【摘要】：托卡馬克試驗中磁流體破裂是危害實驗設備和人員安全的主要威脅之一。磁流體擾動信號診斷和分類是判斷磁流體是否穩(wěn)定的重要方法之一。利用智能檢測技術對磁流體不穩(wěn)定形成的磁流體擾動信號進行自動準確地識別一直是研究者熱衷的課題。本文結合磁流體不穩(wěn)定形成的磁流體擾動信號的特點,利用改進的S變換算法提取了基于頻率特征點的特征向量,分析了基于PCACL(Principal Component AnalysisCross Learning,主成分分析和交叉學習)K-means聚類算法的徑向基函數神經網絡分類器和基于PCACL K-means聚類算法的加權超球體支持向量機的分類穩(wěn)定性和分類正確率。最后文章討論了磁流體穩(wěn)定性的影響因素并在此基礎上介紹了遠程智能磁流體擾動信號診斷系統(tǒng)的框架設計方案、總體結構和功能模型。本文的主要工作如下:1.在信號特征提取環(huán)節(jié),利用S變換算法將采集到的時域磁流體擾動信號變換成時間頻率域的一組特征向量。針對S變換算法不能兼得最優(yōu)時間分辨率和最優(yōu)頻率分辨率的情況增加了調節(jié)參數來平衡二者。此外為了選取最佳參數提出了參數評價標準,以能量損失程度高低為標準選擇最優(yōu)參數。實驗結果證實了改進的有效性。2.構建了一個基于PCACL K-means聚類算法的徑向基函數神經網絡分類器,將干擾形成的磁流體擾動信號與磁流體不穩(wěn)定形成的磁流體擾動信號區(qū)分開。本文對分類器激活函數中心與權值向量和方差進行了異步優(yōu)化,分類器激活函數中心通過PCACL K-means聚類算法獲得。文章提出的PCACL K-means聚類算法是基于加強型K-means聚類算法的改進算法,該聚類算法用于訓練隱藏層的激活函數中心,提高了算法收斂于一個無關于初始指定中心的近似最優(yōu)結果的可能性。實驗表明,基于PCACL K-means聚類算法的徑向基函數神經網絡算法泛化性能和分類正確率上優(yōu)于加強型K-means聚類算法的徑向基函數神經網絡算法,滿足了控制系統(tǒng)的設計目標。3.討論了多種目前流行的支持向量機算法,通過比較它們的優(yōu)缺點為提出新的算法夯實了理論基礎。支持向量機算法追求分類間隔盡量大,這也體現(xiàn)了結構風險最小化的原則。在多類別分類情況下,針對某些支持向量機算法無法克服訓練樣本數量差異帶來的影響,提出了基于PCACL K-means聚類算法的加權超球體支持向量機。該支持向量機定義了加權系數來調節(jié)正例和反例與超球面之間的隔離邊緣最大值,在訓練樣本數量不足時可以有效減少誤判的風險;同時該超球體支持向量機的初始中心是通過PCACL K-means聚類算法得到的,減少了訓練時間。另外文章還提出了改進型的增量學習法來訓練支持向量機。實驗證明該算法訓練出的支持向量機在樣本稀少時雖然分類的隔離邊緣最大值有所降低但卻提高了泛化能力,符合控制系統(tǒng)的設計理念。4.根據理論研究的成果,討論了遠程智能磁流體擾動信號診斷系統(tǒng)的框架設計方案、總體結構和功能模型,為托卡馬克上磁流體不穩(wěn)定性檢測和控制提供了一種可以借鑒的方法。該配套系統(tǒng)的成功運行驗證了理論研究成果的正確性和可行性。本文是基于“穩(wěn)態(tài)運行條件下托卡馬克電阻壁膜的主動控制研究”(編號2008CB717807)(科技部973計劃)和國家科學基金“科技部ITER計劃專項(國內配套研究)”子項“托卡馬克裝置若干基礎技術研究”(編號10875027)兩個計劃所作的,文章以中科院等離子體物理研究所的核聚變裝置HT-7為背景展開研究的,本文的研究成果為核聚變實驗的深層研究和長時間放電打下了堅實的基礎。
【學位授予單位】：東華大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TL631.24

【參考文獻】

相關期刊論文 前10條

1 孫文柱;曲建嶺;袁濤;高峰;付戰(zhàn)平;;基于改進SVDD的飛參數據新異檢測方法[J];儀器儀表學報;2014年04期

2 XIAO Huaitie;FENG Guoyu;ZHU Yongfeng;HUANG Mengjun;;Dual Space SVDD Based Radar Target Recognition from HRRP[J];Chinese Journal of Electronics;2014年02期

3 劉建敏;劉遠宏;江鵬程;馮輔周;;基于包絡S變換時頻圖像提取齒輪故障特征[J];振動與沖擊;2014年01期

4 滿蔚仕;張志禹;康青;苗永康;席曉莉;;利用快速S變換的電能質量擾動識別方法[J];西安交通大學學報;2013年08期

5 周廣東;丁幼亮;李愛群;孫鵬;;基于小波變換的非平穩(wěn)脈動風時變功率譜估計方法研究[J];工程力學;2013年03期

6 朱啟兵;馮朝麗;黃敏;朱曉;;基于高光譜圖像技術和SVDD的玉米種子識別[J];光譜學與光譜分析;2013年02期

7 羅慧;王友仁;;基于GSM_SVDD的模擬電路故障診斷方法[J];電機與控制學報;2013年01期

8 秦亮;周紹磊;史賢俊;張樹團;;基于模糊機會約束SVDD的故障診斷方法[J];系統(tǒng)工程與電子技術;2012年12期

9 ;Inflatable Wing Design Parameter Optimization Using Orthogonal Testing and Support Vector Machines[J];Chinese Journal of Aeronautics;2012年06期

10 陶卿;羅強;朱燁雷;儲德軍;;大規(guī)模SVDD的坐標下降算法[J];模式識別與人工智能;2012年06期

，

本文編號：2650429