Moku 神经网络 是唯一一款集成到全套测试和测量仪器中的基于 FPGA 的神经网络。该仪器允许用户使用 Moku:Pro.您可以使用以下方式构建和训练模型 Python 然后使用 Moku:Pro 部署到您的测试系统，以实现低延迟推理并对不断变化的实验条件做出快速反应。在下面的示例中，我们探讨了如何使用 自动编码器 神经网络结构来消除脉冲波形的噪声。然后我们将应用 匹配过滤器 对无噪声、噪声和去噪数据进行对比，以突出神经网络仪器在脉冲波形场景中与匹配滤波器的有效性。
使用匹配滤波器进行脉冲检测
脉冲波形广泛应用于各种应用，雷达系统就是一个突出的例子。在最简单的配置中，脉冲雷达以恒定频率发射短而强大的电磁能量脉冲，然后进入“监听”模式以检测目标的回声。在此监听期间，雷达系统基本上处于静默状态，等待来自环境中物体的返回信号（回声）。
脉冲雷达系统面临的一个关键挑战是接收信号的衰减。当脉冲从雷达传播到目标并返回时，它会经历扩散损耗，这会导致信号随距离而减弱。衰减程度与雷达和目标之间的距离的平方成正比，这种现象通常被称为 自由空间路径损耗。故意（例如以干扰的形式）或无意的噪声通常会进一步挑战雷达接收器，使其难以区分接收波形中脉冲的存在。为了帮助检测脉冲，通常采用匹配滤波器来检测噪声波形中的脉冲存在和时序。匹配滤波器是与接收信号卷积的发射脉冲的时间反转副本。匹配滤波器的有效性高度依赖于脉冲和噪声特性。虽然匹配滤波器将有助于在接收波形中发现脉冲，但性能通常会随着信噪比 (SNR) 的提高而提高。先进的雷达系统还采用了其他技术，例如脉冲压缩、频率分集和许多其他信号处理策略，这些技术将在未来的白皮书中得到展示。
使用神经网络工具模拟雷达数据并进行降噪
材料及硬件配置
脉冲参数
- 载波频率 – 2 kHz
- 脉冲宽度 – 5 毫秒
- 脉冲重复频率 – 10 Hz
用户可以使用单个 Moku:Go 在单仪器模式下运行。为了生成简单的脉冲波形，请在通道 1 上生成一个由通道 2 进行幅度调制的正弦波。在通道 2 上，我们可以通过生成具有所需频率和脉冲宽度的脉冲波形来创建调制源，如图 1 所示。
图 1：Moku:Go 波形发生器脉冲信号参数模拟脉冲雷达信号
通过 Moku:Go 上的输出 1 将此脉冲波形连接到 Moku:Pro 上的输入 1。在 多仪器并行模式 （图 2）所有四个仪器插槽均已利用。
- 插槽 1 – 波形发生器 产生噪音
- 插槽 2 – PID 控制器 使用控制矩阵将噪声与脉冲信号结合起来
- 插槽 3 – 神经网络 使用先前构建的自动编码器 *.linn 文件
- 插槽 4 – 数据记录器 用于存储0.2秒的数据快照
图 2：Moku:Pro 多仪器模式配置
为了本次实验的目的，我们仅使用 PID 控制器将噪声与 Moku:Go 接收到的信号相结合。PID 控制器具有 输入控制矩阵 这使我们能够缩放和组合来自两个独立输入的信号。在应用控制矩阵的适当缩放后，PID 控制器的其余部分充当噪声脉冲的通道。槽 3 包含一个自动编码器神经网络配置。 自动编码器 是一种神经网络结构，旨在高效学习输入数据集的压缩表示。它通过一种网络架构实现这一点，该网络架构先逐渐变细到某个较小的潜在空间表示，然后再扩展回输入大小。自动编码器通常可以被认为是由两个网络组成：编码器网络和解码器网络。编码器负责学习输入数据的压缩表示，而解码器负责从潜在变量表示重建输入。值得注意的是，用于此自动编码器的训练数据不是脉冲波形——只有随机游走信号。尽管如此，神经网络仍然能够在显著降低的 SNR 水平下成功实现准确的脉冲识别。
功能验证
有了足够的 SNR，匹配滤波器便成为识别信号中已知脉冲类型的精确位置的绝佳工具。如下所示，在存在噪声的情况下，信号很难通过视觉识别，但匹配滤波器可以有效地将该信号从噪声中分离出来。然而，使用神经网络仪器实时处理的信号进一步提高了匹配滤波器的性能，并允许更低的检测阈值。图 3 中的垂直虚线绿线表示预期的相关峰值。水平虚线红线表示窗口内峰值相关为 50% 时的任意检测阈值。
图 3：使用基于神经网络的自动编码器（左）和匹配滤波器（右）的雷达脉冲检测结果比较
随着 SNR 的降低，我们开始看到所选阈值对噪声信号进行错误检测。这种情况对于任何试图解释接收到的雷达数据的人来说都是具有挑战性的，因为不可能确定来自 Ωnoise 的真实脉冲返回。然而，通过神经网络的去噪信号可以完美地识别脉冲，并且仍然允许较低的检测阈值，如图 4 所示。
图 4：使用自动编码器（左）和匹配滤波器（右）对 0.09 Vpp 输入信号进行雷达脉冲检测的比较
如图 5 所示，随着 SNR 进一步降低，匹配滤波器检测噪声信号中脉冲的能力完全丧失。然而，通过神经网络实时降噪的信号仍然表现良好。
图 5：使用自动编码器（左）和匹配滤波器（右）对 0.06 Vpp 输入信号进行雷达脉冲检测的比较
最终，SNR 的进一步降低将开始限制神经网络对去噪信号的性能。然而，这种去噪技术确实比单独使用匹配滤波器在性能上有了显著的改善。在图 6 中，我们开始看到错误检测，但真实检测仍然是准确的。
图 6：使用自动编码器（左）和匹配滤波器（右）对 0.02 Vpp 输入信号进行雷达脉冲检测的比较
结语
Moku 设备可以方便地研究在存在噪声的情况下脉冲识别的挑战。此外，在 Moku 硬件中应用了神经网络来实时去除数据噪声。这种神经网络配置的一个有趣方面是训练数据不包含脉冲波形。尽管如此，神经网络仍然能够成功地在显著降低的 SNR 水平下实现准确的脉冲识别。
有疑问？
在我们的知识库中获取常见问题解答
如果您对设备特性或仪器功能有疑问，请查看我们的 知识库 来查询您正在寻找的答案。 您还可以快速查看热门问题并按产品或主题来优化搜索。
加入我们的用户论坛来与我们保持联系
想要新的功能吗？ 有技术支持提示要分享？ 从客户案例到新功能公告等等， 用户论坛 是您的一站式门户，作为产品更新以及与 Liquid Instruments 和我们的全球用户社区建立联系。
