[发明专利]一种基于神经网络的加速器束流位置测量方法及系统

说明书

技术领域

本发明涉及加速器束流诊断技术领域，尤其涉及一种基于神经网络的加速器束流位置测量方法及系统。

背景技术

束流位置是加速器的最重要的参数之一，加速器需要稳定的束流位置监测手段用于控制其中通过束流的品质，通常利用轨道反馈系统使束流沿着优化轨道以邻近束流位置监测器的四极铁的磁中心穿行，而这需要束流位置测量系统为轨道反馈系统提供高精度高分辨的束流位置数据。束流位置测量系统由束流位置监测器，电子检测系统及束流位置信号处理算法构成。当束流偏离真空室中心时，束流位置监测器的电极耦合出调制的包含束流位置信息的电磁场信号，由于束流位置监测器的几何结构，电极信号与束流位置之间呈非线性关系，且这种非线性效应会随束流偏离真空室中心的距离增大而增大。当束流沿优化轨道运行时，这种非线性误差较小，但在某些应用下如储存环中对非线性磁场的研究，需要束流偏离优化轨道运行，此时非线性效应会给束流位置测量结果带来较大的误差。除此之外，束流位置信号传输网络的损耗及增益的不一致性，ADC的非线性等也会给束流位置测量结果造成非线性误差。为了能够实时在线地获得束流位置，现有技术中假设束流位置与束流位置监测器的电极信号之间呈线性关系，通常对束流位置监测器的电极信号进行处理后用一些近似的算法如差比的方法计算得到束流位置，由于束流位置测量过程中的非线性效应，这种线性的计算方法会引入误差。现有的基于差比和方法的束流位置测量技术导致计算结果存在误差，已不能满足当前加速器对高精度高分辨束流位置的测量需求，因此，降低束流位置测量过程中的非线性误差成为当前亟需解决的技术问题。

由于人工神经网络(Artificial Neural Networks)具有逼近任意非线性函数的能力，利用神经网络可以实现束流位置监测器电极数据与束流位置数据之间的非线性回归计算。本发明中使用的神经网络为三层前馈神经网络，利用最少的隐藏层数实现电极数据与束流位置数据的非线性回归，避免过拟合现象；神经网络优化算法采用随机梯度下降的Adam算法，加快神经网络训练速度，且避免出现局部最优解；本发明中的神经网络采用离线训练方式，很大程度地降低了束流位置在线测量过程中的计算量；本发明神经网络的隐藏层激活函数为ReLU函数，易于在FPGA中实现，因此本发明提出一种基于神经网络的束流位置测量方法可以在基于FPGA的束流位置处理器中实现，能够在线测量束流位置的同时校正束流位置测量过程中的非线性误差，克服了现有技术中差比和方法非线性误差大的缺陷，以及克服了多项式拟合方法无法在线快速测量束流位置为快速轨道反馈系统提供数据的缺陷。

发明内容

本发明技术解决问题：克服现有技术的束流位置测量结果存在非线性误差的不足，提供了一种基于神经网络的束流位置测量方法及系统，保证束流位置测量过程中非线性误差最小，提高束流位置测量的精度。

第一方面，本发明提供了一种基于神经网络的束流位置测量方法，包括：

步骤101：获取束流位置监测器电极信号数据样本集及束流位置数据样本集；

步骤102：构建神经网络，利用所述数据样本集对神经网络进行离线训练；

步骤103：在线采集束流位置监测器的电极数据；

步骤104：将所述电极数据馈入到所述训练完成后的神经网络在线计算得到束流位置。

所述步骤101中，获取束流位置监测器电极信号数据样本集及束流位置数据样本集，具体包括：

首先将电极射频信号进行处理转换为数字基带数据；

再通过对所述电极的数字基带数据进行归一化处理得到电极数据；

由束流位置监测器标定平台步进电机改变模拟束流的位置，获取束流处于不同位置时束流位置监测器的电极数据样本集；

通过束流位置监测器标定平台的位置编码器获取模拟束流的水平及垂直方向的束流位置数据样本集。

所述步骤102中，构建神经网络，利用所述数据样本集训练神经网络，具体包括：

所述神经网络为三层前馈神经网络，包含1个输入层，1个隐藏层，1个输出层；

所述神经网络中隐藏层激活函数为ReLU函数，输出层激活函数为线性函数；

束流位置监测器电极数据样本集作为神经网络的输入数据集；

束流位置数据样本集作为神经网络的输出目标数据样本集；

通过误差反向传播利用随机梯度下降Adam优化算法训练所述神经网络。

所述步骤103中，在线采集束流位置监测器的电极数据，包括：

首先将电极射频信号进行处理转换为数字基带数据；