理论建立与效果展示
环境： Vivado2019.2。
部件： xcku 040-ffva 1156-2-I，1920个嵌入式DSP，600个Bram或21.1Mb。
说明：通过识别加高斯白噪声的正弦波、drdwx、三角波比较简单的例子，利用FPGA实现一维CNN网络。主要是实现CNN网络的搭建。
也就是说，将以下数据传输到FPGA，识别正弦波、drdwx、三角波中的哪一个，通过简单的实例实践，进行融合，最终实现雷达辐射源调制方式的识别。
实施过程：
训练参数： 10000套训练集通过pytorch训练获得训练参数，反向计算不通过FPGA实现。
数据生成： Matlab生成1000个测试集。
数据传输：通过Pcie高速总线将数据传输到FPGA进行识别。
实践效果：信噪比在-20~5dB之间识别率为100%。
数据长度： 100。
CNN网络：第一层卷积： 1个通道，6个卷积核，卷积核元素为5。
CNN网络：池化。
CNN网络：第二层卷积： 6个通道，16个卷积核，卷积核元素为5。
CNN网络：池化。
CNN网络：第三层卷积： 16个通道，16个卷积核，卷积核元素为5。
CNN网络：所有连接。
CNN时效：在100M时钟下，长度为100的数据识别需要239个时钟，即2390ns=2.39us ()综合实践太长，还没有优化，所以网络有可以优化的地方，200个时钟周期
第一节：基于FPGA的一维卷积神经网络CNN的实现(一)框架
第二节：基于FPGA的一维卷积神经网络CNN的实现(二)资源分配
目录1、卷积层1、二维卷积2、一维卷积2、池化层3、全连接层4、网络构建与演示5、温故知新6、结果展示1、正弦波识别2、2.drdwx识别3、三角波识别7、资源占用情况
下面就CNN网络进行简单说明。 详情请转到网上。
一.卷积层公式
连续格式：
f=f() g ) t) d(RM ) f * g=} (int _ (infty ) ^(infty ) f ) tau ) (g ) t-) tau ) d
离散形势：
f==f()
g ( n − τ ) {rm{f * g = }}sumlimits_{tau= - infty }^infty {f(tau )} g(n - tau ) f∗g=τ=−∞∑∞f(τ)g(n−τ)先对g函数进行向左翻转，然后再把g函数平移到n，在这个位置两个函数对应点相乘，再把所有位置相乘的结果相加。
1.二维卷积二维卷积matlab演示：
5×5的矩阵a与3×3的矩阵b相卷积：
二维卷积图示（图中卷积核翻转还是和原来一样）：
所谓两个函数的卷积，本质上就是先将一个函数翻转，然后进行滑动相应位置相乘然后再叠加。
一维卷积matlab演示：
一维卷积图示（注意卷积核是翻转后的）：
卷积结果的长度=数据长度+卷积核长度-1。
总而言之卷积的本质就是 翻转→滑动（对应相乘）→叠加的结果。
二、池化层池化即降采样，即降低数据的大小，池化方法主要有最大池化、平均池化，其中最常用的就是最大池化。
一维最大池化过程：
简而言之就是在卷积结果中以步长为2提取相邻结果的最大值。减少了特征，导致参数减少，进而简化卷积网络计算时的复杂度。
数据长度为10，卷积的结果我们取和数据长度一样的长度，池化结果的长度为5。
这里只说怎么做，原理自行了解，简而言之就是将最终多个通道的卷积结果拼接成一条数据。
波形识别网络如下：
网络层输入详细输出第一层卷积1通道 100点数据6个卷积核，卷积核元素为56通道 每通道100点数据第一层池化6通道 每通道100点数据最大池化6通道 每通道50点数据第二层卷积6通道 每通道50点数据16个卷积核，卷积核元素为516通道 每通道50点数据第二层池化16通道 每通道50点数据最大池化16通道 每通道25点数据第三层卷积16通道 每通道25点数据16个卷积核，卷积核元素为516通道 每通道25点数据全连接16通道 每通道25点数据数据拼接1通道 400点数据网络层参数分析：
训练、训练、训练，训练的结果是什么？无非就是下面的权重和偏置参数。知道这些参数导入到FPGA搭建的加速网络里面，完整的人工智障CNN就搭建出来了。
网络图形化展示：
第一层卷积+池化：
输入：输入为1通道，数据长度为100（我们要识别的波形数据）。
卷积核：卷积核个数为6（训练出来的）。
卷积输出：6通道，数据长度为100（池化要用的）。
池化输出：6通道，数据长度为50（下一层卷积滴输入）。
第二层卷积+池化
输入：输入为6通道，数据长度为50（上一层卷积的输出）。
卷积核：卷积核个数为16（训练出来的）。
卷积输出：16通道，数据长度为50（池化要用的）。
池化输出：16通道，数据长度为25（下一层的输入）。
第三层卷积+全连接
输入：输入为16通道，数据长度为25（上一层的输出）。
卷积核：卷积核个数为16（训练出来的）。
卷积输出：16通道，数据长度为25（全连接要用的）。
全连接输出：1通道，数据长度为400（网络最终输出一条数据）。
三层卷积做完了那到底是什么波？
全连接输出了1通道400点的数据。
全连接参数为3个通道400点的参数。
让这3个通道分别和1通道全连接的输出相乘相加输出三个数。
三个数分别对应正弦波、drdwx、三角波。
总结一下：
输入：
CNN网络的输入就是下面数据集的中任意一个波形的100个点：
每一层的卷积核、偏置、以及全连接的权重和偏置：
每一层的卷积核、偏置是通过类似上面大量的数据集训练出来的，后面给代码，偏置其实就是卷积的结果后面加一个常量，到后面实践就知道了。
输出结果：
因为我们识别的种类为三种，我们训练的时候会给三种波形打上标签①②③，最终人工智障CNN网络就会算出三个结果，三个结果取最大的，该值对应哪个标签，就是识别结果。
训练时的标签顺序为正弦波、drdwx、三角波，及最终的三个数据结果哪个大就是哪种波形。
1.正弦波识别100点 信噪比:3.4226的正弦波导入网络
FPGA计算结果：
转换为小数：
Matlab计算结果：
100点 信噪比:-4.8721的drdwx导入网络
FPGA计算结果：
转换为小数：
Matlab计算结果：
以下100点三角波导入网络
FPGA计算结果：
转换为小数：
Matlab计算结果：
因为涉及到数据的量化和浮点数转定点数，数据有一定的偏差，但是不会影响最终结果。
图中可以看到，当数据xdata进入FPGA开始到计算完成消耗200多个时钟周期。
七、资源占用情况因为就想试试他最快能跑多快，所以用了大量的DSP，下一节来说这些DSP都用在了哪里。
正在写。。。
★★★如有错误欢迎指导！！！