基于深度學(xué)習(xí)的方法,在HL-2A裝置上開(kāi)發(fā)出了一套邊緣局域模（ELM）實(shí)時(shí)識(shí)別算法。算法使用5200次放電數(shù)據(jù)（約24.19萬(wàn)數(shù)據(jù)切片）進(jìn)行學(xué)習(xí),得到一個(gè)深度為22層的卷積神經(jīng)網(wǎng)絡(luò)。為衡量算法的識(shí)別能力,識(shí)別了HL-2A裝置自2009年實(shí)現(xiàn)穩(wěn)定ELMyH模放電以來(lái)所有歷史數(shù)據(jù)（約26000次放電數(shù)據(jù)）,共識(shí)別出1665次H模放電,其中誤識(shí)別35次,誤報(bào)率為2.10%。在實(shí)際的1634次H模放電中,漏識(shí)別4次,漏識(shí)別率為0.24%。該誤報(bào)率和漏報(bào)率可以滿足ELM實(shí)時(shí)識(shí)別的精度要求。識(shí)別算法在實(shí)時(shí)控制環(huán)境下,對(duì)單個(gè)時(shí)間點(diǎn)的平均計(jì)算時(shí)間為0.46ms,可以滿足實(shí)時(shí)控制的計(jì)算速度要求。 

【文章來(lái)源】：核聚變與等離子體物理. 2020,40(04)北大核心CSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

HL-2A裝置上具有代表性的ELMy H模信號(hào)

神經(jīng)網(wǎng)絡(luò)是受到生物學(xué)神經(jīng)系統(tǒng)的啟發(fā)，來(lái)模擬生物神經(jīng)系統(tǒng)對(duì)外界真實(shí)環(huán)境做出的交互式反應(yīng)。神經(jīng)網(wǎng)絡(luò)中最基本的要素是神經(jīng)元模型[16]，如圖2所示。神經(jīng)元模型中，神經(jīng)元接受來(lái)自n個(gè)其他神經(jīng)元ai傳遞過(guò)來(lái)的信號(hào)，這些信號(hào)帶有權(quán)重wi，同時(shí)再加上偏置b。對(duì)這些神經(jīng)元傳遞的信息及偏置進(jìn)行求和，再通過(guò)非線性的激活函數(shù)f的處理，給出最終的輸出，其數(shù)學(xué)表達(dá)式為：

通過(guò)有限個(gè)數(shù)神經(jīng)元可以構(gòu)成一個(gè)神經(jīng)網(wǎng)絡(luò)。圖3展示了一個(gè)比較基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)。超過(guò)三層的神經(jīng)網(wǎng)絡(luò)(包括輸入層和輸出層)即可稱為深度神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)相對(duì)于普通神經(jīng)網(wǎng)絡(luò)而言，能夠更好地?cái)M合非線性函數(shù)。進(jìn)入神經(jīng)網(wǎng)絡(luò)的深度越深，節(jié)點(diǎn)識(shí)別的特征就越復(fù)雜。

【參考文獻(xiàn)】：
期刊論文
[1]人工神經(jīng)網(wǎng)絡(luò)在HL-2A裝置湯姆遜散射數(shù)據(jù)處理中的應(yīng)用[J]. 劉春華,侯智培,王瑜琴,馮震,夏凡,黃淵.  強(qiáng)激光與粒子束. 2019(02)
[2]HL-2A裝置超聲分子束注入緩解偏濾器靶板上邊緣局域模熱通量研究[J]. 高金明,程鈞,嚴(yán)龍文,李偉,聶林,馮北濱,陳程遠(yuǎn),盧杰,易萍,季小全,周艷,劉儀,楊青巍.  核聚變與等離子體物理. 2015(01)

碩士論文
[1]HL-2A裝置上超聲分子束緩解邊緣局域模的實(shí)驗(yàn)研究[D]. 楊曾辰.西華大學(xué) 2016



本文編號(hào)：3625973