高效的FPGA实现卷积神经网络和长短期记忆,用于雷达发射器信号识别
1School of Electronic Engineering, Xidian University, Xi'an 710071, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
本研究介绍了用于雷达发射器信号识别的现场可编程门阵列 (FPGA) 平台. 它实现了高精度和实时处理,低功耗,克服了复杂的深度学习模型的局限性.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 信号处理 信号处理
背景情况:
- 雷达发射器信号识别对于电子支持措施和通信安全至关重要.
- 深度学习提高了识别精度,但需要大量的计算资源,阻碍了实时,低功耗的应用程序.
- 由于这些计算限制,现有研究往往仍然是实验性的.
研究的目的:
- 开发一个资源高效的计算加速平台,用于雷达发射器信号识别.
- 在现场可编程门数组 (FPGA) 上实现1D卷积神经网络 (CNN) 和长短期记忆 (LSTM) 神经网络 (NN) 模型.
- 解决当前基于深度学习的雷达识别系统中高功耗和低实时性能的局限性.
主要方法:
- 提出了一个基于FPGA的资源再利用计算加速平台.
- 实现了一个1D-CNN-LSTM神经网络模型,针对中频 (IF) 雷达发射器信号数据.
- 在FPGA上利用多重复的缩阵列来并行加速1D卷积和矩阵向量乘法.
- 在Xilinx XCKU040平台上对系统进行了评估.
主要成果:
- 实现了每秒 7.34 千兆次的数据吞吐量 (GOPS).
- 维持了仅为5.022W的低功耗.
- 达到了96.53%的高雷达发射器信号识别率.
- 在能源效率比率和实时性能方面取得了显著的改善.
结论:
- 基于FPGA的平台有效地加速1D-CNN-LSTM模型用于雷达发射器信号识别.
- 提出的解决方案克服了计算的局限性,使实用,低功耗,实时应用.
- 这种方法显著提高了雷达识别系统的能源效率和实时能力.
