32位浮点多任务伺服控制加速器设计
这是一篇关于加速器,伺服控制,指令集,浮点指令,IP设计的论文, 主要内容为在当今这个剧烈变化着的时代,伴随着诸如可穿戴电子产品、无人机、商用服务机器人、电动车内的各系统的车载控制器等智能设备越来越成熟、产品性能需求越来复杂,对充当伺服控制器的芯片的功能要求也越来越多变。因此采用旧有硬件结构的伺服控制器逐渐难以平衡实际应用中工程需求的各个方面。与此同时具备相当灵活性的So C设计也逐渐应用于伺服控制领域,伺服控制集成电路IP化已经是必然的趋势。目前,国内主打面向控制类需求的So C的发展同国外相比并不繁荣,为了填补相应的空白,本文设计开发了一款数据总线为32bit,支持单精度浮点运算的多任务伺服控制加速器IP,后文中简称伺服控制加速器或加速器。本文所实现的伺服控制加速器的具有8级流水线结构与31条指令,指令涵盖了双周期浮点乘法、单周期浮点加减法、单周期浮点比较运算、定点加减法、单周期定点浮点相互转换指令、逻辑位运算,以及直接和间接寻址转移、跳转等指令,充分覆盖了伺服控制和实时性要求较高场合的需求。其中,定周期浮点运算指令能够增强加速器处理控制算法有关运算时的性能,满足控制实时性的需求。同时,针对多数控制算法程序的执行往往遵循严格的采样控制周期,而某些控制系统的任务又具有突发性和不可预测性的特点,加速器专门设计了独特的程序任务处理机制。当出现特定外部中断或总线命令时,执行对应的程序任务,相关任务不被触发时,流水线处于静默状态,流水线内寄存器基本不出现翻转。加速器采用哈佛结构,通过AHB总线协议与外部程序和数据存储器以及其他对象进行交互,易于高效融入有关系统设计中。在完成了伺服控制加速器的设计之后,本文又搭建了仿真验证平台对RTL设计进行仿真验证。首先根据设计的功能点和结构特点,使用SV语言编写参考模型,搭建验证平台,对验证加速器执行单一任务的正确性,即程序指令执行的正确性进行仿真验证。然后在该平台的基础上进行改造,使用改造后的平台对加速器执行任务以外的功能点进行仿真验证。在设计通过仿真验证尽可能排除漏洞之后,对设计进行逻辑综合与物理实现。综合在Synopsys公司的DC平台上进行,物理实现在Synopsys公司的ICC平台上进行,采用中芯国际0.13um工艺库。最终课题所设计的伺服控制加速器IP面积为17163.02μm2,在200MHz的频率下时序收敛,且在200MHz的最高时钟频率下功耗为15.5433m W,作为面向控制器类应用的IP核,其性能已基本达到实际应用的水平。
轮机综合操控系统的原理设计与仿真测试研究
这是一篇关于仿真测试,综合操控,指令集,通信的论文, 主要内容为无人船舶已经成为未来发展的趋势,它不仅可以减少人为因素造成的风险,还可以提高船舶的经济效益,而船舶的机电综合操控系统是其中不可或缺的一部分。本文首先实现了虚拟机舱的综合操控系统,然后在仿真测试系统中对其进行了测试验证。主要研究工作如下:首先由于船舶需要执行设备的种类很多,所以设定了统一的指令格式。并且由于船舶在实际操作过程中,操作步骤比较复杂。所以本文将复杂的高级任务分解为简单的低级指令,然后将一个个低级指令按照正确的顺序排列组合为指令集。指令集采用可扩展标记语言XML进行设计制作,存储在文件夹的文件中。设计制作了指令集的配置界面,提高了指令集的灵活性。然后设计实施了仿真测试验证平台,为综合操控系统提供了人机交互的平台。设计了指令控制的逻辑代码,保证了指令的正常发出和执行。设计了指令集配置的逻辑代码,使得操作者可以对指令集进行配置从而改变指令集的组成和顺序,提高了指令集的灵活性。其次在原有的仿真测试系统的基础上,设计制作了操控显示功能和自动跳转界面功能,并对通信系统进行了完善。操控显示功能可以使运行的阀门闪烁,方便使用者观察。自动跳转界面功能会自动跳转到正在运行设备所在的界面上。为了使仿真测试系统和综合操控系统之间可以进行数据流通,对通信系统进行了调整,增加了仿真测试验证平台和仿真测试系统之间的通信连接,从而满足了综合操控系统的测试要求。最后将综合操控系统和仿真测试系统建立通信连接后,对综合操控系统进行了测试。设计了两个综合操控系统的测试样例,用于测试本文综合操控系统的自主性。用仿真测试系统对综合操控系统分别进行了本地测试和远程测试。并且在本地测试和远程测试中都对各级指令集进行了测试。在实际船舶上直接实现综合操控系统,成本高且难度大。通过仿真测试系统在数字空间研究、测试和验证机电设备的综合操控系统,不仅没有上述问题,还可以为未来实际船舶的发展奠定基础和积累经验。因此,在仿真测试系统中实现虚拟机舱中的机电设备的综合操控具有较大的意义。
智能家居语音识别通用语音AI云平台的设计与实现
这是一篇关于智能家居,语音识别,中间件,LSTM模型,指令集的论文, 主要内容为提到智能家居的语音技术,更应该强调的是语义识别技术。近几年,随着人工智能尤其是深度神经网络的发展,突破了语音识别在智能家居中的发展瓶颈。为解决现有家居控制系统在语音识别平台选择上相对被动和缺少语义分析的研究,本文结合人工智能、深度学习、Deeplearning4j框架、百度语音识别API、结巴分词等技术,设计了智能家居语音识别通用语音AI云平台,该平台不仅可以让用户自主选择合适的语音识别引擎,还可以运用神经网络模型对识别后文本进行语义分析,根据智能家居设备控制指令集,提取有效用户数据,对智能家居控制进行优化,从而达到改善智能家居控制和提升用户体验的目的。智能家居设备控制指令集的建立是实现语音控制的关键。根据对智能家居不同人群常用语音控制指令的研究,本文设计了满足智能家居控制需求的指令集。在指令集建立完成的基础上,结合云平台的需求,对云平台进行功能设计,主要包括智能云中间件、语义分析、语音接收和指令发送四大功能。中间件通过调用百度语音识别API实现语音识别功能;由于语义分析在很大程度上影响语音识别的结果,因此本文选用结巴分词工具对文本进行分词处理,选用LSTM神经网络算法搭建语义分析模型,得到了 79.03%的召回率;语音接收模块将平台与网关建立socket连接,实现语音数据从JSON字符串到语音对象的转换;指令发送模块对指令信息进行封装,通过建立socket连接,按照TCP/IP协议完成指令发送。本文采用云计算中平台即服务的软件架构,结合云平台总体框架图,使用“Spring+Spring MVC+MyBatis”技术框架对云平台进行开发,包括用户管理、设备管理、语音接收、中间件、语义识别和指令发送模块,并实现各模块功能。本文最后对平台中的语义分析模块进行了功能测试,测试结果表明,本文搭建的语义分析模型可以提高语音识别准确率,达到了改善智能家居语音控制的目的。
32位浮点多任务伺服控制加速器设计
这是一篇关于加速器,伺服控制,指令集,浮点指令,IP设计的论文, 主要内容为在当今这个剧烈变化着的时代,伴随着诸如可穿戴电子产品、无人机、商用服务机器人、电动车内的各系统的车载控制器等智能设备越来越成熟、产品性能需求越来复杂,对充当伺服控制器的芯片的功能要求也越来越多变。因此采用旧有硬件结构的伺服控制器逐渐难以平衡实际应用中工程需求的各个方面。与此同时具备相当灵活性的So C设计也逐渐应用于伺服控制领域,伺服控制集成电路IP化已经是必然的趋势。目前,国内主打面向控制类需求的So C的发展同国外相比并不繁荣,为了填补相应的空白,本文设计开发了一款数据总线为32bit,支持单精度浮点运算的多任务伺服控制加速器IP,后文中简称伺服控制加速器或加速器。本文所实现的伺服控制加速器的具有8级流水线结构与31条指令,指令涵盖了双周期浮点乘法、单周期浮点加减法、单周期浮点比较运算、定点加减法、单周期定点浮点相互转换指令、逻辑位运算,以及直接和间接寻址转移、跳转等指令,充分覆盖了伺服控制和实时性要求较高场合的需求。其中,定周期浮点运算指令能够增强加速器处理控制算法有关运算时的性能,满足控制实时性的需求。同时,针对多数控制算法程序的执行往往遵循严格的采样控制周期,而某些控制系统的任务又具有突发性和不可预测性的特点,加速器专门设计了独特的程序任务处理机制。当出现特定外部中断或总线命令时,执行对应的程序任务,相关任务不被触发时,流水线处于静默状态,流水线内寄存器基本不出现翻转。加速器采用哈佛结构,通过AHB总线协议与外部程序和数据存储器以及其他对象进行交互,易于高效融入有关系统设计中。在完成了伺服控制加速器的设计之后,本文又搭建了仿真验证平台对RTL设计进行仿真验证。首先根据设计的功能点和结构特点,使用SV语言编写参考模型,搭建验证平台,对验证加速器执行单一任务的正确性,即程序指令执行的正确性进行仿真验证。然后在该平台的基础上进行改造,使用改造后的平台对加速器执行任务以外的功能点进行仿真验证。在设计通过仿真验证尽可能排除漏洞之后,对设计进行逻辑综合与物理实现。综合在Synopsys公司的DC平台上进行,物理实现在Synopsys公司的ICC平台上进行,采用中芯国际0.13um工艺库。最终课题所设计的伺服控制加速器IP面积为17163.02μm2,在200MHz的频率下时序收敛,且在200MHz的最高时钟频率下功耗为15.5433m W,作为面向控制器类应用的IP核,其性能已基本达到实际应用的水平。
智能家居语音识别通用语音AI云平台的设计与实现
这是一篇关于智能家居,语音识别,中间件,LSTM模型,指令集的论文, 主要内容为提到智能家居的语音技术,更应该强调的是语义识别技术。近几年,随着人工智能尤其是深度神经网络的发展,突破了语音识别在智能家居中的发展瓶颈。为解决现有家居控制系统在语音识别平台选择上相对被动和缺少语义分析的研究,本文结合人工智能、深度学习、Deeplearning4j框架、百度语音识别API、结巴分词等技术,设计了智能家居语音识别通用语音AI云平台,该平台不仅可以让用户自主选择合适的语音识别引擎,还可以运用神经网络模型对识别后文本进行语义分析,根据智能家居设备控制指令集,提取有效用户数据,对智能家居控制进行优化,从而达到改善智能家居控制和提升用户体验的目的。智能家居设备控制指令集的建立是实现语音控制的关键。根据对智能家居不同人群常用语音控制指令的研究,本文设计了满足智能家居控制需求的指令集。在指令集建立完成的基础上,结合云平台的需求,对云平台进行功能设计,主要包括智能云中间件、语义分析、语音接收和指令发送四大功能。中间件通过调用百度语音识别API实现语音识别功能;由于语义分析在很大程度上影响语音识别的结果,因此本文选用结巴分词工具对文本进行分词处理,选用LSTM神经网络算法搭建语义分析模型,得到了 79.03%的召回率;语音接收模块将平台与网关建立socket连接,实现语音数据从JSON字符串到语音对象的转换;指令发送模块对指令信息进行封装,通过建立socket连接,按照TCP/IP协议完成指令发送。本文采用云计算中平台即服务的软件架构,结合云平台总体框架图,使用“Spring+Spring MVC+MyBatis”技术框架对云平台进行开发,包括用户管理、设备管理、语音接收、中间件、语义识别和指令发送模块,并实现各模块功能。本文最后对平台中的语义分析模块进行了功能测试,测试结果表明,本文搭建的语义分析模型可以提高语音识别准确率,达到了改善智能家居语音控制的目的。
智能家居语音识别通用语音AI云平台的设计与实现
这是一篇关于智能家居,语音识别,中间件,LSTM模型,指令集的论文, 主要内容为提到智能家居的语音技术,更应该强调的是语义识别技术。近几年,随着人工智能尤其是深度神经网络的发展,突破了语音识别在智能家居中的发展瓶颈。为解决现有家居控制系统在语音识别平台选择上相对被动和缺少语义分析的研究,本文结合人工智能、深度学习、Deeplearning4j框架、百度语音识别API、结巴分词等技术,设计了智能家居语音识别通用语音AI云平台,该平台不仅可以让用户自主选择合适的语音识别引擎,还可以运用神经网络模型对识别后文本进行语义分析,根据智能家居设备控制指令集,提取有效用户数据,对智能家居控制进行优化,从而达到改善智能家居控制和提升用户体验的目的。智能家居设备控制指令集的建立是实现语音控制的关键。根据对智能家居不同人群常用语音控制指令的研究,本文设计了满足智能家居控制需求的指令集。在指令集建立完成的基础上,结合云平台的需求,对云平台进行功能设计,主要包括智能云中间件、语义分析、语音接收和指令发送四大功能。中间件通过调用百度语音识别API实现语音识别功能;由于语义分析在很大程度上影响语音识别的结果,因此本文选用结巴分词工具对文本进行分词处理,选用LSTM神经网络算法搭建语义分析模型,得到了 79.03%的召回率;语音接收模块将平台与网关建立socket连接,实现语音数据从JSON字符串到语音对象的转换;指令发送模块对指令信息进行封装,通过建立socket连接,按照TCP/IP协议完成指令发送。本文采用云计算中平台即服务的软件架构,结合云平台总体框架图,使用“Spring+Spring MVC+MyBatis”技术框架对云平台进行开发,包括用户管理、设备管理、语音接收、中间件、语义识别和指令发送模块,并实现各模块功能。本文最后对平台中的语义分析模块进行了功能测试,测试结果表明,本文搭建的语义分析模型可以提高语音识别准确率,达到了改善智能家居语音控制的目的。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://bishedaima.com/lunwen/50567.html
