一种基于神经网络的快速推断电磁信号入射角的方法技术

本发明专利技术公开一种基于二值化神经网络的快速推断电磁信号入射角的方法，应用于神经网络硬件加速领域，针对在边缘计算环境下，将神经网络部署在资源受限设备时，边缘计算设备能耗过高的问题；本发明专利技术首先对现有全精度网络模型进行改进，具体的：在每个激活层前添加BN层，同时删去全精度网络模型中的bias偏差；然后使用二值化权重对改进后的网络模型进行训练；训练完成的网络模型结合硬件并行设计，可以有效降低所部署边缘设备功耗和资源消耗。低所部署边缘设备功耗和资源消耗。低所部署边缘设备功耗和资源消耗。

【技术实现步骤摘要】
一种基于神经网络的快速推断电磁信号入射角的方法


[0001]本专利技术属于神经网络硬件加速领域，特别涉及一种在边缘计算环境下，将神经网络部署在资源受限设备上的硬件加速技术。

技术介绍

[0002]二值化是一种1位量化，其中数据只能有两个可能的值，即
‑
1(0)或+1。其主要目的是将网络进行大幅度的压缩。二值化后，神经网络中的权重和激活都可以用1位表示，而不会占用太多内存。二值化技术主要分为2种：二值化权重，二值化激活与权重。过去很难将神经网络的参数量化到一位，因为人们通常认为二值化会给神经网络带来灾难性的后果。但是BinaryConnect做了一个开创性的实验，将权重范围缩小到{+1,
‑
1}，在常用的MNIST和CIFAR
‑
10数据集上获得了近乎最新的结果。通过量化，不仅减小了参数的大小，而且可以使用简单的加减法来代替权重和激活的乘法。该实验消除了大约2/3的乘法要求。由于二值化神经网络在大型数据集(如ImageNet数据集)上的精度低于全精度神经网络，BWN添加了一个缩放因子α将权重范本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二值化神经网络的快速推断电磁信号入射角的方法，其特征在于，包括以下步骤：A1、将获取到的电压信号作为输入数据，并对输入数据进行归一化处理；A2、构建全精度网络模型，所述全精度网络模型宝库N层全连接层与N
‑
1层激活层，相邻两层全连接层之间包括一层激活层；A3、对步骤A2的全精度网络模型进行改进，具体的：在每个激活层前添加BN层，同时删去全精度网络模型中的bias偏差，得到改进后的二值化网络模型；A4、采用步骤A1归一化处理后的数据对步骤A3得到的改进后的二值化网络模型进行重训练；A5、将训练完成的二值化网络模型参数与二值化网络模型输入数据导出，存储到本地；A6、配置硬件，具体的：所述硬件包括处理系统端与可编程逻辑端，使用AXI4来进行处理系统端与可编程逻辑端的通信；A7、可编程逻辑端根据改进后的二值化网络模型结构以及步骤A5存储到本地的参数，并行计算矩阵相乘，并将结果写入输出BRAM中；A8、处理系统端读取输出BRAM中的结果，并做BN层以及激活层的运算；A9、重复A7
‑
A8，直到完成改进后的二值化网络模型所有层的计算，得到最终电磁信号入射角的结果。2.根据权利要求1所述的一种基于二值化神经网络的快速推断电磁信号入射角的方法，其特征在于，步骤A4具体包括：A41、前向传播过程中，利用sign()函数将权重进行二值化，并使用二值权重来计算网络的预测结果以及loss，其中sign()公式为：前向传播的基本过程为：w
b
＝sign(w)y＝Relu(BN(x*w
b
))其中w代表权重的全精度值，w
b
代表二值化后的权重，x代表全连接层的输入，y代表全连接层的输出，BN代表BN层的计算，Relu是激活层的计算；A4...

【专利技术属性】
技术研发人员：詹瑾瑜，于安泰，江维，杨永佳，江昱呈，蒲治北，边晨，雷洪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：