一种基于神经网络的流水线型ADC单粒子翻转检测与恢复方法及装置
本发明属于模数转换器可靠性与抗辐射数字保护,特别是涉及一种基于神经网络的流水线型adc单粒子翻转检测与恢复方法及装置。
背景技术:
1、流水线型模数转换器(analog-to-digitalconverter,adc)广泛应用于航天电子系统、商业航天载荷、遥感成像、星载通信、测控链路、雷达接收、数据采集和高可靠信号处理等场景。上述系统通常需要先将模拟信号转换为数字信号,再进行后续的数据压缩、存储、传输、控制或智能处理,因此adc的动态性能、量化精度和输出稳定性会直接影响整个电子系统的信息获取质量和任务可靠性。
2、在空间辐射环境或其他强辐射应用环境中,adc及其外围数字链路容易受到单粒子效应影响。其中,单粒子翻转可能导致adc输出码字中的一位或多位在某一采样时刻发生瞬时状态反转,使输出码值偏离正常转换结果。对于流水线型adc而言,高有效位发生翻转时会引入显著码值跃迁,进而造成局部波形突变、频谱杂散上升、信号质量下降以及后续数字处理结果异常;若该类错误进入闭环控制、遥测遥控、目标识别或任务决策链路,还可能被后级系统放大,影响整体任务可靠性。
3、现有针对adc单粒子效应的处理方式中,电路级抗辐射加固、版图级加固方案通常需要在adc设计阶段修改采样保持电路、比较器、触发器、冗余结构、容错逻辑或关键敏感节点布局。这类方法虽然能够提高adc本体的抗辐射能力,但设计复杂度和实现成本较高,且难以直接应用于已经流片的商用adc、既有混合信号ip或内部结构不可修改的转换器。
4、冗余采样、固定阈值判决或基于特定错误模型的数字检测方法,可以在adc输出端对异常码值进行一定程度的识别和处理,但这类方法通常依赖额外采样开销、固定判决门限或简化异常模型。当输入频率、信号幅度、相位、噪声水平或adc非理想特性发生变化时,固定阈值或固定模型难以同时兼顾检测灵敏度和误触发抑制能力。尤其是流水线型adc输出码流通常受到量化噪声、热噪声、采样抖动、带宽限制、静态非线性、动态失真和级间记忆效应等因素影响,正常码流本身并非理想平滑序列,简单地根据局部突变或固定残差阈值判断异常,容易产生误检或漏检。此外,现有方法在处理adc输出位时,往往将标称输出位宽中的各个位视为同等重要,试图对全部输出位执行统一强度的检测与恢复,而不同输出位对最终码值和系统输出质量的贡献并不相同,高位翻转会造成较大幅值误差,低位翻转造成的扰动幅度较小,若对全部输出位采用无差别强纠错策略,为检测低位微小扰动降低判决阈值会增加正常样本误判和误修正的风险,提高阈值抑制误修正又会降低高位翻转检测和恢复的可靠性。
5、近年来,神经网络和机器学习方法已被用于adc非线性校准、动态误差补偿和性能提升等场景,能够学习adc输出中的非线性误差、动态失真和工况相关偏差。然而这类方法通常面向正常工作条件下的数字校准,其目标主要是补偿adc确定性非理想因素,并非针对辐射环境下的单粒子翻转异常进行检测、翻转位定位和位状态恢复。若直接将常规神经网络校准模型用于单粒子翻转恢复,通常只能得到近似预测码值,难以保证恢复为翻转前的精确数字状态;若直接采用神经网络预测中心样本的bit标签,又容易缺少与adc正常码流连续性相一致的物理约束,导致定位和恢复可靠性不足。
6、总体而言,现有技术仍存在多方面不足:电路级或架构级抗辐射加固方案通常需要修改adc内部结构,难以作为已有码流输出链路的通用后端保护方案;基于固定阈值、局部插值、局部中值或简单异常点替换的方法难以适应流水线型adc复杂的非理想输出特性,难以实现精确的bit状态恢复;现有统一纠错策略未充分考虑不同输出位在码值贡献、有效精度和可恢复性方面的差异,容易在低位误检和高位漏检之间产生矛盾;现有神经网络adc校准方法主要面向正常非线性补偿,尚不能直接解决单粒子翻转场景下的异常检测、翻转位定位和码值恢复一体化问题。
技术实现思路
1、有鉴于此,本发明旨在提出一种基于神经网络的流水线型adc单粒子翻转检测与恢复方法及装置,以解决现有抗辐射加固方案需改动adc内部结构、固定阈值法难以适配adc非理想输出特性、统一纠错策略存在低位误检与高位漏检矛盾,以及现有神经网络校准方法无法实现单粒子翻转检测、定位与恢复一体化的问题。
2、为实现上述目的,本发明采用以下技术方案:一种基于神经网络的流水线型adc单粒子翻转检测与恢复方法,包括以下步骤:
3、获取流水线型adc的输出码流;
4、根据adc输出位贡献,对输出位进行有效位分层,确定候选恢复位集合;
5、针对待检测中心样本,构造包含其邻域码值信息的结构化特征向量;
6、将结构化特征向量输入预先训练的连续性神经网络模型,输出待检测中心样本在无单粒子翻转状态下的正常码值预测结果;
7、在候选恢复位集合内,对待检测中心样本逐位执行单bit回翻,获得对应的候选恢复码值,并计算各候选恢复码值相对于正常码值预测结果的误差改善量;
8、根据各候选位对应的误差改善量计算样本级异常评分,若异常评分大于或等于预设阈值时,则判定当前中心样本发生单粒子翻转,并将误差改善量最大的候选位确定为翻转位;否则判定当前中心样本未发生需要恢复的单粒子翻转;
9、当检测到单粒子翻转时,对所确定的翻转位执行一次bit回翻,输出恢复后的adc输出码值;当未检测到单粒子翻转时,直接输出原始adc码值。
10、更进一步的,根据各输出位的位权贡献、对输出码值的影响程度、对系统输出质量的影响程度以及在单次观测条件下的可恢复性,将adc输出位划分为高有效位强保护层、低有效位容错层和可配置边界层。
11、更进一步的,高有效位强保护层中的输出位用于执行单粒子翻转检测、翻转位定位和状态恢复;低有效位容错层中的输出位不作为强制恢复对象,以降低正常样本被误修正的风险;可配置边界层用于根据工作条件、预测误差、噪声水平或模型置信度动态调整候选恢复位集合。
12、更进一步的,所述结构化特征向量包括以下至少一种特征:局部邻域码值特征、局部几何特征、中心化特征、相位先验特征和工况摘要特征。
13、更进一步的,局部邻域码值特征用于表征中心样本前后码值变化趋势;局部几何特征用于表征局部斜率、局部差分、局部均值、局部标准差或局部外推关系;中心化特征用于削弱局部基线变化对预测结果的影响;相位先验特征用于表征输入信号在当前采样位置附近的相位状态;工况摘要特征用于表征输入频率、信号幅度、直流偏置、采样条件或整段码流统计特征。
14、更进一步的,所述连续性神经网络模型采用未发生单粒子翻转的正常adc输出码流构造训练样本进行训练,以正常中心样本码值或其残差作为监督目标,训练目标为使预测码值接近无单粒子翻转状态下的正常中心码值;训练损失采用均方误差损失函数、平均绝对误差损失函数或回归损失函数。
15、更进一步的,所述连续性神经网络模型为多层感知机、卷积神经网络、循环神经网络和/或注意力网络。
16、更进一步的,所述误差改善量的计算方式为:
17、
18、式中,为神经网络预测的adc输出码值,为单粒子发生时实际观测到的adc输出码值,为对当前样本的第b位执行回翻后得到的候选码值。
19、更进一步的,所述样本级异常评分的计算方式为:
20、
21、式中,为误差改善量,为候选恢复位集合。
22、本发明还提供了一种基于神经网络的流水线型adc单粒子翻转检测与恢复装置,装置用于执行上述方法,装置包括:
23、adc输出码流获取模块,用于获取流水线型adc的输出码流;
24、有效位分层配置模块,与adc输出码流获取模块连接,用于根据adc输出位贡献,对输出位进行有效位分层,确定候选恢复位集合;
25、特征构造模块,与有效位分层配置模块连接,用于构造包含中心样本邻域码值信息的结构化特征向量;
26、连续性神经网络预测模块,与特征构造模块连接,用于根据结构化特征向量输出中心样本的正常码值预测结果;
27、候选回翻评估模块,与连续性神经网络预测模块连接,用于在候选恢复位集合内执行候选单bit回翻,计算各候选位对应的误差改善量,并根据样本级异常评分与检测阈值的比较结果,输出异常检测结果、翻转位置定位结果和候选恢复位结果;
28、恢复输出模块,与候选回翻评估模块连接,用于根据候选恢复位结果对异常样本执行bit状态回翻,并输出恢复后的adc输出码流。
29、与现有技术相比,本发明的有益效果是:本发明无需改变流水线型adc的模拟核心电路,工程实现成本低。本发明将单粒子翻转检测与恢复功能设置于adc输出端之后的后端数字保护模块中,不需要修改流水线型adc的前端采样保持电路、子adc、子dac、残差放大器、级间结构或版图布局,能够直接在已有流水线型adc芯片、采集系统或数字后处理链路中进行部署,有效降低了电路重新设计、流片验证和系统改造成本。
30、本发明能够同时实现异常检测、翻转位定位和码值恢复,且能够适应流水线型adc实际输出码流中的非理想特性。现有方法通常只针对异常检测或简单码值替换,难以同时给出翻转是否发生、翻转位位置以及恢复后的正确输出码;基于固定阈值、局部插值、局部中值的检测方法受输入工况和adc非理想特性影响,难以准确区分正常码流变化与单粒子翻转异常。本发明利用连续性神经网络模型预测正常中心码值,并通过候选单bit回翻前后的误差改善量进行判决,使单粒子翻转检测、翻转位定位和输出码恢复在同一判决准则下完成,提高了方法的一致性和可解释性;同时通过连续性神经网络模型学习正常输出码流在时间邻域、幅值邻域和结构化特征空间中的连续性关系,能够更好地适配量化噪声、热噪声、采样抖动、带宽限制、静态非线性、动态失真和级间记忆效应等实际adc输出特性。
31、本发明通过有效位分层降低误恢复和误校正风险,解决了现有统一纠错策略在低位误检和高位漏检之间的矛盾。本发明根据流水线型adc不同输出位对模拟输入重构精度的贡献差异,将输出位划分为高有效位强保护层、低有效位容错层以及可配置边界层,并据此确定候选恢复位集合,避免了对所有输出位进行无差别回翻判断,能够减少低有效位噪声、量化误差或普通码值波动引起的误校正,从而提升恢复结果的可靠性。
32、本发明的恢复结果不是简单平滑替换,而是面向真实bit状态的恢复。传统滤波、插值或邻域平均方法虽然可以减小异常尖峰,但通常只能得到近似码值,不能明确恢复发生翻转的具体bit状态。本发明在候选恢复位集合内执行候选单bit回翻,并根据误差改善量选择最可能的翻转位,能够输出具有明确bit物理含义的恢复码值,更适合用于后续数字信号处理、故障记录和抗辐照可靠性分析。
33、本发明具有较好的实时实现潜力,且适用范围较广。本发明所涉及的特征构造、神经网络前向推理、候选bit回翻和阈值判决均可由数字逻辑实现,适合部署于fpga、asic、soc或数据采集系统的后端数字处理单元中;对于高速流水线型adc输出码流,可以采用流水线化、并行化或定点化实现方式,满足实时检测与恢复需求。本发明不依赖于特定型号或特定分辨率的adc,只要adc输出码流具有可学习的正常连续性关系,即可根据输出位宽、采样率、输入信号类型和系统可靠性需求配置候选恢复位集合、神经网络模型和判决阈值,可广泛应用于航空航天、核辐射探测、高能物理实验、雷达接收机、高速数据采集以及其他高可靠性电子系统中的流水线型adc单粒子翻转防护场景。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com