阅读说明：本技术 一种基于神经网络的锁相放大器 (Phase-locked amplifier based on neural network ) 是由 秦熙 张闻哲 朱明东 王淋 荣星 杜江峰 于 2019-10-21 设计创作，主要内容包括：本申请公开了一种基于神经网络的锁相放大器,所述基于神经网络的锁相放大器由参考信号模块根据接收的输入激励信号产生表征待测系统稳定状态下产生的信号的参考信号,将参考信号和所述待测系统根据所述激励信号产生的待测信号在模拟前端模块中进行差分相消,从而只留下由于所述待测系统变化而产生的有用信号,实现对激励信号源功率波动的抑制,提升有用信号在总的模拟输入信号中的占比,从而提升所述基于神经网络的锁相放大器的信噪比；此外,该锁相放大器的数字后端模块中还包括配置完成的神经网络,由所述神经网络识别并去除所述中间信号的通带内噪声,以实现对所述基于神经网络的锁相放大器带宽范围内噪声的抑制。(The application discloses a phase-locked amplifier based on a neural network, wherein a reference signal module generates a reference signal representing a signal generated by a system to be tested in a stable state according to a received input excitation signal, and the reference signal and the signal to be tested generated by the system to be tested according to the excitation signal are subjected to differential cancellation in an analog front-end module, so that only a useful signal generated due to the change of the system to be tested is left, the suppression of the power fluctuation of an excitation signal source is realized, the occupation ratio of the useful signal in a total analog input signal is improved, and the signal-to-noise ratio of the phase-locked amplifier based on the neural network is improved; in addition, the digital back-end module of the phase-locked amplifier also comprises a configured neural network, and the neural network identifies and removes the noise in the passband of the intermediate signal so as to realize the suppression of the noise in the bandwidth range of the phase-locked amplifier based on the neural network.)

一种基于神经网络的锁相放大器

技术领域

本申请涉及信号测量装置技术领域，更具体地说，涉及一种基于神经网络的锁相放大器。

背景技术

锁相放大器(Lock-in Amplifier，LIA)也称为相位检测器，是一种用于检测微弱信号的测试测量仪器。微弱信号的检测过程中，信号常常被淹没在噪声之中，而锁相放大器，则利用被测信号与噪声不相关的特点，通过将采集信号与参考信号进行相关运算，从而抑制噪声，提升被测信号的信噪比。正是由于锁相放大器能够对微弱信号进行测量，所以其在如原子力显微镜、量子计算、量子测量、医学检测等领域都有十分广泛的应用。

锁相放大器通常分为模拟锁相放大器和数字锁相放大器，其中，模拟锁相放大器使用模拟器件实现锁相放大器核心运算功能；数字锁相放大器则先利用模数变换电路，将输入波形数字化后，再利用DSP、FPGA等芯片或者上位机软件对采集的数字化波形进行处理，在数字域中实现乘法、滤波等运算。

但是，无论是模拟锁相放大器或者数字锁相放大器，其对于混叠在信号带宽范围内的噪声信号都难以去除，并且对于输入信号的测量，都是直接测量全幅度输入信号，而非测量输入信号反映系统变化的部分，这使得微小的系统变化所带来的输入信号幅值变化不能被很好检测，使得锁相放大器的信噪比较低。

发明内容

为解决上述技术问题，本申请提供了一种基于神经网络的锁相放大器，以实现去除混叠在信号带宽范围内的噪声信号并提高锁相放大器的信噪比的目的。

为实现上述技术目的，本申请实施例提供了如下技术方案：

一种基于神经网络的锁相放大器，包括：参考信号模块、模拟前端模块、模数转换模块和数字后端模块；其中，

所述数字后端模块，用于接收上位机传输的激励信号配置信息，并根据所述激励信号配置信息产生激励信号的数字数据码；和用于对数字输入信号进行正交解调和第一次滤波处理，以去除所述数字输入信号中的通带外噪声，获得中间信号，并由配置完成的神经网络识别并去除所述中间信号的通带内噪声，以获得目标信号；

所述模数转换模块，用于将所述激励信号的数字数据码转换为模拟信号形式的激励信号；和用于将模拟输入信号进行模数转换，以获得所述数字输入信号；

所述模拟前端模块，用于对所述模拟信号形式的激励信号进行第一预处理，以获得满足待测系统和所述参考信号模块要求的输入激励信号；和用于对待测信号和参考信号进行相消处理以及第二预处理，以产生满足所述模数转换模块工作要求的所述模拟输入信号；

所述参考信号模块，用于接收所述输入激励信号，并根据所述输入激励信号产生表征所述待测系统稳定状态下产生的信号的所述参考信号。

可选的，所述参考信号模块包括：多路选择器、接地单元、参考系统和增益偏置相位调节电路；其中，

所述多路选择器包括三个输入端，所述三个输入端分别与所述接地单元、参考系统和增益偏置相位调节电路的输出端连接，用于根据所述上位机的第一选择指令，确定接地单元输出信号、参考系统输出信号和增益偏置相位调节电路输出信号的一个为所述输出信号；

所述接地单元，用于提供接地电压以将所述参考信号模块旁路；

所述增益偏置相位调节电路，用于对激励信号进行调整，以获得增益偏置相位调节电路输出信号；

所述参考系统，用于接收所述增益偏置相位调节电路输出信号，并根据所述增益偏置相位调节电路输出信号，确定表征所述待测系统稳定状态下产生的信号的参考系统输出信号。

可选的，所述模拟前端模块包括：差分输入单元和输出驱动单元，其中，

所述差分输入单元，用于对待测信号和参考信号进行相消处理，并对相消处理后的信号进行幅度和偏置调整以及带宽限制，以获得满足所述模数转换模块工作要求的所述模拟输入信号；

所述输出驱动单元，用于驱动所述数字信号形式的激励信号的波形，并限制所述数字信号形式的激励信号的波形带宽，以产生满足所述待测系统和所述参考信号模块要求的输入激励信号。

可选的，所述数字后端模块包括系统控制单元、人工智能信号处理单元、第一乘法器、第二乘法器、直接数字合成器、第一数字低通滤波器和第二数字低通滤波器，其中，

所述系统控制单元，用于接收上位机传输的激励信号配置信息，并将所述激励信号配置信息传输给所述直接数字合成器；

所述直接数字合成器，用于根据所述激励信号配置信息，产生正交的第一信号和第二信号，所述第一信号为所述激励信号的数字数据码；

所述第一乘法器，用于将所述数字输入信号与所述第二信号进行乘积运算后，交由所述第一数字低通滤波器进行滤波处理，以获得第一子信号；

所述第二乘法器，用于将所述数字输入信号与所述第一信号进行乘积运算后，交由所述第二数字低通滤波器进行滤波处理，以获得第二子信号，所述第一子信号和所述第二子信号构成所述中间信号；

所述人工智能信号处理单元，具有由所述上位机配置完成的神经网络，用于利用所述神经网络识别并去除所述第一子信号以及所述第二子信号的通带内噪声，以获得包括第一目标子信号和第二目标子信号的目标信号。

可选的，所述人工智能信号处理单元还包括网络参数寄存器、相位计算单元和幅值计算单元，其中，

所述网络参数寄存器中存储有多个不同类型信号对应的神经网络参数，以使所述上位机在配置过程中在所述网络参数寄存器中确定所述神经网络使用的神经网络参数；

所述相位计算单元，用于计算所述目标信号的相位角；

所述幅值计算单元，用于计算所述目标信号的幅度。

可选的，所述相位计算单元具体用于，将所述第一目标子信号和第二目标子信号进行比值运算和反正切运算后，获得所述目标信号的相位角。

可选的，所述幅值计算单元，用于对所述第一目标子信号和第二目标子信号进行平方和开方运算，以获得所述目标信号的幅度。

可选的，所述系统控制单元还用于将所述目标信号、所述目标信号的相位角以及所述目标信号的幅度传输给所述上位机进行显示。

可选的，所述系统控制单元还用于根据上位机输入的新增指令，将所述上位机输入的神经网络参数存储在所述网络参数寄存器中；和用于根据上位机输入的读取指令，将所述网络参数寄存器中存储的神经网络参数读取出来并传输给所述上位机。

可选的，所述模数转换模块包括：模数转换电路和数模转换电路；其中，

所述数模转换电路，用于将所述激励信号的数字数据码转换为模拟信号形式的激励信号；

所述模数转换电路，用于将模拟输入信号进行模数转换，以获得所述数字输入信号。

从上述技术方案可以看出，本申请实施例提供了一种基于神经网络的锁相放大器，所述基于神经网络的锁相放大器由参考信号模块根据接收的输入激励信号产生表征待测系统稳定状态下产生的信号的参考信号，将参考信号和所述待测系统根据所述激励信号产生的待测信号在模拟前端模块中进行差分相消，从而只留下由于所述待测系统变化而产生的有用信号，实现对激励信号源功率波动的抑制，提升有用信号在总的模拟输入信号中的占比，从而提升所述基于神经网络的锁相放大器的信噪比；此外，该锁相放大器的数字后端模块中还包括配置完成的神经网络，由所述神经网络识别并去除所述中间信号的通带内噪声，以实现对所述基于神经网络的锁相放大器带宽范围内噪声的抑制。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请的一个实施例提供的一种基于神经网络的锁相放大器的结构示意图；

图2为本申请的一个实施例提供的一种参考信号模块的结构示意图；

图3为本申请的一个实施例提供的一种人工智能信号处理单元的结构示意图。

具体实施方式

正如背景技术中所述，模拟锁相放大器使用模拟器件实现锁相放大器核心运算功能，包括模拟乘法器、模拟低通滤波器以及用于产生参考信号的模拟振荡器。由于经过模拟器件运算后的输出信号，其带宽较小，对模数变换电路的性能要求下降，所以在被测信号频率较高时，模拟锁相放大器可以使用采样率及带宽较低的模数变换芯片。但是，由于模拟器件本身在处理信号过程中会引入额外噪声，同时模拟器件也容易受到电压、温度以及生产制造过程中不一致性的影响，所以模拟锁相放大器性能受到一定限制。

数字锁相放大器则先利用模数变换电路，将输入波形数字化后，再利用DSP、FPGA等芯片或者上位机软件对采集的数字化波形进行处理，在数字域中实现乘法、滤波等运算。全数字运算过程可以避免由于电压、温度以及生产制造过程中不一致性带来的影响，且除量化噪声外不会引入新的噪声。但是由于需要对输入信号直接采集，需要模数变换电路的采样率应为输入信号频率范围的两倍以防止信号混叠，同时也需要模数变换电路拥有足够的带宽防止输入信号失真。目前，常用的高速模数变换芯片通常能够达到数百MSps采样率以及数百MHz输入带宽，其对于带宽MHz量级的输入信号都能够有较好的采集效果。

但是，无论是模拟锁相放大器或者数字锁相放大器，其对于混叠在信号带宽范围内的噪声信号都难以去除，并且对于输入信号的测量，都是直接测量全幅度输入信号，而非测量输入信号反映系统变化的部分，这使得微小的系统变化所带来的输入信号幅值变化不能被很好检测。

有鉴于此，本申请实施例提供了一种基于神经网络的锁相放大器，包括：参考信号模块、模拟前端模块、模数转换模块和数字后端模块；其中，

所述数字后端模块，用于接收上位机传输的激励信号配置信息，并根据所述激励信号配置信息产生激励信号的数字数据码；和用于对数字输入信号进行正交解调和第一次滤波处理，以去除所述数字输入信号中的通带外噪声，获得中间信号，并由配置完成的神经网络识别并去除所述中间信号的通带内噪声，以获得目标信号；

所述模数转换模块，用于将所述激励信号的数字数据码转换为模拟信号形式的激励信号；和用于将模拟输入信号进行模数转换，以获得所述数字输入信号；

所述模拟前端模块，用于对所述模拟信号形式的激励信号进行第一预处理，以获得满足待测系统和所述参考信号模块要求的输入激励信号；和用于对待测信号和参考信号进行相消处理以及第二预处理，以产生满足所述模数转换模块工作要求的所述模拟输入信号；

所述参考信号模块，用于接收所述输入激励信号，并根据所述输入激励信号产生表征所述待测系统稳定状态下产生的信号的所述参考信号。

所述基于神经网络的锁相放大器由参考信号模块根据接收的输入激励信号产生表征待测系统稳定状态下产生的信号的参考信号，将参考信号和所述待测系统根据所述激励信号产生的待测信号在模拟前端模块中进行差分相消，从而只留下由于所述待测系统变化而产生的有用信号，实现对激励信号源功率波动的抑制，提升有用信号在总的模拟输入信号中的占比，从而提升所述基于神经网络的锁相放大器的信噪比；此外，该锁相放大器的数字后端模块中还包括配置完成的神经网络，由所述神经网络识别并去除所述中间信号的通带内噪声，以实现对所述基于神经网络的锁相放大器带宽范围内噪声的抑制。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种基于神经网络的锁相放大器，如图1所示，包括：参考信号模块100、模拟前端模块200、模数转换模块300和数字后端模块400；其中，

所述数字后端模块400，用于接收上位机500传输的激励信号配置信息，并根据所述激励信号配置信息产生激励信号的数字数据码；和用于对数字输入信号进行正交解调和第一次滤波处理，以去除所述数字输入信号中的通带外噪声，获得中间信号，并由配置完成的神经网络识别并去除所述中间信号的通带内噪声，以获得目标信号；

所述模数转换模块300，用于将所述激励信号的数字数据码转换为模拟信号形式的激励信号；和用于将模拟输入信号进行模数转换，以获得所述数字输入信号；

所述模拟前端模块200，用于对所述模拟信号形式的激励信号进行第一预处理，以获得满足待测系统和所述参考信号模块100要求的输入激励信号；和用于对待测信号和参考信号进行相消处理以及第二预处理，以产生满足所述模数转换模块300工作要求的所述模拟输入信号；

所述参考信号模块100，用于接收所述输入激励信号，并根据所述输入激励信号产生表征所述待测系统稳定状态下产生的信号的所述参考信号。

神经网络(Neural Networks，NNs)，也可称为人工神经网络(Artificial NeuralNetworks，ANNs)或称作连接模型(Connection Model)或称为人工智能网络。在本实施例中，所述数字后端模块400中的神经网络是指被训练样本预先训练的，能够识别中间信号中的有用信号和通带内噪声的神经网络，所述神经网络的配置是指由上位机500对神经网络的神经网络参数进行选择的过程，以使得所述神经网络对于通带内噪声的识别效果更佳。

另外，所述通带内噪声是指与中间信号中的有用信号频率混叠的噪声信号。而通带外噪声由所述数字后端模块400的正交解调和第一次滤波处理去除，以实现对全频段的噪声信号的去除。

下面对本申请实施例提供的基于神经网络的锁相放大器的各个模块的可行结构进行说明。

对于参考信号模块100和模拟前端模块200而言，参考图2，所述参考信号模块100包括：多路选择器101、接地单元102、参考系统103和增益偏置相位调节电路104；其中，

所述多路选择器101包括三个输入端，所述三个输入端分别与所述接地单元102、参考系统103和增益偏置相位调节电路104的输出端连接，用于根据所述上位机500的第一选择指令，确定接地单元102输出信号、参考系统103输出信号和增益偏置相位调节电路104输出信号的一个为所述输出信号；

所述接地单元102，用于提供接地电压以将所述参考信号模块100旁路；

所述增益偏置相位调节电路104，用于对激励信号进行调整，以获得增益偏置相位调节电路104输出信号；

所述参考系统103，用于接收所述增益偏置相位调节电路104输出信号，并根据所述增益偏置相位调节电路104输出信号，确定表征所述待测系统稳定状态下产生的信号的参考系统103输出信号。

所述模拟前端模块200包括：差分输入单元210和输出驱动单元220，其中，

所述差分输入单元210，用于对待测信号和参考信号进行相消处理，并对相消处理后的信号进行幅度和偏置调整以及带宽限制，以获得满足所述模数转换模块300工作要求的所述模拟输入信号；

所述输出驱动单元220，用于驱动所述数字信号形式的激励信号的波形，并限制所述数字信号形式的激励信号的波形带宽，以产生满足所述待测系统和所述参考信号模块100要求的输入激励信号。

所述参考系统103通常复制的待测系统，并且被置于稳定环境下。这样，在被施加激励信号的时候，参考系统对信号的反应情况就能够反映被测系统在稳定状态下的输出信号情况。

例如，如果待测系统是光敏电阻，要求测量量是光敏电阻阻值随光强的变化情况。那么参考系统103就是同型号的光敏电阻，并且参考系统103的光敏电阻应当被暴露在一个稳定光照条件下，该稳定光照强度应尽可能等于待测系统光照的平均值。

在本实施例中，限定了第一预处理和第二预处理的具体处理方式，具体地，所述第二预处理由所述差分输入单元210执行，包括对相消处理后的信号进行幅度和偏置调整以及带宽限制；所述第一预处理由所述输出驱动单元220执行，包括驱动所述数字信号形式的激励信号的波形，并限制所述数字信号形式的激励信号的波形带宽。

在本实施例中，提供了将参考信号模块100进行旁路的方法，即通过上位机500的第一选择指令，确定输出信号的具体形式，在将接地单元102的提供的接地电压作为所述输出信号时，即实现了将参考信号模块100进行旁路的目的，这是因为接地电压和待测系统输出的待测信号在模拟前端模块200进行差分相消处理后，获得的信号仍然为待测信号本身。

当待测信号产生的无用信号幅度为常数或者所述参考系统103不便于搭建时，可以将所述增益偏置相位调节电路104输出信号作为所述输出信号。

具体工作原理如下，为了简化说明过程，假设激励信号的幅度偏置为0，激励信号相位为0。

激励信号的表达式为：

y_stim(t)＝A_stim(1+δV)cos(ω_stimt) (1)

这里激励信号y_stim(t)为余弦形式，δV为激励信号的功率波动，且远远小于1，A_stim(1+δV)表示所述激励信号的幅值，ω_stim表示所述激励信号的频率。

激励信号经过所述待测系统后产生的待测信号的表达式为：

其中，S(t)为由待测系统带来的反映系统信息的幅度变化，

为经过待测系统后带来的相位延迟。

将待测系统带来的反映系统信息的幅度变化进行泰勒展开，即S(t)＝S₀+S₁t+S₂t²+...，在微弱信号测量中，S₀项对测试结果并无贡献，但通常S₀＞＞S_i(i＝1，2，3，...)，所以待测信号中有用成分占比较少。

将S(t)＝S₀+S₁t+S₂t²+...代入公式(2)，得到待测信号的最终表达式：

增益幅度相位调节电路输出信号表达式为：

其中，y_ref1(t)表示所述增益幅度相位调节电路输出信号，A_ref表示经过增益幅度相位调节电路后的输出信号的幅度值，

表示信号传输路径带来的相位延迟。

a)由于增益幅度相位调节电路的输出是对激励信号进行调整的结果，所以其功率波动δV，以及频率ω_stim也会被忠实保留。

通过调整增益偏置相位调节电路104，使得

且A_ref＝A_stimS0，则所述增益幅度相位调节电路输出信号与所述待测信号才可以相消。

将公式(3)和(4)做差，并代入调节

且A_ref＝A_stimS₀后，经过差分相消后的信号表达式为：

从上式可以看出，相消过程中，包含最大激励信号功率波动性，以及误用信号线都被消除，上式第三步近似利用了δV＜＜1。

那么在此情况下，待测信号和参考信号进行相消处理后的信号表达式即为：

即通过增益偏置相位调节电路104产生参考信号的参考信号模块100，实现了对于激励信号功率波动的抑制以及对无用信号的消除，可提升所述基于神经网络的锁相放大器的信噪比。其适应于待测系统产生的无用信号幅度为常数S₀的情况。

在当所述待测系统产生的无用信号幅度不为常数时，激励信号表达式如公式(1)；

激励信号经过待测系统产生的待测信号的表达式为：

其中，反映待测系统信息的幅度变化的量为S(t)+ΔS(t)。其中，S(t)为无用的待测系统在稳定状态下造成的待测信号幅度变化，而ΔS(t)则为测量者感兴趣的待测信号的幅度变化，通常有S(t)＞＞ΔS(t)。

公式(4)所示的增益幅度相位调节电路输出信号经过所述参考系统103后的输出信号为：

由于参考系统103模拟了待测系统的稳定状态，则通过参考系统103输出的信号将包含待测系统在稳定状态下造成的信号幅度变化S(t)。另外，通过调整增益偏置相位调节电路104，可以使得

A_ref＝A_stim，则经过相消处理后，参考信号和待测信号可以产生相消。

将公式(6)和(7)做差，并代入调节

A_ref＝A_stim后，获得的信号表达式为：

可以看出，相消过程中，包含最大激励信号功率波动项

以及无用信号项都被消除，上式第三步近似利用了δV＜＜1。

那么在此情况下，待测信号和参考信号进行相消处理后的信号表达式即为：

即通过参考系统103产生参考信号的参考信号模块100，实现了对于激励信号功率波动的抑制以及对无用信号的消除，所述基于神经网络的锁相放大器的信噪比。其适应于系统产生的无用信号幅度不为常数的情况。

对于数字后端模块400而言，参考图1，所述数字后端模块400包括系统控制单元470、人工智能信号处理单元460、第一乘法器410、第二乘法器420、直接数字合成器450、第一数字低通滤波器430和第二数字低通滤波器440，其中，

所述系统控制单元470，用于接收上位机500传输的激励信号配置信息，并将所述激励信号配置信息传输给所述直接数字合成器450；

所述直接数字合成器450，用于根据所述激励信号配置信息，产生正交的第一信号和第二信号，所述第一信号为所述激励信号的数字数据码；

所述第一乘法器410，用于将所述数字输入信号与所述第二信号进行乘积运算后，交由所述第一数字低通滤波器430进行滤波处理，以获得第一子信号；

所述第二乘法器420，用于将所述数字输入信号与所述第一信号进行乘积运算后，交由所述第二数字低通滤波器440进行滤波处理，以获得第二子信号，所述第一子信号和所述第二子信号构成所述中间信号；

所述人工智能信号处理单元460，具有由所述上位机500配置完成的神经网络，用于利用所述神经网络识别并去除所述第一子信号以及所述第二子信号的通带内噪声，以获得包括第一目标子信号和第二目标子信号的目标信号。

可选的，参考图3，所述人工智能信号处理单元460除神经网络461外，还包括网络参数寄存器462、相位计算单元463和幅值计算单元464，其中，

所述网络参数寄存器462中存储有多个不同类型信号对应的神经网络461参数，以使所述上位机500在配置过程中在所述网络参数寄存器462中确定所述神经网络461使用的神经网络461参数；

所述相位计算单元463，用于计算所述目标信号的相位角；

所述幅值计算单元464，用于计算所述目标信号的幅度。

为了实现对信号的获取，数字后端模块400首先进行对输入信号的解调过程。为了简化说明，输入信号形式采用公式(8)为例进行说明，并假设直接数字合成器450(DirectDigital Synthesizer，DDS)产生解调用信号相位为0；

通过直接数字合成器450产生第一信号cos(ω_stimt)以及第二信号-sin(ω_stimt)，并将数字输入信号分别在第一乘法器410和第二乘法器420中与其相乘，获得分别如下式表示的两个信号：

这两个信号分别进行数字低通滤波器处理后，得到两路信号输出如下：

该过程中，第一数字低通滤波器430和第二数字低通滤波器440滤去了两倍激励信号频率成分，并且也滤去了感兴趣信号ΔS(t)中通带外噪声得到了ΔS’(t)。进而，通过该解调过程，两路正交的与ΔS’(t)成正比例的信号第一子信号和第二子信号被还原出来。在信号解调后，中间信号传入人工智能信号处理单元460，进行后续运算。这里，后续运算包括幅值计算、相位计算以及神经网络461的人工智能降噪运算。

具体地，所述相位计算单元463具体用于，将所述第一目标子信号和第二目标子信号进行比值运算即可得到

再经过反正切运算后，即可获得所述目标信号的相位角y_Q'和y_I'分别表示所述第一目标子信号和第二目标子信号。

所述幅值计算单元464，用于对所述第一目标子信号和第二目标子信号进行平方和开方运算，以获得所述目标信号的幅度

可选的，在本申请的一个实施例中，所述系统控制单元470还用于将所述目标信号、所述目标信号的相位角以及所述目标信号的幅度传输给所述上位机500进行显示。

所述系统控制单元470还用于根据上位机500输入的新增指令，将所述上位机500输入的神经网络461参数存储在所述网络参数寄存器462中；和用于根据上位机500输入的读取指令，将所述网络参数寄存器462中存储的神经网络461参数读取出来并传输给所述上位机500。

仍然参考图3，可选的，所述模数转换模块300包括：模数转换电路310(Analog-to-Digital Converter，ADC)和数模转换电路320(Digital-to-Analog Converter，DAC)；其中，

所述模数转换电路310，用于将所述激励信号的数字数据码转换为模拟信号形式的激励信号；

所述数模转换电路320，用于将模拟输入信号进行模数转换，以获得所述数字输入信号。

综上所述，本申请实施例提供了一种基于神经网络的锁相放大器，所述基于神经网络的锁相放大器由参考信号模块100根据接收的输入激励信号产生表征待测系统稳定状态下产生的信号的参考信号，将参考信号和所述待测系统根据所述激励信号产生的待测信号在模拟前端模块200中进行差分相消，从而只留下由于所述待测系统变化而产生的有用信号，实现对激励信号源功率波动的抑制，提升有用信号在总的模拟输入信号中的占比，从而提升所述基于神经网络的锁相放大器的信噪比；此外，该锁相放大器的数字后端模块400中还包括配置完成的神经网络461，由所述神经网络461识别并去除所述中间信号的通带内噪声，以实现对所述基于神经网络的锁相放大器带宽范围内噪声的抑制。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。