基于NPU的AI加速数据处理方法与流程
本技术涉及人工智能数据处理,尤其涉及一种基于npu的ai加速数据处理方法。
背景技术:
1、随着人工智能模型逐步部署到终端设备和边缘设备,ai加速技术被用于提高模型推理速度,ai加速是利用专用计算硬件执行神经网络中的卷积、矩阵乘加和特征映射等运算,npu即神经网络处理器,是面向神经网络运算设置的专用处理器,设备中的通用处理器可以负责数据获取、数据转换和任务控制,npu负责执行经过训练的人工智能模型,在无线电频谱监测场景中,频谱监测设备对接收的射频信号进行采样和频谱分析,再利用人工智能模型识别信号类型、信号参数、频谱占用状态或干扰状态,从而形成射频信号采集、频谱数据处理和人工智能识别相结合的处理过程。
2、现有技术中,例如,中国专利公开号cn112770349a公开了一种基于5g无线频谱的智能监测分析平台,采用天线接收无线电信号,通过无线信号智能监测终端进行滤波、放大、变频、数字采集和频谱分析,并将时域数据和频域数据发送至频谱分析平台,所述频谱分析平台采用多核异构处理器构建边缘计算环境,并运行人工智能算法和神经网络算法,以识别干扰信号、正常通信信号及对应的信号质量,该技术表明人工智能模型和异构计算硬件已经能够应用于频谱监测设备,以在设备端或边缘侧完成频谱数据的智能分析。
3、在上述现有技术中,频谱监测设备按照连续的数据处理流程执行频谱分析和人工智能模型推理,当监测带宽扩大、数据更新速度提高并且强干扰信号与功率较低的跳频信号发生重叠时,输入人工智能模型的频谱数据量和模型运算量持续增加,受到干扰覆盖的跳频信号特征也容易发生波动,将人工智能模型部署至npu后,固定的数据处理范围会使npu持续处理与跳频信号间断区段关联程度较低的频谱数据,从而增加npu运算量和识别结果输出时间,影响连续频谱监测过程中跳频信号识别结果的连续性。
技术实现思路
1、本技术提供一种基于npu的ai加速数据处理方法,以解决强干扰信号覆盖局部跳频信号时,npu对较大采集区段重复进行模型推理而增加运算量和识别结果输出时间的问题。
2、为解决上述技术问题,本技术提供一种基于npu的ai加速数据处理方法,应用于配置npu的频谱监测设备,包括:
3、获取时间频率功率矩阵和至少两个已形成的跳频轨迹段,所述跳频轨迹段由所述npu采用第一计算精度运行信号识别模型处理所述时间频率功率矩阵得到的跳频候选点组成;
4、确定所述跳频轨迹段中分别位于未识别到跳频候选点的时间范围前后的第一跳频轨迹段和第二跳频轨迹段;
5、根据所述第一跳频轨迹段和所述第二跳频轨迹段,分别确定延伸至所述时间范围的第一时间频率范围和第二时间频率范围;
6、获得所述第一时间频率范围与所述第二时间频率范围的交集;
7、根据所述交集,确定所述信号识别模型从所述交集对应的矩阵数据输入至跳频候选点输出的完整数据传递路径中的npu计算任务;
8、所述npu采用高于所述第一计算精度的第二计算精度执行所述npu计算任务,得到补充跳频候选点;
9、连接所述第一跳频轨迹段、所述补充跳频候选点和所述第二跳频轨迹段,形成完整跳频轨迹。
10、可选地,所述确定所述跳频轨迹段中分别位于未识别到跳频候选点的时间范围前后的第一跳频轨迹段和第二跳频轨迹段,包括:
11、将所述时间频率功率矩阵划分为多个时间频率数据块,汇总相邻两个跳频轨迹段内相邻跳频候选点的时间间隔,并将汇总后的时间间隔的中位数确定为参考跳频间隔;
12、将功率值高于相邻频率范围内时间频率数据块的功率值,并在连续多个时间位置保持的时间频率数据块,确定为强干扰信号对应的时间频率数据块;
13、当相邻两个跳频轨迹段之间未识别到跳频候选点的时间范围大于所述参考跳频间隔,并与所述强干扰信号对应的时间频率数据块重合时,将位于所述时间范围之前和之后的跳频轨迹段分别确定为所述第一跳频轨迹段和所述第二跳频轨迹段。
14、可选地,所述确定延伸至所述时间范围的第一时间频率范围和第二时间频率范围,包括:
15、根据所述第一跳频轨迹段和所述第二跳频轨迹段中跳频候选点的中心频率形成中心频率集合,并根据跳频候选点的持续时间确定参考持续时间;
16、从所述第一跳频轨迹段中最后一个跳频候选点开始,按照所述参考跳频间隔向后确定时间位置,并结合所述中心频率集合和所述参考持续时间形成所述第一时间频率范围;
17、从所述第二跳频轨迹段中第一个跳频候选点开始,按照所述参考跳频间隔向前确定时间位置,并结合所述中心频率集合和所述参考持续时间形成所述第二时间频率范围;将所述第一时间频率范围与所述第二时间频率范围重合的时间频率数据块确定为所述交集。
18、可选地,所述根据所述交集,确定所述信号识别模型从所述交集对应的矩阵数据输入至跳频候选点输出的完整数据传递路径中的npu计算任务,包括:
19、按照所述信号识别模型的计算图,将各计算节点输出的中间特征图划分为中间特征图块,并将各计算节点针对一个中间特征图块的运算划分为一个npu计算任务;
20、根据各计算节点的感受野,建立所述时间频率数据块、所述中间特征图块与所述npu计算任务之间的数据使用关系;根据所述数据使用关系确定使用所述交集内时间频率数据块的npu计算任务,并沿所述计算图的数据依赖关系向矩阵数据输入端和跳频候选点输出端确定相连接的npu计算任务,形成所述完整数据传递路径。
21、可选地,所述npu采用高于所述第一计算精度的第二计算精度执行所述npu计算任务,得到补充跳频候选点,包括:
22、采用所述第二计算精度执行所述完整数据传递路径中的npu计算任务,得到首次处理的补充跳频候选点;
23、当所述首次处理的补充跳频候选点仅连接所述第一跳频轨迹段或所述第二跳频轨迹段时,在所述第一时间频率范围与所述第二时间频率范围的并集内增加相邻时间频率数据块,得到扩展后的时间频率范围;
24、根据所述数据使用关系和所述数据依赖关系,确定从所述扩展后的时间频率范围对应的矩阵数据至跳频候选点输出的完整数据传递路径,并采用所述第二计算精度执行所述完整数据传递路径中的npu计算任务,得到再次处理的补充跳频候选点;
25、当所述再次处理的补充跳频候选点不能连接所述第一跳频轨迹段和所述第二跳频轨迹段时,分别保留所述第一跳频轨迹段和所述第二跳频轨迹段。
26、可选地,所述获取时间频率功率矩阵,包括:
27、按照连续时间窗获取连续射频信号的射频采样数据;
28、对每个连续时间窗内的所述射频采样数据进行时频转换,得到各时间位置和频率位置对应的功率值;
29、按照时间位置和频率位置排列所述功率值,形成时间频率功率矩阵。
30、可选地,所述npu采用第一计算精度运行所述信号识别模型处理所述时间频率功率矩阵,得到跳频候选点,包括:
31、对所述时间频率功率矩阵进行归一化处理,得到归一化矩阵数据;
32、按照所述第一计算精度转换所述归一化矩阵数据,得到第一计算精度矩阵数据;
33、所述npu将所述第一计算精度矩阵数据输入所述信号识别模型,得到包括时间位置、中心频率、持续时间、带宽和调制特征的跳频候选点。
34、可选地,所述至少两个跳频轨迹段的形成,包括:
35、比较各跳频候选点的持续时间、带宽和调制特征;
36、将持续时间差异和带宽差异处于对应允许范围内且调制类别相同的跳频候选点,确定为同一跳频信号的跳频候选点;
37、按照时间位置连接同一跳频信号的跳频候选点,形成跳频轨迹段。
38、可选地,所述连接所述第一跳频轨迹段、所述补充跳频候选点和所述第二跳频轨迹段,形成完整跳频轨迹,包括:
39、按照时间位置排列所述补充跳频候选点;
40、比较第一个补充跳频候选点与所述第一跳频轨迹段中最后一个跳频候选点、相邻补充跳频候选点以及最后一个补充跳频候选点与所述第二跳频轨迹段中第一个跳频候选点,得到对应的时间间隔、持续时间差异、带宽差异和调制类别;
41、当所述时间间隔与所述参考跳频间隔的差异处于对应允许范围内、所述持续时间差异和所述带宽差异处于对应允许范围内且调制类别相同时,依次连接所述第一跳频轨迹段、所述补充跳频候选点和所述第二跳频轨迹段,形成所述完整跳频轨迹。
42、可选地,跳频信号识别结果的输出过程,包括:
43、按照时间位置排列所述完整跳频轨迹中的跳频候选点,确定中心频率变化顺序;
44、根据各跳频候选点的时间位置和持续时间,输出各中心频率的出现时间和持续时间。
45、本发明的有益效果在于,采用本发明方法后,间断时间范围两侧的跳频轨迹段限定需要再次识别的时间频率范围,两个时间频率范围的交集进一步对应到信号识别模型从矩阵数据输入至跳频候选点输出的完整数据传递路径,npu采用较高计算精度执行所述完整数据传递路径中的npu计算任务,由此减少与轨迹间断关联程度较低的数据和npu计算任务的重复处理,缩短补充跳频候选点的输出时间。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com