基于STM32的TMS320VC5510 HPI引导启动研究和实现

介绍TMS320VC5510 HPI接口操作方法.分析STM32的FSMC控制器与HPI接口硬件电路连接和时序控制问题,并实现对HPI接口的控制,实现TMS320VC5510的HPI接口引导启动.实验证明,该方案适合于带有DSP的多处理器系统.     

基于多DSP的红外目标跟踪系统设计与实现

提出了一种新的基于多片TMS320C6414DSP的EMIF与HPI接口互联并与McBSP接口互联构成松耦合级联的多DSP并行流水处理平台。通过与大规模的可编程逻辑器件FPGA的配合使用,设计实现了一套具有高实时性、良好的扩展性和多扩展接口等特点的多DSP实时红外目标跟踪系统。     

PC/104总线与TMS320VC5402 HPI口通信的解决方案

介绍了TI公司信号处理芯片TMS320VC5402HPI穴主机接口雪的结构及主要特点,提出了HPI接口与PC/104总线进行通信连接的设计方案。该方案充分利用DSP的HPI接口功能,实现了主机实时读/写DSP任意片内存储单元的内容。     

ARM与DSP之间视频数据可靠传输的设计与实现

在由ARM+DSP组成的嵌入式视频处理平台当中,需要将视频数据从DSP端发送给ARM处理器,以便ARM将视频数据传输到远端服务器进行处理.提供了一种ARM与DSP双核之间视频数据通信的解决方案,并介绍了ARM与DSP之间通过HPI进行连接的硬件电路设计.在HPI接口驱动程序的设计中,基于Linux中断处理机制定义并实现了一种实用的视频数据通信协议,从而实现了ARM与DSP双核之间视频数据的可靠传榆.     

基于DSP和FPGA的实时图像采集处理系统的设计

针对目前对图像采集处理系统的高速性和便携性的要求,设计了一套基于DSP、FPGA和ARM9的实时图像采集处理系统.该系统主要利用FPGA的SoPC系统定制NiosⅡ软核处理器及相关外设IP核来完成图像数据的采集和存储.DSP通过EMIF接口和EDMA接口完成数据的搬移和图像处理的算法.ARM作为主机,通过HPI接口与DSP进行数据通信.结果表明,该平台工作性能稳定,处理能力强,能完成算法的数据处理并对数据实时显示,适用于自动循迹、模式识别等高速数据采集的应用场合.     

基于ARM S3C2410与TMS320C6416的接口设计

以Samsung公司的ARM9系列的S3C2410和TI公司的TMS320C6416为例,详细介绍S3C2410芯片外部I/O与C6416芯片HPI口硬件连接技术和基于ARM uClinux的HPI驱动程序开发.设计结果实现了接口数据稳定快速读写,此设计方案对其他双核接口设计开发有很好的指导作用.     

DSP主机接口和PC机并行接口的接口电路的设计

描述了TI的C5000系列的DSP的主机接口(HPI)与PC机的并行接口(ECP模式PS/2子模式)进行连接的硬件设计方案,并提出在各种Windows操作系统下对接口进行操作的驱动软件的解决方法.该方案充分利用了DSP的HPI接口的特点,采用了少量的逻辑电路,实现了PC并行接口和DSP的主机接口的双向连接,使PC机能实时读写DSP任意片内存储单元的内容,控制DSP系统的运行.     

ARM与DSP双核系统中的通信接口设计

为解决ARM与DSP双核系统中双处理器之间的通信问题,实现二者之间可靠、高效、稳定地通信,提出了基于主机接口(HPI)进行双处理器通信的接口设计方法。对设计所采用的S3C6410和TMS320DM642两款处理器进行了简要的介绍,分析了HPI接口的特点、内部构成及工作原理,在此基础上详细阐述了系统硬件电路设计方案以及Linux下接口驱动程序设计。长期的运行测试结果验证了该设计的准确性和有效性,对嵌入式系统设计具有一定的应用价值。     

基于DSP+ARM架构的协议转换器设计

介绍基于DSP+ARM架构协议转换器的系统组成及其工作原理,给出了DSP通过EMIF接口与FPGA无缝连接的接口实现,DSP通过HPI接口与ARM高速接口的实现,以及基于ARM的高速以太网接口。简要介绍了基于嵌入式操作系统μClinux的网络编程,给出了实验结果。     

多处理器系统中HPI设计与应用

在使用DSP的多处理器系统设计中,主机与目标系统的数据交换是一个重要的课题,下文比较了数据交换所采用的各种技术,包括DMA、全局存储器和HPI（Host prot interface),并通过TI（Texas Instrument)的典型芯片TMS320C54x着重讨论了HPI接口的硬件结构与软件编程。     

一种低功耗水下目标识别系统设计

针对新一代水下长期值更的被动目标识别系统的开发需求,研究并开发了一种低功耗、识别实时、准确的目标识别系统,该系统以低功耗芯片MSP430F5438与TMS320C5509A处理器为核心,配合大动态范围的模拟预处理系统,构建硬件平台,利用目标信号的小波变换域特征和轴频特征,实现了对舰船目标信号的识别和大小船分类;湖上和海上实验识别结果表明设计的系统平均正确检测概率达到83%,满足实际应用要求;由于采用周期性上电识别模式和超低功耗设计理论,设计的系统工作功耗低,识别算法全速运行时仍小于70mW,满足水下长期值更工作的特殊要求,有很好的开发应用前景。     

ARM与DSP双核视频交通检测系统通信接口设计

研究了基于ARM微处理器S3C2410A与TMS320C6211 DSP双核体系结构的嵌入式交通信息视频检测系统的设计方案，设计了ARM和DSP系统单元间通信接口的硬件连接方案和驱动程序。ARM系统单元采用ARM-Linux嵌入式操作系统，通过DSP的HPI接口与DSP系统单元进行通信，将其看作一个字符型外部设备进行读写操作。系统具有性能高、功耗和成本低、稳定性和实时性好、可扩展性强等优点。     

VisualDSP中多目标定位算法仿真研究

多目标方位估计(DOA)是水下进行目标探测的关键技术。高分辨目标DOA算法具有良好的工程应用前景。在水下多目标DOA的多处理器硬件平台上,实现了基于特征分解的多种高分辨DOA算法,并用水池实验数据进行了仿真研究,对算法的运算时间和方位估计的性能进行了分析。实验结果表明,系统能够实时完成高分辨DOA算法,波束域方法比阵元域方法性能优越,具有良好的方位估计性能和实时处理能力,满足了工程技术要求。     

水下传感器网络节点定位信号检测的设计

针对水下环境的特殊性和水声定位系统的要求,为降低检测水声定位信号的复杂度和硬件资源消耗,能够准确检测定位基站发射的水声定位信号,为目标基站的定位提供实时、快速的时延信息,根据水声定位信号的特点,采用码元匹配检波和编码定位信号相关的方法,确定水声定位信号的到达时间,并以FPGA为平台利用VHDL语言对水声定位信号的检测设...     

低功耗水下自主导航系统设计

以微处理器586 -engine为控制核心,采用模型辅助的自主导航算法设计了一种水下自主导航系统.该系统能够实时采集多个外部传感器数据并对数据进行实时解算,同时满足低成本、低功耗和长航时的要求.搭建了整个系统硬件平台,通过陆上跑车实验对整个实时导航系统进行了满足一定精度的简单实验验证,验证了系统的实时性和可行性.     

HPI主机接口在双DSP系统中的应用

介绍了HPI接口在DSP应用中的特点和优越性,结合一个基于双DSP硬件平台的某制导控制系统应用实例,全面分析HPI接口通信的硬件和时序要求,在查询的方式下建立了一套实时、高效的通信规约。     

STM32 L水下记录仪的软硬件低功耗设计

以水下记录仪为例,从硬件和软件两方面研究了基于STM32L系列微控制器的低功耗设计技术及本仪器所采用的方法。对系统组成及功能进行分析的基础上,设计了记录仪的低功耗策略。在硬件方面选用低功耗、高效率器件,并采用供电控制方法。在软件方面采用层次化、标准化的软件架构,减少代码冗余量。最后通过电压和电流对照实验,证明了本系统低功耗设计的有效性。     

A system on chip for melanoma detection using FPGA-based SVM classifier

Support Vector Machine (SVM) is a robust machine learning model that shows high accuracy with different classification problems, and is widely used for various embedded applications. However, implementation of embedded SVM classifiers is challenging, due to the inherent complicated computations required. This motivates implementing the SVM on hardware platforms for achieving high performance computing at low cost and power consumption. Melanoma is the most aggressive form of skin cancer that increases the mortality rate. We aim to develop an optimized embedded SVM classifier dedicated for a low-cost handheld device for early detection of melanoma at the primary healthcare. In this paper, we propose a hardware/software co-design for implementing the SVM classifier onto FPGA to realize melanoma detection on a chip. The implemented SVM on a recent hybrid FPGA (Zynq) platform utilizing the modern UltraFast High-Level Synthesis design methodology achieves efficient melanoma classification on chip. The hardware implementation results demonstrate classification accuracy of 97.9%, and a significant hardware acceleration rate of 21 with only 3% resources utilization and 1.69 W for power consumption. These results show that the implemented system on chip meets crucial embedded system constraints of high performance and low resources utilization, power consumption, and cost, while achieving efficient classification with high classification accuracy.     

基于PCI的声纳目标模拟器设计

基于计算机仿真技术,提出了一种新的低功耗、便携式声纳目标模拟器的设计方法.建立了水下目标回波的仿真模型,使用VC开发程序产生回波数据,通过计算机PCI总线输出到外围硬件系统.给出了目标模拟器的设计参数和硬件结构,验证系统设计的实时性.给出DMA工作方式下数据传输的设计方法,可编程逻辑器件的控制逻辑和驱动程序设计,解决了数据传输连续性的关键问题.通过与声纳系统的联调实验,证明该设计能够满足声纳系统的需求,显示出该设计广阔的应用前景.     

Exploiting performance counters to predict and improve energy performance of HPC systems

Hardware monitoring through performance counters is available on almost all modern processors. Although these counters are originally designed for performance tuning, they have also been used for evaluating power consumption. We propose two approaches for modelling and understanding the behaviour of high performance computing (HPC) systems relying on hardware monitoring counters. We evaluate the effectiveness of our system modelling approach considering both optimizing the energy usage of HPC systems and predicting HPC applications’ energy consumption as target objectives. Although hardware monitoring counters are used for modelling the system, other methods–including partial phase recognition and cross platform energy prediction–are used for energy optimization and prediction. Experimental results for energy prediction demonstrate that we can accurately predict the peak energy consumption of an application on a target platform; whereas, results for energy optimization indicate that with no a priori knowledge of workloads sharing the platform we can save up to 24% of the overall HPC system’s energy consumption under benchmarks and real-life workloads.