研究目的
开发一种运行时可扩展且硬件加速的高光谱图像板载线性解混方法，适用于低成本卫星系统，从而实现分布式协作处理以保持性能和能效。
研究成果
使用ARTICo3和改进版FUN算法提出的双向可扩展实现方案，适用于星载高光谱图像处理，在性能和能效方面优于基于软件的解决方案。该方案支持计算性能、能耗及容错能力的动态调节，适合低成本立方星任务。未来工作应优化通信基础设施并推广平台以适应更广泛的应用场景。
研究不足
通信带宽是主要的瓶颈，限制了可扩展性。该方法假设输入数据中不存在异常值，实际应用场景需要进行预处理。FPGA的资源限制可能会影响对超大图像的处理可行性。该研究使用的是模拟卫星集群，而非真实的太空环境。
1：实验设计与方法选择：
本研究采用ARTICo3框架实现FPGA硬件加速与动态部分重构，通过修改Fast UNmixing（FUN）算法以支持数据级并行处理，并部署于可编程片上系统（SoPC）设备集群来模拟分布式星载处理场景，使用高级综合（HLS）工具生成硬件加速器。
2：样本选择与数据来源：
验证过程采用合成高光谱图像（如256波段、128行×128样本）及真实数据集（如Samson、Jasper Ridge、Urban、Cuprite），其中合成图像包含不同噪声水平、端元数量及丰度分布特征。
3：实验设备与材料清单：
单节点测试使用定制Zynq-7000开发板（XC7Z020-1CLG484），多节点集群采用MicroZed开发板（XC7Z020-1CLG400），配套1Gbps以太网交换机、功耗测量电路及Vivado HLS工具链。
4：实验流程与操作规范：
将输入高光谱图像分割为子图，改进的FUN算法通过ARTICo3加速器并行提取端元，迭代执行降维处理。网络通信采用MPI协议实现数据分发与同步，针对不同配置方案测量性能指标与能耗表现。
5：数据分析方法：
分析执行时间、能耗及资源利用率（LUTs、FFs、DSPs、BRAMs），通过光谱角匹配度比较提取端元与真实端元的准确性，通过调整加速器数量与节点规模评估系统可扩展性。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Zynq-7000
XC7Z020-1CLG484
Xilinx
Used as a System on Programmable Chip (SoPC) for single-node testing, providing multicore processing and FPGA fabric for hardware acceleration.
-
MicroZed
XC7Z020-1CLG400
Xilinx
Development board used in multi-node cluster for networked processing, featuring Zynq-7000 SoPC.
-
Vivado HLS
Xilinx
High-Level Synthesis tool used to generate hardware accelerators from C code for the FUN algorithm.
-
Ethernet Switch
Provides network connectivity for the multi-FPGA cluster, enabling communication between nodes.
-
MPICH
Implementation of the MPI API used for parallel programming and communication in the networked cluster.
-
登录查看剩余3件设备及参数对照表
查看全部
