论文部分内容阅读
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,提出了一系列改进方案。使得辐射源分类算法硬件实现能够达到高性能和低功耗。3.提出了一种利用ZYNQ平台和远程服务器对卷积神经网络进行参数可变的动态更新的系统设计,以满足未知辐射源的识别和分类。利用卷积神经网络的FPGA设计,对ZYNQ中的ARM核和用于卷积神经网络训练的远程服务器进行了系统的整体设计,结合各平台特点进行任务分配,并对各部分软件系统设计优化方案。系统能够对分类算法进行平滑的动态更新,满足未知辐射源分类的软硬件系统需求,提高系统整体的鲁棒性。