摘要

語(yǔ)音關(guān)鍵詞識(shí)別(Keyword Spotting, KWS)技術(shù)已普遍應(yīng)用在以電池為主的供電設(shè)備中，對(duì)于此類(lèi)設(shè)備低功耗是一個(gè)重要考慮的因素。然而，單獨(dú)的低功耗神經(jīng)網(wǎng)絡(luò)因注重功耗的降低，難以適應(yīng)高噪聲環(huán)境下的使用，為了能靈活適應(yīng)不同噪聲場(chǎng)景，并盡可能降低系統(tǒng)功耗與面積，本文提出了一種基于蜂鳥(niǎo)E203和神經(jīng)網(wǎng)絡(luò)硬件加速器的自適應(yīng)噪聲環(huán)境超低功耗語(yǔ)音關(guān)鍵詞識(shí)別系統(tǒng)。

本文設(shè)計(jì)的SoC系統(tǒng)處理器基于RISC-V指令集，通過(guò)NICE協(xié)處理器接口接入所設(shè)計(jì)的語(yǔ)音識(shí)別神經(jīng)網(wǎng)絡(luò)加速器，處理器通過(guò)自定義指令可控制加速器開(kāi)關(guān)并讀取運(yùn)算數(shù)據(jù)，數(shù)據(jù)最后通過(guò)E203處理器處理并將識(shí)別結(jié)果實(shí)時(shí)顯示在OLED屏上，同時(shí)可通過(guò)語(yǔ)音控制OLED屏上的貪吃蛇小游戲。此外，該系統(tǒng)可針對(duì)低信噪比和高信噪比噪聲環(huán)境切換不同精度的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)在噪聲持續(xù)變化的環(huán)境中，根據(jù)信噪比大小自動(dòng)選擇合適的工作模式。在語(yǔ)音識(shí)別加速器算法上，本文實(shí)現(xiàn)了基于SNR預(yù)測(cè)模塊的神經(jīng)網(wǎng)絡(luò)。第一，本文引入了SNR預(yù)測(cè)模塊，對(duì)環(huán)境噪聲進(jìn)行預(yù)測(cè)。在高信噪比環(huán)境下使用超低功耗的近似權(quán)重二值化神經(jīng)網(wǎng)絡(luò)(Binary Weight Neural Network, BWN)，在低信噪比環(huán)境下使用帶噪聲訓(xùn)練的精確BWN神經(jīng)網(wǎng)絡(luò)。第二，在高信噪比環(huán)境下，為了降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜度，本文針對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練提出了逐步量化方案，篩選出適合將網(wǎng)絡(luò)權(quán)重量化到1bit的網(wǎng)絡(luò)模型，引入近似計(jì)算單元以降低功耗，同時(shí)針對(duì)能量化為BWN的網(wǎng)絡(luò)模型，采用軟硬件協(xié)同設(shè)計(jì)的方法進(jìn)行算法定制優(yōu)化，整體算法能實(shí)現(xiàn)12個(gè)語(yǔ)音關(guān)鍵詞的識(shí)別，在近麥克風(fēng)語(yǔ)音環(huán)境下準(zhǔn)確率為89.1%，在15dB信噪比環(huán)境下準(zhǔn)確率為86.5%。第三，在低信噪比環(huán)境下，為了不降低神經(jīng)網(wǎng)絡(luò)的識(shí)別率，本文選擇帶噪聲訓(xùn)練的精確BWN神經(jīng)網(wǎng)絡(luò)，在0dB信噪比環(huán)境下準(zhǔn)確率為88%。

本文基于TSMC 22nm ULL工藝，完成了語(yǔ)音識(shí)別加速器的綜合(Design Compiler, DC)、功耗分析(PrimeTime PX, PTPX)以及后端版圖設(shè)計(jì)工作，版圖設(shè)計(jì)面積為0.6mm2。當(dāng)工作頻率為250kHz，IO驅(qū)動(dòng)電壓為1.8V，SRAM電壓為0.6V，logic電路電壓為0.39V時(shí)可以實(shí)現(xiàn)對(duì)語(yǔ)音關(guān)鍵詞的實(shí)時(shí)判斷，HVT工藝下加速器芯片功耗約為6.7μW。

系統(tǒng)功能介紹

圖1 自適應(yīng)噪聲環(huán)境的超低功耗語(yǔ)音關(guān)鍵詞識(shí)別系統(tǒng)功能框圖

自適應(yīng)噪聲環(huán)境的超低功耗語(yǔ)音關(guān)鍵詞識(shí)別系統(tǒng)總體功能框圖如上圖1所示，總體功能框圖主要分為E203處理器部分、語(yǔ)音識(shí)別加速器部分，以及軟硬件分別驗(yàn)證成功后的SoC系統(tǒng)搭建部分，各部分實(shí)現(xiàn)的功能如下所述：

E203處理器實(shí)現(xiàn)功能：E203處理器主要負(fù)責(zé)通過(guò)在軟件與硬件語(yǔ)音識(shí)別加速器之間進(jìn)行控制與數(shù)據(jù)讀寫(xiě)，并通過(guò)按鍵與屏幕顯示的方式實(shí)現(xiàn)良好的人機(jī)交互體驗(yàn)，其主要包括如下三個(gè)部分：NICE接口、加速器控制以及OLED顯示。

NICE接口：NICE接口部分實(shí)現(xiàn)了通過(guò)E203處理器對(duì)語(yǔ)音識(shí)別加速器的控制與數(shù)據(jù)讀寫(xiě)，語(yǔ)音識(shí)別加速器通過(guò)標(biāo)準(zhǔn)的NICE接口接入E203處理器中，在NICE接口中自定義指令，接收E203發(fā)送的從加速器控制部分寫(xiě)入的指令，實(shí)現(xiàn)對(duì)語(yǔ)音識(shí)別加速器的開(kāi)啟和關(guān)閉，并持續(xù)使用寄存器接收加速器運(yùn)行結(jié)果，接收的運(yùn)行結(jié)果通過(guò)NICE接口返回到E203處理器中，并傳送到OLED顯示部分。

加速器控制：語(yǔ)音識(shí)別加速器控制部分首先在軟件實(shí)現(xiàn)了NICE自定義指令的函數(shù)，通過(guò)實(shí)現(xiàn)加速器開(kāi)關(guān)函數(shù)以及全局變量的控制，實(shí)現(xiàn)軟件控制加速器的開(kāi)啟和關(guān)閉。此外，通過(guò)接入外部的按鍵中斷實(shí)現(xiàn)按鍵控制語(yǔ)音識(shí)別的開(kāi)啟和關(guān)閉。

OLED顯示：OLED顯示部分通過(guò)E203處理器接收NICE接口返回的運(yùn)行結(jié)果，對(duì)運(yùn)行結(jié)果進(jìn)行處理，得到每次的關(guān)鍵詞識(shí)別結(jié)果以及當(dāng)前所處的噪聲場(chǎng)景。處理后得到的結(jié)果，通過(guò)軟件與E203處理器驅(qū)動(dòng)連接的OLED屏幕，并實(shí)時(shí)顯示在屏幕上。

語(yǔ)音識(shí)別加速器部分主要實(shí)現(xiàn)了通過(guò)使用數(shù)字硅麥對(duì)當(dāng)前環(huán)境聲音進(jìn)行采樣，對(duì)輸入語(yǔ)音信號(hào)進(jìn)行MFCC特征提取以及SNR噪聲預(yù)測(cè)，提取后的特征作為神經(jīng)網(wǎng)絡(luò)的輸入，在經(jīng)過(guò)SNR噪聲預(yù)測(cè)選擇使用不同的網(wǎng)絡(luò)模塊后，輸入進(jìn)對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)當(dāng)中，神經(jīng)網(wǎng)絡(luò)將輸入特征進(jìn)行運(yùn)算、處理后，得到最終識(shí)別的結(jié)果，并通過(guò)NICE接口返回E203處理器當(dāng)中，其主要包括如下三個(gè)部分，I2S模塊、MFCC模塊、神經(jīng)網(wǎng)絡(luò)模塊以及數(shù)據(jù)流調(diào)度和系統(tǒng)控制部分。

I2S模塊：I2S模塊主要用于將數(shù)字硅麥輸入的串行信號(hào)緩存并轉(zhuǎn)成并行數(shù)據(jù)輸出到MFCC中，其硬件功能實(shí)現(xiàn)主要通過(guò)接口設(shè)計(jì)對(duì)輸入輸出信號(hào)定義的接口進(jìn)行規(guī)范設(shè)計(jì)，并輸出對(duì)硅麥的控制信號(hào)，數(shù)據(jù)緩存用于將輸入的串行數(shù)據(jù)暫存、轉(zhuǎn)化成并行數(shù)據(jù)，以及最后將并行數(shù)據(jù)輸出的輸出部分。

MFCC模塊：MFCC模塊主要用于將輸入的語(yǔ)音信號(hào)進(jìn)行特征提取，轉(zhuǎn)化成更易于神經(jīng)網(wǎng)絡(luò)識(shí)別的特征數(shù)據(jù)，此外，還通過(guò)SNR預(yù)測(cè)模塊對(duì)輸入語(yǔ)音信號(hào)的噪聲場(chǎng)景進(jìn)行區(qū)分。MFCC算法的實(shí)現(xiàn)主要分為預(yù)加重、分幀、FFT，梅爾濾波，以及SNR噪聲預(yù)測(cè)算法。硬件功能的實(shí)現(xiàn)主要分為接口的設(shè)計(jì)、MFCC和SNR預(yù)測(cè)的算法實(shí)現(xiàn)，數(shù)據(jù)測(cè)試以及功能實(shí)現(xiàn)部分。

神經(jīng)網(wǎng)絡(luò)模塊：神經(jīng)網(wǎng)絡(luò)模塊主要用于將MFCC輸出的特征信號(hào)通過(guò)前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)算并輸出最終的識(shí)別精度。在算法層次部分，神經(jīng)網(wǎng)絡(luò)模塊主要分為卷積層、全連接（FC）層，以及之間的RELU、BN層，算法部分通過(guò)MATLAB搭建并訓(xùn)練得出識(shí)別精度，驗(yàn)證了模型的可行性，在低噪聲場(chǎng)景下，為滿足低功耗的需求，采用DOREFA量化二值化與近似計(jì)算單元相結(jié)合的方式，而在高噪聲場(chǎng)景下，為滿足抗噪聲需求，采用帶噪聲訓(xùn)練與精確計(jì)算相結(jié)合的方式。硬件實(shí)現(xiàn)部分主要是將前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行電路上的設(shè)計(jì)與實(shí)現(xiàn)，主要分為神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)，包括卷積層、FC層、BN層以及RELU層的電路實(shí)現(xiàn)，權(quán)重、數(shù)據(jù)的存儲(chǔ)以及數(shù)據(jù)調(diào)度。

控制模塊：系統(tǒng)控制模塊與數(shù)據(jù)調(diào)度主要負(fù)責(zé)控制整體的加速器系統(tǒng)結(jié)構(gòu)以及各個(gè)功能模塊之間的數(shù)據(jù)流調(diào)度。

E203處理器部分實(shí)現(xiàn)的功能主要通過(guò)C語(yǔ)言進(jìn)行軟件代碼的編寫(xiě)，并在IDE上進(jìn)行調(diào)試，語(yǔ)音識(shí)別加速器部分的功能實(shí)現(xiàn)主要通過(guò)Verilog進(jìn)行編寫(xiě)，仿真后燒錄到FPGA板上進(jìn)行功能驗(yàn)證。兩部分均完成后，通過(guò)Nuclei_Studio IDE將軟件代碼燒錄到開(kāi)發(fā)板上進(jìn)行整體SoC的搭建及功能驗(yàn)證。

系統(tǒng)架構(gòu)介紹

架構(gòu)設(shè)計(jì)

圖2 自適應(yīng)噪聲環(huán)境的超低功耗語(yǔ)音關(guān)鍵詞識(shí)別系統(tǒng)架構(gòu)設(shè)計(jì)框圖

自適應(yīng)噪聲環(huán)境的超低功耗語(yǔ)音關(guān)鍵詞識(shí)別系統(tǒng)架構(gòu)設(shè)計(jì)框圖如上圖2所示，蜂鳥(niǎo)E203核通過(guò)系統(tǒng)存儲(chǔ)總線訪問(wèn)FLASH存儲(chǔ)，F(xiàn)LASH用于存放燒錄進(jìn)開(kāi)發(fā)板的軟件代碼，此外，系統(tǒng)存儲(chǔ)總線還連接JTAG接口用于外部的軟件調(diào)試和代碼的燒錄。E203核還通過(guò)私有設(shè)備總線訪問(wèn)GPIO，GPIO外接按鍵中斷以及OLED屏幕，以外部的控制輸入及顯示輸出。處理器核還通過(guò)NICE協(xié)處理器接口訪問(wèn)語(yǔ)音識(shí)別加速器，并進(jìn)行指令的寫(xiě)入與運(yùn)算結(jié)果的讀出。

語(yǔ)音加速器主要I2S模塊、MFCC架構(gòu)以及神經(jīng)網(wǎng)絡(luò)加速器模塊組成，外部的語(yǔ)音輸入通過(guò)數(shù)字硅麥接收，并將串行輸入數(shù)據(jù)輸入I2S模塊，同時(shí)I2S模塊輸出數(shù)字硅麥的片選、聲道選擇等控制信號(hào)。

I2S模塊由數(shù)據(jù)接收、異步FIFO、以及數(shù)據(jù)預(yù)處理三個(gè)部分組成。數(shù)據(jù)接收用于接收外部串行輸入信號(hào)并進(jìn)行移位寄存，輸出32bit的并行數(shù)據(jù)，異步FIFO用于將輸出32bit并行數(shù)據(jù)暫存，并同步到讀時(shí)鐘域，當(dāng)讀使能信號(hào)到來(lái)后，32bit的輸出經(jīng)過(guò)數(shù)據(jù)預(yù)處理，最終轉(zhuǎn)化成13bit有效輸出輸入到MFCC模塊當(dāng)中。

MFCC模塊的硬件架構(gòu)主要由預(yù)加重、分幀、FFT、Mel濾波、以及SNR預(yù)測(cè)模塊組成，各個(gè)模塊架構(gòu)主要負(fù)責(zé)實(shí)現(xiàn)對(duì)應(yīng)的功能及算法（如基-2FFT、CODIC算法、SNR預(yù)測(cè)算法），模塊之間除直接進(jìn)行輸入輸出外，還有相應(yīng)的存儲(chǔ)RAM和輸出RAM負(fù)責(zé)數(shù)據(jù)的調(diào)度。MFCC模塊實(shí)現(xiàn)對(duì)語(yǔ)音輸入的特征提取，并輸出到神經(jīng)網(wǎng)絡(luò)加速器模塊當(dāng)中。

在神經(jīng)網(wǎng)絡(luò)加速器模塊，首先需要在軟件層次進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定、以及BWN網(wǎng)絡(luò)模型參數(shù)的訓(xùn)練驗(yàn)證，在硬件架構(gòu)層次上則要實(shí)現(xiàn)對(duì)應(yīng)的前饋神經(jīng)網(wǎng)絡(luò)每層運(yùn)算需要的算法以及整體的控制與數(shù)據(jù)調(diào)度。神經(jīng)網(wǎng)絡(luò)硬件架構(gòu)主要分為網(wǎng)絡(luò)層控制器、訪存控制器、以及存儲(chǔ)和計(jì)算單元，其中，網(wǎng)絡(luò)層控制器負(fù)責(zé)架構(gòu)整體的控制，當(dāng)前層的確定以及不同層的切換。訪存控制器在接收網(wǎng)絡(luò)層控制器的控制信號(hào)后，負(fù)責(zé)將當(dāng)前層所需數(shù)據(jù)從存儲(chǔ)單元調(diào)度到計(jì)算單元，以及當(dāng)前層計(jì)算完成后將運(yùn)算完成的輸出數(shù)據(jù)寫(xiě)回存儲(chǔ)單元。存儲(chǔ)單元主要分為數(shù)據(jù)存儲(chǔ)RAM以及權(quán)重存儲(chǔ)RAM，分別負(fù)責(zé)存儲(chǔ)每一層所需的輸入數(shù)據(jù)以及相應(yīng)的權(quán)重。計(jì)算單元主要負(fù)責(zé)對(duì)應(yīng)計(jì)算算法的實(shí)現(xiàn)，PE陣列實(shí)現(xiàn)數(shù)據(jù)與權(quán)重的卷積/二值，以及全連接運(yùn)算，BN_RELU則用于實(shí)現(xiàn)對(duì)應(yīng)的激活函數(shù)以及歸一化函數(shù)。

其次，從低功耗角度出發(fā)，我們?cè)O(shè)計(jì)了復(fù)用的PE子計(jì)算，可適配完成卷積（二值）和全連接（二值全連接）計(jì)算，重新調(diào)整了神經(jīng)網(wǎng)絡(luò)加速器模塊的數(shù)據(jù)調(diào)度方式，減少了整個(gè)電路的面積。

版圖設(shè)計(jì)

對(duì)于語(yǔ)音識(shí)別加速器模塊，我們還完成了后端版圖設(shè)計(jì)，如下圖3所示，具體的面積參數(shù)如下表1所示。電路綜合后的功耗細(xì)節(jié)圖如下圖4所示，整體電路的功耗為6.70uW，其中神經(jīng)網(wǎng)絡(luò)加速器模塊的功耗為3.66uW，MFCC模塊功耗為1.07uW，I2S模塊和其他模塊功耗為0.45uW。圖4(b)展示了電路中組合邏輯功耗、寄存器功耗以及SRAM功耗占比，可以看到訪存功耗占比為67.6%，寄存器功耗占比為19.3%，組合邏輯功耗占比為13.1%，由此可見(jiàn)本電路實(shí)際的計(jì)算功耗占比較少，這得益于所采用的權(quán)重二值化處理方式，使得電路大量的乘法操作變?yōu)榧臃ú僮鳌?/p>

表1 版圖參數(shù)

圖3 神經(jīng)網(wǎng)絡(luò)加速器模塊的VLSI實(shí)現(xiàn)版圖設(shè)計(jì)

圖4 神經(jīng)網(wǎng)絡(luò)加速器模塊的 VLSI實(shí)現(xiàn)功耗占比

硬件加速器詳細(xì)設(shè)計(jì)

高噪聲環(huán)境——帶噪聲精確BWN神經(jīng)網(wǎng)絡(luò)

在高噪聲場(chǎng)景中，語(yǔ)音信號(hào)的信噪比往往很低，因此，本系統(tǒng)采用精度較高的精確BWN神經(jīng)網(wǎng)絡(luò)，同時(shí)在訓(xùn)練集中加載了0dB的白噪聲訓(xùn)練，實(shí)現(xiàn)噪聲場(chǎng)景下的高精度。

低噪聲環(huán)境——無(wú)噪聲近似BWN神經(jīng)網(wǎng)絡(luò)

在低噪聲場(chǎng)景中，輸入的語(yǔ)音信號(hào)相對(duì)來(lái)說(shuō)更為清晰，被系統(tǒng)識(shí)別到的難度更低，在電路實(shí)現(xiàn)中，滿足性能要求前提下功耗是衡量電路設(shè)計(jì)的重要指標(biāo)之一，完全可以采用加入近似計(jì)算單元的功耗BWN來(lái)設(shè)計(jì)，同時(shí)去除數(shù)據(jù)集中的白噪聲，使用clean的數(shù)據(jù)集訓(xùn)練，最終識(shí)別精度并沒(méi)有下降太多。該方案在不增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度，不增加網(wǎng)絡(luò)深度和神經(jīng)元個(gè)數(shù)的情況下，使系統(tǒng)在常開(kāi)工作時(shí)的功耗更低。

由于神經(jīng)網(wǎng)絡(luò)具有天然容錯(cuò)性，有許多傳統(tǒng)的近似乘法單元曾經(jīng)被應(yīng)用在DNN神經(jīng)網(wǎng)絡(luò)中，比如截?cái)噙M(jìn)位乘法器，共享乘法器，迭代對(duì)數(shù)乘法器等。雖然BWN網(wǎng)絡(luò)權(quán)重已經(jīng)量化到了1bit， 但是仍然保有繼續(xù)優(yōu)化的空間。在3×3的卷積核里，會(huì)有9個(gè)16bit的數(shù)據(jù)進(jìn)行位運(yùn)算，之后這9個(gè)數(shù)據(jù)再累加，輸出卷積核最后的結(jié)果。9個(gè)數(shù)據(jù)的累加最終會(huì)得到一個(gè)最大為20bit的數(shù)據(jù)，對(duì)于一個(gè)20bit的數(shù)據(jù)來(lái)說(shuō)，在其低位如果有部分信息丟失，其實(shí)對(duì)整個(gè)數(shù)據(jù)的整體精度影響不大，況且神經(jīng)網(wǎng)絡(luò)本身就帶有一定的容錯(cuò)性，微小的誤差可能并不會(huì)對(duì)網(wǎng)絡(luò)的結(jié)果帶來(lái)極大的變動(dòng)，但是從硬件電路的實(shí)現(xiàn)角度來(lái)考慮，引入近似計(jì)算可較大地降低整個(gè)電路的功耗以及面積，十分具有研究?jī)r(jià)值，正是基于上述考量，來(lái)評(píng)估在加法運(yùn)算中引入近似的可行性。

乘法運(yùn)算涉及到移位、位運(yùn)算和累加三個(gè)過(guò)程，因此能夠?qū)崿F(xiàn)近似的空間更大，對(duì)于純累加的運(yùn)算過(guò)程，能夠使用近似的就是在單個(gè)加法器了，最常用的加法器近似手段則是LOA，即Low Or Adder，低位或門(mén)加法器，用邏輯或門(mén)來(lái)替換低位的加法器來(lái)實(shí)現(xiàn)近似，其電路結(jié)構(gòu)如圖5所示：

圖5 LOA加法器

面向多信噪比的KWS神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

在前面已經(jīng)提出了本系統(tǒng)的兩種神經(jīng)網(wǎng)絡(luò)，在本節(jié)中，將對(duì)網(wǎng)絡(luò)中的主要模塊進(jìn)行可重構(gòu)復(fù)用設(shè)計(jì)，可以從模塊級(jí)了解本文的神經(jīng)網(wǎng)絡(luò)的具體工作模式。由前文中可知神經(jīng)網(wǎng)絡(luò)算法中在面向高信噪比語(yǔ)音環(huán)境時(shí)，為了降低功耗，使用了LOA近似計(jì)算單元。具體結(jié)構(gòu)如圖6。

圖6 CNN加速器架構(gòu)圖

如圖6所示的是在語(yǔ)音關(guān)鍵詞分類(lèi)模塊中，語(yǔ)音數(shù)據(jù)和權(quán)重?cái)?shù)據(jù)分別存儲(chǔ)在SRAM中，當(dāng)SNR預(yù)測(cè)模塊得到的是低信噪比的噪聲環(huán)境時(shí)，語(yǔ)音數(shù)據(jù)經(jīng)過(guò)可重構(gòu)PE_ARRAY陣列模塊進(jìn)行網(wǎng)絡(luò)計(jì)算。當(dāng)SNR預(yù)測(cè)模塊得到的結(jié)果是高信噪比時(shí)，語(yǔ)音數(shù)據(jù)經(jīng)過(guò)可重構(gòu)PE_ARRAY陣列模塊進(jìn)行網(wǎng)絡(luò)計(jì)算。

如圖6所示，硬件中有三片sram，分別存儲(chǔ)語(yǔ)音數(shù)據(jù)，在高信噪比環(huán)境下的權(quán)重1和在低信噪比環(huán)境下的權(quán)重2。Memory controller模塊用于生成地址和計(jì)算時(shí)分別調(diào)用SRAM中的具體數(shù)據(jù)。Layer controller是使用狀態(tài)機(jī)控制當(dāng)前計(jì)算網(wǎng)絡(luò)所處層級(jí)?？芍貥?gòu)PE_ARRAY陣列模塊用于網(wǎng)絡(luò)計(jì)算，共有BN_RELU模塊用于每層卷積操作之后對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

軟件實(shí)現(xiàn)

自定義指令的編寫(xiě)

軟件實(shí)現(xiàn)最關(guān)鍵的問(wèn)題是實(shí)現(xiàn)RISC-V自定義指令并可以確實(shí)控制蜂鳥(niǎo)核里nice接口連接的協(xié)處理器，具體的語(yǔ)音識(shí)別加速器的設(shè)計(jì)在上一節(jié)已被充分介紹，蜂鳥(niǎo)E203的開(kāi)源核給我們拓展協(xié)處理器預(yù)留了nice接口，并且學(xué)習(xí)資料豐富，根據(jù)預(yù)留的拓展接口以及相應(yīng)的通信協(xié)議，我們成功把語(yǔ)音識(shí)別加速器掛載到核上面，具體不再贅述。

自適應(yīng)噪聲切換

在實(shí)現(xiàn)噪聲模塊功能這方面，我們團(tuán)隊(duì)提出了兩種方案，分別是根據(jù)SNR預(yù)測(cè)在硬件上設(shè)計(jì)電路的硬件方案以及在軟件上設(shè)置閾值來(lái)檢測(cè)環(huán)境的軟件方案。

硬件方案的具體思路是在運(yùn)算時(shí)，累加一段時(shí)間區(qū)間內(nèi)的語(yǔ)音信號(hào)能量，噪聲信號(hào)實(shí)際上就是能量的高低，噪聲越高信號(hào)中也就含有越多的能量，硬件方案正是基于這個(gè)思路來(lái)檢測(cè)環(huán)境噪聲強(qiáng)度。

而軟件方案則是借助我們系統(tǒng)內(nèi)蜂鳥(niǎo)E203處理器，利用處理器的靈活控制的特點(diǎn)，外接聲音檢測(cè)模塊，并設(shè)置一個(gè)噪聲閾值，當(dāng)模塊檢測(cè)到外部環(huán)境中的噪聲超過(guò)這個(gè)閾值時(shí)，給處理器發(fā)送一個(gè)低信號(hào)，而在處理器中則記錄低信號(hào)出現(xiàn)的次數(shù)，一段時(shí)間內(nèi)，如果出現(xiàn)低信號(hào)的次數(shù)超過(guò)了處理器中設(shè)置的高噪聲的閾值，那么可以認(rèn)為當(dāng)前環(huán)境噪聲較高，需要切換工作模式。

系統(tǒng)實(shí)物圖

致謝

在此表示衷心的感謝芯來(lái)科技設(shè)立的RISV-MCU 社區(qū)，社區(qū)中豐富的學(xué)習(xí)資料幫助我們團(tuán)隊(duì)快速上手了蜂鳥(niǎo)E203的初步使用，清晰的文件分類(lèi)讓我們查閱學(xué)習(xí)非常方便，跟社區(qū)中其他參賽隊(duì)伍交流也使得我們受益良多。

同時(shí)特別感謝社區(qū)中的胡燦等其他老師，我們團(tuán)隊(duì)在設(shè)計(jì)這個(gè)系統(tǒng)的過(guò)程中，遇到了許多問(wèn)題，胡燦老師平易近人，很耐心地解答問(wèn)題，讓我們學(xué)到了很多，幫助我們最終完成了整個(gè)系統(tǒng)。

感謝芯來(lái)科技的創(chuàng)始人胡振波先生，胡先生為了RISC-V在國(guó)內(nèi)的推廣殫精竭慮，特別編寫(xiě)了基于RISC-V的開(kāi)源蜂鳥(niǎo)核E203，十分令人傾佩，我們團(tuán)隊(duì)購(gòu)買(mǎi)了先生編寫(xiě)的《嵌入式開(kāi)發(fā)快速入門(mén)》和《教你設(shè)計(jì)CPU》兩本書(shū)，學(xué)習(xí)書(shū)中的內(nèi)容讓我們團(tuán)隊(duì)在應(yīng)用蜂鳥(niǎo)核時(shí)更加得心應(yīng)手。

在項(xiàng)目設(shè)計(jì)之初，我們團(tuán)隊(duì)也遇到很多問(wèn)題，能解決這些問(wèn)題，得益于隊(duì)友之間的信任和鼓勵(lì)，也得益于大賽組委會(huì)給大家提供了這樣的優(yōu)秀平臺(tái)。希望集創(chuàng)賽可以越辦越好！

審核編輯 ：李倩