-
公开(公告)号：CN110580519B
公开(公告)日：2022-03-22
申请号：CN201910762642.8
申请日：2019-08-19
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种卷积运算结构及其方法。所述卷积运算结构，包括转换单元结构，所述转换单元结构包括：第一寄存器组、第二寄存器组、乘法器、加法器、中间结果寄存器组，其中，所述第一寄存器组和所述第二寄存器组被控制为，在第一回合计算过程中，对由它们所分别存储的第一矩阵和第二矩阵通过所述乘法器和加法器执行矩阵乘法，并将通过所述矩阵乘法得到的第一结果矩阵存储至所述中间结果寄存器组；并且所述第二寄存器组和所述中间结果寄存器组被控制为，在第二回合计算过程中，对由它们所分别存储的第三矩阵以及所述第一结果矩阵通过所述乘法器和加法器执行矩阵乘法，并将通过所述矩阵乘法得到的第二结果矩阵存储至所述第一寄存器组。
-
公开(公告)号：CN113672909A
公开(公告)日：2021-11-19
申请号：CN202110746518.X
申请日：2021-07-01
Applicant: 华南理工大学 , 中国科学院计算技术研究所
Abstract: 本发明公开了一种基于模式分类的片上热隐蔽信道攻击的检测方法，旨在解决片上众核系统中的热隐蔽信道攻击问题，检测方法包括：针对处理器核的工作负载数据，构建能够区分是否存在热隐蔽信道攻击的神经网络模型，在运行时调用神经网络模型来推理众核系统中各个处理器核是否运行热隐蔽信道攻击程序。本发明可以检测出使用不同编码方案、不同升温时间的热隐蔽信道攻击，检测准确率高达99％，能够显著减少众核系统中热隐蔽信道攻击造成的信息泄露问题。
-
公开(公告)号：CN110097172B
公开(公告)日：2021-10-29
申请号：CN201910203310.6
申请日：2019-03-18
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种卷积神经网络数据处理方法以简化卷积操作，所述方法包括：1)根据卷积神经网络模型的权值g以及转换矩阵G，基于GgGT计算针对权值的中间矩阵U；2)对所述针对权值的中间矩阵U进行压缩，以获得用于指示U中有效元素的数值的压缩转换权值矩阵Uz、以及用于指示U中有效元素的坐标的压缩坐标编码S；3)根据所述压缩坐标编码S，计算针对中间矩阵V＝[BTdB]的压缩结果以作为压缩转换特征图Vz，其中d为卷积神经网络的输入特征图，B是转换矩阵；4)对所述压缩转换权值矩阵Uz和所述压缩转换特征图Vz执行点乘操作，得到点乘矩阵Mz；5)根据所述点乘矩阵Mz、转换矩阵A，基于ATMzA计算针对所述输入特征图d的卷积运算结果F。
-
-
公开(公告)号：CN109325591B
公开(公告)日：2020-12-29
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。
-
Patent Agency Ranking
-
公开(公告)号：CN107578098B
公开(公告)日：2020-10-30
申请号：CN201710777741.4
申请日：2017-09-01
Applicant: 中国科学院计算技术研究所
IPC: G06N3/063
Abstract: 本发明提供一种神经网络处理器，包括控制单元、计算单元、数据存储单元和权重存储单元，所述计算单元在控制单元的控制下分别从数据存储单元和权重存储单元获取数据和权重进行神经网络相关的运算，其中所述计算单元包括阵列控制器和以脉动阵列方式连接的多个处理单元，数据和权重从不同方向至该由处理单元构成的脉动阵列中，各处理单元同时并行地对流经它的数据进行处理。该神经网络处理器可以达到很高的处理速度；同时多次重用了输入数据，由此可在消耗较小的访存带宽的情况下实现较高的运算吞吐率。
-
公开(公告)号：CN107862374B
公开(公告)日：2020-07-31
申请号：CN201711033073.0
申请日：2017-10-30
Applicant: 中国科学院计算技术研究所
IPC: G06N3/04
Abstract: 本发明提供了一种神经网络处理系统。该处理系统包括：乘法器模块，所述乘法器模块包含构成流水线的多级结构，并用于执行神经网络中待计算的神经元和权值的乘法运算，其中，所述乘法器模块的每一级结构完成所述神经元和权值的乘法运算的子运算；累加器模块，所述累加器模块包含构成流水线的多级结构，并用于对所述乘法器模块的乘法运算结果进行累加运算，以获得神经网络中卷积层的输出神经元，其中，所述累加器模块的每一级结构完成累加运算的子运算；池化单元，用于对所述卷积层的输出神经元进行池化处理；控制单元，用于控制神经网络处理系统中数据的传递。利用本发明的神经网络处理系统能够提高资源利用率和数据处理的速度。
-
公开(公告)号：CN107256424B
公开(公告)日：2020-03-31
申请号：CN201710315337.5
申请日：2017-05-08
Applicant: 中国科学院计算技术研究所
IPC: G06N3/08
Abstract: 本发明提供一种三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三值权重值数据并通过执行加减操作获得下一层的节点值。本发明的处理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：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
-
-
-
-
-
-
-
-
-
Search Results
254
records
(took 0.037 seconds)
