Wavelet-driven Partial Binary Quantization for accelerating deep-learning-based spectrum sensing in embedded systems

doi:10.1016/j.sysarc.2026.103842

Wavelet-driven Partial Binary Quantization for accelerating deep-learning-based spectrum sensing in embedded systems

2026-05-30

0

PRE

AI

DOI：10.1016/j.sysarc.2026.103842

原文链接

原文求助

摘要

En 中文

新兴认知无线电在物联网及其他资源受限嵌入式系统中的应用需要紧凑且准确的基于深度学习的频谱感知模型。然而，传统的模型压缩方法往往因忽略频谱数据独特的频域特性而导致严重的性能下降。本研究提出了一种基于小波的部分二值量化（WPBQ）方法，通过联合利用小波能量和余弦相似性来评估核重要性，从而在部分二值化过程中更好地保留频率关键信息。为支持高效部署，我们进一步设计了SSAcc，一种配备异构GEMMFixed和GEMMBin引擎的FPGA加速器，以协同执行定点和二值计算。实验结果表明，WPBQ在保持接近全精度准确率的同时实现了8.2倍的压缩比，并在频谱感知任务中持续优于XNOR-Net和Bi-Real等代表性二值量化方法。与现有二值量化方法相比，WPBQ在不同二值化设置下将准确率提升4.6%–19.9%。所提出的加速器进一步为典型嵌入式处理器提供了显著的加速和内存减少，展示了所提出的软硬件协同设计在实时嵌入式频谱感知中的有效性。

Wavelet-driven Partial Binary Quantization for accelerating deep-learning-based spectrum sensing in embedded systems

摘要

期刊

机构

引用论文