神经网络移植到STM32

只看该作者 · 2022-11-15 23:00

将神经网络移植到STM32

最近在做的一个项目需要用到网络进行拟合，并且将拟合得到的结果用作控制，就在想能不能直接在单片机上做神经网络计算，这样就可以实时计算，不依赖于上位机。所以要解决的主要是两个问题，一个是神经网络的移植，另一个是STM32的计算速度。
神经网络的移植

网络采用的是最简单的BP神经网络，基本原理可以自己去了解一下，大概就是通过若干次矩阵运算
A X + B AX+B AX+B
将m个输入对应到n个输出。一般地，矩阵运算之后会跟上一个激活函数（我不知道是不是叫这个名字），常见的有sigmoid和tansig等等。了解了这个之后就是移植了。
网络移植大致可以分为三步：训练网络，网络参数提取，最后是在KEIL中将预测的代码写出来，下面结合例子和代码进行说明

只看该作者 · 2022-11-15 23:02

网络的训练

训练网络具体的过程就不说了，我是在matlab中进行的，训练完之后可以得到一个网络net。我这里输入是12个变量，输出是1个变量，三层网络，神经元个数分别为50，50和20。

只看该作者 · 2022-11-15 23:03

网络参数提取

网络参数提取也是在matlab中进行的，代码如下

复制

load NET3 %网络

clear temp

%% 网络的参数，不过网络结构，{}里面的索引不一样

w{1}=net.IW{1};

w{2}= net.LW{2};

w{3}=net.LW{3,2};

w{4}=net.LW{4,3};

b=net.b;



%%归一化参数

[row,col] = find(net.inputConnect==1);   %获取输入矩阵

ps_Xxmax = net.inputs{row,col}.range(:,2);

ps_Xxmin = net.inputs{row,col}.range(:,1);

ps_Xymax = net.inputs{row,col}.processedRange(:,2);

ps_Xymin = net.inputs{row,col}.processedRange(:,1);

[row,col] = find(net.outputConnect==1);   %获取输入矩阵

ps_Yxmax = net.outputs{row,col}.range(:,2);

ps_Yxmin = net.outputs{row,col}.range(:,1);

ps_Yymax = net.outputs{row,col}.processedRange(:,2);

ps_Yymin = net.outputs{row,col}.processedRange(:,1);

%% 测试输入变量

dataX=[19513.4489795918,20577.612244898,20159.6326530612,20345.1020408163,19241.9387755102,19875.1428571429,17836.8163265306,18450.1734693878,19108.2142857143,17741.193877551,20197.5,17988.5

]';

%% 开始计算

temp{1} = (dataX-ps_Xxmin)./(ps_Xxmax-ps_Xxmin).*(ps_Xymax-ps_Xymin)+ ps_Xymin;   %输入归一化

%% 矩阵计算和激活函数计算

for i=2:4

    temp{i} = tansig_apply( w{i-1}*temp{i-1}+b{i-1} );    % 前numLayers-1循环计算

end

x = w{4}*temp{4}+b{4}         % 最后一层不使用tansig函数 

dataY = (ps_Yxmax-ps_Yxmin).*(x-ps_Yymin)./(ps_Yymax-ps_Yymin)+ps_Yxmin   %反归一化

%%最后是将相应变量输出到txt，为了方便写入KEIL中

for i=1:length(w)

    d=w{i};

    d=d';

    writematrix(d(:)',['w' num2str(i)]);

end



for i=1:length(b)

    d=b{i};

    writematrix(d(:)',['b' num2str(i)]);

end

 writematrix((ps_Xxmax)','ps_Xxmax');

 writematrix((ps_Xxmin)','ps_Xxmin');

 writematrix((ps_Xymax)','ps_Xymax');

 writematrix((ps_Xymin)','ps_Xymin');



 writematrix((ps_Yxmax)','ps_Yxmax');

  writematrix((ps_Yxmin)','ps_Yxmin');

 writematrix((ps_Yymax)','ps_Yymax');

 writematrix((ps_Yymin)','ps_Yymin');

 

function a = tansig_apply(n,~)      %tansig函数，为了能够编译成C

    a = 2 ./ (1 + exp(-2*n)) - 1;

end

只看该作者 · 2022-11-15 23:03

测试输入变量对应的输出如下

只看该作者 · 2022-11-15 23:04

移植到KEIL

下一步就是将上面的matlab代码移植到KEIL中，这个应该不难，因为没有复杂的算法，不过需要借助一下矩阵计算的库
移植分为两步，第一步是将网络参数写入，第二步是实现计算过程。因为网络参数太多，这里就不放上来了，有兴趣的可以下载源文件看。这里只把实现计算过程的代码放上来。

只看该作者 · 2022-11-15 23:05

float32_t Get_Hm(float32_t input[12])
{

u8 i=0;
// float32_t tempinput[12];
// memcpy(tempinput,input,4*12);
//归一化
for(i=0;i<12;i++)
{
//float32_t t=input[i]-ps_X_xmin[i];
input[i]=(input[i]-ps_X_xmin[i])/(ps_X_xmax[i]-ps_X_xmin[i])*(ps_X_ymax[i]-ps_X_ymin[i])+ ps_X_ymin[i];
//printf("%d: %5f\r\n",i,t);
}
// T_C_data[0]=T;
// T_C_data[1]=C;
// //temp{1} = (dataX-ps_X.xmin)./(ps_X.xmax-ps_X.xmin).*(ps_X.ymax-ps_X.ymin)+ ps_X.ymin; //输入归一化
// T_C_data[0]=(T-ps_X_xmin[0])/(ps_X_xmax[0]-ps_X_xmin[0])*(ps_X_ymax[0]-ps_X_ymin[0])+ ps_X_ymin[0];
// T_C_data[1]=(C-ps_X_xmin[1])/(ps_X_xmax[1]-ps_X_xmin[1])*(ps_X_ymax[1]-ps_X_ymin[1])+ ps_X_ymin[1];
//输入层次
   arm_mat_mult_f32(&W1,&InputM,&h1);

for(i=0;i<50;i++)
{
//printf("%d: %5f\r\n",i,h_data1[i]);
h_data1[i]=h_data1[i]+B1_data[i];
}
   for(i=0;i<50;i++)
   {
h_data1[i]=2/(1+exp(-2*(h_data1[i])))-1;  //tansig函数
   }
   //隐藏层

   arm_mat_mult_f32(&W2,&h1,&h2);
   for(i=0;i<50;i++)
   {
   h_data2[i]=2/(1+exp(-2*(h_data2[i]+B2_data[i])))-1;  //tansig函数
   }
   arm_mat_mult_f32(&W3,&h2,&h3);
   for(i=0;i<20;i++)
   {
   h_data3[i]=2/(1+exp(-2*(h_data3[i]+B3_data[i])))-1;  //tansig函数
   }
   arm_mat_mult_f32(&W4,&h3,&OutputM);

//    Hm_data=2/(1+exp(-2*(Hm_data+B2_data[0])))-1;  //tansig函数
//    //输出层

   Outputdata=Outputdata+B4_data[0];
   //反归一化
   Outputdata = (ps_Y_xmax[0]-ps_Y_xmin[0])*(Outputdata-ps_Y_ymin[0])/(ps_Y_ymax[0]-ps_Y_ymin[0])+ps_Y_xmin[0];

   //Hm_data=(Hm_data*(0.9555-0.1055)+0.1055)*100;

   return  Outputdata;
}

只看该作者 · 2022-11-15 23:06

结果验证

再移植完后，关心的问题就是算得对不对以及计算速度。我在循环里面一直进行计算，并通过串口发出，这样基本可以确定计算需要花费的时间。

只看该作者 · 2022-11-15 23:06

和matlab计算结果对比，可以看到是基本一致的，计算速度的话通过时间戳可以看到大概是0.03-0.05s算一次，也就是说基本可以保证20hz左右的频率，对于我这个项目来说是可以用的。

STM32的文件可以通过网盘下载。
链接：https://pan.baidu.com/s/1vKwwk3UdTDvNR6McFNVmCQ
提取码：tysa

只看该作者 · 2024-6-23 15:20

神经网络具体能处理哪些事情和应用呢