基于ZYNQ的辐射源分类系统的设计与实现
发布时间：2021-06-06 19:02
辐射源分类采用卷积神经网络提取电磁指纹特征是目前研究热点。车载机载等应用场景对低功耗高性能硬件实现提出了迫切需求;但是存在辐射源信号灵活多变,以及未知辐射源难以识别等难点,需要硬件实现的卷积神经网络既能够支持卷积神经网络模型和参数动态更新的同时,还能够满足高性能低功耗的要求。本文为解决这些问题,采用ZYNQ这种ARM+FPGA结构的嵌入式平台,对基于卷积神经网络辐射源分类算法进行设计与实现。并结合硬件平台中硬件资源的特点针对卷积神经网络计算结构进行优化。而且为了保证卷积神经网络的更新不会影响卷积神经网络的推理,软硬结合设计了动态更新系统,使得硬件平台能够充分满足应用需求,实现未知辐射源的分类任务。本文的主要工作如下:1.对辐射源分类的设计目标和基于卷积神经网络的辐射源分类算法进行介绍。对ZYNQ平台及其内部的关键硬件资源进行分析,并结合算法特点探讨这些硬件性能的制约因素。提出辐射源分类的系统架构。2.设计了一种针对大规模卷积神经网络的FPGA实现方案,以满足基于卷积神经网络的辐射源分类算法的计算需求。FPGA中对算法进行了整体设计和各模块的设计。针对因算法复杂度和硬件资源稀缺造成的制约...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
辐射源原始信号图
第二章辐射源分类的系统架构设计13为了兼顾高性能和低功耗，本文选用FPGA来实现卷积神经网络的推理。但根据2.3节的分析，由于FPGA内部RAM资源有限，算法的数据量较大，不能把算法中所有层的计算结构从头到尾全部在FPGA内部生成。而且，即便是一层的卷积计算结构由于硬件资源有限也无法完整地实现。必须设计一种可复用的计算结构，通过核心对计算结构调度的方式，来保证整个算法在FPGA内的实现和运行。虽然纯FPGA内可以采用软核来进行调度，但是考虑到需要把卷积神经网络的训练要部署到远程服务器，核心还需要与远程服务器进行网络通信，进行更新等需求，显然更需要一个调度能力更强且搭配以太网口等众多外设的硬核。故CPU+FPGA的硬件结构满足本文的需求。而ZYNQ就是具备这种结构的硬件平台。2.4.1ZYNQ简介ZYNQ平台是ARM+FPGA结构的嵌入式平台，能够保证高性能的同时，提供更多的灵活性。图2-5为ZYNQ的内部结构图[23]。图2-5ZYNQ内部结构图[23]2.4硬件平台选择
要硬件能够支持算法的更新，以及系统拓展能力。通过对ZYNQ的介绍，可以发现PL部分主要为FPGA，能够满足辐射源分类算法对于高性能且低功耗的需要。而PS部分主要为ARM和多种外设接口。这部分的调度能力和可拓展性，能够满足调度FPGA结构进行计算，以及辐射源分类任务中对于算法更新的需求。2.4.2BlockRAM简介在ZYNQ中，读写速度相对快但数量稀缺的BlockRAM对于算法实现有很大的性能影响。下面本文将讨论的BlockRAM的底层细节，分析其本身特点。BlockRAM是基于静态随机存取存储器(StaticRandom-AccessMemory,SRAM)设计的，图2-6展示了SRAM的一个单元。它由六个晶体管M1-M6组成。核心是4个晶体管M1-M4，它们组成一个锁存器能够对0和1两个稳定的状态进行锁存。保证状态稳定需要保持Vdd有电。当需要对单元的状态进行读取时，只需要拉高WL。0和1两种状态就会使不同的晶体管导通，进而通过BL和BL上就可以读取状态。当需要将状态写入单元时，需要将BL和BL设置为对应的值，然后拉高WL电平。由于M5和M6的驱动强于内部的4个晶体管，要写入的值就能够从外到内依次导通，对旧值覆盖。图2-6静态RAM
【参考文献】：
期刊论文
[1]雷达辐射源识别算法综述[J]. 周志文,黄高明,陈海洋,高俊. 电讯技术. 2017(08)
[2]美俄电子战力量建设发展特点[J]. 任翔宇. 航天电子对抗. 2017(02)
[3]基于S变换的雷达脉内调制特征提取方法[J]. 张彦龙,张登福,王世强,陈雕. 电子技术应用. 2012(10)
[4]基于覆盖算法的SVM雷达辐射源识别[J]. 陈婷,陈卫. 计算机工程. 2011(10)
[5]从美军舰队作战试验看特定辐射源识别[J]. 哈章,何治军,吕镜清. 电子信息对抗技术. 2011(02)
硕士论文
[1]神经网络算法的FPGA加速研究[D]. 王绍润.武汉大学 2019
本文编号：3214962
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
辐射源原始信号图
第二章辐射源分类的系统架构设计13为了兼顾高性能和低功耗，本文选用FPGA来实现卷积神经网络的推理。但根据2.3节的分析，由于FPGA内部RAM资源有限，算法的数据量较大，不能把算法中所有层的计算结构从头到尾全部在FPGA内部生成。而且，即便是一层的卷积计算结构由于硬件资源有限也无法完整地实现。必须设计一种可复用的计算结构，通过核心对计算结构调度的方式，来保证整个算法在FPGA内的实现和运行。虽然纯FPGA内可以采用软核来进行调度，但是考虑到需要把卷积神经网络的训练要部署到远程服务器，核心还需要与远程服务器进行网络通信，进行更新等需求，显然更需要一个调度能力更强且搭配以太网口等众多外设的硬核。故CPU+FPGA的硬件结构满足本文的需求。而ZYNQ就是具备这种结构的硬件平台。2.4.1ZYNQ简介ZYNQ平台是ARM+FPGA结构的嵌入式平台，能够保证高性能的同时，提供更多的灵活性。图2-5为ZYNQ的内部结构图[23]。图2-5ZYNQ内部结构图[23]2.4硬件平台选择
要硬件能够支持算法的更新，以及系统拓展能力。通过对ZYNQ的介绍，可以发现PL部分主要为FPGA，能够满足辐射源分类算法对于高性能且低功耗的需要。而PS部分主要为ARM和多种外设接口。这部分的调度能力和可拓展性，能够满足调度FPGA结构进行计算，以及辐射源分类任务中对于算法更新的需求。2.4.2BlockRAM简介在ZYNQ中，读写速度相对快但数量稀缺的BlockRAM对于算法实现有很大的性能影响。下面本文将讨论的BlockRAM的底层细节，分析其本身特点。BlockRAM是基于静态随机存取存储器(StaticRandom-AccessMemory,SRAM)设计的，图2-6展示了SRAM的一个单元。它由六个晶体管M1-M6组成。核心是4个晶体管M1-M4，它们组成一个锁存器能够对0和1两个稳定的状态进行锁存。保证状态稳定需要保持Vdd有电。当需要对单元的状态进行读取时，只需要拉高WL。0和1两种状态就会使不同的晶体管导通，进而通过BL和BL上就可以读取状态。当需要将状态写入单元时，需要将BL和BL设置为对应的值，然后拉高WL电平。由于M5和M6的驱动强于内部的4个晶体管，要写入的值就能够从外到内依次导通，对旧值覆盖。图2-6静态RAM
【参考文献】：
期刊论文
[1]雷达辐射源识别算法综述[J]. 周志文,黄高明,陈海洋,高俊. 电讯技术. 2017(08)
[2]美俄电子战力量建设发展特点[J]. 任翔宇. 航天电子对抗. 2017(02)
[3]基于S变换的雷达脉内调制特征提取方法[J]. 张彦龙,张登福,王世强,陈雕. 电子技术应用. 2012(10)
[4]基于覆盖算法的SVM雷达辐射源识别[J]. 陈婷,陈卫. 计算机工程. 2011(10)
[5]从美军舰队作战试验看特定辐射源识别[J]. 哈章,何治军,吕镜清. 电子信息对抗技术. 2011(02)
硕士论文
[1]神经网络算法的FPGA加速研究[D]. 王绍润.武汉大学 2019
本文编号：3214962
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3214962.html
