基于RISC-V的图卷积神经网络加速器设计

图卷积神经网络GCN当前主要在PyTorch等深度学习框架上基于GPU实现加速。然而GCN的运算过程包含多层嵌套的矩阵乘法和数据访存操作，使用GPU虽然可以满足实时性需求，但是部署代价大、能效比低。为了提高GCN算法的计算性能并保持软件灵活性，提出一种基于RSIC-V SoC的定制GCN加速器，在蜂鸟E203的SoC平台中通过点积运算扩展指令和硬件加速器软硬件协同的方法实现了针对GCN的加速，通过神经网络参数分析确定了从浮点数到32位定点数的硬件量化方案。实验结果表明，在Cora数据集上运行GCN算法时，该加速器没有精度损失，速度最高提高了6.88倍。     

联合旋转调制激光陀螺惯导性能在线评估

无外界基准信息时,针对舰艇单、双轴旋转调制激光陀螺航海惯导冗余配置情况下双轴旋转惯导间性能的在线评估问题,提出了联合旋转调制激光陀螺航海惯导相对性能的在线评估方法。一套单轴旋转惯导分别与待评估的双轴旋转惯导构建联合误差状态卡尔曼滤波器,状态为各系统位置误差、速度误差、姿态误差的差值及各自的陀螺漂移、加速度计零偏,以系统间的位置、速度差值为观测量,通过联合旋转调制策略编排改变系统间的相对姿态,可观性分析表明,包括单轴旋转惯导方位陀螺漂移在内的所有状态均完全可观;以不同滤波器估计得到的单轴旋转惯导方位陀螺漂移估计值的标准差为评价指标,对双轴旋转惯导随机误差进行在线评估。半实物仿真和实际实验结果表明:双轴旋转惯导激光陀螺随机误差差异的区分度可达10%;144h(6天)导航时间内,以单轴旋转惯导方位陀螺漂移估计值的标准差为评价指标,可以实现不同双轴旋转惯导相对性能的在线评估。该方法为旋转调制激光陀螺航海惯导冗余配置情况下的系统优选提供了理论依据。