[发明专利]一种语音关键词检测专用芯片

说明书

本发明公开了一种语音关键词检测专用芯片。包括控制模块、时钟生成模块、MFCC特征提取模块、流式神经网络加速模块、输入接口和输出接口；控制模块分别分别与输入接口、MFCC特征提取模块、时钟生成模块、流式神经网络加速模块和输出接口连接；输入接口、MFCC特征提取模块、流式神经网络加速模块和输出接口依次连接，流式神经网络加速模块包括依次连接的残差前卷积层计算模块、三个残差层计算模块、平均池化层模块和全连接层计算模块。本发明设计了支持轻量级流卷积神经网络的语音关键词检测芯片架构，片上存储器容量少；各层计算间形成流水线，实现了低功耗、实时的语音关键词检测任务，识别的语音关键词个数多，识别准确度高。

技术领域

本发明涉及了一种流卷积神经网络芯片，具体是公开了一种语音关键词检测专用芯片，涉及了存储器内计算技术以及流卷积神经网络算法与芯片架构的软硬件协同设计技术。

背景技术

在传统的冯﹒诺依曼架构中，计算单元与存储器分离，完成计算首先需要从存储器中读取参与计算的操作数，送入计算单元完成计算后，再把结果写回存储器。在这一过程中，存储器访存操作以及计算单元运算操作消耗了大部分能量。不同于冯﹒诺依曼架构，存储器内计算技术把计算嵌入在存储器中，存储器除存储功能外，还可以执行计算，大幅降低了由于数据移动和存储器访问产生的能耗，并且计算由模拟电路实现，大大降低了计算功耗。

神经网络算法在图像识别，自然语言处理等领域展现出了优异的性能。目前基于神经网络的语音关键词检测算法主要包括多层感知器，循环神经网络算法和卷积神经网络算法等。多层感知器算法参数量、计算量太大；循环神经网络和卷积神经网络的控制逻辑不够简洁，需要的部分和存储空间大。流卷积神经网络算法是一种特殊的卷积神经网络算法，其卷积核在卷积过程中只存在一个方向上的移动。硬件实现该算法时，随着输入特征流式地输入硬件，当前产生的部分和可以快速与接下来产生的部分和累加，而不需要存储很久，因此部分和需要的存储空间大幅降低，且控制逻辑大大简化。

语音关键词检测为在一段语音信号中检测指定关键词是否出现，以及出现的位置，属于语音识别领域的一个子领域。语音关键词检测具有丰富的应用的场景，可应用于物联网智能设备的唤醒及操控，也可应用于刑事侦查或公共安全中对敏感词汇的识别。语音关键词检测算法需要部署在硬件上执行，该硬件需要保持常开状态，并确保能够及时响应，因此低功耗和实时性在语音关键词检测硬件系统中十分重要。现有的语音关键词检测芯片在识别的关键词数目、识别准确度、功耗和延时等方面还有待提升。

发明内容

为了解决背景技术中存在的问题，本发明旨在利用存储器内计算低功耗、高性能功耗比的优势，设计用于语音关键词检测的专用芯片。

本发明基于存储器内计算技术，采用软硬件协同优化，设计了支持轻量级流卷积神经网络算法TC-resnet8的专用芯片，片上存储器全部由寄存器组实现，可以实现低功耗、实时的语音关键词检测。

本发明所采用的技术方案如下：

S01：阻值擦除，对芯片内存储器内计算阵列中所有的电阻值进行擦除，还原为初始阻值；

S02：阻值读取，在控制模块的作用下，向存储器内计算阵列输入向量并执行计算获得存储器内计算阵列中读取到的电阻值；

S03：映射优化，根据S02读取到电阻值，使用网络映射算法设置要写入存储器内计算阵列的电阻值，电阻值即代表了流神经网络的参数值；

S04：阻值写入，把S03中映射优化的电阻值通过输入接口送入芯片，写入存储器内计算阵列的对应位置；

S05：正常工作，芯片从输入接口接收语音信号，进行处理，并从输出接口输出检测结果。

芯片具体结构包括控制模块、时钟生成模块、MFCC特征提取模块、流式神经网络加速模块、输入接口和输出接口；