基于FPGA的脉冲信号特征提取算法硬件加速研究

发布时间：2022-09-28 20:12

　　高能物理对撞机实验中,对于碰撞事件的分析和辨别依赖于从探测器获取的末态粒子的类型和动力学信息。对于基于模拟数字转换器时间系统的探测器,从成形脉冲中提取准确的时间信息是其中的一个重要步骤。由于探测器系统的指数信号和随机噪声的存在,传统的曲线拟合方法不足以达到最佳的精度和效率。近年来,神经网络被逐渐应用于高能物理实验的数据分析中。由于神经网络算法计算量大,为满足快速实时处理数据的需求,需要采用硬件加速器对神经网络算法的计算进行加速。目前,国内外有许多针对脉冲参数提取的研究,常用的方法有曲线拟合,梯形滤波成形等,也有一些基于机器学习的方法,例如基于LSTM网络和基于种群遗传算法的参数提取。但这些研究大多用于离线数据分析。随着高能物理实验规模增大,产生的样本数量也逐渐增加,实时处理在线数据,减少数据存储成为一个重要的研究方向。本文基于降噪自编码器模型,设计了一种深度学习网络模型,用于完成从一维时间序列中提取时间信息的任务。并以该网络为基础,设计了一款基于FPGA的神经网络加速器。加速器通过重配置的方式分层复用硬件资源,以实现神经网络模型的推断。加速器的设计采用了数据复用的策略,减少了乘加运算对... 

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图２．２整形脉冲波形图??ＣＲ电路与ＲＣ电路有相同的整形时间常数Ｔｑ?＝?Ｃｐ?Ａｄ

图２．３?深度学习模型示意图??神经元也被称作节点，是人工神经网络的基本单元，其本质为一个非线性函数

图２．４?人工神经元示意图??主流的深度学习模型有，卷积神经网络，循环神经网络，自编码器，生成对抗??

【参考文献】：
期刊论文
[1]Estimation of Gaussian overlapping nuclear pulse parameters based on a deep learning LSTM model[J]. Xing-Ke Ma,Hong-Quan Huang,Qian-Cheng Wang,Jing Zhao,Fei Yang,Kai-Ming Jiang,Wei-Cheng Ding,Wei Zhou.  Nuclear Science and Techniques. 2019(11)
[2]基于S-K数字成形和种群技术的脉冲参数提取方法[J]. 蒋开明,黄洪全,杨小峰,任家富.  核电子学与探测技术. 2017(02)
[3]数字化能谱获取中梯形成形研究[J]. 刘寅宇,王玉东,周荣,杨朝文.  核技术. 2017(02)
[4]Estimation method for parameters of overlapping nuclear pulse signal[J]. Hong-Quan Huang,Xiao-Feng Yang,Wei-Cheng Ding,Fang Fang.  Nuclear Science and Techniques. 2017(01)
[5]基于小波分析的高斯脉冲成形的递归实现[J]. 陈世国,吉世印,刘万松,宋泽运,庞礼军.  物理学报. 2009(05)

硕士论文
[1]核脉冲数字化成形与脉冲堆积相关技术研究[D]. 赵靖.成都理工大学 2019
[2]基于FPGA的卷积神经网络加速器[D]. 余子健.浙江大学 2016
[3]基于神经网络的高能物理粒子鉴别的应用研究[D]. 崔向丽.兰州大学 2013



本文编号：3682308