一种基于一维卷积神经网络的粒子鉴别方法及系统技术方案

本发明专利技术涉及空间环境智能化探测领域，特别涉及一种基于一维卷积神经网络的粒子鉴别方法及系统。本发明专利技术方法包括：对采集的空间中各种粒子的波形数据进行预处理，获得各种粒子的时域波形数据和频域波形数据；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模型中，得到粒子鉴别结果；所述粒子鉴别模型基于一维卷积神经网络建立。本发明专利技术系统包括数据预处理模块和粒子鉴别模块；数据预处理模块对空间中各种粒子的波形数据进行预处理，获得时域波形归一化数据和频域波形归一化数据；粒子鉴别模块将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模型中，得到粒子鉴别结果。得到粒子鉴别结果。得到粒子鉴别结果。

【技术实现步骤摘要】
一种基于一维卷积神经网络的粒子鉴别方法及系统


[0001]本专利技术涉及空间环境智能化探测领域，特别涉及一种基于一维卷积神经网络的粒子鉴别方法及系统。

技术介绍

[0002]空间中的带电粒子包括银河宇宙线、太阳宇宙线、太阳风和范
·
艾伦辐射带等。银河宇宙线由来自银河系各个方向的高能带电粒子流组成，主要成分是质子、α粒子以及其它核成分；太阳宇宙线是太阳耀斑时发射的高能带电粒子流，主要由质子组成；太阳风是太阳连续不断向外喷射的等离子体流，主要由氢等离子体组成，包括少量的其它成分；范
·
艾伦辐射带又称地球辐射带位于地球附近，是被地磁场俘获的辐射带，分为内辐射带和外辐射带，主要由质子和电子组成；此外中子和γ射线也广泛的存在于宇宙中。面对空间中各种各样的带电粒子与中性粒子，只有将它们区分开来，才能进一步了解各种粒子的特性和分布，因此空间环境粒子鉴别技术至关重要。
[0003]现阶段星载粒子鉴别主要包括几种常用的方法：
[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第二片(或多片)传感器足够厚，将粒子剩余能量完全沉积，即可测量出粒子总能量E，通过ΔEvsE二维谱，即可区分出粒子种类。探测器望远镜法简单、可靠，在实际的工程应用中广泛使用，但是它需要粒子在透射探测器中损失很少的能量，这对于越重的粒子越不适用，而它的修正也会带来麻烦。
[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对入射离子的能量电荷比E/q进行筛选，再结合飞行时间法，最终得到离子的质量电荷比。静电分析器针常常用来测试能量较低的带电粒子或中性原子，但由于星载设备空间尺寸的限制，对于中高能粒子需要通过大幅度增加物理结构来实现探测，这一点无法在轨实现。
[0006]第三种方法是飞行时间能量法(TOF
×
E)，其基本原理依据粒子能量公式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类。TOF
×
E对轻粒子，特别是低能轻粒子，鉴别效果比较好。随着粒子质量的增加，质量的差别越来越小，分辨起来就较为困难。此外，对同质异位素，即具有相同质量数、不同原子序数的核素，采用飞行时间法无法鉴别，必须与其他方法结合起来，才能进行可靠的鉴别。
[0007]第四种方法是上升沿能量法(PSA
×
E)，利用高速数字采集技术采集粒子波形上升沿，并作出能量E与上升沿时间的二维谱图。虽然这种方法尝试使用波形信息，但只使用了少部分数据，并未利用波形的全部信息，可能会由于偶然的测量误差造成结果的偏差。
[0008]除此之外，以上四种方法均需要将在轨的科学数据下传到地面再进行粒子鉴别的分析工作，这对于资源紧张的卫星资源，尤其是深空探测领域并不适用。

技术实现思路

[0009]本专利技术的目的在于解决现有技术中存在的问题，专利技术一种全波形分析方法且具备在轨处理能力的粒子鉴别手段，进一步提升探测精确度、减少在轨资源占用率。
[0010]为达到上述目的，本专利技术通过下述技术方案实现。
[0011]本专利技术提出了一种基于一维卷积神经网络的粒子鉴别方法，所述方法包括：
[0012]对采集的空间中各种粒子的波形数据进行预处理，获得各种粒子的时域波形数据和频域波形数据；
[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鉴别模型中，得到粒子鉴别结果；所述粒子鉴别模型基于一维卷积神经网络建立。
[0014]作为上述技术方案的改进之一，所述各种粒子包括：质子、电子、重粒子、中子和伽马射线。
[0015]作为上述技术方案的改进之一，所述预处理，包括：时域数据归一化和频域转换与归一化。
[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个卷积神经网络，M为自然数，每个卷积神经网络均包括：输入层、卷积层、池化层、全连接层和输出层；每3个卷积神经网络为一组，同一组中卷积神经网络的卷积核大小不同，不同组卷积神经网络之间的其他参数不同，其他参数包括：多尺度数据集、权重初始化、激活函数、网络层个数、迭代训练次数、学习率和批大小；
[0017]其中，输入层均包括并列的：时域波形数据输入通道和频域波形数据输入通道；卷积层通过多通道卷积核逐步筛选输入层数据的特征，并通过池化层和relu计算对输出数据进行降维和非线性化，最后通过全连接层输出判断结果；
[0018]所述判断结果为通过3M取N的表决方法确定的最终分类结果，
[0019]作为上述技术方案的改进之一，所述方法还包括：对粒子鉴别模型进行训练；训练过程包括：
[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频域数据；
[0021]基于获得的时域数据和频域数据构建训练数据集和测试数据集；
[0022]将训练数据集的时域数据和频域数据输入粒子鉴别模型进行训练；
[0023]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试，确定各层卷积核以及偏置参数的正确性，得到训练好的粒子鉴别模型。
[0024]作为上述技术方案的改进之一，训练过程中，通过Cross Entropy Loss(
·
)函数计算损失函数、通过backward(
·
)进行反向梯度计算并不断迭代训练参数。
[0025]本专利技术还提出了一种基于一维卷积神经网络的粒子鉴别系统，所述系统包括：数据预处理模块和粒子鉴别模块；其中，
[0026]所述数据预处理模块，用于对空间中各种粒子的波形数据进行预处理，获得时域波形归一化数据和频域波形归一化数据；
[0027]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先建立并训练好的粒子鉴别模型中，得到粒子鉴别结果；所述粒子鉴别模型基于一维卷积神经网络建
立。
[0028]作为上述技术方案的改进之一，所述系统基于FPGA实现。
[0029]作为上述技术方案的改进之一，所述系统还包括数据获取模块，用于将在轨探测或通过地面加速器获得各类粒子的波形数据，并传输到数据预处理模块。
[0030]本专利技术与现有技术相比优点在于：
[0031]1、卷积神经网络擅长于将数据中不同特征进行分离并最终实现分类；
[0032]2、卷积神经网络是通过波形整体的数据进行分析，其数据信息更丰富，有望提升精度；
[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进；
[0034]4、卷积神经网络可以通过在轨更新模型参数进一步提升模型精度；
[0035]5、FPGA本身具备高并行、低功耗、可重配置，是星载实时处理的最佳平台。
...

【技术保护点】

【技术特征摘要】
1.一种基于一维卷积神经网络的粒子鉴别方法，所述方法包括：对采集的空间中各种粒子的波形数据进行预处理，获得各种粒子的时域波形数据和频域波形数据；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模型中，得到粒子鉴别结果；所述粒子鉴别模型基于一维卷积神经网络建立。2.根据权利要求1所述的基于一维卷积神经网络的粒子鉴别方法，其特征在于，所述各种粒子包括：质子、电子、重粒子、中子和伽马射线。3.根据权利要求1所述的基于一维卷积神经网络的粒子鉴别方法，其特征在于，所述预处理，包括：时域数据归一化和频域转换与归一化。4.根据权利要求1所述的基于一维卷积神经网络的粒子鉴别方法，其特征在于，所述粒子鉴别模型包括并列的3M个卷积神经网络，M为自然数，每个卷积神经网络均包括：输入层、卷积层、池化层、全连接层和输出层；每3个卷积神经网络为一组，同一组中卷积神经网络的卷积核大小不同，不同组卷积神经网络之间的其他参数不同，其他参数包括：多尺度数据集、权重初始化、激活函数、网络层个数、迭代训练次数、学习率和批大小；其中，输入层均包括并列的：时域波形数据输入通道和频域波形数据输入通道；卷积层通过多通道卷积核逐步筛选输入层数据的特征，并通过池化层和relu计算对输出数据进行降维和非线性化，最后通过全连接层输出判断结果；所述判断结果为通过3M取N的表决方法确定的最终分类结果，5.根据权利要求1所述的基于一维卷积神经网络的粒子鉴别方法，其特征在于，所述方法还包括：对粒子...

【专利技术属性】
技术研发人员：白超平，孙越强，张珅毅，张鑫，张帅，王子婷，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：