基于深度学习的ELM实时识别研究

发布时间：2022-02-15 05:04

　　基于深度学习的方法,在HL-2A装置上开发出了一套边缘局域模（ELM）实时识别算法。算法使用5200次放电数据（约24.19万数据切片）进行学习,得到一个深度为22层的卷积神经网络。为衡量算法的识别能力,识别了HL-2A装置自2009年实现稳定ELMyH模放电以来所有历史数据（约26000次放电数据）,共识别出1665次H模放电,其中误识别35次,误报率为2.10%。在实际的1634次H模放电中,漏识别4次,漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下,对单个时间点的平均计算时间为0.46ms,可以满足实时控制的计算速度要求。 

【文章来源】：核聚变与等离子体物理. 2020,40(04)北大核心CSCD

【文章页数】：9 页

【部分图文】：

HL-2A装置上具有代表性的ELMy H模信号

神经网络是受到生物学神经系统的启发，来模拟生物神经系统对外界真实环境做出的交互式反应。神经网络中最基本的要素是神经元模型[16]，如图2所示。神经元模型中，神经元接受来自n个其他神经元ai传递过来的信号，这些信号带有权重wi，同时再加上偏置b。对这些神经元传递的信息及偏置进行求和，再通过非线性的激活函数f的处理，给出最终的输出，其数学表达式为：

通过有限个数神经元可以构成一个神经网络。图3展示了一个比较基础的神经网络。超过三层的神经网络(包括输入层和输出层)即可称为深度神经网络。深度神经网络相对于普通神经网络而言，能够更好地拟合非线性函数。进入神经网络的深度越深，节点识别的特征就越复杂。

【参考文献】：
期刊论文
[1]人工神经网络在HL-2A装置汤姆逊散射数据处理中的应用[J]. 刘春华,侯智培,王瑜琴,冯震,夏凡,黄渊.  强激光与粒子束. 2019(02)
[2]HL-2A装置超声分子束注入缓解偏滤器靶板上边缘局域模热通量研究[J]. 高金明,程钧,严龙文,李伟,聂林,冯北滨,陈程远,卢杰,易萍,季小全,周艳,刘仪,杨青巍.  核聚变与等离子体物理. 2015(01)

硕士论文
[1]HL-2A装置上超声分子束缓解边缘局域模的实验研究[D]. 杨曾辰.西华大学 2016



本文编号：3625973