针对基于软件仿真片上网络NoC（Network on Chip）效率低的问题，提出基于FPGA的NoC验证平台构建方案。该平台集成可重用的流量产生器TG（Traffic Generation），流量接收器TR（Traffic Receiver）以及NoC软件，用于对NoC原型系统进行功能验证和性能评估。实际设计一个多核NoC，并用该平台对其进行FPGA验证，结果表明该平台的验证速度比软件仿真提高16000倍以上，并能对多种不同结构、路由算法、流控策略的NoC进行功能验证和性能评估。

针对传统工件识别算法特征提取困难、通用性差、工件的平移、旋转和光照变化对识别效果影响较大、识别准确率不高等问题,提出了一种基于卷积神经网络的工件识别算法。卷积神经网络由4层网络构成,包括2层卷积层和2层全连接层。实验任意选取了10种工件进行识别。在神经网络训练阶段对这10种工件共采集1万张图片,其中9000张图片作为训练集,剩下1000张图片作为验证集。训练时采用在卷积层加入批归一化层和在全连接层使用随机失活的方法,使网络能够得到更好的训练效果。当迭代次数达到10万次时基本得到理想的训练效果。测试时通过摄像机采集图像,对采集到的图像进行预处理,然后将预处理后的图像送入网络进行识别。在光源稳定室内环境下进行实验,实验结果表明基于卷积神经网络的工件识别平均所需时间为0.169s,平均识别准确率为98.3%,准确率...