本文介绍了在 Moku 平台上部署神经网络的方法。用户可用 Python训练模型并导出.linn 文件，在 Moku:Pro 或 Moku:Delta 中实现实时部署。通过自编码器降噪实验的展示，验证了基于FPGA的降噪神经网络在信号保真和噪声抑制上的优势，展现了Moku与神经网络结合的潜力。
Moku+AI：如何在Moku上部署神经网络
什么是Moku？
Moku是由Liquid Instruments公司推出的一种软件定义的多功能测试和测量平台。
Moku集成了多种传统仪器的功能，包括示波器，任意波形发生器，锁相放大器，频谱分析仪，激光稳频器等等。使得用户能够在Moku设备上完成多种测量任务，在节省空间和成本的同时提高实验效率。Moku系列产品包括多个版本，如Moku:Go、Moku:Lab、Moku:Pro、Moku:Delta，适用于不同层次的需求，覆盖从教育到高端科研和工程应用的广泛领域。
zui新的Moku:Delta将输入，输出通道扩展至8个，拥有2 GHz 的模拟带宽和 高达10 GSa/s的采样率。
Moku 神经网络提供了一种基于 FPGA 的灵活架构，专为低延迟推理设计。这使得能够高效地进行实时处理，而无需神经网络通常所关联的长时间训练。目前liquid的神经网络基于Keras和Tensorflow。目前Moku中神经网络模块在闭环控制、噪声过滤、信号分类、准确度检测、象限传感器控制等方向上实现了不错的效果。
什么是神经网络？
当今时代，人工智能已逐渐渗透到科研、工业、医疗等各个领域。作为人工智能的核心技术之一，神经网络展现出了强大的模式识别与数据处理能力。它能够从庞大、复杂甚至含有噪声的数据中自动学习特征，提炼出隐藏在其中的规律。这种能力不仅推动了语言、图像与语音的突破性进展，也为物理实验与工程测试开辟了新的可能性。在信号处理等对实时性和准确性要求极高的领域，神经网络的引入具有重要意义——它能够弥补传统方法的不足，并为复杂问题提供智能化解决方案。
神经网络是人工智能的重要技术，源自对生物神经系统的启发。它通过多层神经元的连接来处理和提取数据中的模式，尤其适合面对复杂、非线性和高维的数据。在一个神经网络中，权重决定输入对输出的影响，偏置提供灵活性以更好地拟合数据，而激活函数则引入非线性，使模型能够学习到复杂的特征。常见的结构包括全连接层、卷积层和循环层，分别擅长处理分类回归、图像语音以及时序任务。凭借这些特性，神经网络能够自动学习特征并处理噪声，在预测、分类和异常检测等应用中展现出强大的性能。
Moku + 神经网络如何实现？
Moku 神经网络模块依托 FPGA 架构，能够提供高速、低延迟和实时推理的能力，相较于传统 PC 端处理方式更具确定性和稳定性，非常适合应用在实时控制和信号处理场景中。Moku 神经网络模块支持多达五个隐藏层，每层 100 个完全互连的节点，支持五种不同的激活函数。可用于闭环控制、噪声过滤与降噪、信号分类与检测以及象限传感器的精密控制等任务。用户可以通过 Python（基于 Keras/Tensorflow）构建并训练神经网络，然后导出为 .linn 文件部署到 Moku 平台，使神经网络在硬件中充当实时滤波器或分类器等。例如，在高频噪声环境下对方波信号进行处理时，传统滤波容易损失部分波形信息，而神经网络通过学习噪声特性，可以在保留信号特征的同时实现更优的降噪效果。
接下来继续沿用这个例子，在Moku:Delta上部署神经网络模块。
流程如下：
1. 在 Python 中设计并训练神经网络（例如自编码器）。
2. 生成训练数据（如随机漫步噪声 + 信号）。
3. 使用 `LinnModel` 类输出 .linn文件。
4. 将文件导入 Moku:Delta 或 Moku:Pro 的神经网络模块。
5. 配置多仪器模式（波形发生器 + PID + 神经网络 + 示波器），实时验证降噪性能。
在演示实验中，我们以含有噪声的信号作为研究对象，展示神经网络在 Moku 平台上的去噪效果。首先，通过波形发生器产生信号，并人为叠加高斯噪声，得到实验所需的含噪波形。然后，在 Python 环境下构建并训练一个基于自编码器的神经网络模型，生成对应的 .linn 文件，并将其部署到 Moku:Pro 的神经网络模块中。在多仪器模式下，方波信号与噪声经由 PID 控制器混合后输入神经网络模块，由训练好的模型进行实时降噪处理。从示波器上我们可以看到红色为降噪后的信号，蓝色为波形发生器产生的标准信号，绿色为含有噪声的信号，黄色为噪声信号。
对比输入波形（绿色信号）与降噪后信号（红色信号）的波形，可以清晰地看到神经网络成功保留了信号的关键信息，同时有效抑制了高频噪声。切换其他波形也能得到很好的降噪效果。
总结
Moku 平台通过集成神经网络模块，为科研和工程应用提供了智能化的实时信号处理方案。与传统方法相比，基于 FPGA 的架构保证了高速与低延迟，使神经网络能够高效地完成噪声过滤、信号分类和闭环控制等任务。实验结果验证了神经网络在复杂噪声环境下的优势，不仅提升了信号质量，还拓展了 Moku 在科研与工业测试中的应用范围。未来，随着算法与硬件的进一步结合，AI+Moku 有望在更多高精度、实时性要求极高的场景中发挥更大作用。
了解更多Moku详情，请访问上海昊量光电的官方网页：
https://www.auniontech.com/details-2552.html
参考文献
Moku Neural Network | Moku API
LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 2002, 86(11): 2278-2324.
更多详情请联系昊量光电/欢迎直接联系昊量光电
关于昊量光电：
上海昊量光电设备有限公司是光电产品专业代理商，产品包括各类激光器、光电调制器、光学测量设备、光学元件等，涉及应用涵盖了材料加工、光通讯、生物医疗、科学研究、国防、量子光学、生物显微、物联传感、激光制造等；可为客户提供完整的设备安装，培训，硬件开发，软件开发，系统集成等服务。
您可以通过我们昊量光电的官方网站www.auniontech.com了解更多的产品信息，或直接来电咨询4006-888-532。
展示全部 
