使用xilinx最新工具vitis2019.2,定制zc702开发板linux系统

本文详细介绍了如何使用Xilinx的vitis2019.2和petalinux2019.2工具,从定制Zynq7020的硬件描述到构建Linux发行版,再到烧录自定义系统并启动的过程。包括vivado的工程创建、petalinux项目建立、编译和生成BOOT.BIN文件等关键步骤,最终实现zc702开发板上自定义Linux系统的启动。

需要的工具

2019年10月9日,xilinx推出新一代FPGA集成开发工具——vitis,喜欢尝鲜的我,安装了vitis来进行FPGA开发。
  我是嵌入式工程师出身,发现我的当前阶段的职业规划与老石《FPGA工程师最核心的就是全栈能力》(http://www.sohu.com/a/295982108_453160)基本一致,不论嵌入式工程师还是FPGA工程师,最后都要晋级为软硬件系统皆精通的全栈工程师(天下武功,殊途同归)。
  全栈工程师就到头了吗?不,学海无涯啊。全栈工程师向上,还有算法全栈工程师(自己发明的名词,就是理解用户需求,将算力合理的分配套PS端和PL端,在全栈工程师基础上,具有算法硬件化的能力),数学工程师(在算法全栈工程师基础上,有了大量的工程实践,理解当前计算机体系架构背后的数学意义)。
  闲话扯多了,回到正轨吧。在zynq系列(我使用zc702开发板,zynq7020的SOC)开发有操作系统的SOC系统,需要vitis工具(包含vivado2019.2、vivado_hls2019.2、vitis2019.2)和petalinux2019.2。
  我的工具运行平台vitis安装在windows10上(vitis也可以安装在ubuntu上,我安装成功了,有两个问题,让我放弃了,第一,我的笔记本中ubuntu剩余空间太小了,不足安装;第二,vivado在ubuntu中运行正常,但vitis加载vivado生成的xsa文件失败,所以暂时放弃全linux环境开发zynq,后续争取全linux环境开发zynq);petalinux安装在ubuntu16.04上(明年2020年准备升级为ubuntu20.04)。
  vitis下载,下载地址:https://www.xilinx.com/support/download/index.html/content/xilinx/en/downloadNav/vitis.html,选择Xilinx Vitis 2019.2: All OS installer Single-File Download (TAR/GZIP - 30.76 GB) 文件,尽量不要使用web安装方式,方式网络通信失败导致多次安装。
  petalinux下载,下载地址:https://www.xilinx.com/support/download/index.html/content/xilinx/en/downloadNav/embedded-design-tools.html,选择PetaLinux 2019.2 Installer (TAR/GZIP - 7.92 GB) 文件。
  vitis安装,基本就是下一步、下一步,里面有个选项,默认为vivado,更换为vitis即可,安装装包选择全部安装(也可根据自己需要进行更改)。安装完毕后,生成xilinx_vitis_ide2019.02、vivado2019.02、vivado_hls2019.02等。
  petalinux安装,首先运行:sudo apt-get install -y python gawk gcc git make net-tools libncurses5-dev tftpd zlib1g:i386 libssl-dev flex bison libselinux1 gnupg wget diffstat chrpath socat xterm autoconf libtool tar unzip texinfo zlib1g-dev gcc-multilib build-essential libsdl1.2-dev libglib2.0-dev screen pax gzip chrpath socat texinfo gcc-multilib。安装必要的依赖包,然后运行./petalinux-v2019.2-final-installer.run,安装petalinux,按照提示安装即可,也很简单。
  安装工具后,开始玩啥zc702吧。

定制自己的zc702包

vivado定制znyq7020板级描述

Petalinux2019.2需要Vivado2019.2提供的板级表述文件变为xsa文件(之前需要hdf文件)。
  打开vivado2019.2工具,选择“open Example Project”->“Next”。
 在这里插入图片描述  选择“Base Zynq”->“Next”,建立zynq7020的工程。
在这里插入图片描述  自己填写工程名称、工程目录->“Next”,配置工程名称和要保存的目录位置。
在这里插入图片描述  选择zc702开发板->“Next”。
在这里插入图片描述  点击“Finish”完成工程建立。
在这里插入图片描述  新建工程状态,可以配置PS端连接状态。当前就不配置了,直接综合、布局布线生成xsa文件和bit文件。
在这里插入图片描述在这里插入图片描述  点击“Generate Bitstream”进行综合和布局布线。
在这里插入图片描述在这里插入图片描述  综合和布局布线完毕后。
在这里插入图片描述  导出*.xda板级描述文件和*.bit FPGA文件。
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述  生成我们需要的zc702_demo.xda和zc702_demo.bit文件。
在这里插入图片描述

petalinux定制linux发行版

需要下载官方提供的zc702的linux的包,加上用vivado定制的zc702_demo.xda和zc702_demo.bit两个文件即可。
  zc702的BSP包下载地址:https://www.xilinx.com/support/download/index.html/content/xilinx/en/downloadNav/embedded-design-tools.html,下载 ZC702 BSP (BSP - 99.45 MB) 文件。
  打开ubuntu的终端,收入指令输入指令:source /home/shirf/peta_linux/2019.2/settings.sh,是当前终端使用petalinux的工具。
在这里插入图片描述
  使用zc702的BSP包生成linux工程包。输入指令:petalinux-create -t project -s setup_packet/xilinx-zc702-v2019.2-final.bsp。生成xilinx-zc702-2019.2工程目录。
  

已经博主授权,源码转载自 https://pan.quark.cn/s/a4b39357ea24 Matlab 被视为一种功能卓越的编程平台,特别是在数值运算和数据分析方面展现出广泛的应用价值。在应对多元非线性回归的挑战时,Matlab 拥备多种工具和函数,支持用户对复杂的数据进行构建模型和适配。本指南将重点阐释在 Matlab 环境下如何执行多元非线性回归分析。 我们需要掌握三种关键的回归指令: 1. `polyfit(x,y,n)`:此函数适用于拟合一元幂函数,能够导出一个多项式模型。例如,若知晓数据呈现二次函数形态,可选择`n=2`来适配一个二次曲线。 2. `regress(y,x)`:这是一个多元线性回归指令,能够处理多个自变量对因变量的影响。即便数据并非完全呈现线性特征,该函数也能提供一个线性近似。 3. `nlinfit(x,y,’fun’,beta0)`:这是最为通用的非线性回归指令,适用于适配任何类型的函数,无论是一元或多元,前提是用户能够定义函数形式(`fun`参数)。 回归分析的核心在于寻找一组最优的系数,使得模型能够最恰当地描述数据。这通常涉及选择一个合适的函数形态,随后通过最小化误差平方和来估算系数。在Matlab中,`regress`指令主要用于处理线性模型,而`nlinfit`则处理更为复杂的非线性模型。 对于多元线性回归模型,我们可以用如下形式进行表述: \[ y = \beta_0 + \beta_1x_1 + \beta_2x_2 + \cdots + \beta_px_p + \epsilon \] 其中,\( y \)是因变量,\( x_1, x_2, \ldots, x_p \)是自变量,\( \beta_0, \beta_1, ...
内容概要:本文系统阐述了基于BP神经网络的语音特征信号分类方法,并提供了完整的Matlab代码实现。研究围绕语音信号的数据预处理、特征提取、神经网络结构设计、模型训练与分类测试等核心环节展开,详细展示了BP神经网络在语音识别任务中的应用流程。通过构建多层前馈网络模型,利用误差反向传播算法优化权重,实现了对不同语音类别特征的高效分类,具有较强的工程实践价值和技术可复现性。; 适合人群:具备信号处理与机器学习基础知识,熟悉Matlab编程语言,从事语音识别、模式识别、人工智能等相关领域研究的学生及科研人员;特别适用于开展课程设计、毕业设计或科研项目的初级与中级研究人员。; 使用场景及目标:①深入理解BP神经网络的基本原理及其在语音信号分类中的具体实现过程;②掌握Matlab环境下语音信号特征提取与分类模型构建的全流程技术;③为语音识别、人机交互、智能听觉系统等实际应用场景提供可靠的算法基础与代码参考。; 阅读建议:建议读者结合所提供的Matlab代码逐行分析其实现逻辑,重点关注数据输入格式、网络参数初始化、训练迭代过程及分类性能评估;可通过调整隐含层节点数、学习率、激活函数等超参数,观察模型收敛性与分类准确率的变化,从而深化对神经网络调参策略的理解。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值