-
公开(公告)号：CN118351903A
公开(公告)日：2024-07-16
申请号：CN202410772846.0
申请日：2024-06-17
Applicant: 电子科技大学
IPC: G11C11/22
Abstract: 一种选择读取后无回写过程的铁电存储器电路、方法及装置，涉及电路设计领域。本发明主要思想为通过消除读取后的回写过程来降低FRAM的读取功耗同时提高FRAM的寿命，虽然读取后不进行回写会导致存储的数据遭到破坏，但如果该数据只需要被读取一次，那么就不用关心其是否会被破坏的问题了。本发明利用FRAM读取后会有回写过程以保持数据的特点，针对读取后必定会在相同位置重新写入的场景，设计了一种可以选择读取后无回写过程的FRAM电路，降低了读时间、读功耗，提高了FRAM的使用寿命。
-
公开(公告)号：CN118331896A
公开(公告)日：2024-07-12
申请号：CN202410766576.2
申请日：2024-06-14
Applicant: 电子科技大学
IPC: G06F12/0864 , G06F12/0873 , G06F12/0895 , G06F12/122 , G06F12/128
Abstract: 本发明提供一种支持缓存管理的非易失混合存储器电路、方法，涉及数字电路技术领域。本发明将易失存储器与非易失存储器结合起来，通过缓存管理的方式将频繁访问分担在易失存储，不频繁访问分担在非易失存储。将易失存储的高读写性能和高耐久性弥补非易失存储的低写性能和低耐久性，将非易失存储的高存储密度和低漏电功耗来弥补易失存储的低存储密度与高漏电功耗，充分发挥彼此的优点。此外，进行低延迟的缓存硬件设计，通过在缓存组排名表中引入重要性指标，减少进行缓存替换时的延迟并且降低了硬件复杂度。
-
公开(公告)号：CN113836397B
公开(公告)日：2024-07-12
申请号：CN202111025959.7
申请日：2021-09-02
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/84 , G06Q30/0601
Abstract: 本发明公开了一种购物篮个性化特征建模的推荐方法，根据历史购物篮事务数据集的特征构成三元组，并将所述三元组映射到特征向量空间，引入不同的关联类型进行计算与关联，最后利用神经网络技术对不同实体之间的低阶特征组合和高阶特征组合进行建模，对目标物品项进行预测，三元组的使用让模型可以从用户历史数据集中捕获更多的关联组合，缓解了购物篮推荐任务中的数据稀疏性问题，同时使得推荐结果具有可靠性和准确性，解决了现有技术中基于购物篮推荐方法推荐精度不高和推荐结果个性化程度低的问题。
-
公开(公告)号：CN118246495A
公开(公告)日：2024-06-25
申请号：CN202410335286.2
申请日：2024-03-22
Applicant: 电子科技大学
Abstract: 本发明提出的一种基于时间域计算的脉冲神经网络神经元实现电路，包括波形产生器、开关控制器、存储延迟线及边缘比较器。通过波形产生器，产生延迟线控制信号，送入开关控制器。开关控制器产生开关控制信号送入存储延迟线，用于实现对存储延迟线内开关的控制。存储延迟线实现数据的相加或者相减，并产生左输出/右输出信号送入边缘比较器。通过边缘比较器，比较存储数据与阈值的大小，输出脉冲信号，最终实现脉冲神经网络神经元。本发明提出的基于时间域计算的脉冲神经网络神经元实现电路相比于纯数字的方案，省略了加法器、寄存器、比较器等器件，优化了电路。同时，本发明可以减小翻转电流，减小电路反转次数，降低了电路功耗、面积等开销。
-
公开(公告)号：CN118037550B
公开(公告)日：2024-06-21
申请号：CN202410437890.6
申请日：2024-04-12
Applicant: 电子科技大学
IPC: G06T3/4053 , G06N3/04
Abstract: 本发明提供一种支持数据流重构的超分辨率计算方法及装置，属于电路硬件与芯片设计技术领域。针对边缘端超分辨率计算的问题，通过全局控制器对各部分电路进行控制，并且实现了支持数据流重构的硬件电路单元，实现可重构的计算数据流形式，减小了片外数据访存，缓解了存储墙问题，并且实现多种超分辨率神经网络算法的计算。本发明可以通过数据流重构，以及支持灵活配置的硬件电路单元，以支持多种超分辨率算法的计算，解决了现有基于神经网络超分辨率方法的计算电路的对多种模型计算支持的通用性问题，有效提升了超分辨率神经网络的计算性能，更好的满足应用需求。
-
Patent Agency Ranking
公开(公告)号：CN117829317A
公开(公告)日：2024-04-05
申请号：CN202410015130.6
申请日：2024-01-04
Applicant: 桂林电子科技大学
IPC: G06N20/00 , G06F18/214 , G06N3/04 , G06N3/084
Abstract: 本发明公开一种基于个性化模型差异的个性化联邦学习方法，属于联邦学习技术领域，具体包括以下步骤：服务器发送全局模型给本地客户端，初始化化客户端模型；客户端根据本地数据进行模型训练，并上传模型参数给服务器；服务器根据这一轮客户端上传的参数进行生成模型差异矩阵；服务器依据客户端模型进行全局模型聚合，同时利用模型差异矩阵选择合适的邻居模型聚合并更新各个客户端的个性化模型；本地客户端根据服务端返回的模型更新本地模型。本发明能有效利用本地模型之间的差异加快个性化模型训练，有效提升个性化模型的精度。
-
公开(公告)号：CN117271145A
公开(公告)日：2023-12-22
申请号：CN202311561946.0
申请日：2023-11-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于混合计算架构的多任务智能处理器，属于存内计算技术领域。该处理器包括任务分配和控制电路、计算电路、存储电路、通信和外设电路；当处理器级联为阵列时，还基于任务分解器和任务分配器提出了使多种AI算法同时运行的数据映射方法。本发明处理器通过结合存内计算和传统CMOS计算的混合计算架构，增强了计算架构的通用性，能够同时支持多种AI算法并提高计算效率；此外，还在多任务智能处理器的基础上，进一步提出了使多种AI算法同时运行的数据映射方法，实现多类不同规模算法的高效率部署。
-
公开(公告)号：CN114237550B
公开(公告)日：2023-10-13
申请号：CN202111337903.5
申请日：2021-11-10
Applicant: 电子科技大学
Abstract: 本发明属于智能处理器技术领域，具体提供一种基于Wallace树的多输入移位求和累加器，包括：异或门阵列、初始进位向量生成模块、Wallace压缩树、4‑2压缩器、累加寄存器及加法器；本发明通过异或门阵列和初始进位向量生成模块将原码和减法操作一次性转换为补码加法用于Wallace树，提供对多数据格式和加减法的原生支持，节省硬件开销；再基于4‑2压缩器与累加寄存器实现累加，4‑2压缩器将Wallace树的2个输出值与累加寄存器中存储值进行压缩得到2个中间结果、并输出至累加寄存器中更新存储值，节省了对Wallace树结果求和的进位链开销，同时在累加寄存器前移除了全加器进位链，极大地方便了流水线的设计，有利于提高时钟频率和累加效率。
-
公开(公告)号：CN116501970A
公开(公告)日：2023-07-28
申请号：CN202310482787.9
申请日：2023-05-03
Applicant: 桂林电子科技大学 , 桂林慧谷人工智能产业技术研究院
IPC: G06F16/9535 , G06F16/36 , G06Q50/20 , G06N3/0464
Abstract: 本发明提供了一种适用于在线教育平台的课程推荐的方法，当前的课程推荐系统仅仅从课程这一维度去分析用户是否感兴趣，忽略了用户与课程交互过程中隐藏在其中的用户与视频的交互信息、用户对相关知识点的交互信息，用户本身的背景属性等等。本方法提出了一种基于知识图谱和卷积的在线课程推荐方法，该模型首先使用特征提取模块将用户历史交互信息和课程领域的特征信息提取并转换为嵌入向量，并将这些向量融合到知识图谱中，以生成用户和课程的嵌入表达式，最后通过消息传播算法将这些信息传递给相邻节点，得到用户和课程的最终嵌入向量，进行推荐。这个方法更加细粒度地考虑了用户的偏好和课程的特征，提升了模型的性能。
-
公开(公告)号：CN115601242B
公开(公告)日：2023-04-18
申请号：CN202211592921.2
申请日：2022-12-13
Applicant: 电子科技大学
IPC: G06T3/40 , G06N3/0464 , G06N3/09
Abstract: 本发明属于图像增强技术领域，具体提供一种适用于硬件部署的轻量级图像超分辨率重建方法，以适用于FPGA或者其他嵌入式设备；本发明首先将待处理低分辨率图像转换为YCbCr图像，再分割为若干个子图像，并将子图像依次输入轻量级图像超分辨率重建网络，由轻量级图像超分辨率重建网络输出子图像对应的重构子图像，再将所有重构子图像按照顺序拼接得到高分辨率重构图像。本发明平衡了图像超分辨的效果与网络参数量、计算量之间的关系，实现超分辨率重建网络显著轻量化的同时提升峰值信噪比（PSNR），使之能够更好的落地到移动设备、嵌入式设备及其他网络边缘设备上。
-
-
-
-
-
-
-
-
-
Search Results
271
records
(took 0.034 seconds)
