一种基于束流负载效应的束流信息在线测量方法及装置

1.一种基于束流负载效应的束流信息在线测量方法，其特征在于，该方法包括：获得束流到达腔体时引发的束流负载效应，其中，束流负载效应为射频腔的腔压 和前向电压 在束流到达之后的瞬态变化信号；腔压和前向电压均采用幅度与相位的形式：V =| V | e j∠V ；其中，| V |为电压幅度，∠ V 为电压相位；计算腔体谐振频率与射频信号频率之间的频率差得到失谐值 ，其中，失谐值 为： ；式中， 为射频腔的半带宽， 分别为腔压 与前向电压 的相位， t 表示时刻， ， ；将腔压 、前向电压 以及失谐值 输入到束流信息预测模型，完成基于束流负载效应的束流信息预测，实现束流的同步相位与流强的在线测量，其中：束流信息预测模型的构建与训练，包括：建立端到端的AB-LSTM网络模型；以原始时间序列的腔压 、前向电压 和失谐值 作为AB-LSTM网络模型的输入；对AB-LSTM网络模型中的超参数进行测试和评估，完成超参数的设置；基于设置完成的超参数通过梯度下降的方式训练AB-LSTM网络模型，使其学习腔压 、前向电压 与同步相位、流强间的映射关系，训练完成获得束流信息预测模型；AB-LSTM网络模型的非线性映射关系为： ；其中， 为每个时间步输入的注意力权重， 代表一种需要学习的非线性神经网络， 分别为同步相位和流强， 代表所使用的腔压 、前向电压 两个时间序列的特征长度；以原始时间序列的腔压 、前向电压 和失谐值 作为输入，通过AB-LSTM网络模型获得同步相位和流强的过程，包括：对于输入时长为 的腔压 和前向电压 ，每个时刻 会有四个输入特征[ ]，分别代表 和 的相位和幅度，即 ；AB-LSTM的Attention layer对上述输入特征进行加权，将其转化为 [ ]，得到从1到T时刻的加权特征表示[ ]；以该特征作为LSTM模型的输入，通过逐步输入 并提取隐藏特征 ，最终输出LSTM提取到的整个序列的综合特征 ；AB-LSTM中将失谐值 作为网络模型的先验输入，并通过一个线性嵌入层Embed将其转化为高维向量；使用两个全连接层对LSTM和Embed提取到的特征进行拟合，网络模型的最终输出为束流的同步相位和流强。 2.根据权利要求1所述的基于束流负载效应的束流信息在线测量方法，其特征在于，对AB-LSTM网络模型中的超参数进行测试和评估，完成超参数的设置，包括：选择LSTM的层数、每层的神经元个数、学习率大小及损失函数；设置全连接层参数、激活函数及优化器；对输入特征进行测试，明确输入特征的维度对网络模型性能的影响；通过对比网络模型预测的流强和同步相位与实验测得的流强和同步相位之间的误差，评估网络模型的预测性能，完成超参数的设置。 3.一种基于束流负载效应的束流信息在线测量装置，其特征在于，该装置包括：信号测量单元，被配置为获得束流到达腔体时引发的束流负载效应，其中，束流负载效应为射频腔的腔压 和前向电压 在束流到达之后的瞬态变化信号，腔压和前向电压均采用幅度与相位的形式：V =| V | e j∠V ；其中，| V |为电压幅度，∠ V 为电压相位；失谐值计算单元，被配置为计算腔体谐振频率与射频信号频率之间的频率差得到失谐值 ，其中，失谐值 为： ；式中， 为射频腔的半带宽， 分别为腔压 与前向电压 的相位， t 表示时刻， ， ；预测单元，被配置为将腔压 、前向电压以及失谐值 输入到束流信息预测模型，完成基于束流负载效应的束流信息的预测，实现束流同步相位与流强的在线测量，其中：束流信息预测模型的构建与训练，包括：建立端到端的AB-LSTM网络模型；以原始时间序列的腔压 、前向电压 和失谐值 作为AB-LSTM网络模型的输入；对AB-LSTM网络模型中的超参数进行测试和评估，完成超参数的设置；基于设置完成的超参数通过梯度下降的方式训练AB-LSTM网络模型，使其学习腔压 、前向电压 与同步相位、流强间的映射关系，训练完成获得束流信息预测模型；AB-LSTM网络模型的非线性映射关系为： ；其中， 为每个时间步输入的注意力权重， 代表一种需要学习的非线性神经网络， 分别为同步相位和流强， 代表所使用的腔压 、前向电压 两个时间序列的特征长度；以原始时间序列的腔压 、前向电压 和失谐值 作为输入，通过AB-LSTM网络模型获得同步相位和流强的过程，包括：对于输入时长为 的腔压 和前向电压 ，每个时刻 会有四个输入特征[ ]，分别代表 和 的相位和幅度，即 ；AB-LSTM的Attention layer对上述输入特征进行加权，将其转化为 [ ]，得到从1到T时刻的加权特征表示[ ]；以该特征作为LSTM模型的输入，通过逐步输入 并提取隐藏特征 ，最终输出LSTM提取到的整个序列的综合特征 ；AB-LSTM中将失谐值 作为网络模型的先验输入，并通过一个线性嵌入层Embed将其转化为高维向量；使用两个全连接层对LSTM和Embed提取到的特征进行拟合，网络模型的最终输出为束流的同步相位和流强。 4. 一种电子设备，其特征在于，包括：至少一个处理器；以及与所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行根据权利要求1-2中任一项所述的方法。 5.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括计算机指令，所述计算机指令用于使计算机执行根据权利要求1-2中任一项所述的方法。