CN110729982A - 一种基于矩阵稀疏性的Kalman滤波算法优化的方法 - Google Patents
一种基于矩阵稀疏性的Kalman滤波算法优化的方法 Download PDFInfo
- Publication number
- CN110729982A CN110729982A CN201910939844.5A CN201910939844A CN110729982A CN 110729982 A CN110729982 A CN 110729982A CN 201910939844 A CN201910939844 A CN 201910939844A CN 110729982 A CN110729982 A CN 110729982A
- Authority
- CN
- China
- Prior art keywords
- matrix
- array
- row
- calculation
- kalman filtering
- 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
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0202—Two or more dimensional filters; Filters for complex signals
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0202—Two or more dimensional filters; Filters for complex signals
- H03H2017/0205—Kalman filters
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及基于矩阵稀疏性的Kalman滤波算法优化的方法,其步骤为:建立组合导航卡尔曼滤波模型,对解算矩阵进行分块,包括状态系数矩阵F,一步状态转移阵Φ,噪声驱动阵G,噪声方差阵Q,状态一步预测量阵Xkk,预测均方误差阵Pkk,滤波增益阵Kk,状态估计量阵Xk,估计均方误差阵Pk;利用F阵和G阵的零元素进行简化推导,得出Φ阵和Q阵的简化计算过程;对卡尔曼滤波的五个步骤Xkk、Pkk、Kk、Xk、Pk进行计算分块矩阵推导,并在计算过程中采用复用存储单元和压缩存储单元的方法降低存储空间的占用,并利用计算机解算的特点降低计算开销。本发明解决了组合导航中Kalman滤波器高维矩阵的计算复杂、存储量大、占用大型连续堆栈空间等弱点,提高了算法效率。
Description
技术领域
本发明涉及导航技术领域,特别是涉及一种基于矩阵稀疏性的Kalman滤波算法优化的方法。
背景技术
Kalman滤波是应用最为广泛的一种估计滤波技术,自从Kalman滤波提出以来,它已成为信号处理、通信和控制等最基本、最重要的工具,但随着组合导航系统传感器种类的增加,系统的规模也日趋复杂,相应地,Kalman滤波器结构形式也日趋庞大,利用高性能硬件计算机去提高计算速度和增大存储机制的方案越来越多被适用于Kalman滤波器的设计中,但嵌入式硬件的发展远远不能满足软件算法的需求,硬件性能已经成为Kalman滤波技术发展的掣肘,由于滤波本身计算量大和所需程序空间大,同时还要应对实时状态估计的需要,严重制约了其应用。
本发明根据Kalman滤波状态方程和观测方程的稀疏特性对状态转移矩阵和观测矩阵进行分块处理,利用分块矩阵的零元素矩阵进行理论推导,避免了大量有关零元素的运算,降低了高维的存储空间需求,在解算的过程中将某些中间结果存储于数据缓冲区,并复用缓存结果,在此基础上,还采用一定策略对矩阵再次进行稀疏压缩存储,进一步降低对连续存储单元的需求。该发明能提高解算效率、降低存储空间要求、减少连续存储单元的使用。在硬件条件受限制的情况下,实现复杂Kalman滤波算法的有效应用。
发明内容
本发明的目的在于克服现有技术的不足,提供一种实现简单、解算快捷高效的基于矩阵稀疏性的Kalman滤波算法优化的方法。
本发明解决其技术问题是通过以下技术方案实现的:
一种基于矩阵稀疏性的Kalman滤波算法优化的方法,包括如下步骤:
1)建立一种组合导航卡尔曼滤波模型,对解算矩阵进行分块,包括状态系数矩阵F,一步状态转移阵Φ,噪声驱动阵G,噪声方差阵Q,状态一步预测量阵Xkk,预测均方误差阵Pkk,滤波增益阵Kk,状态估计量阵Xk,估计均方误差阵Pk;
2)利用F阵和G阵的零元素进行简化推导,避免了大量有关零元素的运算,进行了降维处理,降低了存储空间,得出Φ阵和Q阵的简化计算过程;
3)对卡尔曼滤波的五个步骤Xkk、Pkk、Kk、Xk、Pk进行计算分块矩阵推导,并在计算过程中采用复用存储单元和压缩存储单元的方法降低存储空间的占用,并利用计算机解算的特点降低计算开销。
而且,步骤2)中所述Φ阵简化推导模型,包括:
只需计算第一行分块矩阵且可以将F1 2和F1·F2进行缓存并在后面的计算中予以复用,统计F2和F3的非零元素个数,并考虑采用三元稀疏矩阵进行存储;
对于一步状态转移阵Φ也按二分法对矩阵进行分块,首先计算后半部分如上述分析,只计算第一行分块矩阵,然后仅针对J矩阵的对角元素进行加1操作,再后将Φ分块矩阵的第2行第2列用单位矩阵I2进行替换,由此计算可得Φ。
而且,步骤2)中所述Q的简化推导模型,包括:
保留F1G1QG1 T作为中间结果用于计算(FM)T
上述结果均采用8×8矩阵进行存储,并视矩阵非零元素个数采用三元式稀疏矩阵存储。
而且,步骤3)中,所述Xkk阵简化推导模型,包括:
在计算过程中,对于Xkk矩阵第1行第1列分块,Φ1Xk1+Φ2Xk2仅为2个8×8矩阵的乘法和加法。对于Xkk矩阵第2行第1列分块,只需将Xk分块矩阵的第2行第1列直接遍历赋值,而不需要进行解算。
而且,步骤3)中,所述Pkk包括:
其中FT4=Φ1Pk2+Φ2Pk4作为中间重复利用计算单元,在与Q矩阵相加时,仅对第1行第1列进行矩阵加法。在与Q矩阵相加时,只对第1行第1列进行矩阵加法,其他行列为零可不进行运算处理,对于第2行第2列的分块矩阵也直接遍历赋值,以减少CPU指令周期。
而且,步骤3)中,所述Kk,包括:
进一步地,所述步骤3,所述Xk,包括:
进一步地,所述步骤3,所述Pk,包括:
对于I-操作,仅需对分块矩阵的对角元素进行减法操作,对于第1行第2列和第2行第1列的数据元素进行取负操作,
而且,步骤3)中的降低存储空间的占用,指在Xkk、Pkk、Kk、Xk、Pk的计算过程中,也均采用8×8分块矩阵进行存储,并视非零元素个数采用三元式稀疏矩阵压缩存储。
本发明的优点和有益效果为:
1、本发明的基于矩阵稀疏性的Kalman滤波算法优化的方法,解决了组合导航中Kalman滤波器高维矩阵的计算复杂、存储量大、占用大型连续堆栈空间等弱点,提高了算法的效率。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种基于矩阵稀疏性的Kalman滤波算法优化的方法,其理论推导过程为:对于惯导与电磁计程仪组合导航系统的误差方程,将电磁计程仪与惯导之间误差角扩充为系统状态变量,应用卡尔曼滤波原理形成状态方程:
其中,状态变量和噪声矩阵分别为:
W=[εx εy εz ▽x ▽y ▽z]
对应的系数矩阵为
其中,
Kalman滤波的递推过程为:
首先计算预测值、预测值和真实值之间误差协方差矩阵。Xkk=ΦXk
Pkk=ΦPkΦT+Q
其中,Φ和Q经连续系统离散化后可得:
Mi+1=FMi+(FMi)T(i=1,2)
M1=GQ0GT
通过上述公式计算卡尔曼增益Kk和估计值Xk,
Kk=PkkHT(HPkkHT+R)-1
Xk=Xkk+Kk(Z-HXkk)
最后计算估计值和真实值之间的误差协方差矩阵,为下次递推做准备。
Pk=(I-KkH)Pkk
上述即为线性离散化Kalman滤波进行估计状态的步骤。
矩阵分块形式可以3*3最小矩阵模块对系统状态方程和观测方程进行分解,但从算法优化和普适性的角度综合考虑,不宜将矩阵分块过细。本发明以二分法为例进行说明,故按等分法对矩阵进行分块,将16×16矩阵转为8×8矩阵进行计算和存储对F矩阵进行分块,记作其中F1、F2、O均为8×8矩阵,且O均为零矩阵。
利用分块矩阵,并观察矩阵特点,对矩阵进行简化计算处理,且只对非零元素进行计算和存储,可以提高计算效率、节省存储空间,同时状态变量降维后也可避免大的连续空间的占用,提高堆栈空间的使用效率。
对于三元组稀疏矩阵的计算机存储,可设计形式如下:
StructTriple{
unsignedchari,j;//i,j为矩阵元素所在的行和列
doubleelement;
}
StructSparseMatrix
{
Tripledata[];//矩阵元素数组,数组个数根据非零元素个数动态分配
int*rowpos[];//行向量头指针,数组个数根据矩阵行数动态分配
unsignedcharrolw,col,elemNum;//矩阵行数、列数、非零元素个数
}
例如对于8×8矩阵,采用数组进行存储的方式固定占用8×8×8=512字节的连续存储单元,而三元组矩阵存储占用elemNum×10+row×4+3=elemNum×10+35,若考虑elemNum=22,可知对存储空间要求将降低50%。即若非零元素低于22个,采用稀疏存储可以降低至少50%的连续存储单元要求。因此可设定:若非零元素低于22个,可采用稀疏存储的方式。三元组稀疏矩阵存储的方式可以进一步减少连续存储空间的占用。另由于稀疏矩阵计算具有不确定的时间复杂度,而惯导系统又是定时解算系统,故不采用稀疏矩阵进行解算。
对于Φ阵,有:
对于式1和式2,只需计算第一行分块矩阵,故16×16矩阵计算可转化为2个8×8矩阵解算。且可以将式1的F1 2和F1·F2进行缓存并在式2的计算中予以复用,解算结果将分别保存于8×8矩阵存储空间,在此基础上,统计F2和F3的非零元素个数,并根据上述策略决定是否采用三元稀疏矩阵进行8×8矩阵存储。
同样地,对于一步状态转移阵Φ也按二分法对矩阵进行分块,首先计算后半部分如上述分析,只计算第一行分块矩阵。然后执行I+计算时,仅针对J矩阵的对角元素进行加1操作,而不进行调用矩阵加函数,节省矩阵遍历消耗,也降低了函数调用消耗,再后将Φ分块矩阵的第2行第2列用单位矩阵I2进行替换,由此计算可得Φ,并同时对Φ记作:
对于噪声方差阵Q,有:
保留F1G1QG1 T作为中间结果用于计算(FM)T,也转为8×8矩阵进行解算存储,并视矩阵非零元素个数采用三元式稀疏矩阵存储。
同样地,对于Mi+1=FMi+(FMi)T,也可转为8×8矩阵进行矩阵加法和存储。
其中Q1和O均为8×8矩阵,且O均为零矩阵。
至此,已将Φ矩阵和Q矩阵从16×16矩阵解算转化为8×8矩阵运算和存储,同时在计算过程中,也采用一定策略对矩阵进行三元式稀疏矩阵降维存储,这样提高了运算效率,降低了计算维数、节省了存储空间、减少了连续存储单元的占用。复用缓存更能减少本轮分块过程中数据存储空间的总占用。
对于Xkk,有:
在计算过程中,对于Xkk矩阵第1行第1列分块,Φ1Xk1+Φ2Xk2仅为2个8×8矩阵的乘法和加法。对于Xkk矩阵第2行第1列分块,只需将Xk分块矩阵的第2行第1列直接遍历赋值,而不需要进行解算。
对于Pkk,有:
由于Q阵仅存在Q1阵为非零矩阵,故在计算Pkk时,除保留FT4作为中间结果进行复用外,在与Q分块矩阵相加时,也只对第1行第1列进行矩阵加法,其他行列为零可不进行运算处理,且同上述的计算,对于第2行第2列的分块矩阵也直接遍历赋值,不进行计算,以减少CPU指令周期。
对于Kk,有:
对于Xk,有:
对于Pk=(I-KkH)Pkk,有:
首先计算出对于I-操作,仅需对该分块矩阵的对角元素进行减法操作,对于第1行第2列和第2行第1列的非对角数据进行取负操作,这样可以不调用矩阵减法函数,以减少计算机指令周期,其他不作优化。
同样地,在Kk,Xk,Pk的计算过程中,也均采用8×8分块矩阵进行存储,并视情况采用三元式稀疏矩阵存储。
本发明提出的基于矩阵稀疏性的Kalman滤波算法优化方法,通过分块矩阵对Kalman模型进行简化推导和矩阵计算单元重复使用,提高了运算效率,降低了计算维数、节省了存储空间、减少了连续存储单元的占用。
下面对本发明的具体实施过程进行详细说明。
步骤1,建立一种组合导航卡尔曼滤波模型,以二分法为例进行说明,按等分对解算矩阵进行分块,包括状态系数矩阵F,一步状态转移阵Φ,噪声驱动阵G,噪声方差阵Q,状态一步预测量阵Xkk,预测均方误差阵Pkk,滤波增益阵Kk,状态估计量阵Xk,估计均方误差阵Pk;
步骤2,利用F阵和G阵的零元素进行简化推导,避免了大量有关零元素的运算,进行了降维处理,降低了存储空间,得出Φ阵和Q阵的简化计算过程;
步骤3,对卡尔曼滤波的五个步骤Xkk、Pkk、Kk、Xk、Pk进行计算分块矩阵推导,并在计算过程中采用复用存储单元和压缩存储单元的方法降低存储空间的占用,并利用计算机解算的特点降低计算开销。
进一步地,所述步骤2,所述Φ阵简化推导模型,推导过程见上述,包括:
只需计算第一行分块矩阵且可以将F1 2和F1·F2进行缓存并在后面的计算中予以复用。统计F2和F3的非零元素个数,并考虑采用三元稀疏矩阵进行存储。
对于一步状态转移阵Φ也按二分法对矩阵进行分块,首先计算后半部分如上述分析,只计算第一行分块矩阵,然后仅针对J矩阵的对角元素进行加1操作,再后将Φ分块矩阵的第2行第2列用单位矩阵I2进行替换,由此计算可得Φ。
进一步地,所述步骤2,所述Q的简化推导模型,包括:
上述结果均采用8×8矩阵进行存储,并视矩阵非零元素个数采用三元式稀疏矩阵存储。
进一步地,所述步骤3,所述Xkk阵简化推导模型,包括:
进一步地,所述步骤3,所述Pkk,包括:
其中FT4=Φ1Pk2+Φ2Pk4作为中间重复利用计算单元,在与Q矩阵相加时,仅对第1行第1列进行矩阵加法。在与Q矩阵相加时,只对第1行第1列进行矩阵加法,其他行列为零可不进行运算处理,对于第2行第2列的分块矩阵也直接遍历赋值,以减少CPU指令周期。
进一步地,所述步骤3,所述Kk,包括:
进一步地,所述步骤3,所述Xk,包括:
进一步地,所述步骤3,所述Pk,包括:
对于I-操作,仅需对分块矩阵的对角元素进行减法操作,对于第1行第2列和第2行第1列的数据元素进行取负操作,
进一步地,所述步骤3的降低存储空间的占用,指在Xkk、Pkk、Kk、Xk、Pk的计算过程中,也均采用8×8分块矩阵进行存储,并视非零元素个数采用三元式稀疏矩阵压缩存储。
本发明所采用的基于矩阵稀疏性的Kalman滤波算法优化的方法解决了组合导航中Kalman滤波器高维矩阵的计算复杂、存储量大、占用大型连续堆栈空间等弱点,提高了算法的效率。
尽管为说明目的公开了本发明的实施例,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例所公开的内容。
Claims (7)
1.一种基于矩阵稀疏性的Kalman滤波算法优化的方法,其特征在于:包括如下步骤:
1)建立一种组合导航卡尔曼滤波模型,对解算矩阵进行分块,包括状态系数矩阵F,一步状态转移阵Φ,噪声驱动阵G,噪声方差阵Q,状态一步预测量阵Xkk,预测均方误差阵Pkk,滤波增益阵Kk,状态估计量阵Xk,估计均方误差阵Pk;
2)利用F阵和G阵的零元素进行简化推导,得出Φ阵和Q阵的简化计算过程;
3)对卡尔曼滤波的五个步骤Xkk、Pkk、Kk、Xk、Pk进行计算分块矩阵推导,并在计算过程中采用复用存储单元和压缩存储单元的方法降低存储空间的占用,并利用计算机解算的特点降低计算开销。
7.根据权利要求1所述的基于矩阵稀疏性的Kalman滤波算法优化的方法,其特征在于:步骤3)中的降低存储空间的占用,指在Xkk、Pkk、Kk、Xk、Pk的计算过程中,也均采用8×8分块矩阵进行存储,并视非零元素个数采用三元式稀疏矩阵压缩存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910939844.5A CN110729982B (zh) | 2019-09-30 | 2019-09-30 | 一种基于矩阵稀疏性的Kalman滤波算法优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910939844.5A CN110729982B (zh) | 2019-09-30 | 2019-09-30 | 一种基于矩阵稀疏性的Kalman滤波算法优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110729982A true CN110729982A (zh) | 2020-01-24 |
CN110729982B CN110729982B (zh) | 2023-03-10 |
Family
ID=69218587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910939844.5A Active CN110729982B (zh) | 2019-09-30 | 2019-09-30 | 一种基于矩阵稀疏性的Kalman滤波算法优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110729982B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111521187A (zh) * | 2020-05-13 | 2020-08-11 | 北京百度网讯科技有限公司 | 组合导航方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100027603A1 (en) * | 2007-07-31 | 2010-02-04 | Harris Corporation | System and method for automatic recovery and covariance adjustment in linear filters |
CN102096086A (zh) * | 2010-11-22 | 2011-06-15 | 北京航空航天大学 | 一种基于gps/ins组合导航系统不同测量特性的自适应滤波方法 |
US20130080492A1 (en) * | 2011-09-27 | 2013-03-28 | International Business Machines Corporation | Processing kalman filter |
CN103235295A (zh) * | 2013-04-02 | 2013-08-07 | 西安电子科技大学 | 基于压缩卡尔曼滤波的小场景雷达目标距离像估计方法 |
CN105375931A (zh) * | 2015-09-21 | 2016-03-02 | 安徽大学 | 一种基于卡尔曼滤波的复杂环境下信号重构方法 |
CN107547067A (zh) * | 2017-09-15 | 2018-01-05 | 北京航空航天大学 | 一种多模型自校准扩展卡尔曼滤波方法 |
CN107565931A (zh) * | 2017-09-15 | 2018-01-09 | 北京航空航天大学 | 一种自校准无迹卡尔曼滤波方法 |
US20190041863A1 (en) * | 2016-03-01 | 2019-02-07 | Clarion Co., Ltd. | In-vehicle device and estimation method |
CN109471192A (zh) * | 2018-12-19 | 2019-03-15 | 湖南航天机电设备与特种材料研究所 | 一种全自动重力测试仪高精度动态数据处理方法 |
-
2019
- 2019-09-30 CN CN201910939844.5A patent/CN110729982B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100027603A1 (en) * | 2007-07-31 | 2010-02-04 | Harris Corporation | System and method for automatic recovery and covariance adjustment in linear filters |
CN102096086A (zh) * | 2010-11-22 | 2011-06-15 | 北京航空航天大学 | 一种基于gps/ins组合导航系统不同测量特性的自适应滤波方法 |
US20130080492A1 (en) * | 2011-09-27 | 2013-03-28 | International Business Machines Corporation | Processing kalman filter |
CN103235295A (zh) * | 2013-04-02 | 2013-08-07 | 西安电子科技大学 | 基于压缩卡尔曼滤波的小场景雷达目标距离像估计方法 |
CN105375931A (zh) * | 2015-09-21 | 2016-03-02 | 安徽大学 | 一种基于卡尔曼滤波的复杂环境下信号重构方法 |
US20190041863A1 (en) * | 2016-03-01 | 2019-02-07 | Clarion Co., Ltd. | In-vehicle device and estimation method |
CN107547067A (zh) * | 2017-09-15 | 2018-01-05 | 北京航空航天大学 | 一种多模型自校准扩展卡尔曼滤波方法 |
CN107565931A (zh) * | 2017-09-15 | 2018-01-09 | 北京航空航天大学 | 一种自校准无迹卡尔曼滤波方法 |
CN109471192A (zh) * | 2018-12-19 | 2019-03-15 | 湖南航天机电设备与特种材料研究所 | 一种全自动重力测试仪高精度动态数据处理方法 |
Non-Patent Citations (2)
Title |
---|
ZIRUI LIU等: "Speed measurement error reduction via adaptive strong tracking Kalman filters", 《IEEE》 * |
石磊等: "基于卡尔曼滤波压缩感知的超宽带信道估计", 《北京理工大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111521187A (zh) * | 2020-05-13 | 2020-08-11 | 北京百度网讯科技有限公司 | 组合导航方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110729982B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10990410B2 (en) | Systems and methods for virtually partitioning a machine perception and dense algorithm integrated circuit | |
CN106875011B (zh) | 二值权重卷积神经网络加速器的硬件架构及其计算流程 | |
KR102335955B1 (ko) | 컨볼루션 신경망 시스템 및 그것의 동작 방법 | |
CN111667051A (zh) | 适用边缘设备的神经网络加速器及神经网络加速计算方法 | |
US20210192246A1 (en) | Convolutional neural network-based image processing method and device, and unmanned aerial vehicle | |
CN107289951B (zh) | 一种基于惯性导航的室内移动机器人定位方法 | |
CN111414994A (zh) | 一种基于FPGA的Yolov3网络计算加速系统及其加速方法 | |
CN110276444B (zh) | 基于卷积神经网络的图像处理方法及装置 | |
US11657119B2 (en) | Hardware accelerated convolution | |
CN110796236B (zh) | 多样本多通道卷积神经网络池化的向量化实现方法 | |
CN110729982B (zh) | 一种基于矩阵稀疏性的Kalman滤波算法优化的方法 | |
CN112991142B (zh) | 图像数据的矩阵运算方法、装置、设备及存储介质 | |
CN110019184A (zh) | 一种压缩和解压缩有序整数数组的方法 | |
JP2022137247A (ja) | 複数の入力データセットのための処理 | |
CN108282597A (zh) | 一种基于fpga的实时目标追踪系统和方法 | |
JP6970827B2 (ja) | 演算処理装置 | |
CN113630375A (zh) | 使用四叉树方法的参数的压缩设备及方法 | |
CN113052299A (zh) | 基于通信下界的神经网络存内计算装置及加速方法 | |
WO2021102946A1 (zh) | 计算装置、方法、处理器和可移动设备 | |
CN107665291B (zh) | 一种基于云计算平台Spark的变异检测方法 | |
CN111475461B (zh) | 面向ai应用的片上网络映射方法 | |
CN116226242A (zh) | 数据库哈希连接处理方法、装置、设备及存储介质 | |
CN114741916A (zh) | 一种并行求解有限元问题中大型带状线性方程组的方法 | |
CN111783876A (zh) | 自适应智能检测电路及图像智能检测方法 | |
US11409356B1 (en) | Using data correlation to reduce the power consumption of signal processing systems without affecting the precision of computation |
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 |