面向Zynq片上系统宽带感知的统计与深度学习框架的软硬件协同设计
信号处理
2022-09-07 v1 硬件体系结构
摘要
随着下一代网络中频谱共享与异构业务的引入，基站需要感知宽带频谱并识别频谱资源，以满足服务质量、带宽与时延约束。亚奈奎斯特采样（SNS）能够在无需奈奎斯特速率模数转换器的情况下对稀疏宽带频谱进行数字化。然而，SNS需要额外的信号处理算法用于频谱重建，例如著名的正交匹配追踪（OMP）算法。OMP也广泛用于其他压缩感知应用。本工作的首要贡献是将OMP算法高效映射到由ARM处理器与FPGA组成的Zynq片上系统（ZSoC）上。实验分析表明，对于稀疏频谱，OMP性能显著下降。此外，OMP需要频谱稀疏度的先验知识。我们通过基于深度学习的架构应对这些挑战，并将其高效映射到ZSoC平台，作为第二贡献。通过软硬件协同设计，考虑了通过在软件（ARM处理器）与硬件（FPGA）之间划分所获得的所提架构的不同版本。针对给定存储约束与广范围字长，给出了这些架构的资源、功耗与执行时间比较。
引用
@article{arxiv.2209.02661,
title = {Hardware Software Co-design of Statistical and Deep Learning Frameworks for Wideband Sensing on Zynq System on Chip},
author = {Rohith Rajesh and Sumit J. Darak and Akshay Jain and Shivam Chandhok and Animesh Sharma},
journal= {arXiv preprint arXiv:2209.02661},
year = {2022}
}