公开(公告)号：CN120012680A

公开(公告)日：2025-05-16

申请号：CN202510102114.5

申请日：2025-01-22

Applicant: 广东工业大学

Inventor： 邢延 ,  黄凯鑫 ,  李卫军 ,  蔡述庭 ,  熊晓明

IPC: G06F30/337 ,  G06N3/082 ,  G06N7/01

Abstract: 本发明的目的是提供一种基于贝叶斯优化的EDA工具参数自动调优方法与系统，该方法包括：设置工艺库文件、芯片设计的硬件描述语言代码和约束文件，配置EDA工具参数构成的参数空间；将所述工艺库文件、芯片设计的硬件描述语言代码、约束文件和参数空间输入DGPSPMBO；所述DGPSPMBO根据多样性引导的多目标贝叶斯优化框架输出芯片版图设计本发明选择重要参数以确保优化集中在最有效的参数维度上，提升搜索的精确度。同时引入考虑参数空间和PPA指标多样性的并行优化策略，利用批量选择机制，结合超体积改进指标来指导探索，使得探索更加充分，从而快速且准确地找到许多能够实现高质量芯片设计的EDA工具参数组合。

公开(公告)号：CN119830846A

公开(公告)日：2025-04-15

申请号：CN202510033766.8

申请日：2025-01-09

Applicant: 广东工业大学

Inventor： 邢延 ,  刘文浩 ,  蔡述庭 ,  李卫军 ,  熊晓明

IPC: G06F30/394 ,  G06F30/398 ,  G06F30/392 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明公开了一种可解释的FPGA多目标布线优化方法，包括在布局阶段，创建及训练拥塞‑线长多任务预测模型，并用该拥塞‑线长多任务预测模型预测拥塞和线长；基于预测得到的拥塞和线长结果，进行拥塞和线长的关系分析，得到拥塞‑线长影响特征图；通过拥塞‑线长影响特征图指导VTR布线器进行布线优化。本发明同时预测线长与拥塞，并且将预测结果融入到布线优化过程中，避免一个因素上的进展影响其它因素。另外，通过机器学习模型预测多指标，能够作为多指标优化的前提，最后通过可解释性人工智能能够解析多指标的关系，通过这层关系去指导多目标布线优化的进行，可有效避免单独预测优化拥塞，线长指标恶化的情况产生。

公开(公告)号：CN113946424B

公开(公告)日：2024-08-27

申请号：CN202111266532.6

申请日：2021-10-28

Applicant: 广东工业大学

Inventor： 郑欣 ,  梁守志 ,  熊晓明

IPC: G06F9/48 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/042

Abstract: 本发明公开了基于图卷积网络的软硬件划分和任务调度模型及其方法，模型包括数据处理模块、图神经网络模块、任务调度模块、主函数模块；方法中，采用余弦相似度表征相邻节点间的相似度，大大提高了建模精度；采用图卷积网络提取任务之间的依赖关系，进一步提高了准确率；采用软硬件划分与任务调度相结合，得到的模型的整合度更高；通过更具有划分意义的特征：硬件增益和单位面积增益，使得信息利用率得到大大提高。

公开(公告)号：CN118396060A

公开(公告)日：2024-07-26

申请号：CN202410460615.6

申请日：2024-04-17

Applicant: 广东工业大学

Inventor： 胡湘宏 ,  李荣峰 ,  杨超明 ,  李学铭 ,  蔡述庭 ,  熊晓明

IPC: G06N3/063 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/048

Abstract: 本发明公开了一种基于混合比特位宽的稀疏卷积加速器，该稀疏卷积加速器包括：总控模块，用于控制所述基于混合比特位宽的稀疏卷积加速器的整体运行；DMA，用于执行片内外图像数据和权重的搬运；第一计算核，用于完成混合比特位宽的稀疏卷积层的加速；缓存模块，用于缓存和复用数据。本发明提出了一种以低位宽乘法器为基本单元，通过加法、移位及基本单元的灵活组合，以支持混合精度计算的CNN乘法累加器结构，灵活、高效地实现对不同压缩网络模型的卷积算子的硬件加速。本发明可广泛应用于芯片设计领域。

公开(公告)号：CN114789443B

公开(公告)日：2024-02-23

申请号：CN202210468964.3

申请日：2022-04-29

Applicant: 广东工业大学

Inventor： 陈韦池 ,  曾超 ,  郭靖 ,  刘远 ,  蔡述庭 ,  熊晓明

IPC: B25J9/16

Abstract: 本发明涉及机械臂控制技术领域公开了一种基于多源信息深度强化学习的机械臂控制方法及系统，包括以下步骤：S1.采集机械臂的图像数据及机械臂的本体数据；S2.采用示教学习初始化力控策略的参数；S3.解析图像数据及机械臂本体信息数据，得到图像的联合特征，并通过强化学习模型获得实时力控策略；S4.通过初始化的力控策略的参数更新实时力控策略，并通过更新后的实时力控策略下达运动控制指令给机械臂进行工作，采集工作中的图像数据和机械臂本体信息数据；S5.更新图像数据、机械臂本体信息数据，回到步骤S3，不断优化机械臂力控策略。本发明解决了现有机械臂控制技术获取外界信息的途径很有限的问题，且具有采用多源信息输入，方便训练的特点。

公开(公告)号：CN117408221A

公开(公告)日：2024-01-16

申请号：CN202311318228.0

申请日：2023-10-12

Applicant: 广东工业大学

Inventor： 李卫军 ,  黄益豪 ,  蔡述庭 ,  邢延 ,  熊晓明

IPC: G06F30/394 ,  G06F111/06

Abstract: 本发明公开了一种快速优化面积和线长的布图方法，包括以下步骤：针对待布图的设计，首先导入模块信息和电路网表；采用改进的模拟退火算法作为布图方案的寻优方式；当恒温搜索过程完成后，利用接受方案的数量和拒绝方案的数量进行自适应因子的计算，并基于自适应因子设计自适应局部搜索策略和自适应冷却策略，计算并更新局部搜索策略次数和温度；当温度满足设定要求后，寻优过程终止，输出代价最佳的方案，将其作为最终的布图设计方案。实验结果表明，本方法在方案质量保持不变或者更好的情况下，具有加速算法收敛速度和提升布图效率的优点。

公开(公告)号：CN116054909B

公开(公告)日：2023-08-08

申请号：CN202211625753.2

申请日：2022-12-16

Applicant: 广东工业大学

Inventor： 李建中 ,  陈亦力 ,  熊晓明 ,  蔡述庭 ,  辜晓波 ,  刘远

IPC: H04B7/185 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出一种基于改进型传播算子的卫星通信抗干扰方法，涉及信号处理的技术领域，利用传感器组建均匀圆形阵列，对入射信号进行接收采样得到输出信号，再对均匀圆形阵列进行模式空间转换，获得对应的四阶累积量矩阵，然后基于四阶累积量矩阵和通过弹性网络回归模型得到的超参数μ构建传播子，最后将利用深度卷积神经网络得到的超参数γ作为干扰信号到达角度对应的波峰阈值，并进行角度搜索，得到干扰信号的到达角度信息，既摆脱了对特征值分解的高计算量，同时消除了信号源数量估计不准确带来的定位结果不稳定性，有效提高了在卫星通信时检测干扰信号的实用性。

公开(公告)号：CN116341618A

公开(公告)日：2023-06-27

申请号：CN202310054218.4

申请日：2023-02-03

Applicant: 广东工业大学

Inventor： 王君 ,  郑欣 ,  高怀恩 ,  刘远 ,  蔡述庭 ,  熊晓明

IPC: G06N3/0464 ,  G06N3/082 ,  G06N3/006 ,  G06F18/214 ,  G06F18/21 ,  G06F30/337

Abstract: 本发明公开了一种RISC‑V处理器的设计空间探索方法，基于设计空间搜索算法优化，增加了自主学习算法，为搜索算法提供关键性信息，对CNN网络中各层的敏感度提前进行分析，使其占处理器的计算资源和存储空间更小，搜索效率更高，优化效果更好。利用麻雀搜索算法优化卷积神经网络，极大的提高了预测模型的精度，缩短了模拟计算的时间。优化处理器对卷积神经网络的卷积运算，降低DSP单元的资源需求，提高处理器中流水线指令并行度，极大的降低了处理器芯片设计的周期时长，优化了处理器的性能。

公开(公告)号：CN116246024A

公开(公告)日：2023-06-09

申请号：CN202310297544.8

申请日：2023-03-24

Applicant: 广东工业大学

Inventor： 廖永健 ,  蔡述庭 ,  熊晓明 ,  丁梓铨 ,  彭鸿鑫 ,  符传毓 ,  曹启库 ,  黄子杰

IPC: G06T17/00 ,  G06T7/50 ,  G06T7/62 ,  G06V10/74 ,  G06T3/00 ,  G06T7/269

Abstract: 本公开实施例中提供了一种基于光流一致性的多视图立体匹配方法，属于图像处理技术领域，具体包括：利用图像金字塔算法进行降采样操作；计算每个降采样图像的深度图和法向量图；选择最佳邻域图像；根据稠密光流算法和最佳邻域图像计算出降采样图像的光流运动向量；构建出光流一致性；将光流一致性与光度一致性进行联合估计；根据代价函数重新计算每个降采样图像的深度图与法向量图；利用细节恢复器将得到的深度图与法向量图进行对比，利用选择函数给每个像素选择深度值与法向量后，得到下一层最终的深度图与法向量图，最后根据深度图与法向量图融合成一个三维的点云模型。通过本公开的方案，提高了图像匹配的精准度和适应性。

公开(公告)号：CN116149172A

公开(公告)日：2023-05-23

申请号：CN202211445186.2

申请日：2022-11-18

Applicant: 广东工业大学 ,  佛山芯珠微电子有限公司

Inventor： 符善森 ,  黄宏敏 ,  林元妙 ,  詹瑞典 ,  熊晓明 ,  景东

IPC: G05B13/04

Abstract: 本发明公开了一种基于深度学习和北斗系统的自动驾驶汽车速度控制方法，首先由北斗卫星定位系统实时采集汽车的位置信息，自动驾驶汽车根据位置信息和环境感知设定参考速度，接着构建自动驾驶汽车的速度控制模型，对速度控制模型进行模型预测控制方法求解，并收集所述求解过程中的数据；然后建立深度神经网络模型，用收集的数据对该深度神经网络进行训练，最后得到一个DNN控制器代替MPC控制器实现控制变量的最优化求解。本发明实现了与模型预测控制方法几乎相同的控制性能，并且在控制时间上大大缩减，满足了自动驾驶汽车射胶速度控制的实时性要求，得到了具有在线调参，控制精度高，抗干扰性强，实时性等优点的自动驾驶汽车射胶速度控制模型。