【US20190266479A1】用于一台深式学习引擎的加速度单元【专利】
MEMS加速度计的原理及应用
MEMS加速度计的原理及应用MEMS加速度计（Microelectromechanical Systems Accelerometer）是一种基于微电子机械系统的加速度测量器件。
它利用微电子技术和微米制造工艺，将加速度的作用转化为电信号的变化，从而实现对物体的加速度测量。
MEMS加速度计的原理是利用微机械结构和微运动质量的特性。
一般来说，MEMS加速度计由微型质量块和弹簧支撑系统组成，当物体发生加速度改变时，弹簧支撑系统会受到力的作用，从而导致微型质量块产生相应的位移。
这个位移可以通过微电子传感器转化为电信号，进而进行处理和分析。
1.手机和消费电子产品：MEMS加速度计被广泛应用在手机和其他消费电子产品中，用于实现自动屏幕旋转、运动感应游戏、姿势识别和手势控制等功能。
2.汽车安全系统：MEMS加速度计可用于汽车安全系统中，如气囊部署系统。
当车辆发生碰撞或急刹车等意外情况时，加速度计可以检测到车辆的加速度变化，并触发相应的安全机制。
3.工业监测：MEMS加速度计可以用于工业监测中，如机械设备的振动监测。
通过检测设备振动的频率和幅度，可以预测设备的健康状况和可能的故障。
4.体感游戏和虚拟现实（VR）设备：MEMS加速度计可以用于体感游戏和虚拟现实设备中，如头戴式显示器。
通过感应用户的头部和身体的运动，可以实现更加真实和沉浸式的游戏和虚拟体验。
5.医疗领域：MEMS加速度计可以用于医疗监测和诊断中，如运动追踪和睡眠监测。
通过监测运动和睡眠的模式和质量，可以帮助医生评估患者的健康状况。
6.运动跟踪器：MEMS加速度计在运动跟踪器中被广泛应用，如智能手环和运动手表。
它可以实时监测用户的步数、距离、卡路里消耗和睡眠质量等信息。
总结起来，MEMS加速度计是一种基于微电子机械系统的加速度测量器件，它通过微机械结构和微运动质量的特性，将加速度的作用转化为电信号的变化。
这种技术在手机、汽车安全系统、工业监测、体感游戏、医疗领域和运动跟踪器等领域有着广泛的应用。
mems加速度计z轴结构及工作原理
mems加速度计z轴结构及工作原理mems加速度计是一种基于微机电系统（MEMS）技术的传感器，用于测量物体在三维空间中的加速度，其中z轴加速度是指物体在垂直于地面的方向上的加速度。
mems加速度计的结构可分为三个主要部分：质量块、支撑结构和感应电极。
质量块是mems加速度计的核心部件，通常采用微米级别的硅质材料制成。
支撑结构用于支撑质量块，以保持其相对静止位置，一般由弹性材料制成。
感应电极则用于测量质量块的位移，从而间接测量物体在z轴方向上的加速度。
mems加速度计的工作原理基于质量块的惯性。
当物体受到外力作用时，质量块会发生位移，而这种位移会导致感应电极间的电容发生变化。
通过测量电容的变化，可以推断出质量块的位移大小，从而得到物体在z轴方向上的加速度。
具体而言，mems加速度计利用电容变化来测量质量块的位移。
当物体受到加速度时，质量块会发生相应的位移，导致感应电极之间的电容发生变化。
通过测量电容的变化，可以确定质量块的位移量，从而得到物体在z轴方向上的加速度。
为了实现这一测量过程，mems加速度计通常采用差动电容结构。
差动电容结构由两对相等的感应电极组成，分别位于质量块的两侧。
当质量块发生位移时，感应电极之间的电容会发生变化。
通过测量两对感应电极之间的电容差值，可以确定质量块的位移量，进而计算出物体在z轴方向上的加速度。
为了提高mems加速度计的灵敏度和精度，还可以采用一些增强措施。
例如，可以在质量块和支撑结构之间设置减震垫，以减小外界干扰对加速度测量的影响。
同时，还可以采用温度补偿技术，通过测量环境温度的变化来修正mems加速度计的输出，以提高其稳定性和准确性。
mems加速度计是一种基于微机电系统技术的传感器，用于测量物体在三维空间中的加速度。
通过测量质量块的位移，可以间接得到物体在z轴方向上的加速度。
其结构简单、工作原理清晰，可以应用于许多领域，如运动追踪、姿态控制、智能手机等。
随着MEMS技术的不断发展，mems加速度计将会在更多领域发挥重要作用。
MEMS加速度计
MEMS加速度计
MEMS（Micro Electro Mechanical System）加速度计是一种小型的微电子机械系统，它是一种集成在小尺寸的容器中的微型传感器。
它的一个主要功能是用于测量自身被作用力的改变。
MEMS加速度计通常用来测量一个物体的速度和加速度。
MEMS加速度计可以用来测量其中一种受力是否存在，或者可以用来测量其中一种力的大小和方向。
这种受力可以指物体的重力、运动或者是重力或运动之外的力，例如机械弹簧或气动弹簧等。
MEMS加速度计的输出信号可以经过处理，反映物体的运动状态，使制造者可以做出恰当的决定和行动。
MEMS加速度计无论在工业界还是日常生活中都有着很广泛的应用，它可以用来测量汽车、机器人、运动和其他各种运动的加速度，以及许多智能装置实现自由度控制。
它可以用来检测碰撞、行车轨迹和定位，从而应用到汽车安全系统中，使汽车安全变得有效。
此外，它还可以用来测量人体的运动，帮助科学家进行运动分析研究。
MEMS加速度计的原理及运用
MEMS加速度计的原理及运用MEMS加速度计（Micro-electromechanical Systems accelerometer）是一种使用微型机电系统技术制造的加速度计。
它利用微型机电系统的微小尺寸和集成度高的特点，能够在小尺寸装置中提供高精度的加速度测量。
本文将介绍MEMS加速度计的原理及其在各个领域中的运用。
首先，要了解MEMS加速度计的原理，需要了解几个基本概念。
加速度是物体在单位时间内速度的改变量。
MEMS加速度计利用了惯性原理来测量加速度。
惯性原理指的是物体具有一种固有的抵抗力，使得它们很难改变其状态的性质。
根据牛顿第一定律，当一个物体保持静止或匀速直线运动时，它的加速度为零。
而当一个物体的速度或方向发生变化时，它将经历一个加速度。
MEMS加速度计利用质量的惯性来测量物体的加速度。
它通常由质量块、弹簧和电容器组成。
当一个物体加速时，质量块会受到惯性力的作用，从而相对于基准点发生位移。
这个位移会导致弹簧发生伸缩，并改变电容器之间的距离。
通过测量这个电容器之间的距离的变化，就可以推断出加速度的大小。
MEMS加速度计的一个重要特点是它的微小尺寸和高集成度。
由于其微型机电系统的制造工艺，MEMS加速度计可以大量集成在一个小芯片上，使其适用于移动设备、汽车、航空航天等领域。
此外，MEMS加速度计具有高精度、低功耗和低成本的优势，因此它被广泛应用于智能手机、平板电脑、游戏控制器等消费电子产品中。
下面我们将介绍MEMS加速度计在几个重要领域的运用。
1.物体运动监测：MEMS加速度计可以测量物体的加速度和姿态，用于监测和分析物体的运动状态。
在运动追踪、姿势检测、运动游戏等领域有广泛应用。
2.防抖动技术：在消费电子产品中，MEMS加速度计常用于防抖动技术。
通过对设备的加速度和方向进行实时监测和调整，可以消除震动对图像和视频的干扰，提供稳定和清晰的图像质量。
3.汽车安全系统：MEMS加速度计常用于汽车安全系统中，用于检测车辆的碰撞和突然变速。
一种基于MEMS加速度计的加速度测量方法[发明专利]
![一种基于MEMS加速度计的加速度测量方法[发明专利]](https://img.taocdn.com/s3/m/3997c02ebb4cf7ec4bfed08a.png)
专利名称：一种基于MEMS加速度计的加速度测量方法专利类型：发明专利
发明人：费程羽,苏中,李擎,刘福朝,刘宁,刘洪,张昊
申请号：CN201710390360.0
申请日：20170527
公开号：CN107228956A
公开日：
20171003
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于MEMS加速度计的加速度测量方法。
该方法包括：通过加速度测量实验，筛选出环境敏感特性最接近的两个MEMS加速度计，作为加速度计差分对；通过测试与标定实验，确定所述加速度计差分对中的两个所述MEMS加速度计的环境参数比；利用所述加速度计差分对中的两个所述MEMS加速度计测量待测目标的加速度，得到两个测量加速度值；根据所述两个测量加速度值和环境参数比计算实际加速度。
本发明公开的加速度测量方法可以减小加速度测量过程中的不确定误差，提高测量精度。
申请人：北京理工大学,北京信息科技大学
地址：100080 北京市海淀区中关村南大街5号
国籍：CN
代理机构：北京高沃律师事务所
代理人：王戈
更多信息请下载全文后查看。
一种加速度计[发明专利]
![一种加速度计[发明专利]](https://img.taocdn.com/s3/m/3ebb3e9601f69e31423294a1.png)
专利名称：一种加速度计
专利类型：发明专利
发明人：李兴冀,杨剑群,关恩昊,邢朝洋,吕钢,董尚利申请号：CN202011238916.2
申请日：20201109
公开号：CN112345795A
公开日：
20210209
专利内容由知识产权出版社提供
摘要：本发明提供了一种加速度计，涉及微机电系统领域。
所述加速度计包括：上基板和敏感层，所述上基板包括衬底和介质层，所述介质层设置在所述衬底上且靠近所述敏感层，所述介质层与所述敏感层之间设置有间隔层，所述间隔层的厚度大于所述介质层的厚度，小于所述敏感层的厚度。
这样，通过在介质层和敏感层之间设置有间隔层，且将间隔层的厚度设置为大于所述介质层的厚度，小于所述敏感层的厚度，使得在一定程度上能够加大了介质层和敏感层之间的间距，从而可以降低电离辐照诱导的氧化物俘获正电荷因库伦作用对敏感层电容的影响，增大了加速度计的抗辐照加固性能。
申请人：哈尔滨工业大学
地址：150001 黑龙江省哈尔滨市南岗区西大直街92号
国籍：CN
代理机构：北京隆源天恒知识产权代理事务所(普通合伙)
代理人：鞠永帅
更多信息请下载全文后查看。
一种基于深度学习的运算加速方法、装置及系统[发明专利]
![一种基于深度学习的运算加速方法、装置及系统[发明专利]](https://img.taocdn.com/s3/m/67675e4f59fafab069dc5022aaea998fcc2240ca.png)
专利名称：一种基于深度学习的运算加速方法、装置及系统专利类型：发明专利
发明人：何浩一
申请号：CN201910681089.5
申请日：20190726
公开号：CN110490300B
公开日：
20220315
专利内容由知识产权出版社提供
摘要：本发明为了解决现有技术中存在的问题，创新提出了一种基于深度学习的运算加速方法，包括：统计深度学习中AI算法中每个运算层的运算时间；每个加速卡针对至少一个运算层进行加速运算，当前加速卡的运算结果作为输入，传递到下一个加速卡进行加速运算；本发明还提出了一种基于深度学习的运算加速装置及系统，有效解决由于单一加速卡处理深度学习中AI算法中所有运算层带来的时间缓慢的问题，有效的提高的运算效率，而且每个加速卡进行加速运算的时间均相同，有效解决如果不同加速卡进行加速运算的时间不同容易造成运算拥堵的问题。
申请人：苏州浪潮智能科技有限公司
地址：215100 江苏省苏州市吴中区吴中经济开发区郭巷街道官浦路1号9幢
国籍：CN
代理机构：济南诚智商标专利事务所有限公司
代理人：李修杰
更多信息请下载全文后查看。
【EP3531349A1】用于一台深式学习引擎的加速度单元【专利】
Printed by Jouve, 75001 PARIS (FR)(19)E P 3 531 349A 1TEPZZ¥5¥_¥49A_T(11)EP 3 531 349A1(12)EUROPEAN PATENT APPLICATION(43)Date of publication:28.08.2019Bulletin 2019/35(21)Application number: 19159070.2(22)Date of filing: 25.02.2019(51)Int Cl.:G06N 3/063(2006.01)G06N 3/04(2006.01)(84)Designated Contracting States:AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR Designated Extension States: BA MEDesignated Validation States: KH MA MD TN(30)Priority:27.02.2018US 201862636022 P (71)Applicants:•STMicroelectronics International N.V.1118 BH Schiphol (NL)•STMicroelectronics S.r.l.20864 Agrate Brianza (MB) (IT)(72)Inventors:•SINGH, Surinder Pal 201301 NOIDA (IN)•BOESCH, Thomas 6821 Rovio (CH)•DESOLI, Giuseppe22042 San Fermo Della Battaglia (IT)(74)Representative: Smith, Gary JohnPage White & Farrer Bedford House John StreetLondon, WC1N 2BF (GB)(54)ACCELERATION UNIT FOR A DEEP LEARNING ENGINE(57)Embodiments of a device include an integratedcircuit, a reconfigurable stream switch formed in the in-tegrated circuit along with a plurality of convolution ac-celerators and an arithmetic unit (810) coupled to the reconfigurable stream switch. The arithmetic unit (810)has at least one input and at least one output. The at least one input is arranged to receive streaming data passed through the reconfigurable stream switch, andthe at least one output is arranged to stream resultant data through the reconfigurable stream switch. The arith-metic unit (810) also has a plurality of data paths. At least one of the plurality of data paths is solely dedicated to performance of operations that accelerate an activation function represented in the form of a piece-wise second order polynomial approximation.EP 3 531 349A12510152025303540455055Description BACKGROUNDTechnical Field[0001]The present disclosure generally relates to structures that improve flexibility, data locality, and faster execution of deep machine learning systems, for example in convolutional neural networks (CNN). More particularly, but not exclusively, the present disclosure relates to an activation function accelerator for a deep learning acceleration engine.Description of the Related Art[0002]Known computer vision, speech recognition, and signal processing applications benefit from the use of learning machines. Learning machines discussed in this disclosure may fall under the technological titles of machine learning,artificial intelligence, neural networks, probabilistic inference engines, accelerators, and the like. Such machines are arranged to quickly perform hundreds, thousands, and millions of concurrent operations. Conventional learning machines can deliver hundreds of TeraFlops (i.e., one million millions (1012) floating-point operations per second) of computing power.[0003]In some cases, learning machines are organized as deep convolutional neural networks (DCNN). A seminal work in the DCNN arts is "Gradient-Based Learning Applied To Document Recognition," by Y. LeCun et al., Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998, which led to winning the 2012 ImageNet Large Scale Visual Recognition Challenge with "AlexNet." AlexNet, as described in "ImageNet Classification With Deep Convolutional Neural Networks,"by Krizhevsky, A., Sutskever, I., and Hinton, G., NIPS, pp. 1-9, Lake Tahoe, NV (2012), is a DCNN that significantly outperformed classical approaches for the first time.[0004] A DCNN is a computer-based tool that processes large quantities of data and adaptively "learns" by conflating proximally related features within the data, making broad predictions about the data, and refining the predictions based on reliable conclusions and new conflations. The DCNN is arranged in a plurality of "layers," and different types of predictions are made at each layer.[0005]For example, if a plurality of two-dimensional pictures of faces is provided as input to a DCNN, the DCNN will learn a variety of characteristics of faces such as edges, curves, angles, dots, color contrasts, bright spots, dark spots,etc. These one or more features are learned at one or more first layers of the DCNN. Then, in one or more second layers, the DCNN will learn a variety of recognizable features of faces such as eyes, eyebrows, foreheads, hair, noses,mouths, cheeks, etc.; each of which is distinguishable from all of the other features. That is, the DCNN learns to recognize and distinguish an eye from an eyebrow or any other facial feature. In one or more third and then subsequent layers,the DCNN learns entire faces and higher order characteristics such as race, gender, age, emotional state, etc. The DCNN is even taught in some cases to recognize the specific identity of a person. For example, a random image can be identified as a face, and the face can be recognized as Orlando Bloom, Andrea Bocelli, or some other identity.[0006]In other examples, a DCNN can be provided with a plurality of pictures of animals, and the DCNN can be taught to identify lions, tigers, and bears; a DCNN can be provided with a plurality of pictures of automobiles, and the DCNN can be taught to identify and distinguish different types of vehicles; and many other DCNNs can also be formed. DCNNs can be used to learn word patterns in sentences, to identify music, to analyze individual shopping patterns, to play video games, to create traffic routes, and DCNNs can be used for many other learning-based tasks too.[0007]FIGS. 1A-1J may collectively be referred to herein as FIG. 1.[0008]FIG. 1A is a simplified illustration of a convolutional neural network (CNN) system 10. In the CNN system, a two-dimensional array of pixels is processed by the CNN. The CNN analyzes a 10 3 10 input object plane to determine if a "1" is represented in the plane, if a "0" is represented in the plane, or if neither a "1" nor a "0" is implemented in the plane.[0009]In the 10 3 10 input object plane, each pixel is either illuminated or not illuminated. For the sake of simplicity in illustration, illuminated pixels are filled in (e.g., dark color) and unilluminated pixels are not filled in (e.g., light color).[0010]FIG. 1B illustrates the CNN system 10 of FIG. 1A determining that a first pixel pattern illustrates a "1" and that a second pixel pattern illustrates a "0." In the real world, however, images do not always align cleanly as illustrated in FIG. 1B.[0011]In FIG. 1C, several variations of different forms of ones and zeroes are shown. In these images, the average human viewer would easily recognize that the particular numeral is translated or scaled, but the viewer would also correctly determine if the image represented a "1" or a "0." Along these lines, without conscious thought, the human viewer looks beyond image rotation, various weighting of numerals, sizing of numerals, shifting, inversion, overlapping,fragmentation, multiple numerals in the same image, and other such characteristics. Programmatically, however, in traditional computing systems, such analysis is very difficult. A variety of image matching techniques are known, but this type of analysis quickly overwhelms the available computational resources even with very small image sizes. In。
【CN110197111A】用于深度学习引擎的加速单元【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910143490.3(22)申请日 2019.02.26(30)优先权数据62/636,022 2018.02.27 US16/280,991 2019.02.20 US(71)申请人 意法半导体国际有限公司地址 荷兰阿姆斯特丹申请人 意法半导体股份有限公司(72)发明人 S ·P ·辛格 T ·勃伊施 G ·德索利 (74)专利代理机构 北京市金杜律师事务所11256代理人 王茂华 张昊(51)Int.Cl.G06K 9/00(2006.01)G06N 3/04(2006.01)G06N 3/063(2006.01) (54)发明名称用于深度学习引擎的加速单元(57)摘要本公开涉及用于深度学习引擎的加速单元。
设备的实施例包括：集成电路、形成在集成电路中的可重构流开关以及多个卷积加速器和耦合至可重构流开关的算术单元。
算术单元具有至少一个输入和至少一个输出。
至少一个输入被布置为接收通过所述可重构流开关传送的流数据，而至少一个输出被布置为通过所述可重构流开关来流传输结果数据。
算术单元还具有多条数据路径。
索条数据路径中的至少一条数据路径仅专用于执行加速以分段二阶多项式近似的形式表示的激活函数的操作。
权利要求书2页 说明书34页 附图25页CN 110197111 A 2019.09.03C N 110197111A权 利 要 求 书1/2页CN 110197111 A1.一种设备，包括：集成电路；可重构流开关，形成在所述集成电路中；以及算术单元，所述算术单元具有：至少一个输入，被布置为接收通过所述可重构流开关传送的流数据；至少一个输出，被布置为通过所述可重构流开关来流传输结果数据；以及多条数据路径，所述多条数据路径中的至少一条数据路径专用于根据二阶多项式的近似实现激活函数，所述二阶多项式具有输出＝AX2+BX+C的形式。