-
公开(公告)号：CN106844985B
公开(公告)日：2019-08-16
申请号：CN201710066204.9
申请日：2017-02-06
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种高自由度机器人逆运动学的快速求解方法及系统，该方法包括步骤1，将关节变量θ带入机器人运动学方程中，获得雅克比矩阵J，将所述雅克比矩阵J进行转置，获得雅克比转置矩阵JT；步骤2，生成一组投机值，为每个投机值计算相应的关节变量更新值，将每个关节变量更新值带入机器人正运动学方程中，获得相应的位姿Pk，为每个位姿Pk计算其与目标位姿P的位姿偏差Δek，及位姿偏差Δek的模errork；步骤3，在模errork的集合中选取最小值errormin，及其对应的位姿偏差Δemin与关节变量更新值Δθmin，并更新位姿偏差为Δe＝Δemin，更新关节变量θ＝θ+Δθmin；步骤4，判断errormin是否满足errormin
-
公开(公告)号：CN107066707B
公开(公告)日：2019-07-30
申请号：CN201710188024.8
申请日：2017-03-27
Applicant: 中国科学院计算技术研究所
IPC: G06F17/50
Abstract: 本发明提出一种使用快照的可调试性设计追踪方法及装置，涉及集成电路可调试性设计技术领域，该方法包括步骤1，设置追踪缓存与快照缓存的容量，确定追踪信号的宽度限制与快照信号的宽度限制；步骤2，根据所述追踪信号与所述快照信号的宽度限制，生成寄存器簇并迭代选择寄存器簇，从而确定所述追踪信号与所述快照信号；步骤3，根据所述追踪信号与所述快照信号，设置追踪结构，其中所述追踪结构包括追踪控制器、触发器、追踪总线、追踪缓存、快照缓存。本发明可以显著的提高调试数据的状态恢复率，增加硅后调试的可观测性，缩短硅后调试时间；本发明可以确定性的恢复关键信号；本发明可以减少追踪信号选择方法的运行时间。
-
公开(公告)号：CN110046703A
公开(公告)日：2019-07-23
申请号：CN201910170271.4
申请日：2019-03-07
Applicant: 中国科学院计算技术研究所
IPC: G06N3/063
Abstract: 本发明提供一种用于神经网络的片上存储处理系统，其包括：编码器模块、解码器模块以及存储群模块；编码器模块被配置为接收目标数据序列，对所述目标数据序列中所有数据逐个比特位地提取各比特位的数值，并将所有数据中相同权值的比特位的数值进行顺序编码，再将相邻比特位的数值编码依次顺序相连，生成编码数据；解码器模块被配置为根据运算指令，读取并解码存储群模块中存储的编码数据；存储群模块被配置为根据接收到的控制信息，生成存储结构，存储编码数据。将本发明的片上存储处理系统用于神经网络的运算，可实现按照数据精度的进行数据存储，能够降低神经网络数据运算过程中的功耗消耗，避免发生数据冗余现象。
-
公开(公告)号：CN109325591A
公开(公告)日：2019-02-12
申请号：CN201811122017.9
申请日：2018-09-26
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种面向Winograd卷积的神经网络处理器。该处理器包括：神经元转换模块，用于执行神经元矩阵的转换操作V＝[BTdB]；权值转换模块，用于执行权值矩阵的转换操作U＝[GgGT]；点乘模块，用于执行矩阵U和V的点乘操作，获得点乘结果矩阵M＝U⊙V；后矩阵转换模块，用于执行针对点乘结果矩阵的转换操作F＝ATMA；其中，d表示神经元矩阵，g表示权值矩阵，G、B、A分别表示与权值矩阵g、神经元矩阵d和点乘结果矩阵M对应的转换矩阵。本发明的神经网络处理器能够提供计算效率并降低运行功耗。
-
公开(公告)号：CN106529670B
公开(公告)日：2019-01-25
申请号：CN201610958305.2
申请日：2016-10-27
Applicant: 中国科学院计算技术研究所
IPC: G06N3/063
-
Patent Agency Ranking
公开(公告)号：CN107103113B
公开(公告)日：2019-01-11
申请号：CN201710178281.3
申请日：2017-03-23
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种面向神经网络处理器的自动化设计方法、装置及优化方法，该方法包括步骤1，获取神经网络模型描述文件、硬件资源约束参数，其中所述硬件资源约束参数包括硬件资源大小及目标运行速度；步骤2，根据所述神经网络模型描述文件与所述硬件资源约束参数，从已构建的神经网络组件库中查找单元库，并根据所述单元库生成对应于所述神经网络模型的神经网络处理器的硬件描述语言代码；步骤3，将所述硬件描述语言代码转化为所述神经网络处理器的硬件电路。
-
公开(公告)号：CN107169563B
公开(公告)日：2018-11-30
申请号：CN201710315998.8
申请日：2017-05-08
Applicant: 中国科学院计算技术研究所
IPC: G06N3/063
Abstract: 本发明提供一种应用于二值权重卷积神经网络的处理系统。该系统包括：至少一个存储单元，用于存储数据和指令；至少一个控制单元，用于获得保存在所述存储单元的指令并发出控制信号；至少一个计算单元，用于从所述存储单元获得卷积神经网络中的一层的节点值和对应的二值权重值数据并通过执行加减操作获得下一层的节点值。本发明的系统减少了卷积神经网络计算过程中的数据位宽、提高了卷积运算速度、降低了存储容量及工作能耗。
-
公开(公告)号：CN108898216A
公开(公告)日：2018-11-27
申请号：CN201810417336.6
申请日：2018-05-04
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种应用于神经网络的激活处理装置。该装置包括查找表单元，多个匹配单元和多个计算单元，其中：所述查找表单元用于存储反映神经网络中的激活函数的变量区间以及对应的拟合线性函数参数之间的映射关系，其中，所述线性函数参数包括用于限定线性函数的截距和斜率；所述多个匹配单元用于基于所述查找表输出与待计算的激活函数的输入变量对应的线性函数参数；所述多个计算单元与所述多个匹配单元一一对应连接，所述多个计算单元的每一个用于根据对应的匹配单元输出的线性函数参数完成针对待计算的激活函数的输入变量的线性运算。本发明的激活处理装置能够提高神经网络的激活处理效率并降低功耗。
-
公开(公告)号：CN108875925A
公开(公告)日：2018-11-23
申请号：CN201810685989.2
申请日：2018-06-28
Applicant: 中国科学院计算技术研究所
IPC: G06N3/063
Abstract: 本发明提供一种控制方法，包括：1)确定需要执行的卷积运算的尺寸n*n；2)根据需要执行的卷积运算的尺寸n*n，选择在m2个7*7的卷积计算单元中载入与所述尺寸对应的卷积核的数值，并将其余的各个数值填充为0，7m≥n；3)根据需要执行的卷积运算的尺寸、需要执行卷积的输入特征图的尺寸，确定卷积计算过程所需的周期数；4)在卷积计算过程中的各个周期，将相应的输入特征图的数值载入到所述m2个7*7的卷积计算单元中，所述输入特征图的数值在所述m2个7*7的卷积计算单元中的分布与所述卷积核的数值在所述m2个7*7的卷积计算单元中的分布保持一致；控制载入了卷积核以及输入特征图的数值的所述m2个7*7的卷积计算单元分别执行与所述周期数对应的卷积计算。
-
公开(公告)号：CN108875917A
公开(公告)日：2018-11-23
申请号：CN201810685538.9
申请日：2018-06-28
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种控制方法，包括：1)确定需要执行的卷积运算的尺寸n*n；2)根据需要执行的卷积运算的尺寸n*n，选择在m2个3*3的卷积计算单元中载入与所述尺寸对应的卷积核的数值，并将其余的各个数值填充为0，3m≥n；3)根据需要执行的卷积运算的尺寸、需要执行卷积的输入特征图的尺寸，确定卷积计算过程所需的周期数；4)在卷积计算过程中的各个周期，将相应的输入特征图的数值载入到所述m2个3*3的卷积计算单元中，所述输入特征图的数值在所述m2个3*3的卷积计算单元中的分布与所述卷积核的数值在所述m2个3*3的卷积计算单元中的分布保持一致；控制载入了卷积核以及输入特征图的数值的所述m2个3*3的卷积计算单元分别执行与所述周期数对应的卷积计算。
-
-
-
-
-
-
-
-
-
Search Results
190
records
(took 0.058 seconds)
