FPGA implementacija analize vremenskih serija metodama dubokog učenja

diplomski rad

• Naslov (engleski): FPGA implementation of time series analysis using deep learning methods
• Autor: Matija Sever
• Mentor: Vlado Sruk (mentor)
• Član povjerenstva: Vlado Sruk (predsjednik povjerenstva)
• Član povjerenstva: Dejan Škvorc (član povjerenstva)
• Član povjerenstva: Alan Jović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-09-19, Hrvatska

Sažetak

Ovaj rad istražuje FPGA implementaciju analize vremenskih serija korištenjem metoda dubokog učenja, konkretno povratnih neuronskih mreža (RNN) i dugih kratkotrajnih memorijskih mreža (LSTM). Modeli su trenirani koristeći TensorFlow 2.5.0 te su konvertirani u TensorFlow Lite (TFLite) format za izvođenje na rubnim uređajima poput FPGA platforme Xilinx ZCU102. Implementacija je ograničena na korištenje ARM Cortex-A53 procesora, a rezultati evaluacije pokazuju poboljšane performanse na FPGA platformi u usporedbi s klasičnim procesorima, s prijedlozima za buduća poboljšanja uporabom sklopovskih akceleratora i kvantizacije.

Sažetak (engleski)

This thesis explores the FPGA implementation of time series analysis using deep learning methods, specifically Recurrent Neural Networks (RNN) and Long ShortTerm Memory (LSTM) models. The models were trained using TensorFlow 2.5.0 and converted into TensorFlow Lite (TFLite) format for execution on edge devices such as the Xilinx ZCU102 FPGA platform. The implementation was limited to the use of the ARM Cortex-A53 processor, and evaluation results show improved performance on the FPGA platform compared to conventional processors, with suggestions for future improvements using
hardware accelerators and quantization

• Ključne riječi: FPGA; duboko učenje; vremenske serije; RNN; LSTM; analiza podataka; Xilinx Zynq-ZCU102
• Ključne riječi (engleski): FPGA; deep learning; time series; RNN; LSTM; data analysis; Xilinx Zynq-ZCU102
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:415521
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2025-02-25 13:38:05