【技术实现步骤摘要】
本专利技术涉及基于fpga和深度学习的调制方式识别方法，属于深度学习、无线通信领域。
技术介绍
1、调制方式识别是指在有限或者没有先验信息的条件下，识别接收到的未知信号调制方式。调制识别技术在军用和民用领域都有着广泛的应用。根据是否应用深度学习算法，可以将现有的调制识别算法分成两大类：经典调制识别算法和基于深度学习的智能调制识别算法。通过神经网络自动提取和训练样本，能够分析未处理的i/q样本，而不需要特定于应用程序且计算成本高昂的特征提取和选择算法，有效地弥补了传统调制识别方法的不足，实现了更高的识别精度。
2、现有方法大多只关注识别的精度，模型延迟和资源消耗通常不受关注。然而，无线通信中的数据以高速率运行，大量i/q数据样本将在接收端进行处理，因此在实时操作中通常需要考虑系统的延迟。另一个问题是需要满足对资源消耗的严格限制。事实上，具有大量神经元/层/参数的模型必然需要额外的硬件和能耗，而这些在嵌入式系统中显然是稀缺的资源。
3、对于调制方式识别，目前缺乏在嵌入式设备上实现实时深度学习的方案，而且现有的方案可识别的调制类型较少。fpga具有的可重构、低功耗、高性能等优势，通过设计一种基于fpga的实时调制方式识别方案，可以兼顾模型的精度、延迟和资源消耗。
4、如今，transformer在许多领域已经超越了卷积类型的模型。现有文献已验证过resnet可以在24种调制方式下实现较高的分类精度。用来分类的数据是iq数据，不同调制方式对应的星座图是不同的，但有些调制方式的星座图比较相似，resne
技术实现思路
1、本专利技术的目的是在fpga平台上使用轻量化的transformer来实现调制方式识别，并在较复杂的调制方式下实现高精度，低延迟和低功耗；而提出一种基于fpga和深度学习的调制方式识别方法。
2、一种基于fpga和深度学习的调制方式识别方法具体过程为：
3、步骤一：获得深度学习模型的训练集；
4、步骤二：基于训练集训练深度学习模型，直至收敛，获得训练好的深度学习模型；
5、步骤三：将训练好的深度学习模型的权重和偏置导出；
6、步骤四：使用vivado hls工具将深度学习模型的算法搭建在pynq-z2的pl端，得到编译好的代码；
7、步骤五：通过编译好的代码生成hdl的ip核；
8、步骤六：将ip核导入vivado中，得到.bit文件、.tcl文件和.hwh文件，将.bit文件，.tcl文件和.hwh文件保存；
9、步骤七：将待测数据、步骤三导出的权重和偏置以及步骤六保存的.bit文件、.tcl文件和.hwh文件存储到pynq-z2的sd卡中；
10、步骤八：调用overlay完成ip核的代码烧录，在pynq-z2的arm上划分存储区域，将sd卡中待测数据、步骤三的权重和偏置存储到pynq-z2的arm里；
11、步骤九：通过axi总线，将pynq-z2的arm里的待测数据、权重和偏置传输到fpga，得到分类结果，分类结果返回到pynq-z2的arm里。
12、本专利技术的有益效果为：
13、本专利技术使用的fpga开发板是pynq-z2，使用vivado hls来设计算法。vivado hls支持c、c++和systemc对可编程设备进行编程，而无需手动创建rtl，从而加快了ip核心的创建。hls设计的主要输入是c/c++/systemc设计和基于c的测试台。之后，启动了c仿真、c合成、导出rtl，hls设计可以以ip核的形式导入到其他xilinx工具中，最后将设计烧到fpga中运行。这里需要熟悉hls的一些优化方法，提高计算的并行性，在满足于硬件资源消耗的前提下，实现算法的低延迟和低功耗。
14、resnet是通过多层不断下采样获取更大感受野来融合更广范围的信息，当感受野不够大时，这些星座图相似的调制方式在分类时很容易相互混淆，造成精度损失；而transformer不存在这个问题，因为transformer单层就可以融合全部的信息做决策。因此，我们已经验证过transformer在调制方式识别问题上可以达到较高的分类精度，分类精度大于resnet。同时，由于resnet大量堆叠卷积层，它的延迟和资源一般也都远大于transformer。通过设计一种轻量化的transformer并在fpga上实现实时调制方式识别，可以在较复杂的调制方式下实现高精度，低延迟和低功耗。
15、cpu在处理深度学习算法的速度较慢，gpu的成本和功耗较高。相比之下，fpga由于其并行计算及低功耗的特性，是比较适合用来做神经网络加速器的硬件平台。
16、本专利技术所提创新点：
17、1、通过轻量化的transoformer实现调制方式识别达到高精度；
18、2、通过合理的措施在pynq-z2上实现transoformer模型，达到高性能，低延迟和低功耗。
19、本专利技术针对于调制方式识别问题，在具有复杂调制方式的公开数据集下，我们设计了一种高精度、低延迟、低功耗的解决方案，精度能达到95％，延迟仅有2ms，且功耗仅有4.5w。
本文档来自技高网...【技术保护点】
1.一种基于FPGA和深度学习的调制方式识别方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的一种基于FPGA和深度学习的调制方式识别方法，其特征在于：所述步骤一中获得深度学习模型的训练集；
3.根据权利要求2所述的一种基于FPGA和深度学习的调制方式识别方法，其特征在于：所述深度学习模型为Vision Transformer模型。
4.根据权利要求3所述的一种基于FPGA和深度学习的调制方式识别方法，其特征在于：所述步骤六中将IP核导入Vivado中，得到.bit文件、.tcl文件和.hwh文件，将.bit文件，.tcl文件和.hwh文件保存；
5.根据权利要求4所述的一种基于FPGA和深度学习的调制方式识别方法，其特征在于：所述基于FPGA和深度学习的调制方式识别方法还包括：
【技术特征摘要】
1.一种基于fpga和深度学习的调制方式识别方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的一种基于fpga和深度学习的调制方式识别方法，其特征在于：所述步骤一中获得深度学习模型的训练集；
3.根据权利要求2所述的一种基于fpga和深度学习的调制方式识别方法，其特征在于：所述深度学习模型为vision transformer模型。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。