STM32F4上神经网络识别的实现

只看该作者 · 2018-9-17 22:44

概述

硬件上使用STM32F4+MPU9150实现的神经网络识别手势，不过没有用IMU的地磁数据，只用了三轴加速度计和三轴陀螺仪的数据，板子是自己画的主要参照了意法官方的开发板的原理图（人生画的第一个板子还没有错误哈，容小逗比高兴一下。。。）。MPU9150的驱动是用的InvenSense提供的eMPL硬件抽象层，虽然这个driver配置imu内置DMP比较方便，但感觉这个bias矫正和姿态解算做的并不是很好，而且源码没公开不好改。不过识别部分用的是原始数据没用融合出的姿态数据，（姿态用在另一个功能上了）。考虑到单片机的计算性能不高（其实是训练部分不好移植^_^）于是把网络的训练部分放在在matlab上做的，然后把训练完的网络的阈值和权值导出来，放到单片机里。这里涉及到了单片机采集的数据怎么发给matlab的问题，幸好高版本的matlab对硬件的支持有大幅提升，可以通过串口来收数据。网络在单片机上的识别过程计算量还是挺大的，原始的imu数据（6Dof）经过一个巴特沃斯低通滤波器后放到一个类似于FIFO的数据结构中，从这个FIFO中首先进行间隔取数（间隔根据手势动作时间计算），并对取出的数进行归一化，然后将这些数据传给网络进行识别。过程中的滤波、归一化和网络计算都要进行大量的浮点运算，于是把logsig函数由泰勒展开改成了查表，还开了FPU，用了CMSIS-DSP。

Matlab串口接收

下面是创建串口obj的脚本

复制

try

    try

        obj=serial('COM15','baudrate',115200,'parity','none','databits',8,'stopbits',1);

        flag_fetch=1;

    catch

        fprintf('Create Obj Error');

    end

    obj.BytesAvailableFcnMode = 'terminator';

    obj.Terminator = 'c';

    obj.BytesAvailableFcn =@serial_nn_callback;

    try

        fopen(obj);

    catch

        fprintf('Open Error\n');

        break;

    end



    pause;

    flag_fetch=0;

catch



    fprintf('Serial Read Error!\n');

end

fclose(obj);

delete(obj);

clear obj;

下位机将imu数据以数据帧的形式发送上来，数据帧自定义协议，帧以字符’c’结尾，这里将串口配置为terminator模式，设置terminator=’c’，这样该模式下接收到字符’c’就调用一次回调函数”serial_nn_callback”

下面是回调函数的框架：

复制

function [c]= serial_nn_callback(obj, ~)



% var start

...

% var end



try

    n = get(obj, 'BytesAvailable');

    if n>20&& (flag_fetch==1)

        a = fread(obj, 29, 'uchar');%数据帧长度

        if a(1)~='A'

            fscanf(obj) ;

        end

        % 协议解析 start

        % 协议解析 end

    end

    catch

end

这里读取之后要首先判断数据帧头是否吻合，如果不吻合立即调用 fscanf(obj) 清除串口的缓存，否则的话接收到的数据都是串的。这样就可以成功的接收到下位机发送的数据。

只看该作者 · 2018-9-17 22:45

网络训练

这个部分比较简单，用的单S激活函数，mse能到的最小值有限，后来试了下双S激活函数，mse可以很小。不过实际测试时单S激活函数的识别率已经够用了

复制

input=input';

net = newff( minmax(input) , [mid_layer,output_layer] , { 'logsig' 'logsig' }  ,'traingdx') ; 

net.trainparam.show = 50 ;

net.trainparam.epochs = 500 ;

net.trainparam.goal = 0.00001 ;

net.trainParam.lr = 0.001 ;

网络导出

复制

w_i2l=net.IW{1,1};%输入层到中间层的权值

b_i2l=net.b{1,1};%输入层到中间层的阈值

w_l2o=net.LW{2,1};%中间层到输出层的权值

b_l2o=net.b{2,1};%中间层到输出层的阈值

% 导出函数 start

...

% 导出函数 end

单片机上网络计算函数

复制

void layer_to_layer(

    int lin_num,

    int lout_num,

    float32_t* input,

    float32_t* output,

    float32_t* w,

    float32_t* b 

    )

{

     float32_t *temp;

     memset(output, 0, 

                lout_num * sizeof(float32_t)); 

     temp = (float32_t *)malloc(lin_num * sizeof(float32_t));

     for (int i=0;i<lout_num;i++)

     {

#ifdef    ARM_M4        

        arm_mult_f32(input,w+i*lin_num,temp,lin_num);    //CMSIS-DSP库 向量相乘

#else

                for (int i=0;i<lin_num;i++)                      //非DSP指令

                {

                  *(temp+i)=*(input)*(*(w+i*lin_num))

                }         

#endif 

        for (int j=0;j<lin_num;j++)

        {

            *(output+i)=*(output+i)+*(temp+j);

        }

        *(output+i)=*(output+i)+*(b+i);

        *(output+i)=logsig_fun(*(output+i));

     }

     free(temp);

}