基于FPGA的GRU神经网络飞行数据异常检测.docx_FPGA实现GRU资源-CSDN文库

版权申诉

82 浏览量 2022-12-01 09:06:18 上传评论收藏 386KB DOCX 举报

资源推荐

资源详情

资源评论

1. 引言

在商飞大型飞机 C919 的试飞过程中，数以千计的振动传感器会在数小时的飞行时长

内以 8 000 Hz 的频率记录总计 TB 级的数据

[1]

.根据正常飞行状态的数据特征相较异常状态

会有较大区别，对每个时刻采集到的数据进行实时分析即可发现飞机的飞行状态是否出现

异常.这是一类具有高频高维特征的多维时间序列问题，相比于其他的时间序列问题具有更

大的难度和研究价值.

传统的时间序列模型在处理飞行时间序列问题时往往具有处理时间长，高维数据处理

局限性等问题

[2]

，而循环神经网络具有强大的记忆长时间信息的能力，能非常有效的解决

时间序列问题.其中 LSTM 网络和 GRU 网络具有传统 RNN 所没有的抵抗梯度消失梯度爆

炸的能力，也具有相近的性能表现，而 GRU 的结构和参数相比 LSTM 更为精简，消耗的

硬件资源, 花费的延时会更低，更契合满足实时性的需求.

传统 LSTM 和 GRU 网络做时间序列分析大多基于 CPU 和 GPU 进行计算.但飞机飞行

数据的异常检测面临数据维度大，对实时性要求高等困难.FPGA 相比于 CPU 有更强的并行

计算能力，能更高效处理数据；相比于 GPU，尽管计算资源远没有其丰富，但 FPGA 却具

有 GPU 所缺乏的流水线能力.此外，FPGA 也具有更低的功耗和更高的灵活度.

使用 FPGA 加速 LSTM/GRU 神经网络可以大幅提升计算效率和能耗比，Sun 等

[3]

使用

VC707 板卡对用于飞行数据预测的 LSTM 网络加速，相比于 CPU 加速了 28.76 倍，最高实

现了 13.45 GOP/s 的吞吐率；Guan 等

[4]

在 FPGA 上用 LSTM 处理语音识别问题，实现了

7.26 GOP/s 的吞吐率；Liu 等

[5]

使用 GRU 和 LSTM 实现多电飞机故障检测, 在 FPGA 上 15

维样本处理时间为 94μs；Zhang

[6]

等人使用 VCU118 板卡将 GRU 的吞吐率提高到 14.8

GFLOPS；Zhang

[7]

对 LSTM 网络进行整体优化加速，达到了 6.442 GFlop/s 的吞吐率，能效

比是 CPU 的 66 倍.

然而，以往工作实现的 LSTM 或 GRU 网络存在如下的一些问题：模型较小却消耗巨

大计算资源，对板卡选取提出严苛要求，难以进一步扩大网络规模；激活函数延时高；未

能很好优化流水线的计算间隔和关键路径.本文针对现有不足, 设计高能效比 FPGA 硬件加

速器对 GRU 网络进行优化，使采样数据能被实时处理，主要贡献为：

(1) 提出一种切割权重维度，实现列维度并行的矩阵向量乘法：将权重数据切割为三

维矩阵，对第二维进行完全分块实现并行读取，配合并行计算与循环顺序调整达到高效的

计算效率.

(2) 优化激活函数的计算方式，使用 BRAM 映射查找表，能以流水线的方式高效求出

结果，保证精度的同时明显降低延时和 DSP 消耗.

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余9页未读，立即下载

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3654
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip