CN114818281A - 一种基于卷积神经网络的剖面反演方法及系统 - Google Patents
一种基于卷积神经网络的剖面反演方法及系统 Download PDFInfo
- Publication number
- CN114818281A CN114818281A CN202210361448.0A CN202210361448A CN114818281A CN 114818281 A CN114818281 A CN 114818281A CN 202210361448 A CN202210361448 A CN 202210361448A CN 114818281 A CN114818281 A CN 114818281A
- Authority
- CN
- China
- Prior art keywords
- density
- profile
- dimensional
- chord
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000010354 integration Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 16
- 238000003745 diagnosis Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005305 interferometry Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measuring Magnetic Variables (AREA)
Abstract
本发明提供了一种基于卷积神经网络的剖面反演方法及系统,属于托卡马克干涉仪的测量数据处理领域,其中,反演模型的训练方法为:将一维密度剖面转换为二维密度剖面;在二维密度剖面上沿着光路进行路径积分,获取弦积分密度数据集;将归一化后的一维密度剖面沿着磁面坐标划分为n个区间,沿电子密度所在纵坐标划分为m个区间,输出一维密度剖面的one‑hot标签;以学习弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务,将n个子任务均输入到相同的卷积神经网络进行训练,每个卷积神经网络输出m个电子密度;采用n个磁面的电子密度插值为一维剖面上的电子密度分布。本发明克服了现有反演方法只能用于特定等离子体位形的问题。
Description
技术领域
本发明属于托卡马克干涉仪的测量数据处理领域,更具体地,涉及一种基于卷积神经网络的剖面反演方法及系统。
背景技术
等离子体密度是磁约束聚变装置中最重要的参数之一,不仅直接关系到高性能约束,更是对聚变堆的安全运行有直接影响。远红外激光干涉仪具有稳定、高分辨率、大测量范围的优点,被广泛用于聚变装置的电子密度测量中。但是通过参数反演,才能从远红外激光干涉仪获取的原始弦积分干涉测量数据中计算得到电子密度的空间分布。
常见的反演算法包括Abel反演、变量分离法、切片叠加法和Park矩阵法。一方面,这些方法只能用于特定的等离子体位形。另一方面,聚变装置中测量环境复杂,多道干涉数据中可能会出现一些信噪比低或者无效的测量数据,这些数据对剖面反演的影响需要被降到最低。然而,传统反演算法中的迭代计算已经过于复杂,难以在传统反演计算中进一步分析并降低坏的数据对剖面反演的影响。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于卷积神经网络的剖面反演方法及系统,旨在解决现有的获取弦积分干涉测量数据的反演方法只能用于特定的等离子体位形的问题。
为实现上述目的,一方面,本发明提供了一种基于卷积神经网络的剖面反演方法,具体为:
基于不同的弦积分密度诊断系统,将对应的不同弦积分密度数据输入至反演模型,获取一维密度剖面;
其中,反演模型的训练方法,包括以下步骤:
将一维密度剖面投影到平衡磁面上,将一维密度剖面转换为二维密度剖面;
基于不同弦积分密度诊断系统的光路布局,在二维密度剖面上沿着光路进行路径积分,获取模拟的弦积分密度数据集;其中,一维密度剖面为以电子密度为纵坐标,以磁面坐标为横坐标的剖面图;二维密度剖面为托卡马克极向截面上的电子密度分布图;
将弦积分密度数据和一维密度剖面进行归一化后,将归一化后的一维密度剖面沿磁面坐标分为n个区间,沿电子密度所在纵坐标分为m个区间,输出一维密度剖面的one-hot标签;
以学习所述弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务,将n个子任务均输入到相同的卷积神经网络进行训练,每个卷积神经网络输出m个电子密度;其中,卷积神经网络的数目与磁面坐标划分的区间个数相同;卷积神经网络为类VGGnet的9层神经网络,其全连接层采用softmax激活函数;
将n个磁面的电子密度插值为一维剖面上的电子密度分布。
进一步优选地,弦积分密度诊断系统为远红外激光干涉仪;
弦积分密度数据为∫nedL;其中,ne为电子密度;L为光路在等离子体中的长度。
进一步优选地,步骤S3和步骤S4之间包括步骤:
将若干归一化后的弦积分密度数据被随机标记为不可信,采用对称的弦积分密度数据替代。
进一步优选地,卷积神经网络的结构从输入到输出依次为:Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50;采用3×3大小的卷积核相串联;Conv1D层采用RELU激活函数。
进一步优选地,步骤S5之后还包括以下步骤:
设置单个或者多个弦积分密度数据被替换,采用步骤S4,训练生成不同的反演模型;
比较反演模型的KL散度,选择KL散度低的反演模型;
其中,KL散度为模型预测的一维密度剖面与真实一维密度剖面的拟合度。
另一方面,本发明提供了一种基于卷积神经网络的剖面反演系统,其特征在于,包括:训练模块和反演模块;其中,反演模块包括n个卷积神经网络单元;训练模块包括:正向单元、归一化单元、离散化单元和插值单元;卷积神经网络单元内部设置卷积神经网络,其训练完毕后用于以不同的弦积分密度诊断系统获取的不同弦积分密度数据为输入,获取一维密度剖面;
正向单元内部设置正向网络,用于将一维密度剖面投影到平衡磁面上,将一维密度剖面转换为二维密度剖面;基于不同弦积分密度诊断系统的光路布局,在二维密度剖面上沿着光路进行路径积分,获取模拟的弦积分密度数据集;其中,所述一维密度剖面为以电子密度为纵坐标,以磁面坐标为横坐标的剖面图,所述二维密度剖面为托卡马克极向截面上的电子密度分布图;
归一化单元用于将所述弦积分密度数据和所述一维密度剖面进行归一化处理;
所述离散化单元用于将所述弦积分密度数据和一维密度剖面进行归一化后,将归一化后的一维密度剖面沿着磁面坐标划分为n个区间,沿电子密度所在纵坐标划分为m个区间,输出一维密度剖面的one-hot标签;
在训练阶段,每个卷积神经网络单元用于接收一个子任务,输出子任务对应的m个电子密度;其中,以学习所述弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务;所述卷积神经网络的数目与磁面坐标划分的区间个数相同,所述卷积神经网络为类VGGnet的9层卷积神经网络,其输出层采用softmax激活函数;
插值单元用于采用n个磁面的电子密度插值为一维剖面上的电子密度分布。
进一步优选地,弦积分密度诊断系统为远红外激光干涉仪;
弦积分密度数据为∫nedL;其中,ne为电子密度;L为光路在等离子体中的长度。
进一步优选地,反演系统还包括干扰模块,用于将若干归一化后的弦积分密度数据被随机标记为不可信,采用对称的弦积分密度数据替代。
进一步优选地,卷积神经网络的结构从输入到输出依次为:Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50;采用3×3大小的卷积核相串联;Conv1D层采用RELU激活函数。
进一步优选地,反演系统还包括模型选择模块,用于比较不同反演模型的KL散度,选择KL散度低的反演模型;其中,不同反演模型为采用单个或者多个弦积分密度数据被替换后经过训练模块训练后生成的。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
基于本发明提出的反演模型输出一维密度剖面,可以获取剖面不同位置的测量置信水平,同时也可以分析不可信数据对测量置信水平的影响。克服了现有反演方法只能用于特定等离子体位形的问题,采用的卷积神经网络构建的反演模型可以实现剖面反演速度快,反演速度在毫秒量级,实时反馈控制和在线数据分析。
本发明进行数据集构造时,可以融合不同弦积分密度诊断系统的数据(弦积分密度数据),即将一维密度剖面投影到平衡磁面上,实现一维密度剖面到二维密度剖面的转变,基于不同弦积分密度诊断系统的光路布局,沿着光路进行路径积分,获取不同弦积分密度诊断系统对应的模拟弦积分密度数据集,进而提高反演性能,特别是当存在噪声或者干扰时,一些数据不可用时,反演模型经过不同弦积分密度诊断系统数据以及干扰的训练,可以在存在噪声或者干扰时更具有鲁棒性。
本发明由于在数据集的构造时,为了提高反演模型对不可信数据的鲁棒性,将若干干扰添加到样本数据集,若干弦积分密度数据被随机标记为不可信,并且被替换,设置了空缺道;在样本数据集中添加干扰,可以使样本数据更为贴近。经过添加干扰的训练数据训练反演模型,当反演模型进行后续使用时,当弦积分密度数据存在缺失或者错误时具有很好的鲁棒性,当部分数据不可用时,仍能基于剩余正确数据计算一维密度剖面。
附图说明
图1是本发明实施例提供的基于卷积神经网络的剖面反演方法示意图;
图2是本发明实施例提供的卷积神经网络的CNN结构示意图;
图3是本发明实施例提供的反演模型输入维度无空缺道时,基于卷积神经网络的剖面反演方法,获取的一维密度剖面示意图;
图4是本发明实施例提供的反演模型输入维度存在空缺道时,基于卷积神经网络的剖面反演方法,获取的一维密度剖面示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明整体概括:
过去几十年,机器学习被广泛用于聚变数据处理的多个领域,包括破裂预测、数据清洗、模式识别、装置控制和参数反演。本发明将卷积神经网络引入到电子密度剖面的反演中,基于CNN的特征提取能力和强大映射功能,直接建立从多道弦积分干涉测量数据到密度剖面的映射关系。将反演分解成一个多任务问题,每个任务的输入为多道弦积分测量数据,输出为某个磁面上的电子密度,多个任务的输出组成电子密度的空间概率分布。同时,在有噪声和干扰的数据集中训练,从而提高模型的鲁棒性和容错性。本发明提供的基于卷积神经网络的剖面反演方法能够准确和高效地基于多道弦积分干涉测量数据计算出电子密度的空间分布;本发明提供的基于卷积神经网络的剖面反演方法在存在干扰和错误数据的情况下具有鲁棒性;当部分测量数据缺失和错误时,该方法能基于剩余正确的数据得到置信度较高的密度剖面反演结果。
本发明提供的基于卷积神经网络的剖面反演方法,包括以下三部分:
1.数据集构造;2.模型训练;3.模型选择;
其中,数据集构造包括以下步骤:
(1.1)正向模型,从一维密度剖面获取弦积分测量数据的模型;
为了获得反演模型的训练数据集,须先基于诊断原理建立正向模型,建立从等离子体参数到弦积分密度诊断系统测量的弦积分密度数据的正向关系;其中,本实施例中弦积分密度诊断系统为远红外激光干涉仪;等离子体参数为电子密度分布;诊断原理为采用远红外激光干涉仪获取弦积分密度数据的方法;本发明中电子为等离子体重要组成成分,类似等同;
远红外激光干涉仪的弦积分密度数据为∫nedL,其中,ne为电子密度,L为光路在等离子体中的长度;
步骤(1.1)的具体步骤为:
从聚变装置的平衡磁面数据库(EFIT)读取多个不同放电位形下、不同平顶时刻点的平衡磁面参数(磁场分布);
将一维密度剖面投影到平衡磁面上,实现一维密度剖面到二维密度剖面的转变;其中,一维密度剖面为以电子密度为纵坐标,以磁面坐标ρ为横坐标的剖面图;二维密度剖面为托卡马克极向截面的电子密度空间分布;平衡磁面参数表征电子密度的磁场分布;
基于远红外激光干涉仪的光路布局,沿着光路进行路径积分,获得模拟的弦积分密度数据集;其中,聚变装置包括产生和控制等离子体产生的系统和弦积分密度诊断系统;
(1.2)归一化
将模拟的弦积分密度数据和模型输出的一维密度剖面进行归一化,可以消除不同炮放电参数对反演的影响;
(1.3)样本生成
输入模型的为归一化后的弦积分密度数据,输出模型的为归一化后的一维密度剖面的one-hot标签;
将归一化后的一维密度剖面上电子密度所在纵坐标区间分为0到1的50个均匀分布的区间,将径向坐标ρ(磁面坐标)分为0到2的20个均匀分布的区间;因此,归一化的一维密度剖面被编码为一个20×50的矩阵,并打one-hot标签;
(1.4)加入干扰
为了提高反演模型对不可信数据的鲁棒性,将若干干扰添加到样本数据集;若干弦积分密度数据被随机标记为不可信,并且被替换,上述标记为不可信的数据被定义为空缺道;在反演模型训练中,一次输入空缺道的最大数目被定义为反演模型的空缺指数;比如,当反演模型的空缺指数为2时,一次输入中可能会出现0,1,2个空缺道;当反演模型输入维度为1×12时,一共有种组合可能出现;在样本数据集中添加干扰,可以使样本数据更贴近实际,从而使得反演模型对噪声和干扰更具有鲁棒性;需指出,反演模型的输入维度与弦积分密度诊断系统的测量道数一致,即与基于弦积分密度诊断系统获取的弦积分密度数据数目一致;
数据替换是根据等离子体的对称性和连续性以进行的;不同装置或不同弦积分密度诊断系统的测量位置和对称性不尽相同,这里不再赘述;
其中,模型训练包括以下步骤:
反演模型为一个多子任务问题,每个子任务学习从弦积分密度数据到某一个磁面上电子密度的映射关系,一共学习20个磁面上的电子密度分布,进而将20个磁面的电子密度插值为整个剖面上的电子密度分布;图2为每一个子任务所设计的CNN(卷积神经网络:convolution neural network)结构;这个结构包含9层,分别为:Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50;其基本单元参考VGGnet(Visual Geometry Group network),采用3×3大小的卷积核相串联;Conv1D层采用RELU激活函数,输出层(FC)采用softmax激活函数,输出一个1×50的向量,是电子密度在50个参数区间的概率分布;所有子任务的输出构成了密度剖面的概率分布;
采用Xavier normal以初始化反演模型的网络设置,其中,采用L2正则化和批归一化以避免过拟合,采用MSE损失函数、Adam优化器和ReduceLROnPlateau方法以监视验证损失,进而调整学习率;经过上述设置,网络的可训练数据为243240个,为了提高处理大矩阵的计算速度,在TESLA V100 32G上进行反演模型训练和优化;
其中,反演模型选择为:
最优反演模型需在单个或者多个通道具有不可用数据时,仍具有最好的性能;为了测试反演模型的鲁棒性,生成两种测试数据集;在情形A中,测试数据集由12000个不同放电参数下的样本组成,每个样本有1个测量道空缺;在情形B中,测量数据集有40000个不同放电参数下的样本组成,每个样本存在多个测量道空缺,在两种情形下,统计模型预测值与真实值的拟合度;采用KL散度以表征预测的拟合度;KL散度越低,拟合越好。
另一方面,本发明提供了一种基于卷积神经网络的剖面反演系统,其特征在于,包括:训练模块和反演模块;其中,反演模块包括n个卷积神经网络单元;训练模块包括:正向单元、归一化单元、离散化单元和插值单元;卷积神经网络单元内部设置卷积神经网络,其训练完毕后用于以不同的弦积分密度诊断系统获取的不同弦积分密度数据为输入,获取一维密度剖面;
正向单元内部设置正向网络,用于将一维密度剖面投影到平衡磁面上,将一维密度剖面转换为二维密度剖面;基于不同弦积分密度诊断系统的光路布局,在二维密度剖面上沿着光路进行路径积分,获取模拟的弦积分密度数据集;其中,所述一维密度剖面为以电子密度为纵坐标,以磁面坐标为横坐标的剖面图,所述二维密度剖面为托卡马克极向截面上的电子密度分布图;
归一化单元用于将所述弦积分密度数据和所述一维密度剖面进行归一化处理;
所述离散化单元用于将所述弦积分密度数据和一维密度剖面进行归一化后,将归一化后的一维密度剖面沿着磁面坐标划分为n个区间,沿电子密度所在纵坐标划分为m个区间,输出一维密度剖面的one-hot标签;
在训练阶段,每个卷积神经网络单元用于接收一个子任务,输出子任务对应的m个电子密度;其中,以学习所述弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务;所述卷积神经网络的数目与磁面坐标划分的区间个数相同,所述卷积神经网络为类VGGnet的9层卷积神经网络,其全连接层采用softmax激活函数;
插值单元用于采用n个磁面的电子密度插值为一维剖面上的电子密度分布。
进一步优选地,弦积分密度诊断系统为远红外激光干涉仪;
弦积分密度数据为∫nedL;其中,ne为电子密度;L为光路在等离子体中的长度。
进一步优选地,反演系统还包括干扰模块,用于将若干归一化后的弦积分密度数据被随机标记为不可信,采用对称的弦积分密度数据替代。
进一步优选地,卷积神经网络的结构从输入到输出依次为:Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50;采用3×3大小的卷积核相串联;Conv1D层采用RELU激活函数。
进一步优选地,反演系统还包括模型选择模块,用于比较不同反演模型的KL散度,选择KL散度低的反演模型;其中,不同反演模型为采用单个或者多个弦积分密度数据被替换后经过训练模块训练后生成的。
图3为反演模型输入维度无空缺道时,采用本发明提供的基于卷积神经网络的剖面反演方法,利用EAST托卡马克的POINT偏振干涉仪系统和HCN干涉仪系统,得到的一维密度剖面;从图3可以看出,KL为0.01附近,拟合度较好。
图4为反演模型输入维度存在空缺道时,采用本发明提供的基于卷积神经网络的剖面反演方法,利用EAST托卡马克的POINT偏振干涉仪系统和HCN干涉仪系统,得到的一维密度剖面;从图4可以看出,当空缺道的数目小于6时,拟合度较好。
本发明与现有技术相比,存在以下优势:
基于本发明提出的反演模型输出一维密度剖面,可以获取剖面不同位置的测量置信水平,同时也可以分析不可信数据对测量置信水平的影响。克服了现有反演方法只能用于特定等离子体位形的问题,采用的卷积神经网络构建的反演模型可以实现剖面反演速度快,反演速度在毫秒量级,实时反馈控制和在线数据分析。
本发明进行数据集构造时,可以融合不同弦积分密度诊断系统的数据(弦积分密度数据),即将一维密度剖面投影到平衡磁面上,实现一维密度剖面到二维密度剖面的转变,基于不同弦积分密度诊断系统的光路布局,沿着光路进行路径积分,获取不同弦积分密度诊断系统对应的模拟弦积分密度数据集,进而提高反演性能,特别是当存在噪声或者干扰时,一些数据不可用时,反演模型经过不同弦积分密度诊断系统数据以及干扰的训练,可以在存在噪声或者干扰时更具有鲁棒性。
本发明由于在数据集的构造时,为了提高反演模型对不可信数据的鲁棒性,将若干干扰添加到样本数据集,若干弦积分密度数据被随机标记为不可信,并且被替换,设置了空缺道;在样本数据集中添加干扰,可以使样本数据更为贴近。经过添加干扰的训练数据训练反演模型,当反演模型进行后续使用时,当弦积分密度数据存在缺失或者错误时具有很好的鲁棒性,当部分数据不可用时,仍能基于剩余正确数据计算一维密度剖面。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的剖面反演方法,其特征在于,基于不同的弦积分密度诊断系统,将对应的不同弦积分密度数据输入至反演模型,获取一维密度剖面;
其中,反演模型的训练方法,包括以下步骤:
S1:将一维密度剖面投影到平衡磁面上,将一维密度剖面转换为二维密度剖面;
S2:基于不同弦积分密度诊断系统的光路布局,在二维密度剖面上沿着光路进行路径积分,获取模拟的弦积分密度数据集;其中,所述一维密度剖面为以电子密度为纵坐标,以磁面坐标为横坐标的剖面图,所述二维密度剖面为托卡马克极向截面上的电子密度分布图;
S3:将所述弦积分密度数据和一维密度剖面进行归一化后,将归一化后的一维密度剖面沿着磁面坐标划分为n个区间,沿电子密度所在纵坐标划分为m个区间,输出一维密度剖面的one-hot标签;
S4:以学习所述弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务,将n个子任务均输入到相同的卷积神经网络进行训练,每个卷积神经网络输出m个电子密度;其中,所述卷积神经网络的数目与磁面坐标划分的区间个数相同,所述卷积神经网络为类VGGnet的9层卷积神经网络,其输出层采用softmax激活函数;
S5:采用n个磁面的电子密度插值为一维剖面上的电子密度分布。
2.根据权利要求1所述的剖面反演方法,其特征在于,所述弦积分密度诊断系统为远红外激光干涉仪;
弦积分密度数据为∫nedL;其中,ne为电子密度;L为光路在等离子体中的长度。
3.根据权利要求1所述的剖面反演方法,其特征在于,步骤S3和步骤S4之间包括步骤:
将若干归一化后的弦积分密度数据被随机标记为不可信,采用对称的弦积分密度数据替代。
4.根据权利要求1或3所述的剖面反演方法,其特征在于,所述卷积神经网络的结构从输入到输出依次为:Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50;采用3×3大小的卷积核相串联;Conv1D层采用RELU激活函数。
5.根据权利要求3所述的剖面反演方法,其特征在于,步骤S5之后还包括以下步骤:
设置单个或者多个弦积分密度数据被替换,采用步骤S4,训练生成不同的反演模型;
比较反演模型的KL散度,选择KL散度低的反演模型;
其中,KL散度为模型预测的一维密度剖面与真实一维密度剖面的拟合度。
6.一种基于卷积神经网络的剖面反演系统,其特征在于,包括:训练模块和反演模块;其中,反演模块包括n个卷积神经网络单元;训练模块包括:正向单元、归一化单元、离散化单元和插值单元;卷积神经网络单元内部设置卷积神经网络,其训练完毕后用于以不同的弦积分密度诊断系统获取的不同弦积分密度数据为输入,获取一维密度剖面;
正向单元内部设置正向网络,用于将一维密度剖面投影到平衡磁面上,将一维密度剖面转换为二维密度剖面;基于不同弦积分密度诊断系统的光路布局,在二维密度剖面上沿着光路进行路径积分,获取模拟的弦积分密度数据集;其中,所述一维密度剖面为以电子密度为纵坐标,以磁面坐标为横坐标的剖面图,所述二维密度剖面为托卡马克极向截面上的电子密度分布图;
归一化单元用于将所述弦积分密度数据和所述一维密度剖面进行归一化处理;
所述离散化单元用于将所述弦积分密度数据和一维密度剖面进行归一化后,将归一化后的一维密度剖面沿着磁面坐标划分为n个区间,沿电子密度所在纵坐标划分为m个区间,输出一维密度剖面的one-hot标签;
在训练阶段,每个卷积神经网络单元用于接收一个子任务,输出子任务对应的m个电子密度;其中,以学习所述弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务;所述卷积神经网络的数目与磁面坐标划分的区间个数相同,所述卷积神经网络为类VGGnet的9层卷积神经网络,其输出层采用softmax激活函数;
插值单元用于采用n个磁面的电子密度插值为一维剖面上的电子密度分布。
7.根据权利要求6所述的剖面反演系统,其特征在于,所述弦积分密度诊断系统为远红外激光干涉仪;
弦积分密度数据为∫nedL;其中,ne为电子密度;L为光路在等离子体中的长度。
8.根据权利要求6所述的剖面反演系统,其特征在于,还包括干扰模块,用于将若干归一化后的弦积分密度数据被随机标记为不可信,采用对称的弦积分密度数据替代。
9.根据权利要求6或8所述的剖面反演系统,其特征在于,所述卷积神经网络的结构从输入到输出依次为:Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50;采用3×3大小的卷积核相串联;Conv1D层采用RELU激活函数。
10.根据权利要求8所述的剖面反演系统,其特征在于,还包括模型选择模块,用于比较不同反演模型的KL散度,选择KL散度低的反演模型;其中,不同反演模型为采用单个或者多个弦积分密度数据被替换后经过训练模块训练后生成的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361448.0A CN114818281B (zh) | 2022-04-07 | 2022-04-07 | 一种基于卷积神经网络的剖面反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361448.0A CN114818281B (zh) | 2022-04-07 | 2022-04-07 | 一种基于卷积神经网络的剖面反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818281A true CN114818281A (zh) | 2022-07-29 |
CN114818281B CN114818281B (zh) | 2024-07-02 |
Family
ID=82534813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210361448.0A Active CN114818281B (zh) | 2022-04-07 | 2022-04-07 | 一种基于卷积神经网络的剖面反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818281B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619786A (zh) * | 2022-12-19 | 2023-01-17 | 中国科学技术大学 | 磁场图像处理方法、装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019427A1 (en) * | 2002-07-29 | 2004-01-29 | Halliburton Energy Services, Inc. | Method for determining parameters of earth formations surrounding a well bore using neural network inversion |
CN110968826A (zh) * | 2019-10-11 | 2020-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
CN113484919A (zh) * | 2021-06-30 | 2021-10-08 | 长江大学 | 基于卷积神经网络的磁异常反演方法、系统、终端及介质 |
-
2022
- 2022-04-07 CN CN202210361448.0A patent/CN114818281B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019427A1 (en) * | 2002-07-29 | 2004-01-29 | Halliburton Energy Services, Inc. | Method for determining parameters of earth formations surrounding a well bore using neural network inversion |
CN110968826A (zh) * | 2019-10-11 | 2020-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
CN113484919A (zh) * | 2021-06-30 | 2021-10-08 | 长江大学 | 基于卷积神经网络的磁异常反演方法、系统、终端及介质 |
Non-Patent Citations (1)
Title |
---|
奚先;黄江清;: "基于卷积神经网络的地震偏移剖面中散射体的定位和成像", 地球物理学报, no. 02, 14 February 2020 (2020-02-14) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619786A (zh) * | 2022-12-19 | 2023-01-17 | 中国科学技术大学 | 磁场图像处理方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114818281B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN112308204A (zh) | 使用适应度估计的自动化神经网络生成 | |
CN111028939A (zh) | 一种基于深度学习的多组学智能诊断系统 | |
CN113159163A (zh) | 一种基于多元时序数据分析的轻量级无监督异常检测方法 | |
Bontempi et al. | Local learning for iterated time series prediction | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
CN112381180B (zh) | 一种基于互重构单类自编码器的电力设备故障监测方法 | |
CN117313640A (zh) | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 | |
CN114818281A (zh) | 一种基于卷积神经网络的剖面反演方法及系统 | |
CN115730509A (zh) | 基于机器学习的航天器舱内温度场重建任务研究基准方法 | |
Gao et al. | Dual channel feature attention-based approach for RUL prediction considering the spatiotemporal difference of multisensor data | |
CN117076171A (zh) | 一种面向多元时序数据的异常检测及定位方法及装置 | |
CN116994044A (zh) | 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法 | |
CN107402859A (zh) | 软件功能验证系统及其验证方法 | |
Wang et al. | Multivariate Time-Series Representation Learning via Hierarchical Correlation Pooling Boosted Graph Neural Network | |
Manikandan et al. | Deepq: Residue analysis of localization images in large scale solid state physical environments | |
CN113591997B (zh) | 基于图学习卷积神经网络的装配特征图连接关系分类方法 | |
Xiang et al. | Fault classification for high‐dimensional data streams: A directional diagnostic framework based on multiple hypothesis testing | |
CN115130546A (zh) | 异常参数检测方法、装置、计算机可读介质及电子设备 | |
CN112613494A (zh) | 基于深度对抗网络的电力线路监控异常识别方法及系统 | |
JP2019139651A (ja) | 未知の複数次元のベクトルデータ群をクラス分類するプログラム、装置及び方法 | |
CN114818945A (zh) | 融入类别自适应度量学习的小样本图像分类方法及装置 | |
CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN114980723A (zh) | 一种用于跨工况贴片机吸嘴的故障预测方法、系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |