论文部分内容阅读
随着通信技术的发展,对外界电磁频谱环境进行实时准确地监测成为日益紧迫的需求,无论在军用还是民用领域中频谱监测技术具有越来越广泛的应用前景。目前机器学习技术成为新一代信息技术的发展潮流,机器学习技术已经与许多领域深度结合,取得了一系列发展成果,极大地推动了传统行业的转型升级。机器学习中的卷积神经网络(Convolutional Neutral Network,CNN)算法由于其具有从高维数据中准确进行特征提取的优异性能,已经在图像检测、语音识别以及雷达信号识别等领域取得了广泛的应用。本文将卷积神经网络算法与频谱监测技术相结合,提出一种基于卷积神经网络的频谱监测系统,并最终在PicoZed-SDR-Z7035-AD9361硬件开发平台完成系统的实现。本文首先对人工神经网络算法的前向传播和反向传播过程进行了详细的理论分析,然后对卷积神经网络的结构和功能进行了系统的论述,对网络中的每一层如卷积层、池化层、激活函数层以及全连接层的组成结构和计算方式进行深入的研究。根据卷积神经网络的前向传播过程以及每一个网络层具体的计算方式,提出适合卷积神经网络前向传播的四种并行计算方式。完成理论分析后本文基于集成了AD9361芯片和Zynq-7035芯片的硬件开发平台完成了频谱监测系统的逻辑设计与硬件实现。AD9361芯片的输入端与接收天线相连接,负责对外界无线电磁信号的接收,在AD9361芯片内部对接收信号进行模数转换、高速采样等操作。Zynq-7035芯片中的PL部分就是现场可编程门阵列,其负责完成频谱监测系统的逻辑设计,对AD9361芯片输出的时域采样信号进行加窗运算、快速傅里叶变换、频谱估计、对数运算等一系列数字信号处理操作,生成与时域信号相对应的频谱信号。根据频谱监测系统中使用的一系列数字信号处理算法在MATLAB仿真平台中完成系统仿真,将仿真结果与Zynq中的硬件实现结果进行对比,验证频谱监测系统实现的正确性。根据适用于卷积神经网络的四种并行计算方式在Zynq-7035芯片中的PL部分完成卷积神经网络的逻辑设计以及硬件实现。首先针对卷积神经网络中一些常用的计算单元例如卷积计算、池化计算、全连接计算进行逻辑设计,生成固定的IP核,方便后续的开发。然后将四种并行计算方式进行合理搭配,形成组合并行计算方式,设计出整个卷积神经网络前向传播的系统框架。在进行逻辑设计时充分利用FPGA的流水线计算架构,与并行计算方式相结合,使得设计并实现的卷积神经网络能够在最短的时钟周期内完成卷积神经网络的前向传播计算。卷积神经网络的输入是频谱监测系统的输出即接收信号的频谱数据,卷积网络的输出是一个1长度为100的向量,表示对30MHz带宽的频谱中每一个300kHz的子频段内是否存在频谱的识别结果。在FPGA平台完成卷积神经网络的实现后,与CPU平台实现的卷积神经网络进行对比,证明FPGA平台能够极大地缩短卷积神经网络前向传播过程的时间,具有良好的实时性。