Moku 神经网络
首个把 FPGA 神经网络能力，直接集成进整套测试测量仪器平台的解决方案。让强大的机器学习算法直接运行在你的实验系统中。您可以用 Python 搭建并训练模型，再部署到 Moku 上并集成进您的测试系统，实现超低延迟推理，快速跟踪并响应实验条件的变化。
神经网络示例
如何创建神经网络
首先，下载 Python 并安装适用于 Tensorflow 的 Keras。使用从 Moku 或仿真中采集的数据创建和训练神经网络。一旦对神经网络模型性能表现满意后，将权重和偏差上传到 Moku 进行低延迟推算。了解更多
信号降噪
使用 Moku Python API 通过 Moku 设备生成噪声信号数据。接下来，使用这些数据训练您的神经网络。然后使用 Moku 神经网络从输入信号中过滤掉动态和不可预测的噪声。了解更多
信号分类
这是最常见的神经网络应用之一。输入数据被映射到不同类别的概率分布。在测试中建立复杂的通过/失败条件，对不断变化的实验条件做出快速响应，或对预期或异常波形的发生进行分类和跟踪。了解更多
象限光电二极管传感
仅用极少的校准过程精确测量四象限光电二极管 (QPD) 上的光束位置。实时学习并纠正镜头失真和错位，低延迟且不会影响控制器的稳定性。训练数据可以使用 Moku 生成和采集，也可以通过针对您光学实验设置的仿真来创建。了解更多
查看更多示例
下载并部署更多预先创建的神经网络模型，包括信号识别、信号发生器等等。了解更多主要优点
通过实时机器学习、动态决策和更高效的数据处理优化实验。
让数据处理变得快速、简单和智能
当您处理的信号难以定义或需要大量后处理才能分析时，请使用 Moku 神经网络执行智能实时分析。
唯一一款内置高性价比神经网络的测试设备
Moku 神经网络基于高性能的 FPGA，是一种灵活、强大的实现方案，可与其他 Moku 预置仪器部署并协同工作。
实现实时闭环反馈控制系统
接收传感器数据、执行器位置或其他输入信号，并将其映射到 Moku 神经网络。然后输出相应的动作。
让机器学习变得易于掌握且有效
通过直观的示例、快速的训练时间和实时网络执行，将神经网络集成到您的实验室从未如此简单。
专为与您擅长的 API 无缝协作而设计
使用 Python、MATLAB 和 LabVIEW API 实现自动化，直接控制复杂设置或重复任务。
专为严苛的应用而设计
闭环控制
信号降噪处理
信号分类
量子发射控制
非常规信号检测
FAQ
神经网络是一种受人脑启发的机器学习结构。它由相互连接的单元（称为神经元）组成，这些单元按层分组：输入层、一个或多个隐藏层（内部层）以及输出层。在像 Moku 神经网络这样的全连接模型中，每个神经元都具有一系列权重，用于指示前一层的值或任何神经元对其输出的影响程度。这些权重会在“训练”阶段进行调整，以使输出层的值与一组已知的对应输入相匹配。训练完成后，该模型可用于“推理”，即根据一些它可能见过或未见过的输入推断出一组输出值。
神经网络通常构建并运行在 CPU 和/或 GPU 的硬件组合上。这种方法提供了强大的算力，但也消耗大量资源。大型 AI 模型能耗高，对于许多类型的信号处理应用来说往往过于庞大。FPGA 的灵活性和实时处理能力使其成为实现小型神经网络的理想选择。它们的并行处理能力有利于处理网络中信息传播所涉及的线性代数和其他复杂数学运算。
要训练 Moku 神经网络模型，请参照 这个例子它将引导您完成如何配置模型、生成训练数据、训练模型以及将得到的权重和偏差导出为 .linn 模型以上传到 Moku 神经网络。
完全不是——这款多功能仪器的设计初衷是让所有研究人员都能轻松上手。虽然机器学习专家可以将 Moku 神经网络应用提升到更高的水平，但所有 Moku:Delta 或 Moku:Pro 用户都可以轻松搭建神经网络。
