一种面向复合导引头信号处理应用的SoC设计

合集下载

基于TMS320C667x和VPX的雷达处理系统设计及应用

基于TMS320C667x和VPX的雷达处理系统设计及应用宋玉霞;李贵;甘峰;邵江雨【摘要】针对基于CPCI或VME构建的雷达信号处理系统数传和处理能力的瓶颈，提出了一种以TI公司多核DSP TMS320C667x为核心处理器、基于VPX架构的高端高速雷达实时信号处理系统，介绍了系统的软硬件架构设计、电气结构设计、背板拓扑结构设计以及在雷达SAR成像处理模式、单脉冲处理模式的应用软件设计。

工程应用中的测试结果表明，该系统具有比传统信号处理系统更高的处理性能和与高性能相匹配的高速数传网络，应用前景广阔。

%For radar processing systems based on CPCI or VME,the data transmission and processing capability is a bottleneck.To address this issue,the design of a highlyreal⁃time processor based on multi⁃core DSP TMS320C667x from TI and VPX is presented,the design of software,hardware,electric structure and backplane topological structure is introduced,and the applications in SAR imaging and monopulse processing are proposed. The testing results in engineering application shown that this system has a better processing performance than traditional signal processor and a high⁃speed data transmission network matching with its high performance,and it has a good prospect of application.【期刊名称】《无线电工程》【年(卷),期】2016(046)011【总页数】4页(P71-74)【关键词】处理系统;TMS320C667x;VPX;SAR成像处理;单脉冲处理【作者】宋玉霞;李贵;甘峰;邵江雨【作者单位】中国西南电子技术研究所，四川成都610036;中国西南电子技术研究所，四川成都610036;中国西南电子技术研究所，四川成都610036;中国西南电子技术研究所，四川成都610036【正文语种】中文【中图分类】TN958.94过去10多年，雷达信号处理系统常采用TigerSHARC系列DSP或PowerPC系列CPU基于CPCI或VME总线进行构建。

电池储能系统SOC神经网络融合估计方法

第50 卷第 10 期2023年10 月Vol.50，No.10Oct. 2023湖南大学学报（自然科学版）Journal of Hunan University（Natural Sciences）电池储能系统SOC神经网络融合估计方法孙玉树1，2，李宏川3，王波3，贾东强3，裴玮1，2，唐西胜1，2†（1.中国科学院电工研究所，北京 100190；2.中国科学院大学，北京 100049；3.国网北京市电力公司，北京 100031）摘要：为了更好地获取电池储能系统当前的运行状态，提出了基于神经网络融合的电池储能系统SOC估计方法.首先，对比分析了前馈（BP）、门控循环单元（GRU）和长短时记忆（LSTM）神经网络算法的优劣，BP计算时间较短，LSTM对时序数据估计精度较高；然后，利用KL散度、皮尔逊相关系数和灰色关联度分析了不同输入参量和SOC的相关程度，并和LSTM估计结果相比对，筛选出对电池储能系统SOC影响较大的特征参量；最后，应用经验模态分解算法将SOC数据分解为多个分量，利用样本熵将分量聚合为高低两个频段，进而应用BP、LSTM神经网络算法分频段估计，和单一策略相比，该方法在提高SOC估计精度的同时，减少了计算时间.关键词：电池储能系统；SOC融合估计；相关性分析；经验模态分解；样本熵中图分类号：TM 614 文献标志码：ASOC Neural Network Fusion Estimation Method for BatteryEnergy Storage SystemSUN Yushu1，2，LI Hongchuan3，WANG Bo3，JIA Dongqiang3，PEI Wei1，2，TANG Xisheng1，2†（1.Institute of Electrical Engineering， Chinese Academy of Sciences， Beijing 100190， China；2.University of Chinese Academy of Sciences， Beijing 100049， China；3.State Grid Beijing Electric Power Company， Beijing 100031， China）Abstract：To better obtain the current operating state of the battery energy storage system，a state of charge （SOC） evaluation method of the battery energy storage system based on neural network fusion is proposed. First， the advantages and disadvantages of back-propagation （BP），gated recurrent unit （GRU），and long and short-term memory （LSTM）neural network algorithms are compared. The calculation time of BP is usually short，while the estimation accuracy of LSTM for temporal data is high. Then the correlation degree between different input parameters and SOC is analyzed by KL divergence，Pearson correlation coefficient，and grey correlation degree. Compared with the LSTM estimation results， the characteristic parameters that have a greater impact on the SOC of the battery energy storage system are selected. Finally，the empirical mode decomposition algorithm is applied to∗收稿日期：2023-03-15基金项目：国家重点研发计划项目（2021YFB2402002），National Key Research and Development Program of China （2021YFB2402002）；中国科学院青年创新促进会项目（2023000018），Youth Innovation Promotion Association of Chinese Academy of Sciences （2023000018）作者简介：孙玉树（1987—），男，北京人，中国科学院电工研究所副研究员，博士† 通信联系人，E-mail：*************文章编号：1674-2974（2023）10-0031-10DOI：10.16339/ki.hdxbzkb.2023235湖南大学学报（自然科学版）2023 年decompose the SOC data into multiple components， and the sample entropy is used to aggregate the components into high and low-frequency bands. BP and LSTM neural network algorithms are used to estimate SOC in different frequency bands. Compared with a single strategy， the proposed method not only improves the estimation accuracy of SOC， but also reduces the calculation time.Key words：battery energy storage system；SOC fusion estimation；correlation analysis；empirical mode decom⁃position；sample entropy截至2022年底，中国已投运的电力储能累计装机达59.4 GW，同比增长37%.其中，新型储能累计装机规模首次突破 10 GW，超过2021年同期的2倍，达到12.7 GW.电池储能作为重要的灵活性调节资源，占据新型储能的主导地位，在提高新能源消纳、提升可靠供电等方面具有积极作用，是构建新型电力系统不可或缺的组成部分［1］.在电池市场规模日益扩大的背景下，荷电状态（State of Charge，SOC）估计等相关研究越来越得到人们的重视.如果未对电池储能系统SOC进行精准估计，可能会导致起火、爆炸等事故的发生，危及储能电站甚至电力系统的安全稳定运行.因此，高精度、快速实时的SOC估计是保障电池运行安全、延长使用寿命的核心技术，对电池更大规模的应用，特别是电站级电池储能系统安全经济运维，具有重要的实用价值［2-3］.在电池实际应用中，其表现出非线性、时变性、影响因素复杂性和不确定性等特征，造成了SOC估计难度大、精度不高和适应能力不足，由此产生了较多SOC估计算法及其改进策略.1）基于经验的估计算法：罗勇等［4］提出的带容量修正的安时积分法，可用于SOC的实时估计或作为评价其他SOC估计策略的基准. Xing等［5］将锂电池进行长时间静置，测量其开路电压和SOC，拟合出两者之间的函数关系，实现对锂电池SOC估计.上述开环估计算法原理简单、容易实现且计算复杂度低，但常需要满足许多前提条件，且因为缺少反馈环节，算法鲁棒性较差.2）基于模型的估计算法：Liu等［6］基于电化学单粒子模型，设计了终端电压反馈注入非线性观测器来监测锂离子电池的SOC.张宵洋等［7］提出了基于分数阶模型自适应扩展卡尔曼粒子滤波的SOC估计方法. Fu等［8］建立了Thevenin模型，采用线性卡尔曼滤波器进行参数在线辨识.杜常清等［9］基于戴维南电池模型，提出一种卡尔曼滤波与扩展卡尔曼滤波相结合的算法估算SOC. Bai等［10］考虑到温度变化对锂离子电池荷电状态估计的影响，提出了一种基于自适应双扩展卡尔曼滤波的荷电状态估计方法.上述电化学模型虽能较好地表征电池内外部特性，但其辨识较为复杂；等效电路模型结构清晰，参数易于辨识，但模型精度与复杂度难以兼顾，无法反映电化学微观过程.3）基于数据的估计算法：王语园等［11］提出了基于最小二乘支持向量机机器学习的锂离子电池SOC 估计模型. Fan等［12］提出了一种基于U-Net架构卷积神经网络的SOC估计方法，该方法可以处理变长输入数据和输出等长SOC估计结果. Gong等［13］提出了一种基于深度学习的新型深度神经网络模型，该模型以10 s采样率的电池电压、电流和温度组成的数据单元为输入，SOC估算值为输出. Chen等［14］提出了一种基于扩展输入和约束输出的长短期记忆和循环神经网络用于电池SOC估计.上述基于数据驱动的SOC估计方法仅依靠系统输入与输出间的映射关系即可建立SOC估计模型，极大地简化了电池建模过程，但需要大量数据集进行训练来建立各变量之间的关系，精度依赖训练数据集质量，且计算量大. 4）模型数据混合估计算法：单独使用上述3类方法可能会影响SOC估计精度或估计速率，因此，多类方法融合估计方法也得到了快速发展，通过优势互补取得更为准确的SOC估算结果.杨帆等［15］基于二阶Thevenin等效模型，提出一种将无迹卡尔曼滤波与BP神经网络相结合的SOC估计方法. Cui等［16］提出了一种基于改进的双向门控循环单元网络和无迹卡尔曼滤波的混合方法来实现不同温度下电池SOC的实时稳定估计.上述研究主要侧重电池单体的SOC研究，对系统级的分析较少，电池储能系统较电池单体数据量大，运行影响因素众多，数据在线获取难度大，SOC32第 10 期孙玉树等：电池储能系统SOC 神经网络融合估计方法估计的映射关系更为复杂等，因此本文应用数据驱动的方式进行电池储能系统的SOC 估计.首先，对比分析了不同神经网络对电池储能系统SOC 估计的结果；进而利用不同的相关性评价指标筛选对电池储能系统SOC 估计影响较大的特征因素；最后，利用经验模态分解和样本熵对电池储能系统进行分频处理，并利用不同的神经网络对不同频段数据进行估计，从而提高电池储能系统SOC 估计的精度和速度.1 长短时记忆神经网络由于递归神经网络在训练过程中容易发生梯度爆炸或消失，长短时记忆（Long Short-Term Memory ，LSTM ）神经网络［17］应运而生，其优势是在网络中引入遗忘门，和传统递归神经网络相比，其更擅长处理长时间尺度历史信息.所添加的遗忘门，会选择性地遗忘和记忆某些历史信息，当其输出值接近0，则说明某些历史信息被选择忘记；当输出值接近1，则倾向于保留记忆更多的历史信息.故，LSTM 避免了部分信息的简单重复覆盖，能够有效解决递归神经网络容易梯度爆炸或消失的问题.LSTM 网络结构如图1所示.f t =σ(w f ⋅[h t -1， x t ]+b f )（1）ìíîi t =σ(w i ⋅[h t -1，x t ]+b i )c t =tanh(w c ⋅[h t -1，x t ]+b c )（2）c t =f t ⋅c t -1+i t ⋅c t σ（3）ìíîo t =σ(w o ⋅[h t -1，x t ]+b o )h t =o t ⋅tanh(c t )（4）式中：式（1）为遗忘门的更新；式（2）为输入门的更新；式（3）为状态门的更新；式（4）为输出门的更新；x t 为输入数据，如温度、电压、电流等；f t 为遗忘门输出；w 、b 为各层神经元的权系数，表示输入层输出；c t 为卷积层输出；o t 为输出层输出；h t 为最终输出数据. 2 电池储能系统SOC 估计为了分析不同因素对电池储能系统SOC 的影响，选取国内某储能电站系统的总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量6个参量进行SOC 状态估计（如图2~图7所示），采样间隔为1 min ，时长为5 760 min.为了更好地利用神经网络算法对SOC 进行估计，需对样本数据进行预处理，以防止较大的梯度更新.本文采用离差标准化，将输入和输出数据进行线性变化，使其取值在［0，1］之间.d =s -min (s )max (s )-min (s )（5）式中：s 为某一输入样本；max (s )为输入样本的最大值；min (s )为输入样本的最小值；d 为归一化后数据值.为了评价电池储能系统SOC 的估计精度，采用均方根误差（Root-Mean-Square Error ，RMSE ）进行表述，计算公式如下所示.图1 LSTM 神经网络结构Fig. 1 LSTM neural network structure图2 总电压Fig. 2 Total voltage图3 电流Fig. 3 Current33湖南大学学报（自然科学版）2023 年R MSE=（6）2.1 不同神经网络算法对比为了分析不同神经网络算法对估计结果的影响，利用BP 神经网络、GRU 神经网络和LSTM 神经网络对电池储能系统SOC 进行估计，采用前80%作为训练数据，后20%作为测试数据.电池储能系统的SOC 曲线如图8所示，利用6个输入参数估计的BP结果如图9所示，GRU 结果如图10所示，LSTM 结果如图11所示.表1给出了3种算法的RMSE 和计算时间，可以看出，LSTM 的RMSE 最小，为0.040 2；而BP 计算时间最短，仅需要2.12 s ；GRU 的RMSE 和计算时间均处于中间值.因此，基于BP 和LSTM 各自的优势，本文以两者的融合方法进行电池储能系统SOC 的估计.2.2 SOC 估计影响因素为了分析不同因素对电池储能系统SOC 估计的影响程度，本节分析总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量6个指标与SOC的相图4 绝缘电阻Fig. 4 Insulation resistance图5 平均电压Fig. 5 Average voltage图6 平均温度Fig. 6 Average temperature图8 电池储能系统SOCFig. 8 Battery energy storage system SOC图9 BP 神经网络估计结果Fig. 9 BP neural network estimation results图7 累计充电电量Fig. 7 Cumulative charge quantity34第 10 期孙玉树等：电池储能系统SOC 神经网络融合估计方法关性.为了增强对比性，采用KL 散度、皮尔逊相关系数和灰色关联度进行输入指标与SOC 的相关性分析.2.2.1 KL 散度KL （Kullback-Leibler ）散度［18］，也称相对熵，能够度量2个过程概率分布的差别.设p (x )、q (x )表示2个过程的概率，则KL 距离为：δ(p ，q )=∑x ∈Np ()x logp ()xq ()x （7）进而p (x )、q (x )之间的KL 散度为：D (p ，q )=δ(p ，q )+δ(q ，p)（8）KL 散度是对2个过程概率分布夹角的度量，数值越大，说明差别越大；反之，越小；当2类概率分布完全相同时，数值为0.当求X ={x 1，x 2，⋯，x n }和Y ={y 1，y 2，⋯，y n }间的KL 散度时，假定概率分布分别为p (x )、q (x ).首先，计算信号X 的概率分布，本文采用非参数估计法求解概率分布：p (x )=1nh ∑i =1n K éëêêùûúúx i -x h，x ∈R（9）式中：p (x )为核密度估计后的概率密度函数；h 为给定的正数，称为窗宽或平滑参数；K (·)为核函数，常用高斯核函数.K (u )=12πe -u 2/2（10）同理，可以得到Y 的概率分布q (x ).将p (x )、q (x )代入式（7）求解X 和Y 的KL 距离(p ，q )和(q ，p )，进一步利用式（8）计算出KL 散度值D (p ，q ).利用KL 散度分析不同输入（总电压、电流、绝缘电阻、平均电压、平均温度、累计充电电量）和输出SOC 的关联程度，如表2所示.总电压的KL 散度值最小，平均电压的KL 散度值最大，即总电压和SOC 的关联程度最高，平均电压和SOC 的关联程度最低，关联度重要性从高到低排序依次为总电压->电流->累计充电电量->绝缘电阻->平均温度->平均电压.2.2.2 皮尔逊相关系数皮尔逊相关系数［19］广泛用于度量两个变量之间的线性相关程度γ=∑(X -Xˉ)(Y -Y ˉ)∑(X -Xˉ)2∑(Y -Y ˉ)2（11）式中：X ˉ、Y ˉ分别为变量X 、Y 的期望值.其中-1≤γ≤1.其性质如下：当γ>0时，表示两变量正相关；γ<0时，两变量为负相关；当γ=0时，表示两变量无线性相关关系.当|γ|=1时，表示两变量为完全线性相关，即为函数关系；当0<|γ|<1时，表示两变量存在一定程度的线性相关.且|γ|越接近1，两变量线性关系越密切；|γ|越接近0，表示两变量的线性相关越弱.图10 GRU 神经网络估计结果Fig. 10 GRU neural network estimation results图11 LSTM 神经网络估计结果Fig. 11 LSTM neural network estimation results表1 不同算法的估计结果Tab. 1 Estimation results of different algorithms算法BPGRU LSTMRMSE0.168 50.047 00.040 2计算时间/s 2.12184.66373.75表2 不同输入参数和SOC 的KL 散度Tab. 2 KL divergence for different inputparameters and SOC参数KL散度总电压0.444 5电流0.894 5绝缘电阻4.183 4平均电压1.047 6e+03平均温度18.362 6累计充电电量1.956 535湖南大学学报（自然科学版）2023 年利用皮尔逊相关系数分析6个输入和输出SOC 的相关性，分析结果如表3所示，其中平均电压的皮尔逊相关系数绝对值最大，电流的最小，关联度重要性从高到低依次为平均电压->总电压->平均温度->累计充电电量->绝缘电阻->电流.2.2.3灰色关联度灰色关联度［20］通过分析不同曲线的几何接近性评估它们之间的关系，接近性越高，说明相关性越紧密.假定参考序列X 0和比较序列X k 分别表示为：X 0={x 0(1)，x 0(2)，⋯，x 0(n )}（12）X k ={x k (1)，x k (2)，⋯，x k (n )}（13）式中：n 为样本数量；x 0(n )和x k (n )均为样本数据.初始化X 0和X k ，以减少参数在维度上的差异：Y 0=X 0x 0(1)={1，x 0(2)x 0(1)，⋯，x 0(n )x 0(1)}={y 0(1)，y 0(2)，⋯，y 0(n )}（14）Y k =X k x k (1)={1，x k (2)x k (1)，⋯，x k (n )x k (1)}={y k (1)，y k (2)，⋯，y k (n )}（15）假定ξi (h )为Y 0和Y k 在h 时刻的灰色关联系数，则：ξi (h )=min kmin h||Y 0(h )-Y k (h )||Y 0(h )-Y k (h )+ρmaxk max h||Y 0(h )-Y k (h )+ρmax kmax h||Y 0(h )-Y k (h )||Y 0(h )-Y k (h )+ρmax k max h||Y 0(h )-Y k (h )（16）式中：ρ为分辨系数，本文取0.5.故，Y 0和Y k 的灰色关联度为：ζi =1Q ∑i =1nξi (h )（17）式中：i =1，2，⋯，n ；h =1，2，⋯，Q .利用灰色关联度分析6个输入和输出SOC 的相关性，分析结果如表4所示，其中总电压和平均电压的数值相同，且最大，电流的最小，关联度重要性从高到低依次为平均电压=总电压->平均温度->累计充电电量->绝缘电阻->电流.由于LSTM 对时序数据的估计精度较高，利用LSTM 进行电池储能系统SOC 估计，在6个输入中，每次删除一个输入因素，分析不同因素缺失对电池储能系统SOC 估计精度的影响，分析结果如表5所示.在某一因素缺失的情况下，得到的RMSE 越大，说明该因素对SOC 估计精度影响越大，反之较小.由此可以获得，不同因素的重要性从高到低排序依次为电流->总电压->平均电压->平均温度->累计充电电量->绝缘电阻.综上所述，在进行影响因素重要性分析时，虽然KL 散度、皮尔逊相关系数和灰色关联度均能够一定程度上反映某个因素的重要程度，但还应以LSTM 等方法实际分析结果为主.本文数据中电流和总电压删除时，RMSE 相近且最大，而在电池储能系统实际运行当中，电流和总电压的变化也是系统电量变化的主要因素，所以两者是电池储能系统SOC 估计中的最关键因素.3 多神经网络融合策略目前，大多数神经网络估计方法主要采用单一模型，在对不同研究主体进行分析时，很难一直保持良好的性能，为此，本文采用多种神经网络融合方法进行电池储能系统SOC 估计.首先，利用经验模态分解算法将需要估计的数据进行多时间尺度分解，然后利用样本熵进行复杂性分析，将复杂性相似的分量进行分类聚合，进而利用不同的神经网络算法进行估计.表3 不同输入参数和SOC 的皮尔逊相关系数Tab. 3 Pearson correlation coefficients for different inputparameters and SOC参数γ总电压0.461 2电流0.001 8绝缘电阻-0.006 0平均电压0.490 3平均温度0.271 4累计充电电量-0.010 0表4 不同输入参数和SOC 的灰色关联度Tab. 4 Grey correlation for different inputparameters and SOC参数ζi总电压0.996 0电流0.665 0绝缘电阻0.981 9平均电压0.996 0平均温度0.995 9累计充电电量0.995 8表5 LSTM 估计结果Tab. 5 LSTM estimation results参数RMSE 总电压0.091 1电流0.094 8绝缘电阻0.049 4平均电压0.080 3平均温度0.062 9累计充电电量0.061 136第 10 期孙玉树等：电池储能系统SOC 神经网络融合估计方法3.1 经验模态分解算法经验模态分解（Empirical Mode Decomposition ，EMD ）算法［21］不需要预先定义基函数，只需根据信号自身的时间尺度特征进行分解，即可获取局部化特征，非常适用于处理非线性非平稳随机信号.EMD 将信号序列分解为一系列关于时间轴对称的固有模态函数（Intrinsic Mode Function ，IMF ）c i (i =1，2，⋯，n )与剩余趋势分量r n . IMF 须满足以下条件：1）在整个数据序列内，极值点与过零点个数相等或相差不超过1；2）在任一时间点上，局部均值为零.满足以下要求之一即终止分解：1）c i 或r n 小于预定值；2）r n 变为单调函数，不再能获取固有模态函数.综上，信号x (t )经EMD 分解后的表达式为：x (t )=∑i =1n c i (t )+r n（18）利用EMD 算法对图8中的SOC 曲线进行分解，分解后曲线如图12所示，共12个IMF 分量和1个残余分量.从IMF1到IMF12，频率依次减小，残余分量单调递减.3.2 样本熵近似熵只需较少的数据就可以度量序列的复杂性，但由于存在固有的对自身数据段的比较，所以计算时会产生偏差，且其取值与数据长度有关，一致性较差.由此，精度更高的样本熵［22］被提出，数据序列越复杂，样本熵值就越大，反之，越小，原理如下：假设时间序列{x i }为x (1)，x (2)，⋯，x (N )（N 为数据量）：1）将序列{x i }按顺序组成m 维矢量，即X (i )=[x (i )，x (i +1)，⋯，x (i +m -1)]，其中i =1，2，⋯，N -m +1.2）定义X (i )与X (j )之间的距离d m (X (i )，X (j ))为两者对应元素差值最大值：d m (X (i )，X (j ))=max 0~m -1|x (i +k )-x (j +k)|（19）对于每一个i 值计算X (i )与其余矢量X (j )(j =1，2，⋯，N -m +1&j ≠i )之间的d m (X (i )，X (j )).3）给定相似容限r (r >0)，统计每一个i 值d m (X (i )，X (j ))<r 的数量，然后计算其与距离总数N -m 的比值，记为B m i (r )：B m i(r )=1N -mnum {d m(X (i )，X (j ))<r }（20）式中：j =1，2，⋯，N -m +1&j ≠i ；num 为d m (X (i )，)X (j )<r 数量.该过程定义为X (i )模板匹配过程；B m i (r )表示任一个X (j )与模板的匹配概率.4）进而获取B m i (r )的平均值为：B m(r )=1N -m +1∑i =1N -m +1B mi()r （21）5）增加维数为m +1，重复步骤1）~步骤3），则B m +1(r )的平均值为：Bm +1(r )=1N -m∑i =1N -m B m +1i()r （22）由此可获取样本熵定义：图12 IMF 和残余分量Fig. 12 IMF and residual component37湖南大学学报（自然科学版）2023 年S E (m ，r )=lim N →∞ìíîï-ln(B m +1()r B m ()r )üýþï（23）当N 取有限值时，样本熵估计值为：S E (N ，m ，r )=-ln éëêêB m +1()r B m ()r ùûúú（24）样本熵的取值与m 、r 有关，但其一致性较好，熵值的变化趋势不受m 和r 的影响，本文取m = 2，r = 0.2 S D （r 一般为0.1~0.25 S D ，其中S D 为时间序列的标准差）.利用样本熵计算每一个IMF 分量的值，如图13所示.随着IMF 分量频段频率的降低，样本熵数值大致呈逐渐降低趋势，即随着频率的降低，数据的波动变小，复杂度降低，自相似度较好. IMF1~IMF5具有较大的样本熵值，在IMF5与IMF6之间样本熵大幅度降低，IMF6~IMF12具有较小的样本熵值，且大致线性降低，数值均小于0.1；另外，求取样本熵平均值为0.302 8，IMF1~IMF5的样本熵值在平均值之上，而IMF6~IMF12数值均在平均值之下.因此将SOC 曲线分为两个频段，高频段由IMF1~IMF5这5个分量组成，低频段由IMF6~IMF12这7个分量加残余分量组成.高频段如图14所示，低频段如图15所示.3.3 多时间尺度神经网络SOC 估计基于Thinkpad T14的MatlabR2022a 软件，利用BP 和LSTM 两种策略分别对高、低频段进行估计，估计结果如表6所示.其中BP 的神经元数为5；LSTM 最大轮数为1 500，最小批次为800，初始学习率为0.01，学习率折扣为0.8. BP 对高频分量进行估计时，其精度大幅度提高，RMSE 仅为0.046 3；对低频分量进行估计时，RMSE 为0.152 9；估计后的高频分量和低频分量进行重构，由于数据之间的互补性，重构后的RMSE 为0.144 2.由此可以看出分段估计的方式比直接估计的精度要高.基于LSTM 时，高低频段的估计误差和直接估计类似，但重构后，整体的估计精度有一定程度的提高.由此可见，SOC 分频段后，每个频段的规律性增强，采用相同神经网络算法进行估计时，其精度会有一定程度的改善；再加上估计频段重构后，其数据存在一定程度上的互补性，重构后的数据精度也会提高.为了进一步验证分频段估计的优势，采用BP 对高频分量进行估计，如图16所示；利用LSTM 对低频分量进行估计，如图17所示；两者组合估计后进行图15 低频段Fig. 15 Low-frequency section表6 不同算法的高低频段估计结果Tab. 6 High and low frequency band estimation results ofdifferent algorithms算法BPLSTM RMSE0.168 50.040 2高频RMSE 0.046 30.040 3低频RMSE 0.152 90.040 5重构RMSE 0.144 20.037 9图13 各IMF 分量的样本熵Fig. 13 Sample entropy of each IMF component图14 高频段Fig. 14 High-frequency section38第 10 期孙玉树等：电池储能系统SOC 神经网络融合估计方法数据重构，如图18所示.从表7可以看出，不同神经网络相结合，也能够提高SOC 估计的精度，因此，采用分频段估计相比直接估计能够提高SOC 的估计精确度；再者，从计算时间来看，BP 进行高频估计耗时0.167 2 s ，LSTM 进行低频估计耗时235.18 s ，两者共耗时约为235.35 s ，相比LSTM 不分频估计时的373.75 s ，节约37.03%的时间.4 结论针对电池储能系统状态精准估计问题，提出了基于深度学习融合的SOC 估计方法.首先，对比分析了BP 、GRU 和LSTM 对电池储能系统时序数据的估计效果；然后，利用KL 散度、皮尔逊相关系数和灰色关联度分析不同输入参数与SOC 的关系，三种相关性分析方法虽然各自能够在一定程度上反映某个输入参量的重要性，但在实际应用中还应以LSTM 估计的结果为准；再者，利用经验模态分解算法将SOC 分解为多个IMF 分量，利用样本熵将其分成高低两个频段，并应用BP 和LSTM 神经网络算法对两个频段分别估计，融合算法比单一算法估计精度至少提升5%，比单一LSIM 算法计算时间节约37.03%，从而为电池储能系统的规模化应用提供参考.参考文献［1］中关村储能产业技术联盟．储能产业研究白皮书［M ］．北京：高科技与产业化，2023．China Energy Storage Alliance. Energy storage industry research white paper ［M ］．Beijing ：High Technology and Industrialization ，2023．（in Chinese ）［2］明彤彤，赵晶，王晓磊，等．基于改进LSTM 的脉冲大倍率工况下锂电池SOC 估计［J ］．电力系统保护与控制，2021，49（8）：144-150．MING T T ，ZHAO J ，WANG X L ，et al ．SOC estimation of a lithium battery under high pulse rate condition based on improved LSTM ［J ］．Power System Protection and Control ，2021，49（8）：144-150．（in Chinese ）［3］王义军，左雪．锂离子电池荷电状态估算方法及其应用场景综述［J ］．电力系统自动化，2022，46（14）：193-207．WANG Y J ，ZUO X ．Review on estimation methods for state of charge of lithium-ion battery and their application scenarios ［J ］．Automation of Electric Power Systems ，2022，46（14）：193-207．（in Chinese ）［4］罗勇，祁朋伟，黄欢，等．基于容量修正的安时积分SOC 估算方法研究［J ］．汽车工程，2020，42（5）：681-687．LUO Y ，QI P W ，HUANG H ，et al ．Study on battery SOC estimation by ampere-hour integral method withcapacity图16 基于BP 的高频分量估计结果Fig. 16 High frequency component estimation resultsbased on BP图17 基于LSTM 的低频分量估计结果Fig. 17 Low frequency component estimation resultsbased on LSTM图18 BP 与LSTM 组合估计结果Fig. 18 Combined estimation results of BP and LSTM表7 组合算法估计结果Tab. 7 Prediction results of combinatorial algorithm算法BPLSTM高频RMSE 0.046 3―低频RMSE―0.040 5分频计算时间/s 0.167 2235.18重构RMSE 0.037 60.037 639湖南大学学报（自然科学版）2023 年correction［J］．Automotive Engineering，2020，42（5）：681-687．（in Chinese）［5］XING Y J，HE W，PECHT M，et al．State of charge estimation of lithium-ion batteries using the open-circuit voltage at variousambient temperatures［J］．Applied Energy，2014，113：106-115．［6］LIU Y T，MA R，PANG S Z，et al．A nonlinear observer SOC estimation method based on electrochemical model for lithium-ionbattery［J］．IEEE Transactions on Industry Applications，2021，57（1）：1094-1104．［7］张宵洋，陈康义，吴新波．简化分数阶AEPF的锂电池SOC估计算法［J］．电源技术，2022，46（10）：1156-1160．ZHANG X Y，CHEN K Y，WU X B．SOC estimation algorithm oflithium battery based on simplified fractional order AEPF［J］．Chinese Journal of Power Sources，2022，46（10）：1156-1160．（inChinese）［8］FU S Y，LIU W，LUO W L，et al．State of charge estimation of lithium-ion phosphate battery based on weighted multi-innovationcubature Kalman filter［J］．Journal of Energy Storage，2022，50：104175．［9］杜常清，吴中意，武冬梅，等．基于KF-EKF算法的动力电池SOC估计［J］．武汉理工大学学报，2022，44（4）：84-92．DU C Q，WU Z Y，WU D M，et al．State of charge estimation ofpower battery based on KF-EKF algorithmglish［J］．Journal ofWuhan University of Technology，2022，44（4）：84-92．（inChinese）［10］BAI W Y，ZHANG X H，GAO Z，et al．State of charge estimation for lithium-ion batteries under varying temperature conditionsbased on adaptive dual extended Kalman filter［J］．ElectricPower Systems Research，2022，213：108751．［11］王语园，李嘉波，张福．基于粒子群算法的最小二乘支持向量机电池状态估计［J］．储能科学与技术，2020，9（4）：1153-1158．WANG Y Y，LI J B，ZHANG F．Battery state estimation of leastsquares support vector machine based on particle swarmoptimization［J］．Energy Storage Science and Technology，2020，9（4）：1153-1158．（in Chinese）［12］FAN X Y，ZHANG W G，ZHANG C P，et al．SOC estimation of Li-ion battery using convolutional neural network with U-Netarchitecture［J］．Energy，2022，256：124612．［13］GONG Q R，WANG P，CHENG Z．A novel deep neural network model for estimating the state of charge of lithium-ion battery［J］．Journal of Energy Storage，2022，54：105308．［14］CHEN J X，ZHANG Y，WU J，et al．SOC estimation for lithium-ion battery using the LSTM-RNN with extended input andconstrained output［J］．Energy，2023，262：125375．［15］杨帆，和嘉睿，陆鸣，等．基于BP-UKF算法的锂离子电池SOC 估计［J］．储能科学与技术，2023，12（2）：552-559．YANG F，HE J R，LU M，et al．SOC estimation of lithium-ionbatteries based on BP-UKF algorithm［J］．Energy StorageScience and Technology，2023，12（2）：552-559．（in Chinese）［16］CUI Z H，KANG L，LI L W，et al．A combined state-of-charge estimation method for lithium-ion battery using an improvedBGRU network and UKF［J］．Energy，2022，259：124933．［17］彭大健，裴玮，肖浩，等．数据驱动的用户需求响应行为建模与应用［J］．电网技术，2021，45（7）：2577-2586．PENG D J，PEI W，XIAO H，et al．Data-driven consumerdemand response behavior modelization and application［J］．Power System Technology，2021，45（7）：2577-2586．（in Chinese）［18］LI Z H，WU W C，ZHANG B M，et al．Kullback–Leibler divergence-based distributionally robust optimisation model forheat pump day-ahead operational schedule to improve PVintegration［J］. IET Generation，Transmission & Distribution，2018，12（13）：3136-3144．［19］陈泽西，孙玉树，张妍，等. 考虑风光互补的储能优化配置研究［J］．电工技术学报，2021，36（增刊1）：145-153．CHEN Z X，SUN Y S，ZHANG Y，et al．Research on energystorage optimal allocation considering complementarity of windpower and PV［J］. Transactions of China Electrotechnical Society，2021，36（Sup.1）： 145-153．（in Chinese）［20］陈海燕，杨振鹏，李新建，等．影响动力电池输出功率因素的灰色关联分析［J］．电源技术，2019，43（6）：1032-1033．CHEN H Y，YANG Z P，LI X J，et al．Grey incidence analysis forfactors influencing SOP of power battery［J］．Chinese Journal ofPower Sources，2019，43（6）：1032-1033．（in Chinese）［21］唐西胜，孙玉树，齐智平．基于HHT的风电功率波动及其对电力系统低频振荡的影响分析［J］．电网技术，2015，39（8）：2115-2121．TANG X S，SUN Y S，QI Z P．Analysis of wind power fluctuationcharacteristics and its impact on power system low frequencyoscillation based on HHT［J］．Power System Technology，2015，39（8）：2115-2121．（in Chinese）［22］张家安，刘东，刘辉，等．基于风速波动特征提取的超短期风速预测［J］．太阳能学报，2022，43（9）：308-313．ZHANG J A，LIU D，LIU H，et al．Ultra short term wind speedprediction based on wind speed fluctuation feature extraction［J］．Acta Energiae Solaris Sinica，2022，43（9）：308-313．（in Chinese）40。

清华大学电子工程系各研究所科研方向及导师相关信息

网络与人机语音通信研究所..................................................................................................... 11 简介..................................................................................................................................... 11 研究方向............................................................................................................................. 11 联系方式.............................................................................................................................12
通信与微波研究所....................................................................................................................... 1 通信技术方向...........................................................................................................................1 数字传输系统、网络及 SoC 课题组................................................................................... 1 多媒体通信技术研究组....................................................................................................... 2 数字电视技术研究中心宽带传输课题组........................................................................... 2 通信网络研究室................................................................................................................... 3 曹志刚、刘序明、晏坚课题组........................................................................................... 4 无线与移动通信技术研究中心无线通信课题组............................................................... 5 陆建华教授课题组............................................................................................................... 7 电磁场与微波技术研究方向................................................................................................... 8

有源相控阵的天线设计的核心：TR组件

有源相控阵的天线设计的核心：TR组件电子万花筒平台核心服务电子元器件：价格比您现有供应商最少降低10%射频微波天线新产品新技术发布平台：让更多优秀的国产射频微波产品得到最好的宣传！发布产品欢迎联系管理，专刊发布！强力曝光！有源相控阵天线设计的核心是T/R组件。

T/R组件设计考虑的主要因素有：不同形式集成电路的个数，功率输出的高低，接收的噪声系数大小，幅度和相位控制的精度。

同时，辐射单元阵列形式的设计也至关重要。

文章转自:XingXing 雷达通信电子战1 芯片设计理想情况下，所有模块的电路需要集成到一个芯片上，在过去的几十年，大家也都在为这个目标而努力。

然而，由于系统对不同功能单元需求的差别，现有的工程技术在系统性能与实现难度上进行了折衷的考虑，因此普遍的做法是将电路按功能进行了分类，然后放置于不同的芯片上，再通过混合的微电路进行连接，如图所示。

一个T/R模块的基本芯片设置包括了3个MMICs组件和1个数字大规模集成电路(VLSI)，如图所示。

•高功率放大器(MMIC)•低噪声放大器加保护电路(MMIC)•可调增益的放大器和可调移相器(MMIC)•数字控制电路(VLSI)根据不同的应用需求，T/R模块可能还需要其他一些电路，如预功放电路需要将输入信号进行放大以满足高峰值功率需求。

大多数X波段及以上频段T/R组件都采用基于GaAs工艺的MMICs技术。

该技术有个缺点就是热传导系数极低，因此基于GaAs 的电路需要进行散热设计。

未来T/R组件的发展方向是基于GaN和SiGe的设计工艺。

基于GaN的功率放大器可实现更高的峰值功率输出，从而提升雷达的灵敏度或探测距离，输出功率是基于GaAS工艺电路的5倍以上。

SiGe工艺虽然传输的功率不如GaAs，然而该材料成本较低，适用于未来低成本、低功率密度雷达系统的设计。

2 功率输出通常情况下，在给定阵列的口径后，雷达系统所需要的平均功率输出也基本确定了。

天线可实现的最大平均功率与每个TR组件的输出功率、T/R组件的个数、T/R组件的效率和散热等条件相关。

基于SoC芯片HKS6713的弹载计算机设计

ＨａｒｄｗａｒｅａｎｄＡｒｃｈｉｔｅｃｔｕｒｅ
基于ＳｏＣ芯片ＨＫＳ６７１３的弹载计算机设计
景德胜，缑丽敏，郭玉忠，郭晓光
（１．中航工业西安航空计算技术研究所，陕西西安７１００７２；２．中国民航大学适航学院，天津３００３００）
弹载计算机。是导弹的核心部件，决定着导弹攻击任务的成败。系统要求某型弹载计算机具备与火控系统配合完成发射流程控制、采集惯性组合及舵机和导引头等部件信息进行制导律计算和对舵机系统进行闭环控制等功能。对外交联接口类型包括ＧＪＢ２８９Ａ总线、ＲＳ４２２总线、离散量输入输出和模拟量输入输出等。针对对外交联接口种类多、模拟量采集精度要求高和强实时性等特点，本文介绍了一种以国产ＳｏＣ芯片ＨＫＳ６７１３为处理核心的弹载计算机设计方法，并对设计中的关键技术解决方法进行了重点阐述。１系统架构
Ｄｅｓｉｇｎｏｆｍｉｓｓｉｌｅ－ｂｏｒｎｅｃｏｍｐｕｔｅｒｂａｓｅｄｏｎＳｏＣｃｈｉｐｏｆＨＫＳ６７１３
ＪｉｎｇＤｅｓｈｅｎｇ一，ＧｏｕＬｉｍｉｎ，ＧｕｏＹｕｚｈｏｎｇ。，ＧｕｏＸｉａｏｇｕａｎｇ（１．Ｘｉ’ａｎＡｅｒｏｎａｕｔｉｃｓＣｏｍｐｕｔｉｎｇＴｅｃｈｎｉｑｕｅＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，ＡＶＩＣ，Ｘｉ’ａｎ７１００７２，Ｃｈｉｎａ；
性能，证明此设计切实可行。

基于高速SOC的FFT频谱分析仪的设计

基于高速SOC的FFT频谱分析仪的设计
熊心美;陆勇;李广波
【期刊名称】《电测与仪表》
【年(卷),期】2009(046)001
【摘要】本文硬件上采用C8051F060及其自带的高速ADC和DMA控制器,以及外部高速RAM来采集信号,软件上结合FFT(快速傅立叶变换)算法和自相关函数,设计了频谱分析仪.由于C8051F060的出色表现,结合查表方式的FFT运算,使得基于高速SOC的频谱分析仪性能大大提高.该频谱分析仪最终实现了对信号的频谱分析,并实现了失真分析以及周期性检测等功能.
【总页数】4页(P54-56,60)
【作者】熊心美;陆勇;李广波
【作者单位】九江学院,土建学院,江西,九江,332300;嘉兴电力局,浙江,嘉兴,314033;东北电力大学,研究生部,吉林,吉林,132012
【正文语种】中文
【中图分类】TM933;TN72
【相关文献】
1.基于FPGA的高速浮点FFT/IFFT处理器设计与实现 [J], 苏斌;刘畅;潘志刚;
2.基于PC的频谱分析仪内高速实时数据采集系统的设计与实现 [J], 何朝阳;辛巧媛;周毅
3.基于激光导引头信号的并行高速FFT算法设计 [J], 朱立坤;贾方秀;李兴隆
4.基于VI的多通道FFT频谱分析仪的设计 [J], 马立军
5.基于Turbo阵列的超高速流水线FFT设计与实现 [J], 孙晓锋;刘晓杰;冀云成;刘文魁
因版权原因，仅展示原文概要，查看原文内容请购买。

卷积神经网络SIP微系统实现

近年来，随着深度学习（Deep Learning）技术的发展，卷积神经网络（Convolutional Neural Network，CNN）在目标检测、人脸识别等机器视觉领域广泛应用。

由于CNN的算法复杂度对运行平台的计算要求较卷积神经网络SIP微系统实现吕浩1，2，张盛兵1，王佳1，刘硕2，景德胜21.西北工业大学计算机学院，西安7100722.中国航空工业集团公司西安航空计算技术研究所，西安710065摘要：近年来，微电子技术进入到纳电子/集成微系统时代，SIP（System in Package）和SOC（System on Chip）是微系统实现的两种重要技术途径；基于神经网络的深度学习技术在图形图像、计算机视觉和目标识别等方面得以广泛应用。

卷积神经网络的深度学习技术在嵌入式平台的小型化、微型化是一项重要研究领域。

如何将神经网络轻量化和微系统相结合，达到性能、体积和功耗的最优化平衡是一难点。

介绍了一款将SIP技术和基于FPGA的卷积神经网络相结合的微系统实现方案，它以Zynq SOC和FLASH、DDR3存储器为主要组成，利用SIP高密度系统封装技术进行集成，在其中的PL端（FPGA）采用HLS来设计CNN（Convolutional Neural Network，卷积神经网络）中的卷积层和池化层，生成IP核，分时复用构建微系统，设计实现了Micro_VGGNet轻量化模型。

测试采用MNIST手写数字数据集作为训练和测试样本，该微系统能够实准确识别手写数字，准确率达到98.1%。

体积仅为30mm×30mm×1.2mm，在100MHz工作频率下，图像处理速度可达到20.65FPS，功耗仅为2.1W，实现了轻量化神经网络微系统的多目标平衡（性能、体积和功耗）。

关键词：微系统；系统级封装（SIP）；卷积神经网络（CNN）；数字识别文献标志码：A中图分类号：TP368.2doi：10.3778/j.issn.1002-8331.2009-0011Implementation of Convolutional Neural Network SIP MicrosystemLYU Hao1，2,ZHANG Shengbing1,WANG Jia1,LIU Shuo2,JING Desheng21.School of Computer Science and Engineering,Northwestern Polytechnical University,Xi’an710072,China2.Xi’an Aeronautics Computing Technique Research Institute,Aviation Industry Corporation of China,Xi’an710065,ChinaAbstract：In recent years,microelectronics technology has entered the era of nanoelectronics/integrated microsystems. SIP（System in Package）and SOC（System on Chip）are two important technical approaches for the realization of micro-systems.Deep learning technology based on neural network is widely used in computer vision and target recognition areas.How to combine lightweight neural network with micro system to achieve the optimal balance of performance, volume and power consumption is a difficult problem.The miniaturization of embedded platforms for deep learning technology of convolutional neural networks is an important research field.This article introduces a microsystem imple-mentation scheme that combines SIP technology and FPGA-based convolutional neural network.It uses Zynq SOC, FLASH,and DDR3memory as the main components,and uses SIP high-density system packaging technology for integra-tion.The PL end（FPGA）uses HLS to design the convolutional layer and pooling layer in CNN（Convolutional Neural Network）,generate IP cores,and time-multiplex to build a micro system.Micro_VGGNet lightweight model is designed and implemented.The test uses the MNIST handwritten digit data set as training and test samples.The microsystem can accurately recognize handwritten digits with an accuracy rate of98.1%.The volume is only30mm×30mm×1.2mm,and the image processing speed can reach20.65FPS at a working frequency of100MHz.The power consumption is only 2.1W.The multi-objective balance（performance,volume and power consumption）of lightweight neural network micro-system is realized.Key words：microsystem;System in Package（SIP）;Convolutional Neural Network（CNN）;digit recognition基金项目：国家自然科学基金重点项目（11835008）。

基于ARM_Cortex-M3的SoC系统设计_

核发出中断请求信号，包含最多240个中断请求，以及1个不可屏蔽中断。

NVIC是与CPU紧密耦合的，它还包含了若干个系统控制寄存器。

2.2.3 总线系统总线系统用于将Cortex-M3内部的各个功能部件连接在一起。

总线系统包括：①内部总线系统；②处理器核内部的数据通道；③AHB Lite接口单元。

2.2.4 调试子系统作为Cortex-M3处理器重要的一部分，调试子系统提供下面的功能。

①管理调试控制、程序断点、以及数据监控点。

②当产生调试事件时，它将处理器核设置为停止状态。

此时，可以在该点分析处理器的状态，如寄存器值和标志。

2.3 异常处理与中断向量表设计Cortex-M3在内核水平上搭载了一个异常响应系统，支持为数众多的系统异常和外部中断。

向量中断控制器（NVIC）以存储器映射的方式来访问，除了包含控制寄存器和中断处理的控制逻辑之外，NVIC还包含了MPU的控制寄存器、SysTick定时器以及调试控制。

2.4 地址译码器和多路复用器设计本系统基于AHB-Lite所构建的Cortex-M3 SoC系统设计包含了地址译码器和多路复用器。

在系统中，来自不同从设备的响应信号，包括：HRDATA、HREADY和HRESP连接到多路复用器的输入，根据地址译码器所生成的选择信号，多路复用器将选择的从设备响应信号送给主设备。

其中HRDATA[31:0]是来自多路复用器到主设备的读数据，由多路复用器指向主设备；HREADY是来自多路复用器到主设备的准备信号，由多路复用器指向主设备和从设备，当该位为高时，该信号表示到主设备和先前完成传输的所用从设备。

2.5 APB子系统该APB子系统的顶层是AHB-Lite总线接口，可以与内核的AHB总线进行连接。

子系统内部包括的外设有定时器、UART、双输入定时器、看门狗电路、AHB到APB的桥接器、异步中断信号等。

表2为APB系统IRQ分配表。

表2 APB系统IRQ分配IRQ Device0UART 0 receive interrupt1UART 0 transmit interrupt2UART 1 receive interrupt3UART 1 transmit interrupt4UART2 receive interrupt5UART 2 transmit interrupt8Timer 09Timer 110Dual-input timer11Not used12UART 0 overﬂow interrupt13UART1 overﬂow interrupt14UART 2 overﬂow interrupt15Not used in APB subway16-31Not used in APB subway a: Reserved for GPIO in AHBb: Reserved for DMA2.6 时钟和复位电路设计本系统片上SoC系统主要包含HCLK、PCLK、PCLKG等三个时钟，HCLK时钟主要用于内核的工作时钟以及驱动片内高性能总线上挂载的外设。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

化保障及技术创新带来了限制。一方面，进口器
件的关键等级与综合成本居高不下提高了硬件成
本；另一方面，国外长期的高科技封锁也限制了国
图１典型ＳｏＣ结构
内芯片研制、封装的基础能力，造成国内高性能元
关键词：导引头；信号处理；设计方案中图分类号：ＴＪ９５７．５２文献标识码：Ａ
ＴｈｅＤｅｓｉｇｎｏｆＳｏＣｆｏｒｔｈｅＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ
２．ＳｈａｎｇｈａｉＡｃａｄｅｍｙｏｆＳｐａｃｅｆｌｉｇｈｔＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０１１０９；３．ＳｈａｎｇｈａｉＲａｄｉｏＥｑｕｉｐｍｅｎｔＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｓｈａｎｇｈａｉ２０００９０，Ｃｈｉｎａ）
ＳｏＣ技术以其固有的小型化、低功耗和平台
化特点与战术武器型号小型化、低功耗和系列化发展要求相一致。同时，战术武器型号批量大的
特点、处理平台通用化的趋势也降低了ＳｏＣ技术的开发成本。在关键元器件尤其是大规模集成电
技术，其核心思想是将专用算法电路、核心处理器以及外围电路集成到一个芯片中，以具备更低的功耗、更高的可靠性以及更强的通用性等，更利于系统设计向小型化、通用化、低功耗、高可靠性的
方向发展。
器件的供给面临日益严峻的形势。ＳｏＣ（ＳｙｓｔｅｍｏｎＣｈｉｐ）技术是一种系统集成
ＳｏＣ一般具有如下特点：ａ）具备强大的数据处理；
ｂ）具备海量数据存储能力；
ｃ）具有灵活的软硬件可编程能力＿３；ｄ）采用符合ＡＭＢＡ２．０标准的片上总线。
制、媒体运算方面具有较大的优势，因而成为了面
向民用３Ｃ市场的主流ＳｏＣ系统架构。
ｍｅｔｉｃｗｏｕｌｄｂｅｐｕｔｆｒｗａｒｄ．
Ｋｅｙｗｏｒｄｓ：ｓｅｅｋｅｒ；ｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ；ｄｅｓｉｇｎｐｒｏｐｏｓａｌ
收稿日期ｌ２０１４ — ０８ — ０１作者筒介ｔ高维（１９７１一），男，工程师，主要从事装备管理；郑鑫（１９８０一），男，高工，主要从事导弹预研项目管理；王凤姣（１９８９
实现战术武器型号关键元器件的自主保障，具有
重要的战略意义。本文从ＳｏＣ技术应用角度出发，介绍了ＳｏＣ
的角度出发，把模型算法、芯片结构、各层次电路
设计紧密集合起来考虑，在单个芯片上一次性完成了整个系统的功能＿５］。
Ａｂｓｔｒａｃｔ：ＳｏＣｔｅｃｈｎｏｌｏｇｙｈａｓｉｔｓｏｗｎａｄｖａｎｔａｇｅｓｉｎｔｈｅｆｉｅｌｄｏｆｔａｃｔｉｃａｌｗｅａｐｏｎｓ．Ｗｉｔｈｔｈｅｉｎｃｒｅａｓｉｎｇｌｙｒｕｎｕｐｖｏｉｃｅｏｆｉｎｄｅｐｅｎｄｅｎｔｒｅｓｅａｒｃｈｏｆｋｅｙｅｌｅｃｔｒｉｃｃｏｍｐｏｎｅｎｔｓ，ｉｔｉｓｅｘ— ｔｒｅｍｅｌｙｅｘｉｇｅｎｔｔｏｂｒｅａｃｈｔｈｅｋｅｙｔｅｃｈｎｏｌｏｇｉｅｓｏｆＳｏＣｗｈｉｃｈａｒｅｕｓｅｄｉｎｔａｃｔｉｃａｌｗｅａｐｏｎｓａｎｄｄｅｖｅｌｏｐｈｉｇｈｐｅｒｆｏｒｍａｎｃｅＳｏＣｃｈｉｐｗｈｉｃｈｉｓｓａｔｉｓｆｉｅｄ．ＴｈｅｃｏｎｃｅｐｔｉｏｎａｎｄｋｅｙｔｅｃｈｎｏｌｏｇｉｅｓｏｆＳｏＣｗｏｕｌｄｂｅｉｎｔｒｏｄｕｃｅｄ，ｔｈｅｎｔｈｅｇｅｎｅｒａｌｒｅｑｕｉｒｅｍｅｎｔｓｏｆｓｏｍｅｃｏｍｐｏｓｉｔｅｓｅｅｋｅｒｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇｐｌａｔｆｏｒｍｗｏｕｌｄｂｅａｎａｌｙｚｅｄ．Ｉｎｔｈｅｆｉｎａｌ，ａｄｅｓｉｇｎｓｃｈｅｍｅｏｆＳｏＣｉｍｐｌｅｍｅｎｔ
），女，硕士，主要从事雷达信号处理技术研究。
制导与引信
第３５卷
成传感器、模拟电路、数字处理电路等［２；接口单
０引言
随着战场环境的日益复杂，为了适应不同作
战需求，弹载实时处理系统主要依靠大规模集成电路实现复杂处理算法和时序控制。当前弹载高
路受制于外的现实背景下，通过应用ＳｏＣ技术，
ｅ）由ＩＰ核、软件构建和用户自定义逻辑（ＵＤＬ：ＵｓｅｒＤｅｆｉｎｅｄＬｏｇｉｃｓ）模块搭建而成。
与传统的ＩＣ设计不同，ＳｏＣ技术从整个系统
ｗｈｉｃｈｃｏｎｔａｉｎｓＡＨＢｂｕｓａｒｃｈｉｔｅｃｔｕｒｅ，３２ｂｉｔｓＲＩＳＣ－ＣＰＵ，ａｎｄＩＰｃｏｒｅｏｆｐｒｏｆｅｓｓｉｏｎａｌａｒｉｔｈ—
速实时信息处理系统当前大多采用ＤＳＰ＋ＦＰＧＡ
模式，其中ＦＰＧＡ完成预处理功能，ＤＳＰ实现后
续的信息处理，具有极大的同构性，但是ＤＳＰ＋ＦＰＧＡ等关键元器件主要通过进口实现，给自主
ＳｏＣ技术在当前民用市场３Ｃ产品中取得了
１ＳｏＣ技术概述
ＳｏＣ广义上是指在一个芯片内集成一个完整
成功的应用，这主要得益于ＳｏＣ技术在功能、体
积、性能以及产品研发周期上的优势。
高维，郑鑫，王凤姣。
（１．海装兵器部，北京１００８４１；２．上海航天技术研究院，上海２０１１０９；３．上海无线电设备研究所，上海２０００９０）
摘要：ＳｏＣ技术应用于战术武器型号具有较大的优势，随着关键元器件自主化研制需求的增大，突破ＳｏＣ应用于战术武器型号中的关键技术，研制满足军用需求的高性能ＳｏＣ已迫
第３５卷
第３期
制导与引信
ＧＵＩＤＡＮＣＥ＆ＦＵＺＥ
Ｖｏ１．３５Ｎｏ．３
Ｓｅｐ．２Ｏ１４
２０１４年９月
文章编号：１６７１ — ０５７６（２０１４）０３ — ００２１ — ０６
一
种面向复合导引头信号处理应用的ＳｏＣ设计
元包含１０接口、ＡＤ／ＤＡ接口、通信接口等。
根据ＳｏＣ的定义，一个典型的ＳｏＣ结构主要
包括处理器 Βιβλιοθήκη 存储控制器、存储器、ＩＯ接口、ＡＤＣ、
时钟、电源管理、部分外围电路、内部总线、总线控
制器等。如图１所示。
技术的特点以及当前在民用领域的设计思想和取得的成果，同时结合弹载平台应用需求，提出了一
种采用ＡＨＢ总线架构、集成３２位ＲＩＳＣ — ＣＰＵ、专用算法ＩＰ核的ＳｏＣ设计方案。
２民用ＳｏＣ设计思想及应用
ＩｍｐｌｅｍｅｎｔａｔｉｏｎｏｆＣｏｍｐｏｓｉｔｅＳｅｅｋｅｒ
ＧＡＯＷｅｉ，ＺＨＥＮＧＸｉｎ。，ＷＡＮＧＦｅｎｇ－ｊｉａｏ。（１．ＮａｖａｌＡｒｍａｍｅｎｔｓＤｅｐａｒｔｍｅｎｔ，Ｂｅｉｊｉｎｇ１００８４１；
在眉睫。文章介绍了ＳｏＣ的概念与关键技术，分析、归纳了某战术型号复合导引头信号处理