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

申请人： 广东工业大学 ,  佛山芯珠微电子有限公司

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

IPC分类号： G05B13/04

摘要： 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。

公开(公告)号：CN117993452A

公开(公告)日：2024-05-07

申请号：CN202410149739.2

申请日：2024-02-02

申请人： 广东工业大学

发明人： 胡湘宏 ,  符善森 ,  林元妙 ,  李学铭 ,  黄宏敏 ,  熊晓明 ,  蔡述庭 ,  詹瑞典

IPC分类号： G06N3/063 ,  G06N3/0464 ,  G06N3/048 ,  G06F17/16

摘要： 本发明公开了一种基于深度学习的AI加速器混合量化方法及硬件设计，该方法包括根据经验值、卷积核的尺寸参数以及需要量化的比特数确定初始的基二维张量；基于初始的基二维张量设置阈值二维张量；提取所述原始权重的符号值，并保存在第一三维张量中；基于阈值二维张量和量化的权重值得到第二三维张量。该硬件设计包括卷积计算单元、处理阵列单元、乘累加模块和加法树模块。通过使用本发明能够实现一个网络内不同层参数的混合量化，合理的将影响程度不同的网络参数量化为不同比特，提高轻量化网络的性能和准确率。本发明可广泛应用于芯片技术领域。

公开(公告)号：CN117472800A

公开(公告)日：2024-01-30

申请号：CN202311472456.3

申请日：2023-11-07

申请人： 广东工业大学

发明人： 林元妙 ,  胡湘宏 ,  熊晓明 ,  詹瑞典 ,  蔡述庭

IPC分类号： G06F12/0875 ,  G06F5/08 ,  G06N3/063 ,  G06N3/0464

摘要： 本发明公开了一种针对卷积神经网络的高效硬件缓存电路，该电路包括：数据缓存模块，将DDR中的数据存储至片上的BRAM中；数据移位模块，读取数据缓存模块中BRAM的数据，进行移位操作；异步传输模块，将数据移位模块移位后的数据进行异步，将其中的FIFO用于存放数据，等待调用。通过使用本发明，能够克服基于FPGA的卷积神经网络加速器的输入特征图无法高效缓存的问题，在减少资源的使用的同时，降低电路设计的复杂度。本发明可广泛应用于芯片领域。

公开(公告)号：CN116882451A

公开(公告)日：2023-10-13

申请号：CN202310581561.4

申请日：2023-05-23

申请人： 广东工业大学

发明人： 黄宏敏 ,  符善森 ,  林元妙 ,  刘远 ,  熊晓明

IPC分类号： G06N3/0464 ,  G06N3/092 ,  G06N3/063

摘要： 本发明的目的在于提供一种基于强化学习的CNN加速器架构优化方法、装置及存储介质，包括：根据硬件资源，选择基于价值的强化学习作为设计空间的主体框架，并利用强化学习来近似最优动作价值函数给动作进行打分；智能体根据不同动作的分数，选择最高分数的一个动作作为这一时刻的动作；同时，环境根据这一动作来更新状态和给出该动作对应的奖励；强化学习通过奖励来更新模型的参数，直到选择的动作评分即各类模块的分置和资源调度使得奖励的总和即回报达到最大；本发明所述的方法，能够解决其他强化学习方法效率低下的问题，使得基于强化学习的设计空间算法在效率上有了很大的提升，带来了加速器架构优化效果的提升。

公开(公告)号：CN116596049A

公开(公告)日：2023-08-15

申请号：CN202310425167.1

申请日：2023-04-20

申请人： 广东工业大学

发明人： 黄宏敏 ,  林元妙 ,  符善森 ,  刘远 ,  熊晓明

IPC分类号： G06N3/063 ,  G06N3/0464 ,  G06N3/092

摘要： 本发明的目的在于提供一种基于强化学习的AI处理器架构优化方法、装置及存储介质，包括：通过卷积神经网络和硬件平台构成AI处理器评估模型，并在所述AI处理器评估模型中获取能够得到最大回报的行动的函数；设置经验回放缓存池，将采样得到的样本保存在缓存池内；在收集到足够的样本时，通过所述取能够得到最大回报的行动的函数与神经网络构建策略函数，并利用增加高斯噪声干扰所述策略函数，从所述经验回放缓存池内获取训练样本；训练所述策略函数，并通过所述策略函数获取最大奖励，得到优化后的AI处理器架构的参数。本发明所述的方法可以获得更好的样本利用率、稳定性和探索能力，并且能够得到最佳的AI处理器架构设计参数。