[發明專利]神經網絡實現端到端的定點快速傅里葉變換量化方法及系統

在審

• 申請號: 202010380295.5
• 申請日: 2020-05-08
• 公開（公告）號: CN113626756A
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 崔文倩;張舜卿;陳智勇;曹姍;徐樹公
• 申請（專利權）人: 上海大學
• 主分類號: G06F17/14
• 分類號: G06F17/14;G06N3/04;G06N3/08
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

一種神經網絡實現端到端的定點快速傅里葉變換量化方法及系統，將浮點時域數據通過基于深度學習的神經網絡的量化處理得到相應的定點時域數據，并進一步通過定點快速傅里葉變換得到對應的頂點頻域數據，再通過基于深度學習的神經網絡的去向量處理得到浮點頻域數據。本發明使用截斷方法滿足有限字長的要求并方便地節省內存資源，同時通過機器學習方法聯合優化信號的量化與去量化過程，不必需各種先驗信息就能夠完成信號的量化工作，且適用于任何線性運算。

技術領域

本發明涉及的是一種信號處理領域的技術，具體是一種適用于正交頻分復用系統的神經網絡實現端到端的定點快速傅里葉變換量化方法及系統。

背景技術

現代信息通信技術產業是建立在硅基解決方案之上的，由于硅的半導電性，互補金屬氧化物半導體(CMOS)集成電路具有很強的二進制信息位表示和計算能力，從而引發了本世紀初的信息革命技術。然而，在現實世界中的感知信號或是采樣信號通常不是二進制的，量化問題在過去的幾十年里已經被揭示出來。由于量化的分辨率對電路設計的許多方面都有很大的影響，例如面積、速度或功耗，所以量化方案已經被廣泛研究。作為通信信號處理領域的基本模塊，FFT運算與量化聯合設計的研究變得十分有意義。

發明內容

本發明針對現有技術存在的上述不足，提出一種神經網絡實現端到端的定點快速傅里葉變換量化方法及系統，使用截斷方法滿足有限字長的要求并方便地節省內存資源，同時通過機器學習方法聯合優化信號的量化與去量化過程，不必需各種先驗信息就能夠完成信號的量化工作，且適用于任何線性運算。

本發明是通過以下技術方案實現的：

本發明涉及一種神經網絡實現端到端的定點快速傅里葉變換量化方法，將浮點時域數據通過基于深度學習的神經網絡的量化處理得到相應的定點時域數據，并進一步通過定點快速傅里葉變換(FFT)得到對應的頂點頻域數據，再通過基于深度學習的神經網絡的去向量處理得到浮點頻域數據。

技術效果

本發明整體所解決的技術問題包括：

1)聯合量化和信號處理設計問題：目前包括FFT/IFFT的信號處理電路設計，都是基于一些預先定義的位寬要求，這樣能夠方便與ADC/DACs平滑級聯。由于ADC/DACs是為通用信號處理系統設計的，因此目前很少有關于與特定信號處理算法的聯合優化問題的研究。

2)聯合量化和去量化設計的問題：目前的研究主要集中在量化方面，而去量化方案通常被忽略。但是，如果我們能夠從聯合量化和去量化的角度清楚地識別出目標的恢復要求，就可以解決定點信號處理中的瓶頸問題，從而能夠進一步優化現有的量化/去量化方案。；

與現有技術相比，本發明不使用傳統的量化損耗，而是同時考慮浮點和定點信號處理鏈，并選擇上述兩種方案之間的端到端信號失真作為性能度量。本發明能夠聯合測量量化和去量化的質量，并在此基礎上進行優化量化和去量化的設計。同時，應用基于機器學習的方法，只要訓練數據可用，上述方案就可以適應不同的輸入信號，并擴展到其他線性/非線性對稱操作。

附圖說明

圖1為端到端量化框架示意圖；

圖2為本發明流程示意圖；

圖3為深度學習網絡架構示意圖；

圖4為指數信號基線與CNN量化結果示意圖。

具體實施方式

如圖1所示，為本實施例涉及一種基于復數表示的端到端量化框架，輸入的浮點數據x(k)需要經過量化網絡Q的得到定點量化數據將時域數據進行定點FFT運算后得到頻域數據再經過去量化網絡恢復成浮點數據