一种基于LSTM的仪表放大器电离总剂量效应预测方法
- 国知局
- 2024-08-30 14:27:07
本发明涉及一种辐射测试方法,具体涉及一种仪表放大器电离总剂量效应预测方法。
背景技术:
1、航天器在太空中暴露在“空间环境”中,所谓空间环境是指人类开发利用空间遭遇的物质条件,主要包括高能带电粒子、电磁辐射、等离子体、中性大气和原子氧、空间碎片和微流星体、地磁场、引力场和空间污染等要素。其中,在复杂的太空环境下,航天元器件受太空环境中的高能粒子影响从而出现性能衰退、功能受阻或丧失的现象,而高能粒子影响器件的方式是其产生的空间辐射效应,主要的空间辐射效应有总剂量效应(totalionizingdose,tid)、位移损伤效应和单粒子效应。器件在tid的影响下所受的性能影响不可逆转,相比其他效应其带来的后果更为严重,并且总剂量效应会对器件的本征参数造成明显影响。
2、仪表放大器常常集成在电路中在航天设备中广泛地使用,同样地,在太空中,仪表放大器易受总剂量效应的影响,所以仪表放大器的抗辐照加固技术显得极其重要。然而,在对抗辐照性能进行评估时,传统实验手段耗时且需要大量资金支持的,对于器件的研究十分不利。随着商业航天技术发展,需要降低航天原材料、元器件、单机设备的成本,商业航天器研制周期短,一次需要发射几十甚至几百颗卫星,这给器件辐射评估带来很大压力。
技术实现思路
1、发明目的:针对上述现有技术,提出一种基于lstm的仪表放大器电离总剂量效应预测方法,获得仪表放大器的辐射损伤趋势,为仪表放大器的加固设计提供依据。
2、技术方案:一种基于lstm的仪表放大器电离总剂量效应预测方法,包括:
3、步骤1:通过实验获取仪表放大器电离总剂量效应的实验数据,将实验数据分为训练集和测试集,然后进行归一化处理,再将归一化后的实验数据处理成能够输入lstm的时序序列;
4、步骤2:通过attention机制,将完成步骤1处理后的时序序列中的向量乘对应不同的参数矩阵后输入到lstm中,从而起到自主筛选需要关注且重要数据信息的作用;
5、步骤3:在lstm中,通过输入门、遗忘门和输出门对输入数据进行筛选,把符合条件的数据信息留下,不符合的过滤掉;
6、步骤4:采用五折交叉验证来确定lstm的隐藏层中最佳神经元数量和训练轮数;
7、步骤5:在神经网络中不可避免会出现过拟合的问题,因此完成步骤4后,加入dropout机制层来避免过拟合问题,提高神经网络模型的泛化性能;
8、步骤6:神经网络训练完成后,通过决定系数r2对模型进行评估,r2能够将模型的预测精度与普通基准模型的精度进行比较,反映神经网络模型预测结果的拟合效果;
9、步骤7:利用达到精度需求的lstm模型进行总剂量辐照衰退数据外推预测,预测参数可外推至任意总剂量值。
10、进一步的,所述步骤1中,实验数据包括各剂量值下的增益误差、实验批次、总剂量效应值以及偏置情况。
11、进一步的,所述步骤1中,归一化处理为采用minmaxscaler函数将实验数据中每个时间戳的值缩放到[0,1]的范围。
12、进一步的,所述步骤2中,将时序序列中的向量分别乘以参数矩阵wq、wk、wv,得到一个查询向量q和一组键-值对应的k和v,其中矩阵q作为查询对象,矩阵k作为匹配对象,矩阵q作为目标。
13、进一步的,所述步骤4中,五折交叉验证包括:将数据集随机分为五个部分,训练五个lstm模型并重复评估,每个lstm使用四个数据集部分进行训练,并使用剩余部分进行测试验证,如果任何一个lstm在测试中预测准确度低于85%,则将启动lstm优化器来改进网络的结构和参数,改进后的lstm重新进行数据集的随机划分;训练和验证新生成的五个网络模型,直至各lstm测试均达到85%以上。
14、有益效果:现有技术中,一方面,航天元器件受太空环境中的高能粒子影响会出现性能衰退、功能受阻或丧失的现象,器件的本征参数也会受到不可逆转的影响;另一方面,传统的实验手段需要进行开发、制造、测试的冗长流程,在实际环境中模拟测试结果之后再对抗辐照加固进行反哺优化,这个过程无疑是耗时且需要大量资源支持的,对于器件的研究十分不利。同时,tid辐照效应研究中的辐照剂量又存在一定的“时序性”,针对这一特性本发明提出了一种基于lstm(long short term memory,长短期记忆神经网络)的仪表放大器辐射效应数据外推方法,通过仪表放大器在电离总剂量效应的影响下表现出的数据变化进行建模,剥离了仪表放大器自身底层复杂的本征参数,从而解决了建立传统模型进行研究所遇到的诸多问题。此外,将总剂量效应中的剂量值创新性地赋予“时序性”,搭建的lstm预测网络能够更好的根据器件低剂量下的数据外推高剂量数据值,并可利用预测得到的数据不断继续进行数据外推。此外,随着数据的外推神经网络模型的预测能力也变得更加强大,逐渐可以实现对同类型器件进行一定程度的预测。本方法方法无论是对器件本身的相关电学参数还是电离总剂量效应,亦或是抗辐照加固领域都有着非常重要的作用。
技术特征:1.一种基于lstm的仪表放大器电离总剂量效应预测方法,其特征在于,包括:
2.根据权利要求1所述的基于lstm的仪表放大器电离总剂量效应预测方法,其特征在于,所述步骤1中,实验数据包括各剂量值下的增益误差、实验批次、总剂量效应值以及偏置情况。
3.根据权利要求1所述的基于lstm的仪表放大器电离总剂量效应预测方法,其特征在于,所述步骤1中,归一化处理为采用minmaxscaler函数将实验数据中每个时间戳的值缩放到[0,1]的范围。
4.根据权利要求1所述的基于lstm的仪表放大器电离总剂量效应预测方法,其特征在于,所述步骤2中,将时序序列中的向量分别乘以参数矩阵wq、wk、wv,得到一个查询向量q和一组键-值对应的k和v,其中矩阵q作为查询对象,矩阵k作为匹配对象,矩阵q作为目标。
5.根据权利要求1所述的基于lstm的仪表放大器电离总剂量效应预测方法,其特征在于,所述步骤4中,五折交叉验证包括:将数据集随机分为五个部分,训练五个lstm模型并重复评估,每个lstm使用四个数据集部分进行训练,并使用剩余部分进行测试验证,如果任何一个lstm在测试中预测准确度低于85%,则将启动lstm优化器来改进网络的结构和参数,改进后的lstm重新进行数据集的随机划分;训练和验证新生成的五个网络模型,直至各lstm测试均达到85%以上。
技术总结本发明公开了一种基于LSTM的仪表放大器电离总剂量效应预测方法,包括:通过实验获取仪表放大器电离总剂量效应的实验数据,将实验数据分为训练集和测试集,然后进行归一化处理,再将归一化后的实验数据处理成能够输入LSTM的时序序列;通过Attention机制,将时序序列中的向量乘对应不同的参数矩阵后输入到LSTM中,通过输入门、遗忘门和输出门对输入数据进行筛选;采用五折交叉验证来确定LSTM的隐藏层中最佳神经元数量和训练轮数;加入dropout机制层来避免过拟合问题;神经网络训练完成后,通过决定系数R<supgt;2</supgt;对模型进行评估;利用达到精度需求的LSTM模型进行总剂量辐照衰退数据外推预测。技术研发人员:曹荣幸,吕世卿,薛玉雄,翟建青,蒋煜琪,曾祥华,刘洋,李红霞,韩丹,郑澍受保护的技术使用者:扬州大学技术研发日:技术公布日:2024/8/27本文地址:https://www.jishuxx.com/zhuanli/20240830/282081.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。