CN113342734A - 一种基于微波反射仪的等离子体密度分布实时计算装置 - Google Patents
一种基于微波反射仪的等离子体密度分布实时计算装置 Download PDFInfo
- Publication number
- CN113342734A CN113342734A CN202110707342.7A CN202110707342A CN113342734A CN 113342734 A CN113342734 A CN 113342734A CN 202110707342 A CN202110707342 A CN 202110707342A CN 113342734 A CN113342734 A CN 113342734A
- Authority
- CN
- China
- Prior art keywords
- module
- real
- data
- neural network
- plasma density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
- G06F15/7807—System on chip, i.e. computer system on a single chip; System in package, i.e. computer system on one or more chips in a single package
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
- G06F15/7867—Architectures of general purpose stored program computers comprising a single central processing unit with reconfigurable architecture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/10—Nuclear fusion reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于微波反射仪的等离子体密度分布实时计算装置,其核心是一片集成了FPGA和嵌入式处理器的片上系统芯片,该装置包括波形数字化模块,实时计算模块和数据拟合模块。本发明将数据采集和实时计算功能集成在以嵌入式处理器和FPGA为核心的SoC芯片上,减小了数据传输的时间开销,同时由FPGA主要负责神经网络的计算工作,可实现高并行运算,减少了运算时间,利用ARM处理器进行神经网络参数的实时更新和等离子体密度分布的数据拟合,有效提高了场景适应性,并减小了计算误差。
Description
技术领域
本发明属于等离子体诊断技术领域,具体涉及一种基于微波反射仪的等离子体密度分布实时计算装置。
背景技术
微波反射仪是一种重要的等离子体密度诊断工具,其主要是利用通过微波的反射截面所在位置与等离子体密度相关的特点,通过发射扫频微波信号,并测量不同频率微波信号在等离子体中的飞行时间,来获得等离子体密度分布。由于微波反射仪是一种非接触性诊断手段,同时具有较好的局域测量特性,并且可以提高较高的时间分辨能力,因此是聚变装置上的重要基础诊断工具。
在传统应用中,微波反射仪是作为一种离线的诊断工具,通过人工对数据进行分析处理,并进行复杂度较高的数值计算来获取等离子体的密度分布。这种方式可以获得精度相对较高的处理结果,但是由于时效性不高,很难在实时控制方面得到应用。
随着聚变装置的控制要求越来越复杂,对于等离子体密度分布的实时获取需求也越来越强烈。在国际热核聚变实验堆计划中,微波反射仪获得的等离子体密度分布信息就作为推算等离子体位置并进行实时反馈控制的重要参数来源。围绕此需求,科研人员已提出基于神经网络的等离子体密度分布的实时计算方案。Santos在2000年提出了可以使用神经网络来进行等离子体密度分布的反演(参见J.Santos,F.Nunes,M.Manso,and P.Varela,“A neural network approach to evaluate density profiles from reflectometry inASDEX Upgrade discharges ith internal transport barriers,”Fusion Eng.Des.,vol.48,no.1,pp.119–126,2000.),并与2012年基于通用处理器搭建了一个验证系统来验证此方法的可行性(参见J.Santos,L.M.Zilker,W.Treutterer,and M.Manso,“Reflectometry-based plasma position feedback control demonstration atASDEXUpgrade,”Nucl.Fusion,vol.52,no.3,p.32003,2012.)。
目前的等离子体密度实时计算装置的主要缺点在于:
一、数据采集系统与实时计算系统是分离结构,因此需耗费时间在海量原始数据的传输过程中,受此影响,计算周期相对较长,目前实时计算周期只能达到毫秒量级,而无法实现微秒量级的实时计算。
二、通用处理器在进行神经网络运算时,无法实现高并行运算,而且系统开销较大,实时性较差。
三、未考虑多种实验场景下的条件变化,导致生成的等离子体密度分布结果的误差较大。
四、未考虑等离子体涨落或测量系统误差导致的奇异点引发的计算误差。
发明内容
为解决目前的等离子体密度实时计算装置存在的上述问题,本发明提出一种基于微波反射仪的等离子体密度分布实时计算装置,其核心是一片集成了现场可编程逻辑阵列(FPGA)和嵌入式处理器的片上系统(SoC)芯片。并且,本发明提出以下技术方案:
一种基于微波反射仪的等离子体密度分布实时计算装置,其核心是一片集成了FPGA和嵌入式处理器的片上系统芯片,该装置包括波形数字化模块,实时计算模块和数据拟合模块;所述波形数字化模块用于将微波反射仪输出的同相正交信号转换为数字信号,且该波形数字化模块包括信号调理电路和模数转化器;所述实时计算装置包括低通数字滤波器,拍频提取模块,数据预处理模块,神经网络模块,参数存储器,数据缓存器;所述低通数字滤波器对所述数字信号进行低通滤波处理;所述拍频提取模块对滤波后的数字信号提取拍频频率;所述数据预处理模块将所述拍频频率转换为延迟时间,并将该延迟时间进行处理后转换为适合所述神经网络模块输入的数据;所述神经网络模块用于计算所述等离子体密度分布;所述数据拟合模块用于对所述神经网络模块输出的离散等离子密度分布进行拟合,获得连续等离子密度分布信息。
其中,所述信号调理电路用于将微波反射仪输出信号转换为具有符合所述模数转换器输入要求的幅度和带宽的信号,且该信号调理电路包括信号变压器,放大器和抗混叠滤波器。
其中,所述神经网络模块设置于所述FPGA中。
其中,所述数据拟合模块设置于所述嵌入式处理器上。
其中,所述参数存储器用于存储神经网络权值,多套不同的神经网络权值参数按照不同的基地址存储在参数存储器的不同片区。
其中,所述数据拟合模块包括拟合模块,场景选择模块和通讯接口;所述场景选择模块根据不同输入参数选择不同的基地址,实现神经网络权值参数的变更;所述通讯接口将拟合后的计算结果输出。
本发明具有以下有益效果:
本发明提出的一种基于微波反射仪的等离子体密度分布实时计算装置,将数据采集和实时计算功能集成在以嵌入式处理器和FPGA为核心的SoC芯片上,减小了数据传输的时间开销,同时由FPGA主要负责神经网络的计算工作,可实现高并行运算,减少了运算时间。同时利用ARM处理器进行神经网络参数的实时更新和等离子体密度分布的数据拟合,有效提高了场景适应性,并减小了计算误差。
附图说明
图1为本发明的一种基于微波反射仪的等离子体密度分布实时计算装置组成结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式做详细说明,本领域的技术人员可根据本说明书揭示的内容了解本发明的功效及优点。
一种基于微波反射仪的等离子体密度分布实时计算装置,其核心是一片集成了FPGA和嵌入式处理器的片上系统芯片,该装置包括波形数字化模块,实时计算模块和数据拟合模块;
(1)所述波形数字化模块的主要功能是将微波反射仪输出的同相正交信号(I/Q信号)转换为数字信号,主要由信号调理电路和模数转化器(ADC)组成。其中信号调理电路主要由信号变压器,放大器,抗混叠滤波器组成,主要功能是将输入信号转换至符合ADC输入要求的幅度和带宽。ADC主要功能是将经过信号调理电路转换的模拟信号转换为数字信号。
(2)所述实时计算装置主要功能是计算等离子体密度分布,主要包括低通数字滤波器,拍频提取模块,数据预处理模块,神经网络模块,参数存储器,数据缓存器等;
所述低通数字滤波器对所述数字信号进行低通滤波处理;这是一种有限长单位冲激响应滤波器,主要对ADC转换后的数字信号进行进一步低通滤波处理,减少高频噪声,并避免在后续的时频转换时产生混叠。
所述拍频提取模块的主要功能是提取输入信号中所包含的拍频频率,具体做法是对经滤波的数字信号F(t)截取扫频周期内的数据进行快速傅里叶变换,具体参数为加窗,窗口宽度为Δt,步长为td,获得其时频谱FS(t,f)。为了提高信噪比,将多次扫频周期内的时频谱进行累加,达到增强信号峰值,减小杂散峰值的目的。然后对t=t1=Δt/2时刻的频率谱FS(t1,f)进行寻峰处理,获得其相对高度大于指定阈值的一个或多个峰值所在频率f1n(n=1,2,3…)。以此类推,按照快速傅里叶变换的步长对于t=tN=Δt/2+(N-1)td时刻的频率谱FS(tN,f)进行寻峰处理,获得其相对高度大于指定阈值的一个或多个峰值所在频率fNn(n=1,2,3…)。为了从多个峰值中提取出拍频频率,按照以下方法进行计算,从f11开始,在f2n中选取与f11最接近的值,记为f2a,以此类推,从fNn中寻找与f(N-1)a最接近的值,记为fNa,由此我们获得一个频率集合{f11,f2a,f3a,…,f(N-1)a,fNa},计算Q1=|f11-f2a|+|f2a-f3a|+…+|f(N-1)a-fNa|。接下来,从f12开始进行同样操作,获得频率集合{f12,f2b,f3b,…,f(N-1)b,fNb},计算Q2=|f11-f2b|+|f2b-f3b|+…+|f(N-1)b-fNb|。按照此操作,获得f11至f1n对应频率集合的Q1至Qn。选择Q1至Qn中的最小值,其对应的频率集合即为拍频频率,将该集合中的各频率记为{fb1,fb2,fb3,…,fb(N-1),fbN}。
所述数据预处理模块的主要功能是将提取到的拍频频率转换为延迟时间,并进行归一化和正交化处理,使其转换为适合神经网络输入的数据。按照公式(1)将拍频频率fb转换为延迟时间τ:
其中fb为拍频频率,df/dt为微波反射仪的扫频速度。即将拍频频率集合{fb1,fb2,fb3,…,fb(N-1),fbN}转换为传输延迟时间集合{τ1,τ2,τ3,…,τ(N-1),τN}。随后,利用公式(2)将传输延迟时间集合进行归一化:
利用以下公式(3)计算协方差矩阵P:
P矩阵可通过训练数据集预先计算获得,无需实时计算。对矩阵X进行矩阵运算
所述神经网络模块的主要功能是计算等离子体密度分布,由输入的经归一正交化的延迟时间集合计算得到归一化的等离子体密度分布,即集合{r1,r2,…,rM},其中ri是归一化位置,其对应了事先定义的等间距等离子体密度ni。该神经网络模块是由传统的反向传播神经网络裁剪而来,其训练过程在离线完成,训练得到的权值存储在权值存储器中,因此将权值更新等部分功能移除,只保留其向前传播的计算过程,这使其结构简单,很适合在FPGA中进行部署。该神经网络模块拓扑结构为N*K*M,即具有N个输入节点,K个隐含层节点和M个输出层节点。将输入节点记为Ii,其中i=1,2,..,N;隐含层节点记为Hk,其中k=1,2,…,K;输出层节点记为Oj,其中j=1,2,..,M。隐含层节点通过公式(5)计算:
其中,wki(k=1,2,…,K;i=0,1,2,…,N)为隐含层权值;Sigmoid()为激活函数,其定义为:
同理,输出层节点通过公式(7)计算:
其中,vjk(j=1,2,…,M;k=0,1,2,…,K)为输出层权值。
在FPGA中,Sigmoid()这种非线性函数的计算是非常困难的,需通过分段线性逼近的方法对其进行近似计算。
神经网络的权值需要经过事先的离线训练得到,其具体训练方法如下:
第一步:构建训练数据集。神经网络的泛化性能首先取决于训练数据集的优劣,为了让神经网络获得较好的预测能力,需要有一组真实且具有统计学意义的训练样本数据集。因此,该数据集需要通过已有的真实实验数据为基础进行构建。首先,需要对经过校核的剖面数据按照不同运行模式进行分组归类,在剖面数据挑选时需要注意避开边界局域模爆发时的数据,该部分数据由于变化剧烈,误差较大可能导致神经网络训练失败;然后,在选定的数据样本中随机抽取,并对抽中的剖面数据进行平滑和截取处理,随后通过阿贝尔变换获取剖面对应的群延迟曲线;下一步,为了让神经网络获得更好的泛化能力,需要在群延迟数据添加上具有经过模拟产生的,具有不同幅度的涨落信号,也就是扰动数据,并根据群延迟数据推出频谱数据;接下来利用全波模拟仿真程序获得模拟的微波反射仪原始数据;最后,利用时频算法将模拟原始数据转换回频域,通过寻峰算法获得拍频,并最终得到用于训练的群延迟数据集。然后将剖面数据和群延迟数据分别进行归一化处理,归一化方法参考公式(2),并将群延迟数据进行正交化处理,具体方法参考公式(3)和公式(4)进行。将数据集进行随机抽样,抽取其中10%-30%的数据作为验证数据集,剩余的数据作为训练数据集。
第二步:确定神经网络拓扑结构。在本发明中,神经网络的输入项为群延迟时间,输出项为不同等离子体密度对应的位置。理论上来说,输入项数量越多,数据能够提供的细节就越多,但是如果输入项数量过大,将导致拍频提取模块运算量过大,从而影响实时性,因此输入项可初步选定在16到64之间。同样,对于输出项的考虑,也需要平衡计算精度和计算复杂度之间的矛盾,因此,可将输出项数量定为16-32之间。至于隐含节规模,需要小心控制,如果规模太大可能导致过拟合,使泛化能力下降,目前只能根据输入输出项的数量,大致预计应该在4到32之间。具体数值确定可以通过组合以上参数,综合训练结果来确定。
第三步:初始化权值并设定训练参数。将权值按照均值为0,方差为的正态分布进行初始化,其中N为输入节点的个数。在对神经网络进行训练时,要合理设定训练参数(包括学习率η、动量因子α、训练次数和收敛条件等),尽量避免过拟合,导致泛化能力下降的情况发生。
第四步:利用梯度下降算法进行训练。从训练数据集中抽取一组数据,将输入数据输入神经网络,得到计算结果后,与训练数据中的输出进行比较,并计算误差:
再根据以下公式更新权值:
根据以上描述,将训练数据集中的数据依次循环代入,反复迭代,直至误差的变化率小于设定阈值,即完成神经网络的训练。
第五步:验证训练结果。
将验证数据集中的数据输入训练好的神经网络,并计算其运算结果的误差,判断神经网络的泛化能力,如有必要,重复第二、三、四步,尝试不同的拓扑结构和训练参数,寻找误差小,泛化能力强的最优解。
所述参数存储器主要用于存储神经网络的权值wki(k=1,2,…,K;i=0,1,2,…,N)和vjk(j=1,2,…,M;k=0,1,2,…,K)。而且,将多套不同的神经网络权值参数按照不同基地址存储在存储器的不同片区,通过基地址切换可以快速更换神经网络的权值。
所述数据缓存器主要用于存储神经网络的输出结果O(j)(j=1,2,…,M)。
(3)所述数据拟合模块主要功能是对神经网络计算得到的离散等离子体密度分布进行拟合,获得连续密度分布信息。该部分功能部署在嵌入式处理器上,主要包括拟合模块,场景选择模块和通讯接口,各个模块的具体实现方式和功能如下:
拟合模块:如果将神经网络输出的离散等离子体密度分布直接用于拟合,由于可能存在奇异点,导致结果误差较大,虽然泛化能力较强神经网络可以减缓此种情况的出现几率,但是还是无法完全避免。因此,本发明此处结合随机抽样一致算法和遗传算法的思路进行优化,即抽取部分数据点进行拟合,并利用遗传算法重复迭代来筛选优化结果的方法。其具体工作步骤如下:
第二步:计算个体的品质值。取出每个个体的数据点,使用正切双曲函数(tanh),利用最小二乘法拟合,获得拟合后的函数fj(n)以后,计算每个数据点对应的拟合数据点:
其中j=1,2,…,N;i=1,2,…,P。
计算每个数据点与拟合数据点之间的距离:
品质值越高,则代表该个体的拟合效果越好。
第三步:通过交叉产生子个体。首先计算所有个体的品质总和:
然后产生一个大于0小于Qsum的随机数Qrandom,从Q1开始,逐一进行累加,直到第k个个体满足以下条件:
则将第k个个体抽取出来,作为亲个体。重复抽取N次,产生N个亲个体。这里,品质值越高的个体,被抽取的可能性越大。将亲个体两两随机配对。首先为每一组配对产生一个大于等于0小于等于1的随机数,若该随机数大于设定的阈值Pcross,则该组不进行交叉变换,2个亲个体直接成为子个体,否则随机产生一个大于等于1,小于等于P的随机整数R,将该组中2个亲个体的前R个数据点进行交叉变换,产生2个新的子个体。各组交叉变换完毕后,则N个亲个体转换成了N个子个体。
第四步:通过突变让子个体产生变异。为从上一步骤产生的所有子个体产生一个大于等于0小于等于1的随机数,若该随机数大于设定的阈值Pmutation,则该个体不进行变异,否则从该个体中随机抽取一个数据点,将该数据点更换为输入的等离子体密度分布中不在该个体内的随机任意一个数据点。
第五步:重复以上步骤二至四,直到重复次数达到设定的阈值。
第六步:在最后一步产生的个体中,找到品质值最高的个体,提取其所有“合格”数据点。由于数据点均为归一化以后的值,使用以下公式:
场景选择模块:根据不同的输入参数,为参数存储器选择不同的基地址,实现神经网络参数的快速变更。
通讯接口:通过TCP/IP或UDP协议,将计算结果传输至其它计算机或控制器。
下面以一个具体的实施实例来对进一步说明本发明。
实施实例:
一台扫频周期为20uS的微波反射仪,其工作频率范围是40-100GHz,由于工作频率范围太宽,拆分为三个子频段,即40-60GHz,60-80GHz和80-100GHz。微波反射仪分为三个子系统,同时工作在以上三个频率,扫频速度为800THz/S,拍频频率小于10MHz。
在波形数字化模块中,提供6个通道对三个频段的子系统的同相正交信号进行采集,在信号调理电路中,提供了3dB的幅度放大和截止频率为10MHz的低通滤波。模数转换器以62.5MSPS采样率,14bits分辨率对信号进行转换,转换完成后单个扫频周期的数据长度为1250。
在实时计算模块中,首先进行的是时频分析。从波形数字化模块过来的6个数字信号首先通过一个截止带宽为10MHz的数字低通滤波器,然后每2个信号为一组同相正交信号,组合成3个复信号。下面以其中一个复信号的计算过程为例进行说明,通过FPGA内部的数字信号处理(DSP)模块对复信号进行快速傅里叶变换,加海明窗,窗宽度为128,起始中心点为15,移动步长为80。经过变换后,获得了16个随时间变化的频谱。为了提高信噪比,对每8个扫频周期的频谱进行叠加操作。
接下来进行拍频提取,对叠加完成后的频谱分别进行寻峰操作,找出相对高度大于20dB的所有峰值,并将其在频谱中的对应频率其记录为fij,代表了第i个频谱中的第j个峰值。假设从第1个频谱中共找到了5个峰值,从第1个频谱的第1个峰值位置f1a开始,向后逐个寻找与前一个峰值位置最接近的峰值位置,最后形成一个频率集合{f1a,f2a,f3a,...,f16a},并计算以此类推,从第1频谱的第2个峰值位置f1b开始,找到频率集合{f1b,f2b,f3b,...,f16b},并计算如此操作,直到将第1个频率中的5个峰值都遍历完,获得了5个频率集合。寻找这5个频率集合对应的QBeat中最小者,将其频率集合确定为需要提取的拍频频率。至此其中1个复信号的拍频提取完成,对其余2个复信号同时进行同样的操作,如此,将获得的3个频率集合首位相接,并将其该记为
最后通过神经网络模块进行运算,此处神经网络拓扑结构为48个输入节点Ii,16个隐含层节点Hk和24个输出节点Oj,神经网路的权值已经过离线训练确定,实现训练了三套权值数据,分别对应了不同纵场和加热条件下的放电,分别存放在基地址为0x01001000、0x010002000和0x010003000地址空间,在本实例中选择第一套权值数据进行计算。使用公式和分别并行计算隐含层节点Hk和输出节点Oj。将输出节点Oj的值记为{r1,r2,...,r24},即为事先定义的等离子体密度对应的归一化位置。
在数据拟合模块中,首先对{r1,r2,...,r24}进行随机抽样,每次抽样10个点,一共抽样30次,组成30个初代个体。然后对每个个体进行最小二乘法拟合,并计算其品质值Q。计算30个个体的品质值总和然后生成一个0至Qsum之间的随机数Qrandom,从第1个个体开始,逐个累加其品质值直到超过Qrandom即停止,最后一个累加的个体即抽取作为产生下一代的亲个体。此抽取过程重复30次,抽取30个亲个体,然后将这30个亲个体随机两两分组,形成15个亲个体组。对每个亲个体组产生一个0-1的随机数,若该随机数小于0.80,则进一步产生一个1-10的随机数r,该组前r个数据进行交换,否则,该组保持不变。交换完成后,对每个个体产生一个0-1的随机数,若该随机数小于0.05,从该个体中随机抽取一个数据点,将该数据点更换为输入的24个数据中不在此个体内的随机一个数据点。完成以上流程后,即产生了新一代的30个个体,继续上述的品质值计算,抽取产生下一代的亲个体,然后交换和突变产生新一代子个体,循环往复,重复200次。在最终得到的个体中选择品质值最高的个体,并提取其中的“合格”数据点,并使用公式将归一化的位置还原为真实位置,并重新进行拟合,拟合后的结果作为等离子体密度分布结果通过通讯接口进行输出。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。本发明的范围由所附权利要求及其等价物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (6)
1.一种基于微波反射仪的等离子体密度分布实时计算装置,其核心是一片集成了FPGA和嵌入式处理器的片上系统芯片,其特征在于:
该装置包括波形数字化模块,实时计算模块和数据拟合模块;
所述波形数字化模块用于将微波反射仪输出的同相正交信号转换为数字信号,且该波形数字化模块包括信号调理电路和模数转化器;
所述实时计算装置包括低通数字滤波器,拍频提取模块,数据预处理模块,神经网络模块,参数存储器,数据缓存器;所述低通数字滤波器对所述数字信号进行低通滤波处理;所述拍频提取模块对滤波后的数字信号提取拍频频率;所述数据预处理模块将所述拍频频率转换为延迟时间,并将该延迟时间进行处理后转换为适合所述神经网络模块输入的数据;所述神经网络模块用于计算所述等离子体密度分布;
所述数据拟合模块用于对所述神经网络模块输出的离散等离子密度分布进行拟合,获得连续等离子密度分布信息。
2.根据权利要求1所述的一种基于微波反射仪的等离子体密度分布实时计算装置,其特征在于:
所述信号调理电路用于将微波反射仪输出信号转换为具有符合所述模数转换器输入要求的幅度和带宽的信号,且该信号调理电路包括信号变压器,放大器和抗混叠滤波器。
3.根据权利要求1所述的一种基于微波反射仪的等离子体密度分布实时计算装置,其特征在于:
所述神经网络模块设置于所述FPGA中。
4.根据权利要求1所述的一种基于微波反射仪的等离子体密度分布实时计算装置,其特征在于:
所述数据拟合模块设置于所述嵌入式处理器上。
5.根据权利要求1所述的一种基于微波反射仪的等离子体密度分布实时计算装置,其特征在于:
所述参数存储器用于存储所述神经网络权值,多套不同的神经网络权值参数按照不同的基地址存储在参数存储器的不同片区。
6.根据权利要求5所述的一种基于微波反射仪的等离子体密度分布实时计算装置,其特征在于:
所述数据拟合模块包括拟合模块,场景选择模块和通讯接口;所述场景选择模块根据不同输入参数选择不同的基地址,实现神经网络权值参数的变更;所述通讯接口将拟合后的计算结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707342.7A CN113342734B (zh) | 2021-06-24 | 2021-06-24 | 一种基于微波反射仪的等离子体密度分布实时计算装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707342.7A CN113342734B (zh) | 2021-06-24 | 2021-06-24 | 一种基于微波反射仪的等离子体密度分布实时计算装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113342734A true CN113342734A (zh) | 2021-09-03 |
CN113342734B CN113342734B (zh) | 2023-07-11 |
Family
ID=77478589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110707342.7A Active CN113342734B (zh) | 2021-06-24 | 2021-06-24 | 一种基于微波反射仪的等离子体密度分布实时计算装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113342734B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114624256A (zh) * | 2022-03-31 | 2022-06-14 | 核工业西南物理研究院 | 用于测量磁流体不稳定性模数的三维微波反射系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101495981A (zh) * | 2005-03-31 | 2009-07-29 | 威科仪器有限公司 | 用于离子束均匀性的栅格透明度和栅格孔图案控制 |
US20130158961A1 (en) * | 2011-12-15 | 2013-06-20 | Japan Atomic Energy Agency | Calculation apparatus and calculation method of magnetic field, electron density and electron temperature |
CN109167633A (zh) * | 2018-08-14 | 2019-01-08 | 中国电子科技集团公司第三十八研究所 | 基于fpga的光纤激光传感网络多通道并行解调系统 |
CN109640501A (zh) * | 2018-11-20 | 2019-04-16 | 上海无线电设备研究所 | 一种非均匀等离子体电子密度的诊断系统及方法 |
-
2021
- 2021-06-24 CN CN202110707342.7A patent/CN113342734B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101495981A (zh) * | 2005-03-31 | 2009-07-29 | 威科仪器有限公司 | 用于离子束均匀性的栅格透明度和栅格孔图案控制 |
US20130158961A1 (en) * | 2011-12-15 | 2013-06-20 | Japan Atomic Energy Agency | Calculation apparatus and calculation method of magnetic field, electron density and electron temperature |
CN109167633A (zh) * | 2018-08-14 | 2019-01-08 | 中国电子科技集团公司第三十八研究所 | 基于fpga的光纤激光传感网络多通道并行解调系统 |
CN109640501A (zh) * | 2018-11-20 | 2019-04-16 | 上海无线电设备研究所 | 一种非均匀等离子体电子密度的诊断系统及方法 |
Non-Patent Citations (1)
Title |
---|
张博宇;石中兵;钟武律;杨曾辰;施培万;蒋敏;刘泽田;丁玄同;杨青巍;: "HL-2A装置上的快扫Q波段微波反射系统研制", 核聚变与等离子体物理, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114624256A (zh) * | 2022-03-31 | 2022-06-14 | 核工业西南物理研究院 | 用于测量磁流体不稳定性模数的三维微波反射系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113342734B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106597260A (zh) | 基于连续小波分析和elm网络的模拟电路故障诊断方法 | |
CN110069886A (zh) | 基于vmd和cnn的电缆早期故障识别与分类方法 | |
CN110443724B (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
CN110174651B (zh) | 基于低秩Hankel矩阵补全的气象雷达风电场杂波抑制方法 | |
CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
CN105403874B (zh) | 非均匀阵列欠定波达方向估计方法 | |
CN110297247B (zh) | 基于低秩矩阵稀疏恢复的气象雷达风电场杂波抑制方法 | |
CN106093875B (zh) | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 | |
CN110991721A (zh) | 基于改进经验模态分解和支持向量机的短期风速预测方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN113821978B (zh) | 基于改进步长lms自适应算法的行波检测方法和系统 | |
CN111553513A (zh) | 一种基于二次分解与回声状态网络的中长期径流预测方法 | |
CN106199524B (zh) | 基于基追踪去噪的远场宽带rcs数据采集与压缩方法 | |
CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
CN112797989A (zh) | 一种脉冲星频率参数的快速搜索方法 | |
CN113342734A (zh) | 一种基于微波反射仪的等离子体密度分布实时计算装置 | |
CN110413939B (zh) | 一种基于原子范数的到达角估计方法 | |
CN111859241B (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
CN106872773A (zh) | 一种单载频脉冲信号的多脉冲频率精确测量方法及装置 | |
CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
CN113222250A (zh) | 基于卷积神经网络的大功率激光装置输出波形预测方法 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
CN109459609B (zh) | 一种基于人工神经网络的分布式电源频率检测方法 | |
CN107479055A (zh) | 一种高轨星载sar的自聚焦方法和装置 | |
Zhang et al. | Intelligent prediction of acoustic performance of landing gear using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |