基于时序CNN的FPGA数据处理异常点识别研究

摘要

数据已经成为信息自动化与智能化的核心,由于数据集中数据的类别不均衡,系统误差和随机误差很容易导致数据产生异常点,因此提出基于时序CNN的FPGA数据处理异常点识别方法。为了保证不同数据关联的有效性,对错误数据中的噪声错误和缺失错误进行对齐处理,使用GloVe方法对原始数据中的数据浅层特征进行提取。在模型训练过程中,为了解决数据梯度爆炸和过度拟合问题,对数据归一化处理,提高网络收敛速度,并采用散度计算输入参数定点化尺度的方法减少计算量、保证精度。最后将CNN算法映射到FPGA中实现硬件加速,FPGA算子图切分按粗粒度切分和细粒度切分进行处理。实验结果表明,所提数据处理异常点识别方法可高效读取数据,能够充分识别数据处理中的异常点,具有较高的准确率和精度。