모쿠 뉴럴 네트워크 테스트 및 측정 장비의 전체 제품군에 통합된 유일한 FPGA 기반 신경망입니다. 이 장비를 사용하면 사용자가 실험 설정에 맞춰 실시간 강력한 머신 러닝 알고리즘을 실행할 수 있습니다. Moku:Pro. 다음을 사용하여 모델을 빌드하고 학습할 수 있습니다. Python, 그런 다음 Moku:Pro를 사용하여 테스트 시스템에 배포하여 저지연 추론을 달성하고 변화하는 실험 조건에 신속하게 대응합니다. 다음 예에서는 다음을 사용하는 방법을 살펴봅니다. 오토 인코더 펄스 파형의 노이즈를 제거하기 위한 신경망 구조 유형입니다. 그런 다음 다음을 적용합니다. 일치하는 필터 펄스 파형 시나리오에서 일치 필터와 비교하여 신경망 계측기의 효율성을 강조하기 위해 잡음이 없는 데이터, 잡음이 있는 데이터, 잡음이 제거된 데이터를 비교합니다.
펄스 감지를 위한 매칭 필터 사용
펄스 파형은 다양한 응용 분야에서 널리 사용되고 있으며, 레이더 시스템이 대표적인 예입니다. 가장 간단한 구성에서 펄스 레이더는 일정한 주파수로 짧고 강력한 전자기 에너지 펄스를 방출한 다음, "청취" 모드로 전환하여 대상의 에코를 감지합니다. 이 청취 기간 동안 레이더 시스템은 본질적으로 조용하며 환경의 물체에서 돌아오는 신호(에코)를 기다립니다.
펄스 레이더 시스템의 주요 과제 중 하나는 수신 신호의 감쇠에서 발생합니다. 펄스가 레이더에서 타겟으로 이동하고 돌아올 때 확산 손실을 겪게 되며, 이로 인해 신호가 거리에 따라 약해집니다. 감쇠 정도는 레이더와 타겟 사이의 거리 제곱에 비례하며, 이 현상을 종종 자유 공간 경로 손실. 의도적(예: 방해의 형태) 또는 의도하지 않은 노이즈는 종종 레이더 수신기에 더 큰 도전이 될 수 있으며 수신된 파형에서 펄스의 존재를 구별하기 어렵게 만들 수 있습니다. 펄스 감지를 돕기 위해 일반적으로 매칭 필터가 노이즈가 있는 파형에서 펄스의 존재와 타이밍을 감지하는 데 사용됩니다. 매칭 필터는 수신된 신호와 합성된 전송된 펄스의 시간 반전 사본입니다. 매칭 필터의 효과는 펄스와 노이즈 특성에 크게 좌우됩니다. 매칭 필터는 수신된 파형에서 펄스를 발견하는 데 도움이 되지만 일반적으로 신호 대 잡음비(SNR)가 증가하면 성능이 향상됩니다. 펄스 압축, 주파수 다이버시티 및 향후 백서에서 설명할 다른 많은 신호 처리 전략과 같은 고급 레이더 시스템에서 사용하는 다른 기술이 있습니다.
신경망 장비를 사용하여 레이더 데이터 시뮬레이션 및 노이즈 제거
재료 및 하드웨어 구성
펄스 매개변수
- 캐리어 주파수 – 2kHz
- 펄스 폭 – 5ms
- 펄스 반복 주파수 – 10Hz
사용자는 단일 펄스 파형을 생성할 수 있습니다. Moku:Go 단일 악기 모드에서 실행 중입니다. 간단한 펄스 파형을 생성하려면 채널 1에서 진폭 변조된 사인파를 채널 2에서 생성합니다. 채널 2에서 그림 1에서 볼 수 있듯이 원하는 주파수와 펄스 폭을 가진 펄스 파형을 생성하여 변조 소스를 만들 수 있습니다.
그림 1: 펄스 레이더 신호를 시뮬레이션하기 위한 Moku:Go 파형 생성기 펄스 신호 매개변수
이 펄스 파형을 Moku:Go의 Output 1을 통해 연결합니다. Moku:Pro의 Input 1로 이동합니다. Moku:Pro를 구성합니다. 다중 기구 모드 (그림 2) XNUMX개의 계측기 슬롯을 모두 활용한 모습입니다.
- 슬롯 1 – 파형 발생기 소음을 발생시키다
- 슬롯 2 – PID 컨트롤러 제어 매트릭스를 사용하여 펄스 신호와 노이즈를 결합합니다.
- 슬롯 3 – 뉴럴 네트워크 이전에 빌드한 자동 인코더 *.linn 파일 사용
- 슬롯 4 – 데이터 로거 0.2초 데이터 스냅샷을 저장하는 데 사용됨
그림 2: Moku:Pro 다중 악기 모드 구성
이 실험의 목적을 위해, 우리는 PID 컨트롤러를 사용하여 노이즈와 Moku:Go에서 수신된 신호를 결합합니다. PID 컨트롤러에는 입력 제어 매트릭스 이를 통해 두 개의 별도 입력에서 신호를 스케일링하고 결합할 수 있습니다. 제어 행렬에서 적절한 스케일링을 적용한 후 PID 컨트롤러의 나머지 부분은 노이즈가 있는 펄스에 대한 패스스루 역할을 합니다. 슬롯 3에는 자동 인코더 신경망 구성이 포함되어 있습니다. 오토 인코더 는 입력 데이터 세트의 압축된 표현을 효율적으로 학습하는 것을 목표로 하는 신경망 구조의 한 유형입니다. 이는 입력 크기로 다시 확장하기 전에 더 작은 잠재 공간 표현으로 테이퍼링하는 네트워크 아키텍처를 통해 이를 달성합니다. 자동 인코더는 일반적으로 인코더와 디코더 네트워크라는 두 개의 네트워크로 구성된 것으로 생각할 수 있습니다. 인코더는 입력 데이터의 압축된 표현을 학습하는 반면 디코더는 잠재 변수 표현에서 입력을 재구성하는 역할을 합니다. 이 자동 인코더에 사용된 학습 데이터는 펄스 파형이 아니라 랜덤 워크 신호로만 구성되었다는 점에 유의하는 것이 중요합니다. 이러한 사실에도 불구하고 신경망은 SNR 수준이 상당히 낮아져도 정확한 펄스 식별에 성공했습니다.
결과
충분한 SNR을 갖춘 매칭 필터는 신호 내에서 알려진 펄스 유형의 정확한 위치를 식별하는 데 탁월한 도구입니다. 아래에 표시된 대로, 노이즈가 있는 경우 신호를 시각적으로 식별하기 어렵지만 매칭 필터는 이 신호를 노이즈에서 효과적으로 끌어낼 수 있습니다. 그러나 신경망 계측기로 실시간으로 처리된 신호는 매칭 필터의 성능을 더욱 향상시키고 더 낮은 감지 임계값을 허용합니다. 그림 3의 수직 해시된 녹색 선은 예상 상관 관계 피크를 나타냅니다. 수평 해시된 빨간색 선은 창 내에서 피크 상관 관계의 50%에서 임의의 감지 임계값을 나타냅니다.
그림 3: 신경망 기반 자동 인코더(왼쪽)와 매칭 필터(오른쪽)를 사용한 레이더 펄스 감지 결과 비교
SNR이 감소함에 따라, 우리는 노이즈 신호에서 선택된 임계값으로 잘못된 감지를 보기 시작합니다. 이와 같은 상황은 수신된 레이더 데이터를 해석하려는 사람에게는 어려울 것입니다. 왜냐하면 Ωnoise에서 진정한 펄스 반환을 확인하는 것이 불가능하기 때문입니다. 그러나 신경망을 통한 노이즈 제거 신호는 펄스를 완벽하게 식별할 수 있게 하며, 그림 4에서 볼 수 있듯이 여전히 더 낮은 감지 임계값을 허용합니다.
그림 4: 자동 인코더(왼쪽)와 매칭 필터(오른쪽)를 사용한 0.09 Vpp 입력 신호의 레이더 펄스 감지 비교
그림 5에 표시된 SNR이 더욱 감소함에 따라, 매칭 필터가 노이즈 신호에서 펄스를 감지하는 기능은 완전히 상실됩니다. 그러나 신경망을 통해 실시간으로 노이즈가 제거된 신호는 계속해서 좋은 성능을 보입니다.
그림 5: 자동 인코더(왼쪽)와 매칭 필터(오른쪽)를 사용한 0.06 Vpp 입력 신호의 레이더 펄스 감지 비교
결국 SNR이 더 감소하면 신경망을 사용한 노이즈 제거 신호의 성능이 제한되기 시작합니다. 그러나 이 노이즈 제거 기술은 매칭 필터만 사용한 경우보다 성능이 상당히 향상됩니다. 그림 6에서 거짓 감지가 나타나기 시작하지만 진짜 감지는 여전히 정확합니다.
그림 6: 자동 인코더(왼쪽)와 매칭 필터(오른쪽)를 사용한 0.02 Vpp 입력 신호에 대한 레이더 펄스 감지 비교
결론
모쿠 이 장치는 노이즈가 있는 상황에서 펄스 식별의 과제를 편리하게 조사할 수 있게 해줍니다. 또한 Moku 하드웨어에 신경망을 적용하여 실시간으로 데이터의 노이즈를 제거했습니다. 이 신경망 구성의 흥미로운 측면은 훈련 데이터가 펄스 파형으로 구성되지 않았다는 것입니다. 이러한 사실에도 불구하고 신경망은 SNR 수준이 상당히 낮아져도 정확한 펄스 식별을 허용하는 데 여전히 성공적이었습니다.
혹시 궁금하신 점이 있으십니까?
지식 베이스를 통해 자주 묻는 질문들에 대한 답변을 확인하십시오
장치 기능이나 장비 기능에 대해 질문이 있는 경우 당사의 광범위한 내용을 확인하십시오. 기술 자료 당신이 찾고 있는 답을 찾기 위해. 인기 기사를 빠르게 확인하고 제품이나 주제별로 검색 범위를 좁힐 수도 있습니다.
사용자 포럼에 가입하시어 연락을 받으십시오
새로운 기능을 요청하고 싶으신가요? 공유할 지원 팁이 있나요? 사용 사례 예시부터 새로운 기능 발표 등에 이르기까지 사용자 포럼 제품 업데이트는 물론 Liquid Instruments 및 글로벌 사용자 커뮤니티와의 연결을 위한 원스톱 상점입니다.
