| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-32页 |
| 1.1 粒子物理实验中的精细化测量 | 第12-19页 |
| 1.1.1 粒子加速器与对撞机 | 第13-18页 |
| 1.1.2 粒子探测技术及探测器 | 第18-19页 |
| 1.2 数据读出系统的结构、发展及面对的挑战 | 第19-23页 |
| 1.2.1 传统的数据读出系统 | 第19-21页 |
| 1.2.2 数据读出系统的发展趋势 | 第21页 |
| 1.2.3 Trigger-less读出系统 | 第21-23页 |
| 1.3 电子技术的发展与机器学习的兴起 | 第23-25页 |
| 1.4 高能物理与机器学习 | 第25-27页 |
| 1.5 本论文的研究意义、内容和结构安排 | 第27-29页 |
| 参考文献 | 第29-32页 |
| 第2章 粒子物理实验数据读出系统调研 | 第32-52页 |
| 2.1 ATLAS实验 | 第32-35页 |
| 2.2 LHCb实验 | 第35-39页 |
| 2.3 CBM实验 | 第39-44页 |
| 2.4 PANDA实验 | 第44-46页 |
| 2.5 DIRAC实验 | 第46-49页 |
| 2.6 小结 | 第49-50页 |
| 参考文献 | 第50-52页 |
| 第3章 基于机器学习的数据读出方法 | 第52-73页 |
| 3.1 基于机器学习的数据分类模型 | 第52-54页 |
| 3.2 学习模型及算法 | 第54-62页 |
| 3.2.1 泛化误差 | 第57-58页 |
| 3.2.2 决策树 | 第58-59页 |
| 3.2.3 集成学习 | 第59-62页 |
| 3.3 数据源 | 第62-68页 |
| 3.3.1 特征提取 | 第62-63页 |
| 3.3.2 数据源的产生 | 第63-64页 |
| 3.3.3 数据生成器模型 | 第64-65页 |
| 3.3.4 软硬件数据生成算法 | 第65-68页 |
| 3.4 性能评估 | 第68-71页 |
| 参考文献 | 第71-73页 |
| 第4章 基于机器学习的读出系统架构 | 第73-87页 |
| 4.1 读出系统需求 | 第73-75页 |
| 4.1.1 准确性 | 第73-74页 |
| 4.1.2 实时性 | 第74-75页 |
| 4.2 读出系统架构 | 第75-78页 |
| 4.3 机器学习算法的实现 | 第78-85页 |
| 4.3.1 PC平台 | 第78-80页 |
| 4.3.2 FPGA平台 | 第80-83页 |
| 4.3.3 不同平台比较 | 第83-85页 |
| 参考文献 | 第85-87页 |
| 第5章 新型读出系统原型电路研制 | 第87-109页 |
| 5.1 原型电路结构 | 第87-88页 |
| 5.2 FEB和ROB | 第88-92页 |
| 5.2.1 Xilinx GTP/GTX | 第89-92页 |
| 5.2.2 Xilinx PCIe | 第92页 |
| 5.3 DPB设计 | 第92-107页 |
| 5.3.1 整体方案 | 第93-94页 |
| 5.3.2 T4240设计 | 第94-97页 |
| 5.3.3 与前端互联 | 第97-99页 |
| 5.3.4 与后端互联 | 第99-107页 |
| 参考文献 | 第107-109页 |
| 第6章 测试与验证 | 第109-123页 |
| 6.1 高速数据传输性能测试 | 第109-113页 |
| 6.1.1 Xilinx GTP/GTX传输性能测试 | 第109-110页 |
| 6.1.2 万兆以太网传输性能 | 第110-113页 |
| 6.2 分类器性能测试 | 第113-122页 |
| 6.2.1 软件平台评估 | 第113-117页 |
| 6.2.2 硬件FPGA平台评估 | 第117-122页 |
| 参考文献 | 第122-123页 |
| 第7章 总结与展望 | 第123-126页 |
| 7.1 工作总结 | 第123页 |
| 7.2 工作特色和创新点 | 第123-124页 |
| 7.3 展望 | 第124-126页 |
| 致谢 | 第126-127页 |
| 在读期间发表的学术论文 | 第127页 |