买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种多手段复合的调制类型识别模型轻量化处理方法，设计并搭建高性能电磁信号调制类型识别网络ResNet，并从FPGA中采集生成各种信噪比下包含多种调制类型的数据集；基于所述各种信噪比下包含多种调制类型的数据集对网络进行训练；通过FPGM剪枝算法，结合FPGA的资源量对网络进行递进剪枝，直至每一层剪枝了97％的参数；结合欧几里得距离计算定点数和浮点数的相似度，确定能表达网络最佳性能的量化比例，并导出量化后的参数；在FPGA上先对IQ数据进行预处理，然后融合BN层和卷积层并基于移位寄存器，设计全并行和部分并行的实现方案，接着利用Matlab分析每一层输出数据的最大最小值，确定数据的截位标准；最后验证网络的正确性。

主权项：1.一种多手段复合的调制类型识别模型轻量化处理方法，其特征在于，该方法包括：设计并搭建高性能电磁信号调制类型识别网络ResNet，并从FPGA中采集生成各种信噪比下包含多种调制类型的数据集；基于所述各种信噪比下包含多种调制类型的数据集对网络进行训练；通过FPGM剪枝算法，结合FPGA的资源量对网络进行递进剪枝，直至每一层剪枝了97％的参数；结合欧几里得距离计算定点数和浮点数的相似度，确定能表达网络最佳性能的量化比例，并导出量化后的参数；在FPGA上先对IQ数据进行预处理，然后融合BN层和卷积层并基于移位寄存器，设计全并行和部分并行的实现方案，接着利用Matlab分析每一层输出数据的最大最小值，确定数据的截位标准；最后验证网络的正确性；所述通过FPGM剪枝算法，结合FPGA的资源量对网络进行递进剪枝，直至每一层剪枝了97％的参数，具体为：以从第i个卷积层剪枝m个卷积核，从当前层的卷积核中找到m个与其余卷积核的欧氏距离之和最小的卷积核；删除m个卷积核以及这些卷积核对应的特征映射；根据剪枝后的特征映射删除下一层卷积核m个输入通道参数；根据当前层和下一层的剪枝结果创建一个新的卷积核矩阵，并将剩余的权值复制到新模型中；比较三种并行设计下的DSP资源数，以需要资源最少的输入通道全并行设计方案为标准，依照FPGM算法对网络进行剪枝，在剪枝过程中采用了分5次递进剪枝的方案，即每剪枝完一次，会再训练网络，直至每一层剪枝了97％的参数；所述结合欧几里得距离计算定点数和浮点数的相似度，确定能表达网络最佳性能的量化比例，并导出量化后的参数，具体为：对Q值进行了多次选择，每完成一次量化将参数导入FPGA模型中，保存每一层的定点数输出；然后基于欧氏距离，对每一层的输出进行验证，欧氏距离越小，数据相似度越大；欧氏距离越大，数据相似度越小，其中{x1,x2,...,xn}表示神经网络第i层输出的n个浮点数结果，{y1,y2,...,yn}表示FPGA第i层输出的n个定点数经过浮点化后的结果，最后从Pytorch中导出能最好表达网络的参数；所述设计全并行和部分并行的实现方案，具体为：在进行Conv1层全并行设计时，首先设计30个移位寄存器对IQ两路数据分别进行缓存，当所有寄存器缓存满后，进行卷积乘运算，然后设计全流水的加法器对卷积乘的结果进行累加；在进行Conv2_1层输入通道全并行设计时，首先按照输入通道将卷积核分组拼接，并永久保存，然后将输入参数反复读取等同于输出通道数的次数，并和相同格式的卷积核参数进行卷积运算，此时得到等同于输入通道数个数的结果，每个对应一个输入通道，且包含所有输出通道的结果，然后按照输入通道将结果对应相加，得到最终的输出结果；所述输出结果以串行的方式输出，将串行结果拆开，然后分别存储进多个RAM中，等待下个卷积操作。

全文数据：

权利要求：

百度查询： 西安电子科技大学 多手段复合的调制类型识别模型轻量化处理方法