摘要：为了实现低功耗的图像分类识别系统,设计一种基于卷积神经网络的图像分类识别系统方案,该方案研究基于ARM+FPGA异构系统的实现方法,系统搭载于Xilinx的PYNQ嵌入式开发平台。在电脑端对待测试的数据集搭建卷积神经网络模型并完成MNIST和CIFAR-10数据集的训练验证。随后设计特征参数提取函数完成权重和偏执参数的提取及格式转换,转换为硬件平台可以进行读取的二进制格式。接着使用Xilinx VIVADO HLS设计工具,设计实现图像分类识别系统中卷积神经网络的自定义IP核模块。完成自定义IP核的设计之后,以IP核模块和ZYNQ模块为主实现整体系统的通路搭建,完成验证后在Jupyter Notebook中通过上位机程序调用控制。最后,完成驱动程序及系统上位机的设计。测试结果表明,系统对MNIST和CIFAR-10数据集的识别可以实现分类,系统功耗仅为1.54 W。该系统具有通用性好、硬件功耗低等优点,可广泛应用于边缘计算环境中。

摘要：针对传统动态目标检测实时性差、功耗高及精度低等问题,提出了一种基于FPGA芯片的高精度、低功耗动态目标检测与防御躲避系统。该系统采集OV5640摄像头像素信息,经DDR4高速缓存后,依次对图像进行多步预处理,包括灰度化、自适应快速中值滤波、改进型三帧间差分、形态学运算及包围盒检测等,在HDMI液晶屏上实时显示目标检测结果。系统根据计算出的动态目标中心坐标,驱动电机控制摄像头进行精准的对角躲避。硬件测试结果表明,该系统在50 MHz的时钟频率下,视频帧率达到60 FPS,具有较高的实时性和鲁棒性,能够清晰并准确检测出动态目标,且防御躲避设计可行,功耗仅为0.969 W。

摘要：作为深度学习的代表算法之一,卷积神经网络因为拥有良好的特征提取能力而被广泛应用于计算机视觉、自然语言处理等领域。然而,因为卷积神经网络拥有庞大的计算量,主流的硬件平台往往不能满足模型的各种需求。例如,CPU受限于自身架构无法提供高效的算力;GPU因功耗太高而无法满足移动设备需求;ASIC开发周期较长,成本较高,难以实现设计的复用。现场可编程逻辑门阵列是一种半定制电路,拥有计算力强、功耗低等特点,其并行化的结构特点正适用于卷积神经网络模型的搭建。针对MINST数据集,该文提出了一种卷积神经网络模型的设计思路及优化方法,并利用VIVADO HLS工具在FPGA平台上完成卷积神经网络模型的部署,探讨了卷积层IP核的通用性设计。经实验验证,卷积层的时钟周期经优化后大大缩短,卷积层的设计可通过参数调整实现复用。部署于FPGA的卷积神经网络模型性能良好,能通过参数传输的方式实现针对不同数据的通用。

摘要：基于0.18μm SiGe BiCMOS工艺,设计了超高速高精度数模转换器(DAC),其时钟采样率为4 GS/s、精度为14 bit。为满足4 GHz处理速度,该DAC中所有电路均采用异质结晶体管(HBTs)搭建。为了降低功耗和节约面积,本设计采用10+4分段译码的方式,其中低10位电流舵使用R-2R梯形电阻网络,而高4位使用温度计码结构。仿真结果表明,所设计DAC的DNL、INL分别为0.54 LSB和0.39 LSB,全奈奎斯特频域内的无杂散动态范围均大于82 dBc。在3.3 V和5 V混合电源供电下,整个DAC的平均功耗为2.39 W。芯片总面积为11.22 mm^(2)。

摘要：基于0.7μm InP HBT工艺,设计了连续时间超高速宽带Σ-Δ模数转换器,其时钟采样率为10 GS/s.该模数转换器系统包括两级环路滤波器,一个2 bit ADC和一个2 bit DAC.为了方便测试,电路中还增加了2 bit DAC和输出缓冲电路.设计完成后的Σ-ΔADC电路版图整体尺寸为1.58 mm×1.82 mm.电路后仿真结果表明:当时钟采样率为10 GS/s时,该ADC电路在输入信号频率为307 MHz时的带内无杂散动态范围为52.4 dB,信噪比为42.6 dB;在5 V电源电压下,电路的总功耗约为1.3 W.

摘要：提出一种320×256阵列红外焦平面读出电路,采用直接注入模式,具有多路输出、读出顺序可选等功能。具体设计了各个模块电路,并采用chartered 0.35μm工艺进行流片设计。实测结果表明所设计芯片输出摆幅为3.24 V,输出电压线性度为97.15%,功耗为32 m W,具有丰富的读出功能。

摘要：基于华虹0.18μm SiGe BiCMOS工艺,设计并实现了一种2GS/s超高速采保放大器。分析了二极管桥和开关射极跟随结构的优缺点,采用了开关射极跟随结构。增加了前馈电容,以消除保持模式下的信号馈通。后仿真结果表明,该采保放大器的信噪失真比(SNDR)在奈奎斯特频率下均大于51.7dB,核心电路的功耗为29.2mW,时钟缓冲电路的功耗为7mW。该采保放大器的性能良好。

摘要：为了将深度学习和心音研究相结合以提高心音识别算法处理数据的能力,设计了一种深度学习网络的模块化实验平台。信号采集模块、数据处理模块和深度学习网络模块共同组成实验平台系统,使用实验室制作的传感器进行心音信号的采集和去噪声处理,随后由数据处理模块完成信号的特征提取并建立信号的特征数据库,心音信号的识别过程与数据处理在深度学习网络模块中实现。心音智能分析平台以心音深度学习网络为核心,采用进程择优算法,分类器选用BP神经网络,可对心音信号进行分类处理,实现了基于深度学习网络的心音信号识别与数据处理。与此同时,该平台的实现对心音与深度学习的结合、提高心音识别算法在自然环境下处理大数据的能力,具有积极的意义。