事件驱动架构使得微处理器能够胜任多任务处理以及优先级分配，但随着I／O数持续增长，对于带宽的要求也不断提高。如今的主机微处理器必须维持更长时间的工作来管理更多数目的I／O以及整个系统的指令和控制功能，因此消耗了大量的功耗和计算资源。

摘要：PCI 9054是由PLX公司生产的PCI总线接口芯片,广泛应用于工业控制及数字信号处理领域,本文介绍了PCI 9054的基本特性,引脚功能和使用方法,设计了基于PCI 9054和数字信号处理芯片TS201的硬件加速处理卡,实现数字广播模拟系统中的信号处理功能,详细介绍了数据传输接口和驱动软件的实现方法,通过工程实践证明了PCI9054在PCI总线接口设计中的简便性和实用性。

摘要：传统远程实验中设备终端的视频图像处理速度直接关系到实验现象在远程操作平台上的延迟大小。文中基于减小远程实验平台设备终端延迟的目的,采用ARM+FPGA架构,设计流水线和并行阵列的方法以及帧间差分的方法来加速实验设备终端视频图像处理和实验特征信息的提取。在该实验室的远程实验操作平台基础上,结合迈克尔逊干涉仪进行远程实验,实验结果表明,应用文中方法使原有远程实验设备终端的总延迟缩短了97.17%。

摘要：提出在FPGA内设计运算模块的FFT硬件加速方法。该方法采用FPGA计算字节倒置与蝶形单元,单片机只需将参数输出到相应地址,并从该地址读取结果即可完成复杂运算,起到了硬件加速的作用。实验表明,其计算速度可提高10倍。

摘要：光学定位系统是手术导航设备中的核心部件,本文针对基于FPGA自行研制的红外光学定位跟踪系统设计了几种硬件加速方法。使用SoPC作为计算单元的原有系统能够达到亚毫米级别的定位精度,但是定位跟踪速率不足,无法满足实际应用需求。为克服SoPC计算能力较弱的问题,本文使用浮点数自定义指令集、紧密耦合寄存器(TCM)和多核处理等几种硬件加速方法,使红外光学定位跟踪系统的三维重建速度获得了明显的提升,实验数据表明速度提升18倍。硬件加速之后的系统性能可以支持高达32个标志点以60fps帧率进行的实时定位和跟踪,满足手术导航系统对运动跟踪速率的要求。

摘要：目前很多的应用都需要用图数据来表示和处理,图数据是位于非欧几里得空间中的不规则数据,出于图数据处理的需求,图卷积神经网络(GCN)应运而生。GCN的主要处理步骤有:聚合,转换和激活。在本文中,我们采用一种异构模式对GCN的推理过程进行加速。根据数据本身的特点,在转换阶段,加速器采用脉动阵列执行计算来改善数据流,在聚合阶段,将所要处理的负载分成两种类型,有助于改善聚合阶段计算过程中的负载不平衡现象,同时在一定程度上缩短计算时间。最后,通过在Xilinx Virtex UltraScale+VU37P HBM FPGA平台上进行性能评估,本工作相对于CPU和GPU分别实现了平均389.19×和6.73×的加速。

摘要：在表面缺陷检测的过程中,需要通过预处理增强目标缺陷与背景之间的对比,再进行缺陷与背景的区域分割。而当探测光源在目标表面产生的光照不均匀时,需要先对采集图像进行光照均匀性校正,否则较难进行之后的缺陷目标提取。本文提出了一种基于小波变换和动态阈值的校正方法,适用于不均匀照明下缺陷图像的增强,可以很好地进行照明分量的均衡。与已有方法相比,该方法在光照的均衡效果、普适性、直观性、后续目标区域的提取等方便有显著优势,但是计算时间相对较长。针对该问题,本文使用VivadoHLS设计了IP加速核,将运算效率提高了20倍,可广泛运用在不均匀照明下表面缺陷的识别。

摘要：文中提出一种基于现场可编程门阵列(FPGA)实现可燃气体燃爆状态分析的方法,采用Cortex-M3系列32位工控处理器IP在纯逻辑资源的FPGA上组成片上系统,并在该片上系统构建了长短时记忆神经网络(LSTM)硬件加速器,应用于可燃气体燃爆的多种状态分类模型。LSTM加速器采用并行优化的深度流水线执行计算,提高了各模块的使用效率和计算速度,使得所提设计在Artix-XC7A100T上计算非稀疏LSTM网络能达到13.7 GOP/s的吞吐量。实验结果表明,硬件LSTM神经网络对可燃气体燃爆状态的分类具有较好的抗干扰能力和较高的准确率。