發(fā)布時間：2020-11-19 03:45

　　 隨著計算機技術(shù)與人工智能領(lǐng)域的不斷發(fā)展,人們已經(jīng)開始在各行各業(yè)中引入機器來取代人做出各種判決。而由于龐大的計算量與復(fù)雜的模型制約,人們也更愿意依賴計算機去完成規(guī)律的把握、因果關(guān)系的學(xué)習(xí)、甚至決策的判決。而對于學(xué)習(xí)推理問題中的不確定性,人們常將其轉(zhuǎn)換成概率圖模型求解。對于具有因果關(guān)系的不確定性問題推理的往往采用貝葉斯推理的方式進行求解。傳統(tǒng)方法中對貝葉斯推理中求解概率問題的解析解仍然具有很高的計算復(fù)雜度,因此人們常通過隨機采樣的方式獲得計算復(fù)雜度低的近似解。然而,采用傳統(tǒng)處理器結(jié)構(gòu)實現(xiàn)的采樣模塊仍具有較高的復(fù)雜度,因此本文設(shè)計實現(xiàn)了高性能、低復(fù)雜度的隨機采樣門電路來實現(xiàn)貝葉斯推理。首先,本文介紹了貝葉斯定理,隨后推導(dǎo)了MC采樣方法,包括逆采樣方法、拒絕采樣方法、重要采樣方法等,然后也詳細推導(dǎo)了MCMC方法,包括Metropolis采樣法、Metropolis-Hasting采樣法和Gibbs采樣法,也在推導(dǎo)經(jīng)典采樣方法的同時也說明了各種方法的局限性,為后文的貝葉斯推理電路設(shè)計提供了理論基礎(chǔ)。為了構(gòu)建具有貝葉斯推理能力的系統(tǒng),本文設(shè)計實現(xiàn)了隨機采樣門電路,并對每個采樣門的結(jié)構(gòu)詳細進行了分析:對于設(shè)計的二元采樣門電路可以在每個時鐘周期完成一次采樣,而即使是最復(fù)雜的標準化多項采樣門可以在平均k個時鐘周期完成一次采樣。隨后通過利用概率分布條件獨立性的特點提出了并行采樣和隨機有限狀態(tài)機的設(shè)計思想,從系統(tǒng)層面優(yōu)化采樣流程,使得系統(tǒng)的效率得以提升。隨后本文介紹了基于MCMC方法的MIMO檢測器,將設(shè)計的隨機采樣門電路應(yīng)用于MIMO系統(tǒng)中,通過從概率分布中進行采樣實現(xiàn)了MCMC-MIMO檢測器的功能,在性能較全精度MCMC-MIMO檢測器至多低1dB的基礎(chǔ)上,隨機采樣門電路能以低消耗、高效率地完成逐比特及逐符號的MCMC-MIMO檢測器功能。最后,本文將設(shè)計的隨機采樣門電路以軟件仿真和FPGA實現(xiàn)的方式進行分析,給出了采樣門電路的資源消耗。并通過RTL代碼對Rain模型和Ising模型進行實現(xiàn),完成了貝葉斯推理的功能。討論了隨機熵源和量化精度對隨機采樣門電路的影響:誤差會隨著熵源性能的提升得到改善,并且量化精度遠低于傳統(tǒng)全精度的程度時就已經(jīng)能較精確的對分布進行估計,在量化位寬為5比特時估計得到的誤差最高僅為0.026,而量化位寬為12比特時采樣估計得到的誤差最高僅為0.0017。基于隨機采樣門電路的大型系統(tǒng)能以更低的開銷更高的效率執(zhí)行。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP181;TP331
【部分圖文】：

成 Sprinkler 節(jié)點和 Rain 節(jié)點的采樣后，我們基于這兩個節(jié)點的采樣結(jié)果再對 Wet節(jié)點進行采樣，同樣使用條件概率采樣門進行采樣。圖5-2 基于 RTL 代碼的 Rain 模型采樣實現(xiàn)由于引入流水技術(shù)，我們可以在一個時鐘得到四個節(jié)點的采樣值。采樣結(jié)果如圖 5-2 中的 samp 信號，其有效標志位 samp_vld 信號。但是對某一次采樣結(jié)果來說，首先我們需要一個時鐘完成 Cloudy 節(jié)點的采樣，然后 Cloudy 節(jié)點采樣完成后，我們可以對 Sprinkler 節(jié)點和 Rain 節(jié)點并行采樣，這同樣需要一個時鐘。最后在得到 Sprinkler 節(jié)點和 Rain 節(jié)點的采樣結(jié)果后，我們以這兩個節(jié)點的值為條件輸入，對 Wet 節(jié)點進行采樣

個時鐘都可以獲得一次點陣的更新，隨機有限狀態(tài)機的使用可以更高效的確定點陣更新的具體位置。下圖 5-3 展示了在溫度低于臨界溫度的情況圖5-3 基于 RTL 代碼的 Ising 模型采樣實現(xiàn)-系統(tǒng)溫度低于臨界溫度與第三章中結(jié)果相似，隨著采樣的進行，在系統(tǒng)溫度低于臨界溫度時，點陣中的點傾向于向著能量最小的方向演化，最終演化為所有點處于同一狀態(tài)，而對于系統(tǒng)溫度高于臨界溫度時，點陣中的點傾向于隨機變化，如圖 5-4 所示。圖5-4 基于 RTL 代碼的 Ising 模型采樣實現(xiàn)-系統(tǒng)溫度高于臨界溫度其中，Ising 模型消耗觸發(fā)器資源 553，查找表資源 897，指數(shù)運算模塊 exp_lut消耗觸發(fā)器資源 4，查找表資源 268。RNG 消耗觸發(fā)器資源 17

中的點傾向于向著能量最小的方向演化，最終演化為所有點處于同一狀態(tài)，而對于系統(tǒng)溫度高于臨界溫度時，點陣中的點傾向于隨機變化，如圖 5-4 所示。圖5-4 基于 RTL 代碼的 Ising 模型采樣實現(xiàn)-系統(tǒng)溫度高于臨界溫度其中，Ising 模型消耗觸發(fā)器資源 553，查找表資源 897，指數(shù)運算模塊 exp_lut消耗觸發(fā)器資源 4，查找表資源 268。RNG 消耗觸發(fā)器資源 17，查找表資源 637。
【參考文獻】

相關(guān)碩士學(xué)位論文 前4條

1 常衛(wèi)建;智能廣告投放平臺系統(tǒng)的設(shè)計與實現(xiàn)[D];北京交通大學(xué);2017年

2 何帥寧;MCMC算法在MIMO技術(shù)中的研究及應(yīng)用[D];電子科技大學(xué);2016年

3 殷陶;馬爾科夫鏈蒙特卡洛方法的加速及應(yīng)用[D];上海交通大學(xué);2014年

4 劉沁沂;基于概率計算的FFT實現(xiàn)[D];電子科技大學(xué);2012年

本文編號：2889647