摘要 | 第5-7页 |
Abstract | 第7-9页 |
第1章 绪论 | 第13-29页 |
1.1 研究意义和背景 | 第13-14页 |
1.2 可重构计算系统概述 | 第14-18页 |
1.2.1 基于FPGA的可重构计算系统 | 第14-17页 |
1.2.2 软硬件协同工作的可重构混合计算系统 | 第17-18页 |
1.3 软硬件划分技术的发展与现状 | 第18-25页 |
1.3.1 一般软硬件划分 | 第19-20页 |
1.3.2 软硬件划分初始解决方案 | 第20-22页 |
1.3.3 启发式算法的改进和加强 | 第22-23页 |
1.3.4 可重构系统的软硬件划分 | 第23-25页 |
1.4 论文的研究内容 | 第25-26页 |
1.5 论文的组织结构 | 第26-29页 |
第2章 面向CPU/FPGA可重构加速系统的软硬件划分框架 | 第29-42页 |
2.1 引言 | 第29页 |
2.2 软硬件划分相关问题 | 第29-34页 |
2.2.1 软硬件划分的目标系统结构 | 第31-32页 |
2.2.2 软硬件划分的优化目标和约束条件 | 第32页 |
2.2.3 表示划分任务的计算模型 | 第32-33页 |
2.2.4 软硬件划分的划分粒度 | 第33-34页 |
2.2.5 软硬件划分的划分算法 | 第34页 |
2.3 基于CPU/FPGA可重构加速系统的软硬件划分 | 第34-41页 |
2.3.1 目标系统结构 | 第35-37页 |
2.3.2 本文软硬件划分框架 | 第37-41页 |
2.4 本章小结 | 第41-42页 |
第3章 软件运行代价及软硬件间通信代价的估计算法 | 第42-56页 |
3.1 引言 | 第42页 |
3.2 现有循环级程序特征分析技术 | 第42-44页 |
3.3 相关技术 | 第44-46页 |
3.3.1 基于支配关系的循环识别原理 | 第44-45页 |
3.3.2 edge profiling动态分析技术 | 第45-46页 |
3.4 基于edge profiling的循环运行时信息分析算法 | 第46-50页 |
3.5 实验与结果分析 | 第50-55页 |
3.5.1 实验环境及实验步骤 | 第51页 |
3.5.2 实验结果与分析 | 第51-55页 |
3.6 本章小结 | 第55-56页 |
第4章 硬件实现代价的估计方法 | 第56-78页 |
4.1 引言 | 第56页 |
4.2 现有硬件执行时间/面积估计方法 | 第56-62页 |
4.3 高层次硬件执行时间/面积估计算法 | 第62-75页 |
4.3.1 FPGA器件无关的估计公式 | 第63-71页 |
4.3.2 估计算法 | 第71-75页 |
4.4 实验结果与分析 | 第75-77页 |
4.4.1 估计公式的验证 | 第75-76页 |
4.4.2 估计算法的验证 | 第76-77页 |
4.5 本章小结 | 第77-78页 |
第5章 带有硬件多版本探索和划分粒度优化再选择的软硬件划分 | 第78-93页 |
5.1 引言 | 第78-79页 |
5.2 硬件多版本探索 | 第79-82页 |
5.2.1 硬件多版本 | 第79-81页 |
5.2.2 现有硬件多版本探索方法 | 第81-82页 |
5.3 基于硬件多版本探索和划分粒度再选择的软硬件划分算法 | 第82-90页 |
5.3.1 软硬件划分模型 | 第83页 |
5.3.2 划分粒度优化再选择 | 第83-86页 |
5.3.3 算法描述 | 第86-90页 |
5.4 实验结果与分析 | 第90-92页 |
5.5 本章小结 | 第92-93页 |
第6章 基于Q学习算法的改进软硬件划分算法 | 第93-105页 |
6.1 引言 | 第93页 |
6.2 相关理论基础 | 第93-97页 |
6.2.1 强化学习的基本理论 | 第93-96页 |
6.2.2 Q学习的基本算法 | 第96-97页 |
6.3 基于Q学习算法的改进软硬件划分算法 | 第97-102页 |
6.3.1 算法流程 | 第98-99页 |
6.3.2 算法描述 | 第99-102页 |
6.4 实验结果与分析 | 第102-104页 |
6.5 本章小结 | 第104-105页 |
结论 | 第105-107页 |
参考文献 | 第107-117页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第117-118页 |
致谢 | 第118页 |