基于长短时记忆神经网络硬件加速的燃爆状态监测应用

摘要

文中提出一种基于现场可编程门阵列(FPGA)实现可燃气体燃爆状态分析的方法,采用Cortex-M3系列32位工控处理器IP在纯逻辑资源的FPGA上组成片上系统,并在该片上系统构建了长短时记忆神经网络(LSTM)硬件加速器,应用于可燃气体燃爆的多种状态分类模型.LSTM加速器采用并行优化的深度流水线执行计算,提高了各模块的使用效率和计算速度,使得所提设计在Artix-XC7A100T上计算非稀疏LSTM网络能达到13.7 GOP/s的吞吐量.实验结果表明,硬件LSTM神经网络对可燃气体燃爆状态的分类具有较好的抗干扰能力和较高的准确率.