CN116227551B 一种基于一维卷积神经网络的粒子鉴别方法及系统 （中国科学院国家空间科学中心）

号一种基于一维卷积神经网络的粒子鉴别方涉及一种基于一维卷积神经网络的粒子鉴别方域波形数据和频域波形数据同时输入预先建立并训练好的粒子鉴别模型中，得到粒子鉴别结据和频域波形数据同时输入预先建立并训练好2对采集的空间中各种粒子入射到探测器产生的波形数据进行预处将各种粒子的时域波形数据和频域波形数据同时输入预先建立并训练好的粒子鉴别将定标试验和在轨探测得到的各种粒子的波形数据进行预处理获得时域数据和频域基于获得的时域数据和频域数据构建训练数据集和测试将训练数据集的时域数据和频域数据输入粒并将测试数据集的时域数据和频域数据输入粒子鉴别模型进行测所述数据预处理模块，用于对空间中各种粒子入射到探测器产生的所述粒子鉴别模块，用于将时域波形数据和频域波形数据同时输入预3中，所述一维卷积神经网络包括M个分组，每个分组输入不同尺度的波形数据进行并行训4[0004]第一种方法为ΔE_E探测器望远镜法，主要原理是采用一片或多片固体探测器(SSD)组成叠层，如果第一片传感器足够薄，假设厚度为x，则粒子穿透以后沉积能量[0005]第二种方法为静电分析飞行时间法(ESA_TOF)，通过静电分析器ESA扫描电压V对即只需测出粒子能量E和速度v(距离l和时间t)便可得到粒子质量从而确定种5[0013]将各种粒子的时域波形数据和频域波形数据同时输入预先建立并训练好的粒子[0016]作为上述技术方案的改进之一，所述粒子鉴别模型包括并列的3M个卷积神经网[0020]将定标试验和在轨探测得到的各种粒子的波形数据进行预处理获得时域数据和6[0033]3、卷积神经网络具备良好的扩展性和可移植性，可以和传统方法完美融合和改[0036]图1为本发明的基于一维卷积神经网络的星载粒子鉴别FPGA实时处理平台的架构Bragg峰落在了低电场区。离子径迹上的低电场强度以及高能量损失率使得重离子的等离用所产生的质子激发的荧光中快成分的份额比γ射线与闪烁体作用所产生的电子激发的器中沉积产生的波形数据的差异为我们使用卷积神经网络鉴别提[0042]本发明的实施例1提出了一种基于一维卷积神经组合网络的粒子鉴别方法，所述7通道输入一维卷积神经网络软件架构中进行训练，测试数据集用作训练结果的验证手段。积层2池化层2卷积层3全连接层输出层。考虑到粒子波形数据的多样性与上升沿与下个分组输入不同尺度的波形数据进行并行训练，并最终通过3M取N的形式得到最终的粒子实现前向推断的同时存储带标签的粒子波形数据并下传，实现训练数据集的扩充和迭代，[0046]传统的粒子波形分析方法通常是利用时域或者频域的数但还未使用过时域+频域的综合鉴别方法进行鉴别，时域和频域信息几乎涵盖了粒子波形度波形数据)训练针对粒子波形识别的卷积神经网络组合架构，可以实现粒子波形宏观大8[0050]传统的方法往往通过存储在轨波形数据或能量和速度等信息下传到地面进行处[0052]本发明的实施例2提出了一种基于一维卷积神经网络的粒子鉴别系统，所需系统[0054]该模块的主要功能是将在轨或地面加速器获得的各类粒子的波形数据在时域和2池化层2卷积层3全连接层输出层(可依据实际类别数量进行调整)，为了保证输入和9数计算是为了了解标签数据和计算数据的偏差并以此偏差通过反向梯度计算不断迭代和size以及数据集训练次数Epoch，以上参数均可通过手动修改变量进行更改，随后通过CrossEntropyLoss()函数计算损失函数、通过backward()进行反向梯度计算并不断迭代失函数值以及测试准确度，训练准确度train_corrects_output的计算方法为训练数据前[0066]损失函数值average_loss的计算结果为损失函数累加和train_loss除以训练数[0068]测试准确度test_corrects_output的计算结果为测试数据前向推断结果与标签以COE文件的方式写入FPGA中的ROM中。实际操作中，利用matlab的numerictype()函现所有权值偏置以及输入数据的转换并按照存储架构依[0074]FPGA高速采集模块负责采集前置放大器放大的粒子脉冲波形信号，采集速率为[0076]FPGA构建卷积神经网络的一个关键环节就是通过并行运算结构实现卷积层的多