[发明专利]高压脉冲电路系统及其控制方法有效

专利信息
申请号: 202310719882.6 申请日: 2023-06-17
公开(公告)号: CN116470885B 公开(公告)日: 2023-09-29
发明(设计)人: 蒋庆龙;周文俊;庄建程;金利娟;王人金 申请(专利权)人: 浙江佳环电子有限公司
主分类号: H03K3/53 分类号: H03K3/53;G06N3/0464;G06N3/08
代理公司: 浙江维创盈嘉专利代理有限公司 33477 代理人: 胡根平
地址: 321000 浙*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 高压 脉冲 电路 系统 及其 控制 方法
【权利要求书】:

1.一种高压脉冲电路系统,其特征在于,包括:

高压脉冲电源和多级磁压缩器,其中,所述高压脉冲电源包括电器开关主回路、脉冲变压器、充电机和核心控制器,所述磁压缩器包括磁压缩开关、复位电路和高压脉冲电容器;

其中,所述脉冲变压器的漏感LS和储能电容C形成串联谐振以输出一级高压脉冲;所述核心控制器用于对所述一级高压脉冲进行检测并输出所述一级高压脉冲至所述多级磁压缩器;以及,所述多级磁压缩器用于对所述一级高压脉冲进行宽度压缩;

其中,所述核心控制器,包括:

波形图获取模块,用于获取所述一级高压脉冲的波形图;

特征提取模块,用于将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵;

特征矩阵划分模块,用于对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列;

线性嵌入编码模块,用于将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列;

上下文编码模块,用于将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量;以及

分类模块,用于将所述脉冲波形全局特征向量通过分类器以得到分类结果,所述分类结果用于表示是否可将一级高压脉冲输出;

其中,所述上下文编码模块,包括:

上下文语义编码单元,用于使用所述基于转换器的上下文编码器对所述脉冲波形特征子特征向量的序列进行基于自注意力机制的上下文语义编码以得到多个上下文脉冲波形特征子特征向量;

第一向量融合单元,用于分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到多个优化上下文脉冲波形特征子特征向量;以及

第二向量融合单元,用于融合所述多个优化上下文脉冲波形特征子特征向量以得到所述脉冲波形全局特征向量;

其中,所述第一向量融合单元,用于:

以如下向量融合公式分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到所述多个优化上下文脉冲波形特征子特征向量;

其中,所述向量融合公式为:

其中,表示所述脉冲波形特征子特征向量,表示所述上下文脉冲波形特征子特征向量,和分别表示向量的一范数和二范数,和分别为权重和偏置超参数,表示所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量之间的按位置距离矩阵,且为单位矩阵,、、分别表示按位置加法、按位置减法和按位置点乘,表示向量乘法。

2.根据权利要求1所述的高压脉冲电路系统,其特征在于,所述特征提取模块,用于:

使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述一级高压脉冲波形特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述一级高压脉冲的波形图。

3.根据权利要求2所述的高压脉冲电路系统,其特征在于,所述作为特征提取器的卷积神经网络模型为深度残差网络模型。

4.根据权利要求3所述的高压脉冲电路系统,其特征在于,所述特征矩阵划分模块,用于:

对所述一级高压脉冲波形特征矩阵进行均匀地特征矩阵划分以得到脉冲波形特征子矩阵的序列。

5.根据权利要求4所述的高压脉冲电路系统,其特征在于,所述线性嵌入编码模块,包括:

向量展开单元,用于将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵分别展开为脉冲波形特征子向量的序列;以及

全连接编码单元,用于使用所述线性嵌入层对所述脉冲波形特征子向量的序列进行全连接编码以得到所述脉冲波形特征子特征向量的序列。

6.根据权利要求5所述的高压脉冲电路系统,其特征在于,所述分类模块,用于:

使用所述分类器的全连接层对所述脉冲波形全局特征向量进行全连接编码以得到编码分类特征向量;以及

将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

7.一种高压脉冲电路系统的控制方法,其特征在于,包括:

获取一级高压脉冲的波形图;

将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵;

对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列;

将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列;

将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量;以及

将所述脉冲波形全局特征向量通过分类器以得到分类结果,所述分类结果用于表示是否可将一级高压脉冲输出;

其中,将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量,包括:

使用所述基于转换器的上下文编码器对所述脉冲波形特征子特征向量的序列进行基于自注意力机制的上下文语义编码以得到多个上下文脉冲波形特征子特征向量;

分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到多个优化上下文脉冲波形特征子特征向量;以及

融合所述多个优化上下文脉冲波形特征子特征向量以得到所述脉冲波形全局特征向量;

其中,分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到多个优化上下文脉冲波形特征子特征向量,包括:

以如下向量融合公式分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到所述多个优化上下文脉冲波形特征子特征向量;

其中,所述向量融合公式为:

其中,表示所述脉冲波形特征子特征向量,表示所述上下文脉冲波形特征子特征向量,和分别表示向量的一范数和二范数,和分别为权重和偏置超参数,表示所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量之间的按位置距离矩阵,且为单位矩阵,、、分别表示按位置加法、按位置减法和按位置点乘,表示向量乘法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江佳环电子有限公司,未经浙江佳环电子有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202310719882.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top