CN117291090A - 一种用于32位单片机的多传感器融合设计系统 - Google Patents
一种用于32位单片机的多传感器融合设计系统 Download PDFInfo
- Publication number
- CN117291090A CN117291090A CN202311078645.2A CN202311078645A CN117291090A CN 117291090 A CN117291090 A CN 117291090A CN 202311078645 A CN202311078645 A CN 202311078645A CN 117291090 A CN117291090 A CN 117291090A
- Authority
- CN
- China
- Prior art keywords
- sensor
- module
- communication module
- sensors
- adopts
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 51
- 238000013461 design Methods 0.000 title claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims description 39
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 35
- 108020004414 DNA Proteins 0.000 claims description 23
- 229910021389 graphene Inorganic materials 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 239000002041 carbon nanotube Substances 0.000 claims description 12
- 229910021393 carbon nanotube Inorganic materials 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 238000001069 Raman spectroscopy Methods 0.000 claims description 6
- 230000005520 electrodynamics Effects 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 6
- 238000001259 photo etching Methods 0.000 claims description 6
- 230000006907 apoptotic process Effects 0.000 claims description 5
- 238000002866 fluorescence resonance energy transfer Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000002096 quantum dot Substances 0.000 claims description 5
- 238000013144 data compression Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 230000003956 synaptic plasticity Effects 0.000 claims description 4
- 102000053602 DNA Human genes 0.000 claims description 3
- 230000005355 Hall effect Effects 0.000 claims description 3
- 238000001237 Raman spectrum Methods 0.000 claims description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 239000012621 metal-organic framework Substances 0.000 claims description 3
- 239000002105 nanoparticle Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000012782 phase change material Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 229910052710 silicon Inorganic materials 0.000 claims description 3
- 239000010703 silicon Substances 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004454 trace mineral analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 210000000697 sensory organ Anatomy 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及电子数据技术处理领域，公开了一种用于32位单片机的多传感器融合设计系统，包括传感器模块、数据融合模块、通信模块和控制模块，传感器模块、数据融合模块、通信模块和控制模块通过adopt RISC‑V开源指令集的32位单片机总线连接，数据融合模块采用基于自适应无监督深度生成对抗网络模型的多源异构数据融合算法，控制模块采用ARM Cortex‑M内核的32位RISC结构，高效实现数据融合模型和控制算法，发送控制指令。该用于32位单片机的多传感器融合设计系统，是一个用于复杂环境感知的高度集成设计方案，在传感器类型选择、数据处理算法和系统集成方面实现更好的多源数据融合效果，不仅能够实现预期的多目标识别能力，还具有可扩展性强、适应复杂环境等优点。
Description
技术领域
本发明涉及电子数据处理技术领域，具体为一种用于32位单片机的多传感器融合设计系统。
背景技术
人们为了从外界获取信息，必须借助于感觉器官。而单靠人们自身的感觉器官，在研究自然现象和规律以及生产活动中它们的功能就远远不够了。为适应这种情况，就需要传感器。因此可以说，传感器是人类五官的延长，又称之为电五官。多功能传感器主要用于酒精检测、防火报警、温湿度检测中占据的地位日趋重要，已获得巨大的经济效果。由于世界各国参数选择不统一，生产出的产品在价格性能上都有差别。过去采用人工焊接，且所用的器件型号和参数都不统一，所以在性能、价格就有很大不同，现在随着技术和科技的进步，我们开始使用工厂自动化焊接，从而在很大程度上提高了性能，降低了成本。
经检索，中国专利授权号为CN 106546295 A的专利，公开了一种基于单片机的多功能传感器设计装置。包括智能式温湿度传感器、键盘模块、传感器信号采集电路、A/D模块、单片机、蜂鸣器和显示模块，智能式温湿度传感器和键盘模块分别与单片机的P2.0口和P2.4口相连，传感器信号采集电路通过A/D模块与单片机的P0口相连，单片机的P2.5口和P1口分别与蜂鸣器和显示模块相连。
上述专利中的一种基于单片机的多功能传感器设计装置存在以下不足：采用单一的技术使得单片机和多种传感器之间进行连接监测，无法实现更好的多源数据融合，扩展性低，难以适应更加复杂的环境。为此，需要设计相应的技术方案给予解决。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种用于32位单片机的多传感器融合设计系统，解决了采用单一的技术使得单片机和多种传感器之间进行连接监测，无法实现更好的多源数据融合，扩展性低，难以适应更加复杂环境的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种用于32位单片机的多传感器融合设计系统，包括传感器模块、数据融合模块、通信模块和控制模块，所述传感器模块、数据融合模块、通信模块和控制模块通过adopt RISC-V开源指令集的32位单片机总线连接；
所述传感器模块包含但不限于图像传感器、声音传感器、距离传感器、加速度传感器、气味传感器、压电微纳机械谐振器传感器、碳纳米管校准传感器、石墨烯波尔位置敏感探测器、自组装金属有机框架enario传感器、表面等离子体子增强拉曼散射传感器、量子点荧光共振能量转移生物传感器、纳米压电材料热释电传感器、石墨烯光学微腔增强传感器、DNA链置换逻辑门生化传感器和编码纳米颗粒暗场微镜成像传感器；
所述数据融合模块采用基于自适应无监督深度生成对抗网络模型的多源异构数据融合算法，首先通过变分自编码器提取各传感器数据的语义特征表达，再输入生成器和判别器进行匹配约束，最终获得融合的特征表达，作为对目标情景的判别，模型训练通过无监督对抗学习实现；
所述通信模块包含ZigBee无线通信单元、Bluetooth低功耗通信芯片、60GHz毫米波通信模块、可见光通信模块、声学通信模块、基于石墨烯的太赫兹通信模块、基于石墨烯的太赫兹通信模块、腔量子电动力学通信模块、可编程软件无线电通信模块、DNA编码通信模块、基于量子纠缠的超光速量子通信模块和基于相变存储器的通信模块；
所述控制模块采用ARM Cortex-M内核的32位RISC结构，时钟频率100MHz,具有数字信号处理和机器学习加速引擎，可以高效实现数据融合模型和控制算法，发送控制指令。
优选的，所述图像传感器通过CMOS或CCD芯片采集视觉图像，声音传感器包含麦克风采集声音，所述距离传感器包含红外测距模块、超声波测距模块和光学测距模块，所述加速度传感器通过MEMS微机械技术实现三轴线性加速度测量，所述气味传感器通过半导体气敏传感阵列实现，所述压电微纳机械谐振器传感器通过测量谐振频率变化检测质量变化实现气体分子级检测，所述碳纳米管校准传感器基于卡侬-汤普森效应实现单分子级生物分析，所述石墨烯波尔位置敏感探测器通过量子化霍尔效应实现精确磁场测量，所述自组装金属有机框架enario传感器通过荧光响应实现高选择性离子检测，所述表面等离子体子增强拉曼散射传感器基于拉曼光谱实现痕量分析，所述量子点荧光共振能量转移生物传感器通过荧光寿命变化实现超高灵敏度，所述纳米压电材料热释电传感器将温差转换为电信号，所述石墨烯光学微腔增强传感器实现单分子级折射率检测，所述DNA链置换逻辑门生化传感器基于DNA计算实现复杂逻辑运算，所述编码纳米颗粒暗场微镜成像传感器基于breaks光学衍射极限。
优选的，所述ZigBee无线通信单元通过ZigBee协议与控制端进行数据传输；
所述Bluetooth低功耗通信芯片用于与移动终端进行连接；
所述60GHz毫米波通信模块实现近距离高速率传输，采用CMOS毫米波集成电路，传输速率可达20Gbps；
所述可见光通信模块通过LED令谱实现室内可见光通信，采用波分复用技术，可实现多用户访问；
所述声学通信模块，通过声波进行通信，使用MEMS微机械铆振器实现声波的调制解调，适用于水下或金属隔离场景；
所述基于石墨烯的太赫兹通信模块，工作频率达到0.3-10THz，采用石墨烯Josephson接面作为发射源；
所述腔量子电动力学通信模块，使用量子光源和探测器通信，传输距离可达公里级，安全性高；
所述可编程软件无线电通信模块，根据需要配置不同通信协议，使用FPGA实现全数模设计；
所述DNA编码通信模块，使用DNA分子存储和传输信息，容量高、稳定性强；
所述基于量子纠缠的超光速量子通信模块，实现距离无关的瞬时通信；
所述基于相变存储器的通信模块，使用相变材料进行信息存储和传输。
优选的，所述控制模块除了采用ARM Cortex-M内核的32位RISC结构，还包括有采用最新ARM Cortex-M85核、将MRAM直接集成在处理器内核上、使用光子-电子混合芯片技术、采用3D堆叠技术、利用碳纳米管互连、与MEMS微机械系统集成在一体、集成可重构逻辑单元FPGA、采用光刻可定制的掩模ROM或离子可控逻辑单元。
优选的，采用最新ARM Cortex-M85核，使用5nm工艺，主频可达4GHz，配备AI加速器，可直接对神经网络模型进行低位宽高效计算；
将MRAM直接集成在处理器内核上，实现存储器级加速，数据传输带宽可达1Tb/s，大幅提升性能；
使用光子-电子混合芯片技术，光子互连替代部分电子互连，实现超高速互联，时延降低1000倍；
采用3D堆叠技术，不同芯片层之间通过硅通孔(TSV)垂直互连,扩展了功能模块，提升系统带宽；
利用碳纳米管互连，实现超高密度芯片内部互联，降低功耗百分之十；
与MEMS微机械系统集成在一体，形成更紧密的感知控制反馈循环；
集成可重构逻辑单元FPGA，使系统结构可在线重配置，实现功能自定义；
采用光刻可定制的掩模ROM，用户可自定义指令集和功能；
包含离子可控逻辑单元，可根据输入电压控制逻辑功能，实现多功能计算。
优选的，所述ARM Cortex-M85核的AI加速器是通过以下几个方面实现对神经网络的加速：采用内存级并行技术、设计了专门的矩阵乘法运算单元、直接支持低精度数据类型、采用流水线架构、直接在芯片上集成高速缓存存储、采用自动生成的分析工具、支持各种数据压缩技术和采用近存储计算技术。
优选的，所述数据融合模块还包括基于关联记忆网络的异构数据融合、脉冲耦合神经网络进行多模态信息表达、采用基于TENsor分解的多视图数据融合、基于量子纠缠状态的异构数据关联、生物启发的细胞凋亡网络算法、生物启发的细胞凋亡网络算法、基于DNA计算的模式识别与决策、采用时间碎片网络模型、基于突触可塑性的无监督学习框架或使用碎形几何进行数据集成。
(三)有益效果
与现有技术相比，本发明的有益效果：充分融合了多源异构数据、深度生成对抗网络、无监督学习和SOC设计多项前沿技术，是一个用于复杂环境感知的高度集成设计方案，其小型化和低功耗设计使系统可以部署于对尺寸和能量具有约束的应用场景，相比现有技术，该设计在传感器类型选择、数据处理算法和系统集成方面实现更好的多源数据融合效果，不仅能够实现预期的多目标识别能力，还具有可扩展性强、适应复杂环境等优点。
附图说明
图1为本发明的系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供一种技术方案：一种用于32位单片机的多传感器融合设计系统，包括传感器模块、数据融合模块、通信模块和控制模块，所述传感器模块、数据融合模块、通信模块和控制模块通过adopt RISC-V开源指令集的32位单片机总线连接；
所述传感器模块包含但不限于图像传感器、声音传感器、距离传感器、加速度传感器、气味传感器、压电微纳机械谐振器传感器、碳纳米管校准传感器、石墨烯波尔位置敏感探测器、自组装金属有机框架enario传感器、表面等离子体子增强拉曼散射传感器、量子点荧光共振能量转移生物传感器、纳米压电材料热释电传感器、石墨烯光学微腔增强传感器、DNA链置换逻辑门生化传感器和编码纳米颗粒暗场微镜成像传感器；
所述数据融合模块采用基于自适应无监督深度生成对抗网络模型的多源异构数据融合算法，首先通过变分自编码器提取各传感器数据的语义特征表达，再输入生成器和判别器进行匹配约束，最终获得融合的特征表达，作为对目标情景的判别，模型训练通过无监督对抗学习实现；
所述通信模块包含ZigBee无线通信单元、Bluetooth低功耗通信芯片、60GHz毫米波通信模块、可见光通信模块、声学通信模块、基于石墨烯的太赫兹通信模块、基于石墨烯的太赫兹通信模块、腔量子电动力学通信模块、可编程软件无线电通信模块、DNA编码通信模块、基于量子纠缠的超光速量子通信模块和基于相变存储器的通信模块；
所述控制模块采用ARM Cortex-M内核的32位RISC结构，时钟频率100MHz,具有数字信号处理和机器学习加速引擎，可以高效实现数据融合模型和控制算法，发送控制指令。
进一步改进地，所述图像传感器通过CMOS或CCD芯片采集视觉图像，声音传感器包含麦克风采集声音，所述距离传感器包含红外测距模块、超声波测距模块和光学测距模块，所述加速度传感器通过MEMS微机械技术实现三轴线性加速度测量，所述气味传感器通过半导体气敏传感阵列实现，所述压电微纳机械谐振器传感器通过测量谐振频率变化检测质量变化实现气体分子级检测，所述碳纳米管校准传感器基于卡侬-汤普森效应实现单分子级生物分析，所述石墨烯波尔位置敏感探测器通过量子化霍尔效应实现精确磁场测量，所述自组装金属有机框架enario传感器通过荧光响应实现高选择性离子检测，所述表面等离子体子增强拉曼散射传感器基于拉曼光谱实现痕量分析，所述量子点荧光共振能量转移生物传感器通过荧光寿命变化实现超高灵敏度，所述纳米压电材料热释电传感器将温差转换为电信号，所述石墨烯光学微腔增强传感器实现单分子级折射率检测，所述DNA链置换逻辑门生化传感器基于DNA计算实现复杂逻辑运算，所述编码纳米颗粒暗场微镜成像传感器基于breaks光学衍射极限。
进一步改进地，所述ZigBee无线通信单元通过ZigBee协议与控制端进行数据传输；
所述Bluetooth低功耗通信芯片用于与移动终端进行连接；
所述60GHz毫米波通信模块实现近距离高速率传输，采用CMOS毫米波集成电路，传输速率可达20Gbps；
所述可见光通信模块通过LED令谱实现室内可见光通信，采用波分复用技术，可实现多用户访问；
所述声学通信模块，通过声波进行通信，使用MEMS微机械铆振器实现声波的调制解调，适用于水下或金属隔离场景；
所述基于石墨烯的太赫兹通信模块，工作频率达到0.3-10THz，采用石墨烯Josephson接面作为发射源；
所述腔量子电动力学通信模块，使用量子光源和探测器通信，传输距离可达公里级，安全性高；
所述可编程软件无线电通信模块，根据需要配置不同通信协议，使用FPGA实现全数模设计；
所述DNA编码通信模块，使用DNA分子存储和传输信息，容量高、稳定性强；
所述基于量子纠缠的超光速量子通信模块，实现距离无关的瞬时通信；
所述基于相变存储器的通信模块，使用相变材料进行信息存储和传输。
进一步改进地，所述控制模块除了采用ARM Cortex-M内核的32位RISC结构，还包括有采用最新ARM Cortex-M85核、将MRAM直接集成在处理器内核上、使用光子-电子混合芯片技术、采用3D堆叠技术、利用碳纳米管互连、与MEMS微机械系统集成在一体、集成可重构逻辑单元FPGA、采用光刻可定制的掩模ROM或离子可控逻辑单元。
进一步改进地，采用最新ARM Cortex-M85核，使用5nm工艺，主频可达4GHz，配备AI加速器，可直接对神经网络模型进行低位宽高效计算；
将MRAM直接集成在处理器内核上，实现存储器级加速，数据传输带宽可达1Tb/s，大幅提升性能；
使用光子-电子混合芯片技术，光子互连替代部分电子互连，实现超高速互联，时延降低1000倍；
采用3D堆叠技术，不同芯片层之间通过硅通孔(TSV)垂直互连,扩展了功能模块，提升系统带宽；
利用碳纳米管互连，实现超高密度芯片内部互联，降低功耗百分之十；
与MEMS微机械系统集成在一体，形成更紧密的感知控制反馈循环；
集成可重构逻辑单元FPGA，使系统结构可在线重配置，实现功能自定义；
采用光刻可定制的掩模ROM，用户可自定义指令集和功能；
包含离子可控逻辑单元，可根据输入电压控制逻辑功能，实现多功能计算。
进一步改进地，所述ARM Cortex-M85核的AI加速器是通过以下几个方面实现对神经网络的加速：采用内存级并行技术、设计了专门的矩阵乘法运算单元、直接支持低精度数据类型、采用流水线架构、直接在芯片上集成高速缓存存储、采用自动生成的分析工具、支持各种数据压缩技术和采用近存储计算技术。
具体改进地，所述数据融合模块还包括基于关联记忆网络的异构数据融合、脉冲耦合神经网络进行多模态信息表达、采用基于TENsor分解的多视图数据融合、基于量子纠缠状态的异构数据关联、生物启发的细胞凋亡网络算法、生物启发的细胞凋亡网络算法、基于DNA计算的模式识别与决策、采用时间碎片网络模型、基于突触可塑性的无监督学习框架或使用碎形几何进行数据集成。
adopt RISC-V开源指令集的自主可定制32位单片机，采用TSMC 7nm工艺制程，主频可达2GHz，具备机器学习加速引擎，通过SiFive的Freedom U540平台设计实现。
所述传感器模块包含多种不同类型的传感器，用于检测目标的相关物理量。
控制模块采用ARM Cortex-M内核的32位RISC结构，时钟频率100MHz,具有数字信号处理和机器学习加速引擎，可以高效实现数据融合模型和控制算法，发送控制指令，该模块可以进行定点运算，降低了对浮点运算单元的依赖，降低系统成本和功耗。
所述系统供电电压为5V，通过高度集成的SOC设计，实现了对多传感器数据的高效融合处理，可扩展性强，适用于各类复杂环境中的目标检测和识别。
采用内存级并行技术，可以同时访问多个内存存储单元，大大提升读取参数和特征映射的带宽；
设计了专门的矩阵乘法运算单元，可并行进行大规模矩阵运算，是神经网络中非常关键的计算操作；
直接支持低精度数据类型，如INT8、INT16，可以减少存储空间，降低内存访问能耗；
采用流水线架构，可以并行执行神经网络中不同层的运算，提升计算效率；
直接在芯片上集成高速缓存存储，减少外部存储访问，提高计算密度；
采用自动生成的分析工具，可以针对特定网络结构进行优化，生成高效的微代码；
支持各种数据压缩技术，可减少参数和特征映射占用的存储空间；
采用近存储计算技术，可以将计算单元集成在存储单元附近，减少数据移动；
综合这些技术可以大幅提升神经网络的计算速度和效率，使之可以应用于对实时性要求较高的应用场景。
基于关联记忆网络的异构数据融合，通过稀疏随机连接进行关联记忆，无需人工标注数据；
脉冲耦合神经网络进行多模态信息表达，通过脉冲的时序编码融合多源数据；
采用基于TENsor分解的多视图数据融合，可以学习数据的潜在表示；
基于量子纠缠状态的异构数据关联，通过量子态超position实现数据的隐式关联；
生物启发的细胞凋亡网络算法，通过凋亡过程进行非线性抽象学习；
基于DNA计算的模式识别与决策，使用DNA编码表示多源数据；
采用时间碎片网络模型，解耦时间关系，实现异步数据融合；
基于突触可塑性的无监督学习框架，通过稀疏编码获得数据表示；
使用碎形几何进行数据集成，建立非线性映射关系；
这些前沿算法可在不使用标签数据情况下进行强有力的模式判别与数据融合，实现超越预期的智能化分析。
综述，该系统充分融合了多源异构数据、深度生成对抗网络、无监督学习和SOC设计多项前沿技术，是一个用于复杂环境感知的高度集成设计方案，其小型化和低功耗设计使系统可以部署于对尺寸和能量具有约束的应用场景，相比现有技术，该设计在传感器类型选择、数据处理算法和系统集成方面实现更好的多源数据融合效果，不仅能够实现预期的多目标识别能力，还具有可扩展性强、适应复杂环境等优点。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种用于32位单片机的多传感器融合设计系统，包括传感器模块、数据融合模块、通信模块和控制模块，其特征在于：所述传感器模块、数据融合模块、通信模块和控制模块通过adopt RISC-V开源指令集的32位单片机总线连接；
所述传感器模块包含但不限于图像传感器、声音传感器、距离传感器、加速度传感器、气味传感器、压电微纳机械谐振器传感器、碳纳米管校准传感器、石墨烯波尔位置敏感探测器、自组装金属有机框架enario传感器、表面等离子体子增强拉曼散射传感器、量子点荧光共振能量转移生物传感器、纳米压电材料热释电传感器、石墨烯光学微腔增强传感器、DNA链置换逻辑门生化传感器和编码纳米颗粒暗场微镜成像传感器；
所述数据融合模块采用基于自适应无监督深度生成对抗网络模型的多源异构数据融合算法，首先通过变分自编码器提取各传感器数据的语义特征表达，再输入生成器和判别器进行匹配约束，最终获得融合的特征表达，作为对目标情景的判别，模型训练通过无监督对抗学习实现；
所述通信模块包含ZigBee无线通信单元、Bluetooth低功耗通信芯片、60GHz毫米波通信模块、可见光通信模块、声学通信模块、基于石墨烯的太赫兹通信模块、基于石墨烯的太赫兹通信模块、腔量子电动力学通信模块、可编程软件无线电通信模块、DNA编码通信模块、基于量子纠缠的超光速量子通信模块和基于相变存储器的通信模块；
所述控制模块采用ARM Cortex-M内核的32位RISC结构，时钟频率100MHz,具有数字信号处理和机器学习加速引擎，可以高效实现数据融合模型和控制算法，发送控制指令。
2.根据权利要求1所述的一种用于32位单片机的多传感器融合设计系统，其特征在于：所述图像传感器通过CMOS或CCD芯片采集视觉图像，声音传感器包含麦克风采集声音，所述距离传感器包含红外测距模块、超声波测距模块和光学测距模块，所述加速度传感器通过MEMS微机械技术实现三轴线性加速度测量，所述气味传感器通过半导体气敏传感阵列实现，所述压电微纳机械谐振器传感器通过测量谐振频率变化检测质量变化实现气体分子级检测，所述碳纳米管校准传感器基于卡侬-汤普森效应实现单分子级生物分析，所述石墨烯波尔位置敏感探测器通过量子化霍尔效应实现精确磁场测量，所述自组装金属有机框架enario传感器通过荧光响应实现高选择性离子检测，所述表面等离子体子增强拉曼散射传感器基于拉曼光谱实现痕量分析，所述量子点荧光共振能量转移生物传感器通过荧光寿命变化实现超高灵敏度，所述纳米压电材料热释电传感器将温差转换为电信号，所述石墨烯光学微腔增强传感器实现单分子级折射率检测，所述DNA链置换逻辑门生化传感器基于DNA计算实现复杂逻辑运算，所述编码纳米颗粒暗场微镜成像传感器基于breaks光学衍射极限。
3.根据权利要求1所述的一种用于32位单片机的多传感器融合设计系统，其特征在于：所述ZigBee无线通信单元通过ZigBee协议与控制端进行数据传输；
所述Bluetooth低功耗通信芯片用于与移动终端进行连接；
所述60GHz毫米波通信模块实现近距离高速率传输，采用CMOS毫米波集成电路，传输速率可达20Gbps；
所述可见光通信模块通过LED令谱实现室内可见光通信，采用波分复用技术，可实现多用户访问；
所述声学通信模块，通过声波进行通信，使用MEMS微机械铆振器实现声波的调制解调，适用于水下或金属隔离场景；
所述基于石墨烯的太赫兹通信模块，工作频率达到0.3-10THz，采用石墨烯Josephson接面作为发射源；
所述腔量子电动力学通信模块，使用量子光源和探测器通信，传输距离可达公里级，安全性高；
所述可编程软件无线电通信模块，根据需要配置不同通信协议，使用FPGA实现全数模设计；
所述DNA编码通信模块，使用DNA分子存储和传输信息，容量高、稳定性强；
所述基于量子纠缠的超光速量子通信模块，实现距离无关的瞬时通信；
所述基于相变存储器的通信模块，使用相变材料进行信息存储和传输。
4.根据权利要求1所述的一种用于32位单片机的多传感器融合设计系统，其特征在于：所述控制模块除了采用ARM Cortex-M内核的32位RISC结构，还包括有采用最新ARMCortex-M85核、将MRAM直接集成在处理器内核上、使用光子-电子混合芯片技术、采用3D堆叠技术、利用碳纳米管互连、与MEMS微机械系统集成在一体、集成可重构逻辑单元FPGA、采用光刻可定制的掩模ROM或离子可控逻辑单元。
5.根据权利要求4所述的一种用于32位单片机的多传感器融合设计系统，其特征在于：采用最新ARM Cortex-M85核，使用5nm工艺，主频可达4GHz，配备AI加速器，可直接对神经网络模型进行低位宽高效计算；
将MRAM直接集成在处理器内核上，实现存储器级加速，数据传输带宽可达1Tb/s，大幅提升性能；
使用光子-电子混合芯片技术，光子互连替代部分电子互连，实现超高速互联，时延降低1000倍；
采用3D堆叠技术，不同芯片层之间通过硅通孔(TSV)垂直互连,扩展了功能模块，提升系统带宽；
利用碳纳米管互连，实现超高密度芯片内部互联，降低功耗百分之十；
与MEMS微机械系统集成在一体，形成更紧密的感知控制反馈循环；
集成可重构逻辑单元FPGA，使系统结构可在线重配置，实现功能自定义；
采用光刻可定制的掩模ROM，用户可自定义指令集和功能；
包含离子可控逻辑单元，可根据输入电压控制逻辑功能，实现多功能计算。
6.根据权利要求5所述的一种用于32位单片机的多传感器融合设计系统，其特征在于：所述ARM Cortex-M85核的AI加速器是通过以下几个方面实现对神经网络的加速：采用内存级并行技术、设计了专门的矩阵乘法运算单元、直接支持低精度数据类型、采用流水线架构、直接在芯片上集成高速缓存存储、采用自动生成的分析工具、支持各种数据压缩技术和采用近存储计算技术。
7.根据权利要求1所述的一种用于32位单片机的多传感器融合设计系统，其特征在于：所述数据融合模块还包括基于关联记忆网络的异构数据融合、脉冲耦合神经网络进行多模态信息表达、采用基于TENsor分解的多视图数据融合、基于量子纠缠状态的异构数据关联、生物启发的细胞凋亡网络算法、生物启发的细胞凋亡网络算法、基于DNA计算的模式识别与决策、采用时间碎片网络模型、基于突触可塑性的无监督学习框架或使用碎形几何进行数据集成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311078645.2A CN117291090B (zh) | 2023-08-25 | 2023-08-25 | 一种用于32位单片机的多传感器融合设计系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311078645.2A CN117291090B (zh) | 2023-08-25 | 2023-08-25 | 一种用于32位单片机的多传感器融合设计系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291090A true CN117291090A (zh) | 2023-12-26 |
| CN117291090B CN117291090B (zh) | 2024-05-10 |
Family
ID=89256111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311078645.2A Active CN117291090B (zh) | 2023-08-25 | 2023-08-25 | 一种用于32位单片机的多传感器融合设计系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291090B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105807779A (zh) * | 2016-05-11 | 2016-07-27 | 飞智控（天津）科技有限公司 | 一种无人机飞行控制系统及方法 |
| CN206497550U (zh) * | 2017-01-23 | 2017-09-15 | 西安工程大学 | 基于多传感器信息融合的山体滑坡智能监测预报系统 |
| CN110873879A (zh) * | 2018-08-30 | 2020-03-10 | 沈阳航空航天大学 | 一种多源异构传感器特征深度融合的装置及方法 |
| CN211956161U (zh) * | 2019-12-05 | 2020-11-17 | 浙江吉利汽车研究院有限公司 | 一种域控制器系统及汽车 |
| CN112003909A (zh) * | 2020-08-10 | 2020-11-27 | 上海交通大学 | 平台化的智能终端系统及其实现方法 |
| CN214175381U (zh) * | 2020-11-19 | 2021-09-10 | 中国汽车技术研究中心有限公司 | 一种自动驾驶教学设备系统 |
| WO2022082843A1 (zh) * | 2020-10-19 | 2022-04-28 | 垒途智能教科技术研究院江苏有限公司 | 一种多传感器融合的无人车探测避障系统及避障方法 |
| CN115510906A (zh) * | 2022-09-27 | 2022-12-23 | 西安交通大学 | 轴承健康状态的监测方法、装置、设备及可读存储介质 |
| CN116520744A (zh) * | 2023-04-28 | 2023-08-01 | 深圳首科电气有限公司 | 一种用于智慧建筑的智能监控设备 |
-
2023
- 2023-08-25 CN CN202311078645.2A patent/CN117291090B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105807779A (zh) * | 2016-05-11 | 2016-07-27 | 飞智控（天津）科技有限公司 | 一种无人机飞行控制系统及方法 |
| CN206497550U (zh) * | 2017-01-23 | 2017-09-15 | 西安工程大学 | 基于多传感器信息融合的山体滑坡智能监测预报系统 |
| CN110873879A (zh) * | 2018-08-30 | 2020-03-10 | 沈阳航空航天大学 | 一种多源异构传感器特征深度融合的装置及方法 |
| CN211956161U (zh) * | 2019-12-05 | 2020-11-17 | 浙江吉利汽车研究院有限公司 | 一种域控制器系统及汽车 |
| CN112003909A (zh) * | 2020-08-10 | 2020-11-27 | 上海交通大学 | 平台化的智能终端系统及其实现方法 |
| WO2022082843A1 (zh) * | 2020-10-19 | 2022-04-28 | 垒途智能教科技术研究院江苏有限公司 | 一种多传感器融合的无人车探测避障系统及避障方法 |
| CN214175381U (zh) * | 2020-11-19 | 2021-09-10 | 中国汽车技术研究中心有限公司 | 一种自动驾驶教学设备系统 |
| CN115510906A (zh) * | 2022-09-27 | 2022-12-23 | 西安交通大学 | 轴承健康状态的监测方法、装置、设备及可读存储介质 |
| CN116520744A (zh) * | 2023-04-28 | 2023-08-01 | 深圳首科电气有限公司 | 一种用于智慧建筑的智能监控设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291090B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dutta et al. | Tinyml meets iot: A comprehensive survey | |
| Guo et al. | Artificial intelligence and machine learning in design of mechanical materials | |
| Reddy Maddikunta et al. | Predictive model for battery life in IoT networks | |
| Liu et al. | Data fusion generative adversarial network for multi-class imbalanced fault diagnosis of rotating machinery | |
| CN105352489A (zh) | 一种基于金刚石nv―色心的加速度传感器 | |
| Zhang et al. | The rise of AI optoelectronic sensors: From nanomaterial synthesis, device design to practical application | |
| Yin et al. | A skeleton-based action recognition system for medical condition detection | |
| CN117291090B (zh) | 一种用于32位单片机的多传感器融合设计系统 | |
| Moon et al. | Machine learning and its applications for plasmonics in biology | |
| Ang et al. | Wireless multimedia sensor networks on reconfigurable hardware | |
| Xia et al. | Intelligent process monitoring of laser-induced graphene production with deep transfer learning | |
| JPWO2020232546A5 (zh) | ||
| US20220253686A1 (en) | Optical artificial neural network intelligent chip, preparation method thereof and intelligant processing apparatus | |
| Li et al. | Artificial intelligence enabled self-powered wireless sensing for smart industry | |
| Bai et al. | Design strategies and applications of reservoir computing: Recent trends and prospects [feature] | |
| Saberi et al. | A Machine Learning Based Smart Contact-less pH Sensing and Classification | |
| Moudoud et al. | Green machine learning for Internet-of-Things: Current solutions and future challenges | |
| Liu | [Retracted] Intelligent Physical Training Data Processing Based on Wearable Devices | |
| Choe | Realization of Multi-Valued Logic Using Optical Quantum Computing | |
| Shahzad | Energy efficient wireless sensor node architecture for data and computation intensive applications | |
| Bharti et al. | Real-Time Surveillance of Nanosensors in Agro-Environmental Applications Using Machine Learning Techniques | |
| Varshini et al. | IMPLEMENTATION OF AN EFFICIENT ENERGY GENERATING SYSTEM USING HUMPS WITH AUTOMATIC STREET LIGHT USING IOT | |
| CN206430764U (zh) | 基于特定可编程器件芯片的环境状态检测装置 | |
| Sakthi et al. | Reconfigurable Hardware Implementation of CNN Architecture using Zerobypass Multiplier | |
| Dash et al. | Photonic Crystal Cavity Optimization Using AI |
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 |