# FPGA云服务器 #
0
关注
1532内容
基于FPGA的2ASK调制解调系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
本项目基于Vivado 2019.2实现了2ASK调制解调系统，新增高斯信道及误码率统计模块，验证了不同SNR条件下的ASK误码表现。2ASK通过改变载波振幅传输二进制信号，其调制解调过程包括系统设计、Verilog编码、仿真测试及FPGA实现，需考虑实时性与并行性，并利用FPGA资源优化非线性操作。
基于颜色模型和边缘检测的火焰识别FPGA实现,包含testbench和matlab验证程序
本项目展示了基于FPGA的火焰识别算法，可在多种应用场景中实时检测火焰。通过颜色模型与边缘检测技术，结合HSV和YCbCr颜色空间，高效提取火焰特征。使用Vivado 2019.2和Matlab 2022a实现算法，并提供仿真结果与测试样本。FPGA平台充分发挥并行处理优势，实现低延迟高吞吐量的火焰检测。项目包含完整代码及操作视频说明。
基于FPGA的QPSK调制解调系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
该系统在原有的QPSK调制解调基础上，新增了高斯信道和误码率统计模块，验证了不同SNR条件下的QPSK误码性能。系统包括数据生成、QPSK调制与解调等模块，使用Vivado 2019.2进行仿真，展示了SNR分别为15dB、10dB、5dB和1dB时的误码情况。系统采用Verilog语言实现，具有高效、可靠的特点。
硬件加速器中的神经网络
硬件加速器中的神经网络指的是通过专门设计的硬件设备来加速深度神经网络（DNN）和其他机器学习模型的训练和推理过程。
阿里云服务器架构区别解析：从X86计算、Arm计算到高性能计算架构的区别参考
在我们选择阿里云服务器的架构时，选择合适的云服务器架构对于提升业务效率、保障业务稳定至关重要。阿里云提供了多样化的云服务器架构选择，包括X86计算、ARM计算、GPU/FPGA/ASIC、弹性裸金属服务器以及高性能计算等。本文将深入解析这些架构的特点、优势及适用场景，以供参考和选择。
基于FPGA的BPSK调制解调系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
本系统基于Vivado2019.2，在原有BPSK调制解调基础上新增高斯信道及误码率统计模块，可测试不同SNR条件下的误码性能。仿真结果显示，在SNR=0dB时误码较高，随着SNR增至5dB，误码率降低。理论上，BPSK与2ASK信号形式相似，但基带信号不同。BPSK信号功率谱仅含连续谱，且其频谱特性与2ASK相近。系统采用Verilog实现，包括调制、加噪、解调及误码统计等功能，通过改变`i_SNR`值可调整SNR进行测试。
深度学习之适应硬件的神经网络
深度学习的适应硬件的神经网络设计旨在最大限度地利用特定硬件平台的计算和存储能力，提高模型的执行效率和性能。这些硬件包括图形处理单元（GPU）、张量处理单元（TPU）、现场可编程门阵列（FPGA）和专用集成电路（ASIC）。
基于FPGA的2FSK调制解调系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
本系统基于FSK调制解调，通过Vivado 2019.2仿真验证了不同信噪比(SNR)下的误码率表现。加入高斯信道与误码统计模块后，仿真结果显示：SNR=16dB时误码极少；随SNR下降至0dB，误码逐渐增多。FSK利用频率变化传输信息，因其易于实现且抗干扰性强，在中低速通信中有广泛应用。2FSK信号由连续谱与离散谱构成，相位连续与否影响功率谱密度衰减特性。Verilog代码实现了FSK调制、加性高斯白噪声信道及解调功能，并计算误码数量。
免费试用