仪器仪表学报

作者：付 豪，邓 蕾，汤宝平，李子昊，吴艳灵

单位：付 豪,1.重庆大学机械传动国家重点实验室,,邓 蕾,1.重庆大学机械传动国家重点实验室,,汤宝平,1.重庆大学机械传动国家重点实验室,,李子昊,1.重庆大学机械传动国家重点实验室,,吴艳灵,1.重庆大学机械传动国家重点实验室,

关键词：CNN;边缘计算;MCU;资源受限;机械振动

基金：国家自然科学基金(52375082,52275087)项目资助

用于机械振动监测的无线传感器网络节点的微控制器需要进行复杂的边缘计算,然而硬件资源受到限制。卷积神经网络作为一种性能优越的深度学习算法,若将其运行在MCU上可增强边缘WSN节点的计算能力。本文提出了一种不修改CNN模型的层次分解方法,解决了难以在资源受限的MCU上运行不轻量化CNN的问题,实现了机械振动WSN节点的计算能力增强。首先通过设计文件结构用于分解并存储CNN模型参数,然后提出内存管理方法并推导随机存取存储器的消耗过程,最后提出参数定位方法准确高效地读取模型参数。实验表明仅使用1.76KBRAM与2.14KBFlash,在3.15ms内便可实现高准确率的边缘计算识别任务。

来源：2024年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2024年第3期