CN110705060A - 星上数据处理系统架构设计方法及系统 - Google Patents
星上数据处理系统架构设计方法及系统 Download PDFInfo
- Publication number
- CN110705060A CN110705060A CN201910888320.8A CN201910888320A CN110705060A CN 110705060 A CN110705060 A CN 110705060A CN 201910888320 A CN201910888320 A CN 201910888320A CN 110705060 A CN110705060 A CN 110705060A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- task
- primitives
- processing
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供了一种星上数据处理系统架构设计方法及系统,包括:基元抽离步骤:从不同功能的处理算法中抽离出算法基元,各算法基元之间线性无关,所述算法基元是组成各处理算法的非相关独立基本单元;规则建立步骤:分析处理算法的函数依赖关系和任务算法结构,建立基于算法基元的在线重构算法生成规则;映射平台设计步骤:设计容器化硬件资源自主映射平台,实现目标算法到硬件平台资源的自主映射能力。本发明构建了处理功能可重构、处理资源可动态优化配置的基本型,大幅提升星上资源利用率与处理能力,降低软硬件规模与成本。
Description
技术领域
本发明涉及航天空间星上处理系统领域,具体地,涉及一种星上数据处理系统架构设计方法及系统。
背景技术
当前星上处理大多以特定模块划分处理功能,包含云判、目标提取、海陆分离、多源融合等处理模块。在当前基础上,又涌现出了以专用智能芯片、单片系统,操作系统等为代表的专用定制化星上处理产品。即传统的方式采用软硬件固化,特定模块完成特定功能的处理模式。如公开号为CN 108490475A的发明专利公开的一种星上数据采集处理方法、系统以及空间粒子探测器,系统包括:电荷脉冲信号处理模块、脉冲幅度分析模块、控制模块和存储器;控制模块用于在空间粒子探测器的开门时间内,控制所述电荷脉冲信号处理模块、所述脉冲幅度分析模块和所述存储器,进行一个或多个所述粒子传感器形成的粒子事件所对应的事件数据帧的累计存储;在关门时间内,依据所述数据处理单元的指令对存储在所述存储器中事件数据帧进行统计,并将统计后的事件数据帧记录为计数值回传所述数据处理单元;所述存储器用于存储事件数据帧。
最新提出的“软件定义”卫星,以天基超算平台为基础,在一定程度上实现了星上灵活配置与重构,然而其依赖于强大的星上资源规模。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种星上数据处理系统架构设计方法及系统。
根据本发明提供的一种星上数据处理系统架构设计方法,包括:
基元抽离步骤:从不同功能的处理算法中抽离出算法基元,各算法基元之间线性无关,所述算法基元是组成各处理算法的非相关独立基本单元;
规则建立步骤:分析处理算法的函数依赖关系和任务算法结构,建立基于算法基元的在线重构算法生成规则;
映射平台设计步骤:设计容器化硬件资源自主映射平台,实现目标算法到硬件平台资源的自主映射能力。
优选地,所述基元抽离步骤中,将抽离出的算法基元建立算法基元库,所述算法基元库中的算法基元包含通用基元和超算力基元两类;
所述通用基元具备模块化函数功能,能够用于自组织调用来快速拼接实现多任务星上算法的重建;
所述超算力基元具有复杂任务针对性的算法策略,结合深度学习,训练大规模的神经网络来实现星上任务,将训练好的深层神经网络通过深度压缩处理最终封装成超算力基元。
优选地,所述规则建立步骤包括:
设计以任务函数依赖、任务算法结构、模块调用目录、缓存器组成的应用层接口;
根据应用层下达的任务,应用层接口进行需求理解分析,将任务分解为任务函数依赖、任务算法结构;
依照任务函数依赖对专用功能模块调用目录进行检索,挑选出任务所依赖的专用功能模块,并放置于缓存器;
依照任务算法结构取出算法基元,按照计算过程中节点之间的逻辑关系与数据依赖关系整理成文,形成完整算法。
优选地,所述映射平台设计步骤中,容器化硬件资源自主映射平台包括能够自主组织资源的处理单元,包含基元容器和外挂容器,基元容器是统筹星上处理任务的标准核,由算法基元作为基本组成;外挂容器是适应不同任务个性特色需要的配置部分。
优选地,所述映射平台设计步骤中,容器化硬件资源自主映射平台能够对星上处理资源进行动态优化配置,星上处理资源包含星上的计算资源和存储资源。
根据本发明提供的一种星上数据处理系统架构设计系统,包括:
基元抽离模块:从不同功能的处理算法中抽离出算法基元,各算法基元之间线性无关,所述算法基元是组成各处理算法的非相关独立基本单元;
规则建立模块:分析处理算法的函数依赖关系和任务算法结构,建立基于算法基元的在线重构算法生成规则;
映射平台设计模块:设计容器化硬件资源自主映射平台,实现目标算法到硬件平台资源的自主映射能力。
优选地,所述基元抽离模块中,将抽离出的算法基元建立算法基元库,所述算法基元库中的算法基元包含通用基元和超算力基元两类;
所述通用基元具备模块化函数功能,能够用于自组织调用来快速拼接实现多任务星上算法的重建;
所述超算力基元具有复杂任务针对性的算法策略,结合深度学习,训练大规模的神经网络来实现星上任务,将训练好的深层神经网络通过深度压缩处理最终封装成超算力基元。
优选地,所述规则建立模块包括:
设计以任务函数依赖、任务算法结构、模块调用目录、缓存器组成的应用层接口;
根据应用层下达的任务,应用层接口进行需求理解分析,将任务分解为任务函数依赖、任务算法结构;
依照任务函数依赖对专用功能模块调用目录进行检索,挑选出任务所依赖的专用功能模块,并放置于缓存器;
依照任务算法结构取出算法基元,按照计算过程中节点之间的逻辑关系与数据依赖关系整理成文,形成完整算法。
优选地,所述映射平台设计模块中,容器化硬件资源自主映射平台包括能够自主组织资源的处理单元,包含基元容器和外挂容器,基元容器是统筹星上处理任务的标准核,由算法基元作为基本组成;外挂容器是适应不同任务个性特色需要的配置部分。
优选地,所述映射平台设计模块中,容器化硬件资源自主映射平台能够对星上处理资源进行动态优化配置,星上处理资源包含星上的计算资源和存储资源。
与现有技术相比,本发明具有如下的有益效果:
本发明以最终处理目标为导向,依托输入资源,实现处理环节“黑箱化”和“自组织化”,颠覆以往的软硬件固化,特定模块完成特定功能的处理模式,构建处理功能可重构、处理资源可动态优化配置的基本型,大幅提升星上资源利用率与处理能力,降低软硬件规模与成本。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的顶层架构设计图;
图2为本发明通用基元分解图;
图3为本发明超算力基元分解图;
图4为本发明系统应用层接口基元重组流程图;
图5为本发明基元映射到硬件资源的系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示,本发明提供的一种星上数据处理系统架构设计方法,包括:
基元抽离步骤:从不同功能的处理算法中抽离出算法基元,各算法基元之间线性无关,算法基元类似基因片段,是组成各处理算法的非相关独立基本单元;
规则建立步骤:分析处理算法的函数依赖关系和任务算法结构,建立基于算法基元的在线重构算法生成规则;
映射平台设计步骤:设计容器化硬件资源自主映射平台,实现目标算法到硬件平台资源的自主映射能力。
基元抽离步骤中,将抽离出的算法基元建立算法基元库,基元库能满足星上目标识别跟踪、图像融合、轨迹预测等星上算法的快速构造,算法基元库中的算法基元包含通用基元和超算力基元两类。
通用基元具备一定的模块化函数功能,通常用于自组织调用来快速拼接实现多任务星上算法的快速重建,此类基元具有高内聚、低耦合的模块化特征;超算力基元是具有复杂任务针对性的算法策略,其结合深度学习的技术优势,训练大规模的神经网络来实现星上目标检测、识别和分类等任务,将训练好的深层神经网络通过深度压缩处理最终封装成较为轻量级的超算力基元,此类基元具有高集成度、高处理能力的特性。
(1)通用基元设计
如图2所示,面向星上任务的常规算法,开发具有高内聚、低耦合的通用基元,功能范围涵盖算数操作、数据类型转换、图形变换、切片与合并、矩阵运算、图像处理操作、视频分析、特征提取、目标检测、3D重构、形状分析、目标识别等。基元可以根据其具体功能分为基本数学运算和数据处理两部分。
(2)超算力基元设计
如图3所示,超算力基元利用现有的深度学习开发框架,实现典型的深度学习网络模型的训练,并通过深度压缩技术对训练好的网络模型进行轻量化表示,便于算法在星载受限资源环境下的部署。
基于算法基元的在线重构算法生成规则设计了以任务函数依赖、任务算法结构、模块调用目录、缓存器组成的应用层接口。根据应用层下达的任务,应用层接口对其进行需求理解分析,将其分解为任务函数依赖、任务算法结构,其次依照任务函数依赖对模块调用目录进行检索,挑选出任务所依赖的专用功能模块,并放置于缓存器;最后,依照任务算法结构从缓存器中取出基元,按照计算过程中节点之间的逻辑关系与数据依赖关系整理成文,形成完整算法。
如图4所示,星上处理首先对任务需求进行分解,得到该任务的任务函数依赖与任务算法结构;其次依照任务函数依赖对模块调用目录进行检索,挑选出任务所依赖的专用功能模块,并放置于缓存器;最后,依照任务算法结构从缓存器中取出基元,按照计算过程中节点之间的逻辑关系与数据依赖关系整理成文,形成完整算法。
容器化硬件资源自主映射平台是可自主组织资源的处理单元,包含基元容器和外挂容器,基元容器是统筹一众星上处理任务的标准核(固化不变),由若干“算法基元”作为基本组成;外挂容器是适应不同任务个性特色需要的配置部分,用于支撑新基元“生长”,参数更新等。
硬件资源自主映射平台满足星上处理资源可动态优化配置,包含星上的计算资源和存储资源,其实现资源自组织依靠计算资源的注册机制与存储资源的自主融合与分配机制。
针对不同的算法基元,在传统的模式上,对算法基元进行升级,赋予其与硬件计算资源相关的特性。根据不同算法基元的特性,赋予其对应的推荐硬件计算资源的属性。由原来的单维属性,升级到了多维度属性。在星上处理启动时,即初始化各个算法基元的硬件相关属性,按照制定的规则迭代收敛,最终完成算法基元到底层硬件的映射关系。
(1)星上计算资源注册机制
如图5所示,针对不同的算法基元,赋予其与硬件计算资源相关的特性。根据不同算法基元的特性,赋予其对应的推荐硬件计算资源的属性。由原来的单维属性,升级到了多维度属性。在星上处理启动时,即初始化各个算法基元的硬件相关属性,按照制定的规则迭代收敛,最终完成算法基元到底层硬件的映射关系。
(2)星上存储资源自主融合与分配机制研究
采用内存自主管理技术实现内存自主分配,具体步骤如下:
①将内存分块管理,按块进行空间分配和释放;
②通过元操作将大内存块分解成用户需要的小内存块;
③通过融合操作合并小的内存块,做到内存碎片回收;
④通过端元这个抽象数据结构实现对空闲块高效管理。
星上采用内存自主管理技术,将内存分成一系列内存块,每个内存块由一个专用数据结构管理,通过建立专用数据结构的双链表帮助基元申请内存块,采用端元技术,进行内存空闲块的高效管理。
在上述一种星上数据处理系统架构设计方法的基础上,本发明还提供一种星上数据处理系统架构设计系统,包括:
基元抽离模块:从不同功能的处理算法中抽离出算法基元,各算法基元之间线性无关,所述算法基元是组成各处理算法的非相关独立基本单元;
规则建立模块:分析处理算法的函数依赖关系和任务算法结构,建立基于算法基元的在线重构算法生成规则;
映射平台设计模块:设计容器化硬件资源自主映射平台,实现目标算法到硬件平台资源的自主映射能力。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种星上数据处理系统架构设计方法,其特征在于,包括:
基元抽离步骤:从不同功能的处理算法中抽离出算法基元,各算法基元之间线性无关,所述算法基元是组成各处理算法的非相关独立基本单元;
规则建立步骤:分析处理算法的函数依赖关系和任务算法结构,建立基于算法基元的在线重构算法生成规则;
映射平台设计步骤:设计容器化硬件资源自主映射平台,实现目标算法到硬件平台资源的自主映射能力。
2.根据权利要求1所述的星上数据处理系统架构设计方法,其特征在于,所述基元抽离步骤中,将抽离出的算法基元建立算法基元库,所述算法基元库中的算法基元包含通用基元和超算力基元两类;
所述通用基元具备模块化函数功能,能够用于自组织调用来快速拼接实现多任务星上算法的重建;
所述超算力基元具有复杂任务针对性的算法策略,结合深度学习,训练大规模的神经网络来实现星上任务,将训练好的深层神经网络通过深度压缩处理最终封装成超算力基元。
3.根据权利要求1所述的星上数据处理系统架构设计方法,其特征在于,所述规则建立步骤包括:
设计以任务函数依赖、任务算法结构、模块调用目录、缓存器组成的应用层接口;
根据应用层下达的任务,应用层接口进行需求理解分析,将任务分解为任务函数依赖、任务算法结构;
依照任务函数依赖对专用功能模块调用目录进行检索,挑选出任务所依赖的专用功能模块,并放置于缓存器;
依照任务算法结构取出算法基元,按照计算过程中节点之间的逻辑关系与数据依赖关系整理成文,形成完整算法。
4.根据权利要求1所述的星上数据处理系统架构设计方法,其特征在于,所述映射平台设计步骤中,容器化硬件资源自主映射平台包括能够自主组织资源的处理单元,包含基元容器和外挂容器,基元容器是统筹星上处理任务的标准核,由算法基元作为基本组成;外挂容器是适应不同任务个性特色需要的配置部分。
5.根据权利要求1所述的星上数据处理系统架构设计方法,其特征在于,所述映射平台设计步骤中,容器化硬件资源自主映射平台能够对星上处理资源进行动态优化配置,星上处理资源包含星上的计算资源和存储资源。
6.一种星上数据处理系统架构设计系统,其特征在于,包括:
基元抽离模块:从不同功能的处理算法中抽离出算法基元,各算法基元之间线性无关,所述算法基元是组成各处理算法的非相关独立基本单元;
规则建立模块:分析处理算法的函数依赖关系和任务算法结构,建立基于算法基元的在线重构算法生成规则;
映射平台设计模块:设计容器化硬件资源自主映射平台,实现目标算法到硬件平台资源的自主映射能力。
7.根据权利要求6所述的星上数据处理系统架构设计系统,其特征在于,所述基元抽离模块中,将抽离出的算法基元建立算法基元库,所述算法基元库中的算法基元包含通用基元和超算力基元两类;
所述通用基元具备模块化函数功能,能够用于自组织调用来快速拼接实现多任务星上算法的重建;
所述超算力基元具有复杂任务针对性的算法策略,结合深度学习,训练大规模的神经网络来实现星上任务,将训练好的深层神经网络通过深度压缩处理最终封装成超算力基元。
8.根据权利要求6所述的星上数据处理系统架构设计系统,其特征在于,所述规则建立模块包括:
设计以任务函数依赖、任务算法结构、模块调用目录、缓存器组成的应用层接口;
根据应用层下达的任务,应用层接口进行需求理解分析,将任务分解为任务函数依赖、任务算法结构;
依照任务函数依赖对专用功能模块调用目录进行检索,挑选出任务所依赖的专用功能模块,并放置于缓存器;
依照任务算法结构取出算法基元,按照计算过程中节点之间的逻辑关系与数据依赖关系整理成文,形成完整算法。
9.根据权利要求6所述的星上数据处理系统架构设计系统,其特征在于,所述映射平台设计模块中,容器化硬件资源自主映射平台包括能够自主组织资源的处理单元,包含基元容器和外挂容器,基元容器是统筹星上处理任务的标准核,由算法基元作为基本组成;外挂容器是适应不同任务个性特色需要的配置部分。
10.根据权利要求6所述的星上数据处理系统架构设计系统,其特征在于,所述映射平台设计模块中,容器化硬件资源自主映射平台能够对星上处理资源进行动态优化配置,星上处理资源包含星上的计算资源和存储资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888320.8A CN110705060B (zh) | 2019-09-19 | 2019-09-19 | 星上数据处理系统架构设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888320.8A CN110705060B (zh) | 2019-09-19 | 2019-09-19 | 星上数据处理系统架构设计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705060A true CN110705060A (zh) | 2020-01-17 |
CN110705060B CN110705060B (zh) | 2023-06-09 |
Family
ID=69194632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910888320.8A Active CN110705060B (zh) | 2019-09-19 | 2019-09-19 | 星上数据处理系统架构设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705060B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391750A (zh) * | 2014-11-26 | 2015-03-04 | 浪潮(北京)电子信息产业有限公司 | 一种基于软件定义的混合异构主机系统 |
CN106843191A (zh) * | 2016-12-18 | 2017-06-13 | 航天恒星科技有限公司 | Fpga在轨维护方法及装置 |
CN108490475A (zh) * | 2018-03-22 | 2018-09-04 | 北京大学 | 星上数据处理方法、系统及空间粒子探测器 |
CN108804974A (zh) * | 2017-04-27 | 2018-11-13 | 上海鲲云信息科技有限公司 | 目标检测算法的硬件架构的资源估算、配置方法及系统 |
US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
CN109660291A (zh) * | 2019-01-08 | 2019-04-19 | 上海卫星工程研究所 | 一种载荷复用卫星的总体硬件架构 |
CN109995417A (zh) * | 2019-01-08 | 2019-07-09 | 上海卫星工程研究所 | 星载sar合路数据转传输通道数据功能模块生成方法 |
US10409560B1 (en) * | 2015-11-18 | 2019-09-10 | Amazon Technologies, Inc. | Acceleration techniques for graph analysis programs |
-
2019
- 2019-09-19 CN CN201910888320.8A patent/CN110705060B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391750A (zh) * | 2014-11-26 | 2015-03-04 | 浪潮(北京)电子信息产业有限公司 | 一种基于软件定义的混合异构主机系统 |
US20160378548A1 (en) * | 2014-11-26 | 2016-12-29 | Inspur (Beijing) Electronic Information Indusrty Co., Ltd. | Hybrid heterogeneous host system, resource configuration method and task scheduling method |
US10409560B1 (en) * | 2015-11-18 | 2019-09-10 | Amazon Technologies, Inc. | Acceleration techniques for graph analysis programs |
CN106843191A (zh) * | 2016-12-18 | 2017-06-13 | 航天恒星科技有限公司 | Fpga在轨维护方法及装置 |
US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
CN108804974A (zh) * | 2017-04-27 | 2018-11-13 | 上海鲲云信息科技有限公司 | 目标检测算法的硬件架构的资源估算、配置方法及系统 |
CN108490475A (zh) * | 2018-03-22 | 2018-09-04 | 北京大学 | 星上数据处理方法、系统及空间粒子探测器 |
CN109660291A (zh) * | 2019-01-08 | 2019-04-19 | 上海卫星工程研究所 | 一种载荷复用卫星的总体硬件架构 |
CN109995417A (zh) * | 2019-01-08 | 2019-07-09 | 上海卫星工程研究所 | 星载sar合路数据转传输通道数据功能模块生成方法 |
Non-Patent Citations (3)
Title |
---|
孙伟 等: "基于平台和载荷一体化敏捷光学卫星结构设计研究", 《制导与引信》 * |
董召勇 等: "应用星载GNSS接收机的Molniya轨道卫星测定轨方法", 《航天器工程》 * |
魏松杰 等: "深度神经网络下的SAR 舰船目标检测与区分模型", 《西北工业大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110705060B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020221200A1 (zh) | 神经网络的构建方法、图像处理方法及装置 | |
Wu et al. | Recent developments in parallel and distributed computing for remotely sensed big data processing | |
CN105183834B (zh) | 一种基于本体库的交通大数据语义应用服务方法 | |
CN110135575A (zh) | 用于分布式机器学习的通信优化 | |
CN110520846A (zh) | 对用于优化存储器利用和神经网络的性能的数据分区的动态排序 | |
EP3857462A1 (en) | Exploiting activation sparsity in deep neural networks | |
WO2022068663A1 (zh) | 内存分配方法、相关设备及计算机可读存储介质 | |
CN111708641B (zh) | 一种内存管理方法、装置、设备及计算机可读存储介质 | |
WO2023093724A1 (zh) | 神经网络模型的处理方法及装置 | |
EP3000030A2 (en) | Methods and apparatus for iterative nonspecific distributed runtime architecture and its application to cloud intelligence | |
US11934308B2 (en) | Processor cluster address generation | |
CN105159148A (zh) | 一种机器人指令处理方法及装置 | |
CN110766151B (zh) | 一种基于场景的开放式神经网络模型管理系统 | |
US20180365193A1 (en) | Optimized data discretization | |
CN108345934A (zh) | 一种用于神经网络处理器的激活装置及方法 | |
Klügl et al. | AMASON: Abstract meta-model for agent-based simulation | |
CN116385850A (zh) | 多目标检测方法、装置、电子设备及存储介质 | |
CN108804616B (zh) | 一种空间有效载荷在轨图像数据挖掘的装置和方法 | |
CN113010296B (zh) | 基于形式化模型的任务解析与资源分配方法及系统 | |
CN117009038B (zh) | 一种基于云原生技术的图计算平台 | |
CN110705060A (zh) | 星上数据处理系统架构设计方法及系统 | |
CN114548237A (zh) | 一种人机交互的多模态数据融合方法、装置及设备 | |
Du et al. | Enhancing Distributed In-Situ CNN Inference in the Internet of Things | |
CN212647454U (zh) | 一种边缘计算加速卡 | |
Liu et al. | MapReduce-based ant colony optimization algorithm for multi-dimensional knapsack problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |