基于神經網絡的模數轉換電路動態誤差源識別系統設計

摘" 要： 為提升信號識別電路的電量采集精度，實現理想狀態下的電力誤差校準，設計基于神經網絡的模數轉換電路動態誤差源識別系統。以CNN神經網絡作為模數轉換電路的物理依賴環境，通過合理選取動態識別元件的方式，實現誤差源識別系統的硬件運行環境搭建。在此基礎上，將模擬電流轉化成數字信號，再將其完整存儲于系統數據庫中，利用既定數學運算公式對已存儲的數字信號進行識別精度提純處理，實現誤差源識別系統的軟件運行環境搭建，聯合相關硬件執行設備，完成基于神經網絡的模數轉換電路動態誤差源識別系統設計。實際應用結果表明，在加壓環境下，新型誤差源識別系統的電量采集精度達到90%，單位時間內的信號識別量超過7.5×109 TB，理想狀態下信號識別電路的電力誤差校準能力得到有效保障。

關鍵詞： 神經網絡; 模數轉換; 電路誤差源; 動態識別; 數字信號存儲; 系統設計

中圖分類號： TN79+2?34; TP391" " " " " " " " " "文獻標識碼： A" " " " " " " " " " "文章編號： 1004?373X（2019）21?0053?05

Abstract： In order to improve the acquisition accuracy of signal recognition circuit and realize the power error calibration in ideal state， a neural network based dynamic error source identification system of analog?to?digital conversion circuit is designed. The hardware operation link of the error source identification system is constructed by reasonably selecting the dynamic identification elements and taking CNN neural network as the physical dependent environment of the analog?to?digital converter circuit. On this basis， the analog current is converted into digital signals， and then they are stored completely in the system database. The purifying processing for the stored digital signal is conducted to make identification precision improved by means of the established mathematical formula. The software running link construction of the error source recognition system is realized. The neural network based dynamic error source recognition system for the analog?to?digital conversion circuit is completed by combining the relevant hardware equipments. The practical application results show that， in the pressurized environment， the power acquisition accuracy of the new error source identification system reaches 90%， the signal recognition quantity per unit time exceeds 7.5×109 TB， and the power error calibration ability of the signal recognition circuit under ideal conditions is effectively guaranteed.

Keywords： neural network; analog to digital conversion; circuit error source; dynamic identification; digital signal; System design

0" 引" 言

模數轉換是基于將模擬電流轉化為數字化信號的操作思想，而實現該實體操作的電路結構或物理器件即被稱為模數轉換電路，通常情況下可簡稱為A/D轉換器或DAC設備。在模數轉換電路內部，每個電流或電壓開關都至少負載一個D/A電阻結構，且為提升整體電路環境中的恒流輸出精度，所有元件都采取并聯的接入方式[1?2]。通常情況下，電流開關切換誤差直接決定開關的連接形式，若電流開關可直接輸出電路元件產生的電量分子，則可認為D/A轉換器處于良好的誤差識別狀態。

隨著電路環境中電子信號采集量的不斷增加，如何保證精準的電力誤差校正結果已經成為社會各界的重點攻破問題。現有技術手段利用FPGA芯片識別可編程邏輯結構中的電力誤差數據，再借助卷積神經網絡實現模態電流到動態數字信號的物理轉化。但這種方法支持下的電量采集精度、信號識別量等物理條件始終不能達到預期水平。為解決上述問題，引入CNN神經網絡，在新型模數轉換電路的支持下，通過數字信號緩存、識別精度提純等處理方法，搭建基于神經網絡的模數轉換電路動態誤差源識別系統，并通過對比實驗的方式突出說明該新型系統的實用可行價值。

1" 誤差源識別系統硬件結構設計

新型識別系統的硬件執行環境包含CNN神經網絡、模數轉換電路、動態識別元件三個主要物理元件，其具體搭建方法可按如下步驟進行。

1.1" CNN神經網絡拓撲

CNN神經網絡是新型模數轉換電路動態誤差源識別系統的主體硬件結構，由電子輸出層、特征轉換層、動態隱藏層、識別輸出層四級單元組織構成，如圖1所示。其中，電子輸出層作為CNN神經網絡的頂級拓撲結構，可根據模數轉換電路的具體連接情況對動態電子量進行選擇性輸出處理。特征轉換層作為CNN神經網絡的第二級拓撲結構，向上承接電子輸出層、向下承接動態隱藏層，可等效對接電子輸出層中的動態電子量[3?4]。動態隱藏層作為CNN神經網絡的第三級拓撲結構，向上承接特征轉換層、向下承接識別輸出層，可對發散的動態電子源節點進行籠絡處理。識別輸出層作為CNN神經網絡的尾級拓撲結構，只與動態隱藏層保持定向連接關系，可根據上級拓撲結構中電子量的具體釋放情況輸出合理化的系統識別指令。

1.2" 模數轉換電路設計

新型誤差源識別系統的模數轉換電路包含一個電子加速度儀表和動態陀螺，且兩個元件始終保持增益性連接，即在其中一個元件中電子量增大的情況下，另一個元件中的電子量也隨著增大，而電子量減小卻只是單一性元件行為。模數轉換電路作為系統中的唯一供電設備，可與CNN神經網絡的電子輸出層相連，并通過定向調制的方式，將系統運行所需的電子量傳輸至相關硬件執行結構中[5]。為保證加速度儀表釋放的模擬電流可完全轉化成數字識別信號，減法器作為中間連接組織，可過濾模擬電流中的可識別誤差源節點，并將其少量多次地傳輸至動態陀螺結構中，以此避免系統數字識別信號堆積現象的出現。模數轉換電路圖如圖2所示。

1.3" 動態識別元件選取

系統動態識別元件是以型號為ADS1281的ADC芯片作為核心搭建設備的模擬電流轉化裝置，可借助CNN神經網絡獲取模數轉換電路中的電子流量，并分解成可供系統直接應用的誤差源節點信息條件[6]。ADC芯片是具備誤差源識別功能的電路模數轉換裝置，要求系統中同時執行的電子識別數量只能為1。相對于傳統模數轉換電路來說，動態識別元件對誤差源內存任務的要求相對較為寬泛，可允許100～200 MB的模數電量同時接入系統環境，且只要誤差源節點數量不超過70 MB，就不會出現明顯的模數漏轉行為，全面保障了系統識別操作的準入連接權益[7?8]。從識別精準性來看，隨著ADC芯片的應用，由模擬電流轉化得來的數字信號可直接利用誤差源節點進行協調性分布，全面提升系統對電量分子的采集識別精度。完整的動態識別元件選取原理如表1所示。

2" 誤差源識別系統軟件環境搭建

在硬件執行環境的基礎上，按照模擬電流轉化、數字信號緩存、識別精度提純的處理流程，完成系統軟件運行環境搭建，兩項結合，實現基于神經網絡模數轉換電路動態誤差源識別系統的順利應用。

2.1" 模擬電流轉化

模擬電流轉化是實現系統對電路誤差源識別的重要物理環節，通常情況下，轉化前模數電路輸出的電量分子始終保持為電流形式，而轉化后模數電路輸出的電量分子則為數字信號形式[9]。當CNN神經網絡接入系統識別流程后，電子加速度儀表開始向減法器傳輸電流形式的電量分子，在確保動態陀螺能夠完整承接電子量的前提下，減法器斷開與前置結構的物理連接，建立與后置結構的物理連接，并將設備體內部的電流完全傳輸至動態陀螺結構中。動態識別元件感知到模數轉換電路中的電量變化情況后，ADC芯片作為轉化設備，先整合系統中傳輸的所有電子流量，再將其按照節點信息的分解需求，逐步轉化為動態形式清晰的數字信號，以供下級執行設備的提取應用[10]。完整的轉化流程如圖3所示。

2.2" 數字信號緩存

數字信號緩存是系統執行誤差源識別操作過程中的物理過渡階段，不需消耗電力節點用以進行電流傳輸，而且數據庫作為系統中的數據供給結構，可直接容納所有待運行的數字信號。循環于系統環境中的數字信號完全來源于模擬電流，是系統進行誤差源節點分布處理的重要物理依據[11?12]。簡單來說，經過模擬電流轉化處理后的數字信號中包含大量可存儲節點，但這些節點大都分布在兩個信號體之間或與單一信號體完整融合，而對于系統數據庫來說，能夠進行緩存處理的數據信息必須保持獨立存在狀態[13?14]。為解決上述問題，在模數轉換電路的促進下，數字信號體之間會進行激烈的碰撞行為，并以此斷裂不想管的信號連接結構，釋放存儲節點。當所有節點都保持獨立存在狀態后，系統數據庫會根據就近原則對這些數字信號進行緩存處理，進而使神經網絡環境中的電子參量得以大量消耗，達到促進轉換模擬電流的目的。

2.3" 識別精度提純

識別精度提純是新型誤差源識別系統搭建的末尾環節，與模擬電流轉化系數、數字信號緩存量等多項物理數值產生關聯性影響。隨著系統運行時間的延長，模數轉換電路會產生大量的待轉化模擬電流，并將其暫時存儲于系統動態識別元件中[15]。所謂模擬電流轉化系數是指在由存儲到輸出的過程中，由系統動態識別元件承載的電子量分配條件，通常情況下可表示為[ye]，[e]代表動態識別元件在模擬電流轉化瞬間所負擔的電量分配條件。數字信號緩存量是考察系統數據庫平均承載能力的物理系數，在神經網絡環境中不會隨著模數轉換電路中電流、電壓等數值條件的變化而發生改變，是與系統設備結構相關的屬性參量，通常情況下表示為[p]。定義系統的平均識別時間為[t]，聯立上述變量，可將系統識別精度提純結果表示為：

式中：[χ]代表提純積分的下限運算數值;[β1]，[β2]分別代表兩個不同的基準識別向量;[q1]，[q2]分別代表兩個不同的電路動態誤差源節點系數。至此，完成所有數據處理及執行設備搭建，按照上述處理流程，實現基于神經網絡模數轉換電路動態誤差源識別系統的順利應用。

3" 實驗結果討論

為驗證基于神經網絡模數轉換電路動態誤差源識別系統的實用能力，設計如下對比實驗。在數字轉換電路中，配置2臺完全相同的實驗主機，其中實驗組主機搭載新型動態誤差源識別系統，對照組主機搭載傳統識別系統。在其他影響因素不發生改變的前提下，應用控制變量法分別記錄應用實驗組、對照組識別系統后相關實驗數據的變化情況。

3.1" 前期實驗準備

相關實驗參數及具體實驗環境配置結果如表2所示。

為保證實驗結果的絕對公平性，除所采用識別系統不同外，實驗組、對照組其他實驗參數始終保持一致。

3.2" 電量采集精度對比

在模數轉換參量等于0.46的條件下，以100 min作為實驗時間，分別記錄在該段時間內，應用實驗組、對照組識別系統后，電量采集精度的變化情況，詳細實驗對比結果如圖4所示。

分析圖4可知，隨著實驗時間的增加，實驗組、對照組電量采集精度出現了明顯的分層趨勢，在整個實驗過程中，實驗組數值始終處于對照組數值上方。實驗組電量采集精度最大值超過90%，且出現頻率相對較高;對照組電量采集精度最大值僅達到40%，且出現頻率較低，遠低于理想極值區間。綜上可知，在模數轉換參量等于0.46的條件下，應用基于神經網絡的模數轉換電路動態誤差源識別系統，可使電量采集精度數值大幅提升。

3.3" 單位時間內的信號識別量對比

在動態誤差源識別系數等于0.82的條件下，以20 min作為單位時間長度，分別記錄在5個單位時間長度內，應用實驗組、對照組識別系統后信號識別量的具體變化情況，詳細實驗對比結果如表3，表4所示。

對比表2，表3可知，在前3組單位時間內，實驗組信號識別量都保持穩定的上升狀態，從第4組單位時間開始，上升幅度逐漸縮小，直至第5組單位時間，實驗組信號識別量開始出現穩定狀態。整個實驗過程中，實驗組信號識別量共上升了2.0×109 TB，最大值7.7×109 TB與理想極值5.0×109 TB相比，上升了2.7×109 TB。

對比表2，表4可知，在整個實驗過程中，對照組信號識別量始終保持上升、下降交替出現的變化趨勢，但隨著實驗時間的增加，最小值始終保持為2.6×109 TB，最大值卻出現不斷下降的變化趨勢，階段性最大值從3.7×109 TB下降至3.1×109 TB，低于理想極值5.0×109 TB，更遠低于實驗組數值結果。綜上可知，在動態誤差源識別系數等于0.82的條件下，應用基于神經網絡的模數轉換電路動態誤差源識別系統，可促進信號識別量的穩定提升。

4" 結" 語

從實際應用結果來看，基于神經網絡模數轉換電路動態誤差源識別系統可在兼顧電量采集精度的同時，提升單位時間內的信號識別量，更加符合理想狀態下的系統應用需求。從搭建角度來看，新型動態誤差源識別系統以CNN神經網絡作為硬件執行基礎，在模數轉換電路等元件的支持下，對識別精度進行不斷提純。未來相關科研機構將在此系統的基礎上，全面發掘模數轉換電路在誤差源識別領域的實用能力，力求使我國的模擬電路處理技術達到國際領先水平。

參考文獻

[1] 安強強，張峰，李趙興，等.基于機器學習的VoIP流量在線識別系統設計與實現研究[J].電子設計工程，2018，26（16）：103?106.

AN Qiangqiang， ZHANG Feng， LI Zhaoxing， et al. Design and implementation of VoIP traffic online identification system based on machine learning [J]. Electronic design engineering， 2018， 26（16）： 103?106.

[2] 胡變香，繆旻，高軍.集成電路板互連傳輸結構優化設計仿真[J].計算機仿真，2018，35（6）：263?268.

HU Bianxiang， MIU Min， GAO Jun. Integrated circuit board interconnection transmission structure optimization design simulation [J]. Computer simulation， 2018， 35（6）： 263?268.

[3] 胡飛，尤志強，劉鵬，等.基于憶阻器交叉陣列的卷積神經網絡電路設計[J].計算機研究與發展，2018，55（5）：1097?1107.

HU Fei， YOU Zhiqiang， LIU Peng， et al. Circuit design of convolutional neural network based on memristor cross array [J]. Computer research and development， 2018， 55（5）： 1097?1107.

[4] 陳洪月，張坤，劉治翔，等.基于PSO?BP神經網絡光電編碼器誤差補償研究[J].傳感技術學報，2017，30（8）：1182?1186.

CHEN Hongyue， ZHANG Kun， LIU Zhixiang， et al. Photoelectric encoder error compensation research based on PSO?BP neural network [J]. Chinese journal of sensors and actuators， 2017， 30（8）： 1182?1186.

[5] 虎濤濤，康波，單要楠.基于動態函數連接神經網絡的自適應逆控制系統辨識研究[J].計算機科學，2017，44（10）：203?208.

HU Taotao， KANG Bo， SHAN Yaonan. Study on identification of adaptive inverse control system based on dynamic function link neural network [J]. Computer science， 2017， 44（10）： 203?208.

[6] 張玉，周睿，張烈平.基于神經網絡的PID自整定光伏并網逆變器仿真[J].桂林理工大學學報，2018，38（2）：184?188.

ZHANG Yu， ZHOU Rui， ZHANG Lieping. Simulation of self?tuning PID photovoltaic grid?connected inverter based on neural network [J]. Journal of Guilin University of Technology， 2018， 38（2）： 184?188.

[7] CHAUHAN T， TRIPATHI A， SEHRA P， et al. Functional modelling，validation and testing of analog to digital converters （ADC） from system design perspective [J]. Analog integrated circuits amp; signal processing， 2018， 95（2）： 1?12.

[8] 王洪樂，王家序，周青華，等.基于BP神經網絡的數控機床綜合誤差補償方法[J].西安交通大學學報，2017，51（6）：138?146.

WANG Hongle， WANG Jiaxu， ZHOU Qinghua， et al. Comprehensive error compensation of machine tools based on BP?neural network algorithm [J]. Journal of Xi’an Jiaotong University， 2017， 51（6）： 138?146.

[9] 高家穎，何秋陽，詹志新.基于神經網絡的撞球機器人控制器設計[J].北京航空航天大學學報，2017，43（3）：533?543.

GAO Jiaying， HE Qiuyang， ZHAN Zhixin. Design of neural network controller for a billiard robot [J]. Journal of Beijing University of Aeronautics and Astronautics， 2017， 43（3）： 533?543.

[10] 陳陽，胡伍生，嚴宇翔，等.基于神經網絡模型誤差補償技術的對流層延遲模型研究[J].大地測量與地球動力學，2018，38（6）：577?580.

CHEN Yang， HU Wusheng， YAN Yuxiang， et al. Research on tropospheric delay model based on neural network model error compensation technique [J]. Journal of geodesy and geodynamics， 2018， 38（6）： 577?580.

[11] MEHDIZADEH F， SOROOSH M， ALIPOUR?BANAEI H， et al. Ultra?fast analog?to?digital converter based on a nonlinear triplexer and an optical coder with a photonic crystal structure [J]. Applied optics， 2017， 56（7）： 1799.

[12] 顏學龍，丁鵬，馬峻.基于狼群算法的RBF神經網絡模擬電路故障診斷[J].計算機工程與應用，2017，53（19）：152?156.

YAN Xuelong， DING Peng， MA Jun. Analog circuit diagnosis based on wolf pack algorithm radical basis function network [J]. Computer engineering and applications， 2017， 53（19）： 152?156.

[13] 李光升，梁靖聰，謝永成，等.基于免疫遺傳算法改進的BP神經網絡在裝甲車輛電路板故障診斷中的應用[J].計算機測量與控制，2017，25（6）：9?13.

LI Guangsheng， LIANG Jingcong， XIE Yongcheng， et al. Application of BP neural network improved by genetic immune algorithm in armored vehicle circuit board fault diagnosis [J]. Computer measurement amp; control， 2017， 25（6）： 9?13.

[14] 鐘金童，李國龍，劉達斌，等.基于概率神經網絡的蝸桿砂輪磨齒機徑向熱誤差建模[J].計算機集成制造系統，2017，23（3）：534?541.

ZHONG Jintong， LI Guolong， LIU Dabin， et al. Radial thermal error modeling of CNC worm wheel gear grinding machine based on probabilistic neural network [J]. Computer integrated manufacturing systems， 2017， 23（3）： 534?541.

[15] 于慧鳴，張志晟，龔文杰.基于深度遞歸神經網絡的電力系統短期負荷預測模型[J].電力系統及其自動化學報，2019，31（1）：112?116.

YU Huiming， ZHANG Zhisheng， GONG Wenjie. Short?term load forecasting model of power system based on deep recurrent neural network [J]. Proceedings of the CSU?EPSA， 2019， 31（1）： 112?116.