-
公开(公告)号：CN114937449B
公开(公告)日：2024-07-05
申请号：CN202110163912.0
申请日：2021-02-05
Applicant: 清华大学
Abstract: 本发明提供一种语音关键词识别方法及系统，该方法包括：对待识别的模拟语音信号进行全频带特征提取，获取模拟语音关键词特征向量；将所述模拟语音关键词特征向量输入到训练好的特征配置模型中，获取语音关键词识别结果，其中，所述训练好的特征配置模型是通过标记有关键词类型标签的样本模拟语音关键词特征向量和预设准确率损失阈值，对神经网络模型进行训练得到的，所述神经网络模型包括多个子网络，且每个子网络识别对应的关键词；根据所述语音关键词识别结果，将所述训练好的特征配置模型中对应的子网络执行开启和关闭操作。本发明实现了动态调整的特征可配置性，在保持准确率的前提下，进一步降低了KWS系统的功耗和计算延迟。
-
公开(公告)号：CN116882452A
公开(公告)日：2023-10-13
申请号：CN202310641858.5
申请日：2023-06-01
Applicant: 清华大学
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明实施例提供一种神经网络数据处理方法及装置，其中方法包括：获取神经网络模型中的第i层卷积层待输入的卷积特征图；将卷积特征图中的卷积点量化为多个四比特数据；将每个四比特数据拆分为四个单比特数据；将四个单比特数据中的每个单比特数据依次输入至存算阵列，存算阵列用于进行第i层卷积层对应的卷积计算，获得存算阵列输出的卷积结果量化值；其中，神经网络模型是基于预训练和重训练获得的，在预训练过程中，第i层卷积层的目标输出为第i层卷积层对应的算法结果，在重训练过程中，第i层卷积层的目标输出为存算阵列输出的卷积结果量化值。本发明实施例能够降低计算机设备的功耗。
-
公开(公告)号：CN110852361B
公开(公告)日：2022-10-25
申请号：CN201911046087.5
申请日：2019-10-30
Applicant: 清华大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明实施例提供一种基于改进深度神经网络的图像分类方法、装置与电子设备，其中该方法包括：在深度神经网络模型的前馈网络中插入近似算子，并对插入近似算子后的深度神经网络模型进行再训练；在再训练的过程中，对所述插入近似算子后的深度神经网络模型进行硬件近似，获取硬件简化模型；利用该硬件简化模型，对待分类图像进行类别划分。本发明实施例通过在深度神经网络模型的前馈网络中插入近似算子，实现将模型中的精确运算单元逐步替换为近似运算单元，能有效解决训练过程的收敛性问题，同时通过将模型权重量化为定点数，能够有效提高模型的容错能力，从而有效提高对图像的分类效率和精确度。
-
公开(公告)号：CN112669827A
公开(公告)日：2021-04-16
申请号：CN202011584203.1
申请日：2020-12-28
Applicant: 清华大学
IPC: G10L15/06 , G10L15/16 , G10L15/22 , G10L15/26 , G10L15/28 , G11C5/14 , G11C11/413 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种自动语音识别器的联合优化方法及系统，包括：获取待优化自动语音识别器的存储参数，基于存储参数构建BPQE模型框架；基于BPQE模型框架进行网络压缩训练，得到具有预设高修剪率的RNN模型；采用近似存储策略和近似误差模型，对待优化自动语音识别器中的SRAM存储单元的供电电压进行调整，并进行预设数据位的存储数据保护处理，得到存储访问功耗调整结果；对RNN模型进行增量式重训练，得到语音识别器识别性能调整结果；综合存储访问功耗调整结果和存储访问数据量调整结果，得到存储联合优化结果。本发明通过采用联合优化方案，存储访问量和存储访问的功耗可以大幅减少，且精度损失可以忽略不计。
-
公开(公告)号：CN112242162A
公开(公告)日：2021-01-19
申请号：CN201910649227.1
申请日：2019-07-18
Applicant: 清华大学
IPC: G11C11/413 , G11C7/10 , G11C8/10
Abstract: 本发明提供一种基于列数据分割的低功耗可重构SRAM结构及数据存取方法，所述数据存取方法包括：提取每一个数据段的数据特征，并根据每一个数据段的数据特征配置对应的标志位，其中，数据存储阵列中的每一列数据被划分为多段形成多个数据段；根据每一个数据段的标志位，配置每一个数据段的工作模式；按照对应的工作模式从数据存储阵列中读取数据。本发明在不改变数据存储阵列每列数据中数据单元数量的条件下，对数据进行更细粒度的特征统计，将一列中的数据划分为多个段，对每一数据段进行数据特征的读取，并且分别配置每个段的工作模式，按照对应的工作模式读取数据，降低了整个数据存储阵列中数据读取的功耗。
-
Patent Agency Ranking
公开(公告)号：CN108910508B
公开(公告)日：2020-12-04
申请号：CN201810432445.5
申请日：2018-05-08
Applicant: 清华大学
Abstract: 本发明公开了一种高速分拣任务中的多机协同规则及装置，其中，规则包括以下步骤：检测系统是否处于动态过载的物流分拣情况；如果系统处于动态过载的物流分拣情况，则在步骤k中选择第一最短抓取时间物体，在步骤k+1中选择第二最短抓取时间物体；如果在步骤k+1中选择第一最短抓取时间物体的时间小于第二最短抓取时间物体，则在步骤k中选择第二最短抓取时间物体，在步骤k+1中选择第一最短抓取时间物体，其中，k为正整数。该规则有效提高分拣的效率和高速拾取任务中的分拣率，简单易实现。
-
公开(公告)号：CN111901541A
公开(公告)日：2020-11-06
申请号：CN202010676560.4
申请日：2020-07-14
Applicant: 清华大学
Abstract: 本发明实施例提供一种直接光电流计算单元电路，该单元电路实现卷积核内乘累加计算，包括：权重寄存器、第一预充电开关、第二预充电开关、第一权重控制开关、第二权重控制开关、第三权重控制开关、第四权重控制开关、光电二极管、电容、比较器和输出电路，权重寄存器用于接收输入的目标权重，并根据目标权重输出相应的信号，以控制预充电开关的状态；第一预充电开关和第二预充电开关通过预充电信号确定状态；光电二极管将光电效应产生的电荷传输到节点，以产生电压降；比较器根据电压差输出目标卷积核内乘累加的计算结果。利用光电流在模拟域直接进行二值化CNN的第一层卷积运算，避免了模拟数据的转换、存储和移动，降低了功耗。
-
公开(公告)号：CN111860809A
公开(公告)日：2020-10-30
申请号：CN202010610309.8
申请日：2020-06-29
Applicant: 清华大学
Abstract: 本发明实施例提供一种采用填充后图像传感芯片进行首层卷积层处理的方法，该方法包括：基于填充后图像传感芯片中新的焦平面的大小、首层卷积层中卷积核的个数和首层卷积层中卷积核的大小在所述新的焦平面上周期性的排列所述首层卷积层；采用新的焦平面对各处理单元中采集的图像的各像素值进行处理，输出对应的特征图；其中，所述新的焦平面是在原始焦平面上采用伪处理单元填充使得卷积核可以均匀有规律地在新的焦平面上排列得到，伪处理单元仅包括用于保存卷积核权值的寄存器。本发明实施例提供的方法，实现了减少卷积处理的耗能和时间，并降低了控制复杂度。
-
公开(公告)号：CN110311676B
公开(公告)日：2020-10-16
申请号：CN201910549402.X
申请日：2019-06-24
Applicant: 清华大学
Abstract: 本发明实施例提供了一种采用开关电流技术的物联网视觉系统和数据处理方法，该采用开关电流技术的物联网视觉系统包括传感器单元、混合信号计算单元、模数转换器，传感器单元的输出端连接混合信号计算单元的输入端，混合信号计算单元的输出端连接模数转换器的输入端。混合信号计算单元直接处理传感器单元输入的模拟信号，将对模拟信号处理后得到的模拟输出结果传输到模数转换器。该系统中这种近传感器的架构与传统的神经网络系统架构相比，大大降低了模数转换器处理的数据量，提高了整个系统的处理效率，降低了能耗。
-
公开(公告)号：CN107679622B
公开(公告)日：2020-08-14
申请号：CN201710795185.3
申请日：2017-09-06
Applicant: 清华大学
Abstract: 本发明公开了一种面向神经网络算法的模拟感知计算架构，包括：神经元值缓冲器，其配置为缓存待分析对象的样本参数；突触权重缓冲器，其配置为存储与样本参数对应的突触权重；模拟计算处理模块，其配置为根据突触权重和样本参数，在模拟域对待分析对象进行特征提取及特征分类。本发明实现了待分析对象的特征提取和特征分类，并且对样本参数和突触权重的计算是在模拟域中进行，具有高能效的特点，同时本架构减少了模数和数模转换模块的代价，进一步降低了能耗。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.027 seconds)
