高能物理對撞機實驗中,對于碰撞事件的分析和辨別依賴于從探測器獲取的末態(tài)粒子的類型和動力學信息。對于基于模擬數(shù)字轉(zhuǎn)換器時間系統(tǒng)的探測器,從成形脈沖中提取準確的時間信息是其中的一個重要步驟。由于探測器系統(tǒng)的指數(shù)信號和隨機噪聲的存在,傳統(tǒng)的曲線擬合方法不足以達到最佳的精度和效率。近年來,神經(jīng)網(wǎng)絡被逐漸應用于高能物理實驗的數(shù)據(jù)分析中。由于神經(jīng)網(wǎng)絡算法計算量大,為滿足快速實時處理數(shù)據(jù)的需求,需要采用硬件加速器對神經(jīng)網(wǎng)絡算法的計算進行加速。目前,國內(nèi)外有許多針對脈沖參數(shù)提取的研究,常用的方法有曲線擬合,梯形濾波成形等,也有一些基于機器學習的方法,例如基于LSTM網(wǎng)絡和基于種群遺傳算法的參數(shù)提取。但這些研究大多用于離線數(shù)據(jù)分析。隨著高能物理實驗規(guī)模增大,產(chǎn)生的樣本數(shù)量也逐漸增加,實時處理在線數(shù)據(jù),減少數(shù)據(jù)存儲成為一個重要的研究方向。本文基于降噪自編碼器模型,設計了一種深度學習網(wǎng)絡模型,用于完成從一維時間序列中提取時間信息的任務。并以該網(wǎng)絡為基礎,設計了一款基于FPGA的神經(jīng)網(wǎng)絡加速器。加速器通過重配置的方式分層復用硬件資源,以實現(xiàn)神經(jīng)網(wǎng)絡模型的推斷。加速器的設計采用了數(shù)據(jù)復用的策略,減少了乘加運算對... 

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖２．２整形脈沖波形圖??ＣＲ電路與ＲＣ電路有相同的整形時間常數(shù)Ｔｑ?＝?Ｃｐ?Ａｄ

圖２．３?深度學習模型示意圖??神經(jīng)元也被稱作節(jié)點，是人工神經(jīng)網(wǎng)絡的基本單元，其本質(zhì)為一個非線性函數(shù)

圖２．４?人工神經(jīng)元示意圖??主流的深度學習模型有，卷積神經(jīng)網(wǎng)絡，循環(huán)神經(jīng)網(wǎng)絡，自編碼器，生成對抗??

【參考文獻】：
期刊論文
[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數(shù)字成形和種群技術的脈沖參數(shù)提取方法[J]. 蔣開明,黃洪全,楊小峰,任家富.  核電子學與探測技術. 2017(02)
[3]數(shù)字化能譜獲取中梯形成形研究[J]. 劉寅宇,王玉東,周榮,楊朝文.  核技術. 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脈沖成形的遞歸實現(xiàn)[J]. 陳世國,吉世印,劉萬松,宋澤運,龐禮軍.  物理學報. 2009(05)

碩士論文
[1]核脈沖數(shù)字化成形與脈沖堆積相關技術研究[D]. 趙靖.成都理工大學 2019
[2]基于FPGA的卷積神經(jīng)網(wǎng)絡加速器[D]. 余子健.浙江大學 2016
[3]基于神經(jīng)網(wǎng)絡的高能物理粒子鑒別的應用研究[D]. 崔向麗.蘭州大學 2013



本文編號：3682308