CN116562170B - 一种基于神经网络的负离子源静态性能预测装置 - Google Patents
一种基于神经网络的负离子源静态性能预测装置 Download PDFInfo
- Publication number
- CN116562170B CN116562170B CN202310770330.8A CN202310770330A CN116562170B CN 116562170 B CN116562170 B CN 116562170B CN 202310770330 A CN202310770330 A CN 202310770330A CN 116562170 B CN116562170 B CN 116562170B
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- layer
- data
- training
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 230000003068 static effect Effects 0.000 title claims abstract description 29
- 238000012800 visualization Methods 0.000 claims abstract description 24
- 238000010885 neutral beam injection Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 55
- 150000002500 ions Chemical class 0.000 claims description 38
- 238000003062 neural network model Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 8
- 150000001450 anions Chemical class 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- -1 hydride ion Chemical class 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000010438 heat treatment Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于神经网络的负离子源静态性能预测装置。其包括:数据获取模块、数据预处理模块、性能预测模型建立模块、结果可视化模块。本发明采用梯度搜索技术进行设计,实现对长脉冲负离子源中性束注入实验数据的数据整理与分析以及快速性能预测,对长脉冲中性束注入装置的实验运行起到一定的指导作用。
Description
技术领域
本发明涉及大型电物理设备智能预测领域,具体为一种基于神经网络的负离子源静态性能预测装置。
背景技术
全超导托卡马克的科学目标是建造一个具有非圆截面的大型超导托卡马克装置及其实验系统,发展并建立在超导托卡马克装置上进行稳态运行所需要的多种技术,开展稳态、安全和高效运行的先进托卡马克聚变反应堆基础物理问题的实验研究,为我国下一代聚变工程试验堆的概念设计奠定坚实基础。托卡马克的三大目标为:产生 ≥ 1兆安培的等离子体电流;持续时间将达到1千秒;在高功率加热下温度将超过1亿度。托卡马克装置于2006年完成总装调试,并进行了首次等离子体放电调试,2014年实现了28秒H模,H98因子从2012年的0.9提高到1.2,2021年实现1亿度1千秒的运行参数;这些性能提升是建立在2020年开始的一系列托卡马克工程部件升级基础之上的。
全超导托卡马克装置设置有中性束注入系统,中性束注入系统的主要功能是通过将高能中性束注入到托卡马克装置中,与其本底等离子体发生碰撞进行能量交换,进而达到加热托卡马克装置本底等离子体的目的,中性束注入加热是托卡马克加热手段中物理机制最清晰,加热效果最明显的辅助加热手段。
目前中性束注入聚焦长脉冲中性束注入,对于实验装置来说需要满足上千秒持续放电。对于每次实验,如果结果不满足预期则会耗费大量的时间。因此建立一个针对于目前长脉冲负离子源中性束注入装置的用于在实验之前简单评估目前所选参数优劣的简易物理计算模型迫在眉睫。
发明内容
为解决上述技术问题,本发明提供一种基于神经网络的负离子源静态性能预测装置,神经网络采用误差反向传播神经网络。
本发明采用的技术方案如下:一种基于神经网络的负离子源静态性能预测装置,包括数据获取模块、数据预处理模块、性能预测模型建立模块、结果可视化模块;
其中,所述数据获取模块从负离子源中性束注入实验数据库中获取数据集,包括训练数据集、验证数据集、测试数据集,所述训练数据集用于作为初始数据集训练神经网络模型的参数依据,所述验证数据集用于调整神经网络模型结构及参数,获取合理的神经网络模型作为性能预测模型,所述测试数据集用于神经网络模型的预测性能分析;
所述数据预处理模块实现数据清洗、数据标准化处理,所述数据清洗用于保证数据集的准确性与完整性,所述数据标准化处理用于实验数据无纲量化;
所述性能预测模型建立模块包括物理模型建立模块、性能预测模型的选定模块、模型调整模块、预测功能验证模块,所述物理模型建立模块用于确定神经网络模型的输入参数和输出参数,选定射频功率RF, 磁场电流MAG_I, 加速电压ACC_V, 引出电压EXT_V,偏置电压BIAS_V, 第二偏置电压BIAS2_V, 进气量GAS作为模型的输入参数,氢负离子电流以及电子电流I_EG作为模型的输出参数;
所述性能预测模型的选定模块包括前馈过程、反向传播过程,用于映射负离子源中性束注入装置粒子产额的最终预测值与输入参数和输出参数之间的非线性关系,所述模型调整模块用于选择最优模型超参样本,预测功能验证模块用于对模型泛化能力进行评估;
所述结果可视化模块实现模型训练迭代可视化、数据匹配可视化,所述模型训练迭代可视化用于展示训练模型错误率,判定模型训练是否成功,所述数据匹配可视化用于展示预测数据与测试数据集真实值之间的差距,评判模型优劣。
进一步,所述实验数据库包括MDSplus数据库。
进一步,所述结果可视化模块将判定模型优劣以及模型所产生的必要数据以图像的形式展现。
进一步,神经网络模型通过算法训练得到,所述算法具体包括以下步骤:
步骤一、初始化以下参数:输入层到隐藏层权值矩阵V,隐藏层到输出层权值矩阵W,理想误差,学习率η,训练次数计数器q=1, 样本计数器p=1, 输出误差E=0;
步骤二、训练输入训练数据集第一组样本,计算神经网络模型各层输出:
输出层各节点输出值为:
,
,
其中,Y为隐藏层节点矩阵,为sigmoid函数,/>为输出层节点计数器,/>为输出层节点数,/>为隐藏层节点计数器,/>为隐藏层节点数,/>表示对矩阵进行转置;/>是隐藏层到输出层各节点权值;/>是隐藏层各节点输出值;
隐藏层各节点输出值为:
,
,
其中,为输入层节点矩阵,/>是输入层各节点的值,/>是输入层到隐藏层各节点的权值,/>为sigmoid函数,/>为输入层节点数,/>为输入节点计数器;
步骤三、计算神经网络模型中误差E,其中P为样本总数:
,
其中,d为实际输出层节点矩阵,O为预测输出层节点矩阵,为实际输出层节点值;
步骤四、检查是否对所有样本完成一次轮训,即判定是否p < P;
步骤五、用E计算各层误差信号;
步骤六、调整各层权值;
步骤七、训练次数计数器q增1;
步骤八、检查神经网络模型总误差是否到达精度要求,即判断是否/>,若未达到精度,从步骤二开始进入新一轮计算,最终得到神经网络模型。
进一步,神经网络模型为一个三层全连接网络,包括输入层、隐藏层和输出层,其中输入层为7个节点,输出层为2个节点,隐藏层为6个节点。
本发明具有以下有益效果:
本发明采用梯度搜索技术进行设计,实现对长脉冲负离子源装置的静态性能预测,从数据分析的角度对长脉冲离子源放电实验参数调整与设定提供一定的指导作用,满足了长脉冲负离子源中性束注入装置实验前性能预演方面的需求。本发明以目前离子源需要解决的问题为导向,以离子源内部各关键组件的物理特性为基础;本发明是一种基于神经网络的性能预测装置,以MDSplus数据库中的负离子源放电实验数据为基本数据源,针对稳定运行的负离子源中性束注入装置,能够有效提升系统运行的时效性,参数设定的准确性;数据获取模块采用本地与远程数据连接相结合的方式,本地读取2022年以前的历史数据,远程记录并读取MDSplus节点数据以扩充数据集;数据预处理模块根据相应的规则对实验数据集进行筛选,再将筛选过后的数据使用最大最小值方法对数据进行标准化,将其全部映射到[-1,1];性能预测模型建立模块定义了一个神经网络模型,通过调整训练次数、学习率、理想误差、神经网络维度、隐藏层节点数等初始参数,根据误差收敛曲线判定网络状态,使用反标准化的方法将结果映射到正常区间。
附图说明
图1为本发明实施例提供的一种基于神经网络的负离子源静态性能预测装置的总体流程;
图2本发明实施例提供的一种基于神经网络的负离子源静态性能预测装置的训练算法流程图;
图3为本发明实施例提供的一种基于神经网络的负离子源静态性能预测装置的神经网络模型结构图;
图4为本发明实施例提供的一种基于神经网络的负离子源静态性能预测装置的训练数据MSE曲线;
图5为本发明实施例提供的一种基于神经网络的负离子源静态性能预测装置的测试数据预测结果示意图。
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,此处所述的具体实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供的一种基于经网络的负离子源静态性能预测装置包括数据获取模块、数据预处理模块、性能预测模型建立模块、结果可视化模块。所述数据获取模块用于获取长脉冲负离子源中性束注入装置日常实验所产生的历史数据,这些历史数据最终会被划分成训练数据集、验证数据集以及测试数据集,为负离子源静态性能预测模型提供准确的数据基础。所述数据预处理模块用于清洗、处理从MDSplus数据库中获取的大量实验数据,保证用于模型训练、验证、测试的数据集的完整性、准确性、实用性,避免数据出现丢失值、越界值、重复等一系列问题,同时对各个关键参数数据进行无纲量化,避免超大超小值对模型的影响,加快提取下降求解速度。所述性能预测模型建立模块用于确定系统的输入输出端以及初始参数,从而实现长脉冲负离子源中性束注入装置在理想状态下实验产生的离子与电子的性能预测模型。所述结果可视化模块用于更加直观的展示模型训练结果,评判模型优劣。
具体实施例实施方式如下,一种基于神经网络的负离子源静态性能预测装置,包括数据获取模块、数据预处理模块、性能预测模型建立模块、结果可视化模块。
其中,所述数据预处理模块包括训练数据集获取、验证数据集获取、测试数据集获取,所述训练数据集用于作为初始数据集训练神经网络的参数依据,所述验证数据集用于调整神经网络结构及参数,获取合理的网络模型,所述测试数据集用于神经网络模型的预测性能分析。
所述数据预处理模块包括数据清洗、数据标准化处理,所述数据清洗用于保证实验数据集的准确性与完整性,避免数据出现丢失值、越界值、重复等一系列问题,所述数据标准化处理用于实验数据无纲量化,提高模型准确度,加快梯度下降求解速度。
所述性能预测模型建立模块包括物理模型建立模块、性能预测模型的选定模块、模型调整模块、预测功能验证模块,所述物理模型建立模块用于确定神经网络模型输入/输出端,所述性能预测模型包括预测网络前馈过程、反向传播过程,用于实现离子源性能静态预测,所述模型调整模块用于选择最优模型超参样本,预测功能验证模块用于对模型泛化能力进行评估。
所述结果可视化模块包括模型训练迭代可视化、数据匹配可视化,所述模型训练迭代可视化用于展示训练模型错误率,判定模型训练是否成功,所述数据匹配可视化用于展示预测数据与实验数据测试集真实值之间的差距,评判模型优劣。
进一步地,所述的一种基于神经网络的负离子源静态性能预测装置采用梯度搜索技术进行设计,实现对长脉冲负离子源中性束注入实验数据的数据整理与分析以及快速性能预测。
进一步地,所述的一种基于神经网络的负离子源静态性能预测装置的性能预测模型需满足长脉冲负离子源中性束注入装置所体现的物理特性研究需求、模型判定准确性需求、性能预测时效性需求。
进一步地,所述数据获取模块负责读取从MDSplus数据库中获得的实验数据,为长脉冲负离子源静态性能预测模型的训练、调整、分析提供可靠的实验依据。
进一步地,所述数据预处理模块负责将实验训练集、验证集、测试集的数据进行初步处理,确保数据集内数据的完整性与可用性,对数据在训练前进行标准化无量纲处理,确保模型从数据分析的角度处理问题。
进一步地,所述性能预测模型建立模块负责负离子源中性束注入静态性能预测模型的训练与确定,确定模型输入输出参数以及网络学习率、迭代次数等初始参数。
进一步地,所述结果可视化模块以更加直观的方式将判定模型优劣以及模型所产生的必要数据以图像的形式展现。
本发明一个实施例中,所述一种基于神经网络的负离子源静态性能预测装置的总体流程如图1所示,神经网络采用误差反向传播神经网络。所述负离子源中性束注入NNBI实验数据包括已获取到的本地数据库中的实验数据以及每次实验产生的MDSplus数据库中的数据,这两个部分的数据将统一存放于EXCEL表格中。所述数据清洗将NNBI实验数据按照一定的规则进行分类与筛选,筛选出符合要求的数据,形成负离子源中性束注入性能预测数据集,该性能预测数据集根据网络训练功能划分为训练集、测试集和验证集。所述网络训练是将标准化后的训练集进行参数初始化以及权值修正,进行初步的网络训练,将标准化后的验证集进行的模型调整,获取目前最优模型,使用标准化后的测试集输入端进行模型验证与泛化能力评估。所述可视化结果展示直观的展现模型训练成功判定结果与静态性能预测结果。
本发明一个实施例中,所述一种基于神经网络的负离子源静态性能预测装置的训练算法流程图如图2所示。包括前馈过程与误差反向传播过程。所述前馈过程包括如下步骤:
步骤一、初始化:输入层到隐藏层权值矩阵V,隐藏层到输出层权值矩阵W,理想误差,学习率η,训练次数计数器q=1, 样本计数器p=1, 输出误差E=0;
步骤二、训练输入第一组样本,计算神经网络各层输出:
输出层各节点输出值为:
,
,
其中,W为隐藏层到输出层权值矩阵,Y为隐藏层节点矩阵,为sigmoid函数,为输出层节点计数器,/>为输出层节点数,/>为隐藏层节点计数器,/>为隐藏层节点数,表示对矩阵进行转置;/>是隐藏层到输出层各节点权值;/>是隐藏层各节点输出值;
隐藏层各节点输出值为:
,
,
其中,为输入层到隐藏层权值矩阵,/>为输入层节点矩阵,/>是输入层各节点的值,/>是输入层到隐藏层各节点的权值,/>为sigmoid函数,/>为输入层节点数,为输入节点计数器;
步骤三、计算网络中误差E,其中P为样本总数:
,
其中,d为实际输出层节点矩阵,O为预测输出层节点矩阵,为实际输出层节点值;
步骤四、检查是否对所有样本完成一次轮训,即判定是否p < P;
步骤五、用E计算各层误差信号;
步骤六、调整各层权值;
步骤七、训练次数计数器q+1;
步骤八、检查网络总误差是否到达精度要求,即判断是否,若未达到精度,从步骤二开始进入新一轮计算即样本计数器p=1, 输出误差E=0,最终得到神经网络模型。
本发明一个实施例中,所述一种基于神经网络的负离子源静态性能预测装置的神经网络模型结构图如图3所示。整个神经网络模型为一个三层全连接网络,包括输入层、隐藏层和输出层,其中输入层为7个节点,输出层为2个节点,隐藏层为6个节点。根据实验经验与物理分析并对32路实验信号进行降维处理,选定射频功率RF,磁场电流MAG_I,加速电压ACC_V,引出电压EXT_V,偏置电压BIAS_V,第二偏置电压BIAS2_V,进气量GAS作为模型的输入参数,氢负离子电流以及电子电流I_EG这两个参数作为模型的输出。根据以上结构设计的性能预测模型的训练数据MSE曲线如图4所示,最终测试数据预测结果示意如图5所示。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于神经网络的负离子源静态性能预测装置,其特征在于:包括数据获取模块、数据预处理模块、性能预测模型建立模块、结果可视化模块;
所述数据获取模块从负离子源中性束注入实验数据库中获取数据集,所述数据集包括训练数据集、验证数据集、测试数据集,所述训练数据集作为初始数据集训练神经网络模型的参数依据,所述验证数据集用于调整神经网络模型结构及参数,获取合理的神经网络模型作为性能预测模型,所述测试数据集用于神经网络模型的预测性能分析;
所述数据预处理模块实现数据清洗、数据标准化处理,所述数据清洗用于保证数据集的准确性与完整性,所述数据标准化处理用于实验数据无纲量化;
所述性能预测模型建立模块包括物理模型建立模块、性能预测模型的选定模块、模型调整模块、预测功能验证模块,所述物理模型建立模块用于确定神经网络模型的输入参数和输出参数,选定射频功率RF, 磁场电流MAG_I, 加速电压ACC_V, 引出电压EXT_V, 偏置电压BIAS_V, 第二偏置电压BIAS2_V, 进气量GAS作为模型的输入参数,氢负离子电流以及电子电流I_EG作为模型的输出参数;
所述性能预测模型的选定模块包括前馈过程、反向传播过程,用于映射负离子源中性束注入装置的粒子产额的最终预测值与输入参数和输出参数之间的非线性关系,所述模型调整模块用于选择最优模型超参样本,所述预测功能验证模块用于对模型泛化能力进行评估;
所述结果可视化模块实现模型训练迭代可视化、数据匹配可视化,所述模型训练迭代可视化用于展示训练神经网络模型错误率,判定神经网络模型训练是否成功,所述数据匹配可视化用于展示预测数据与测试数据集的真实值之间的差距,评判神经网络模型优劣。
2.如权利要求1所述的一种基于神经网络的负离子源静态性能预测装置,其特征在于:所述负离子源中性束注入实验数据库包括MDSplus数据库。
3.如权利要求1所述的一种基于神经网络的负离子源静态性能预测装置,其特征在于:所述结果可视化模块将判定的神经网络模型优劣以及神经网络模型所产生的数据以图像的形式展现。
4.如权利要求1所述的一种基于神经网络的负离子源静态性能预测装置,其特征在于:所述神经网络模型通过算法训练得到,所述算法具体包括以下步骤:
步骤一、初始化以下参数:输入层到隐藏层权值矩阵V,隐藏层到输出层权值矩阵W,理想误差,学习率η,训练次数计数器q=1, 样本计数器p=1, 输出误差E=0;
步骤二、训练输入训练数据集第一组样本,计算神经网络模型各层输出:
输出层各节点输出值为:
,
,
其中,Y为隐藏层节点矩阵,为sigmoid函数,/>为输出层节点计数器,/>为输出层节点数,/>为隐藏层节点计数器,/>为隐藏层节点数,/>表示对矩阵进行转置;/>是隐藏层到输出层各节点权值;/>是隐藏层各节点输出值;
隐藏层各节点输出值为:
,
,
其中,为输入层节点矩阵,/>是输入层各节点的值,/>是输入层到隐藏层各节点的权值,/>为sigmoid函数,/>为输入层节点数,/>为输入节点计数器;
步骤三、计算神经网络模型中误差E,其中P为样本总数:
,
其中,d为实际输出层节点矩阵,O为预测输出层节点矩阵,为实际输出层节点值;
步骤四、检查是否对所有样本完成一次轮训,即判定是否p < P;
步骤五、用神经网络模型中误差E计算各层误差信号;
步骤六、调整各层权值;
步骤七、训练次数计数器q增1;
步骤八、检查神经网络模型总误差是否到达精度要求,即判断是否/>,若未达到精度,从步骤二开始进入新一轮计算,最终得到所述神经网络模型。
5.根据权利要求4所述的一种基于神经网络的负离子源静态性能预测装置,其特征在于,神经网络模型为一个三层全连接网络,包括输入层、隐藏层和输出层,其中输入层为7个节点,输出层为2个节点,隐藏层为6个节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770330.8A CN116562170B (zh) | 2023-06-28 | 2023-06-28 | 一种基于神经网络的负离子源静态性能预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770330.8A CN116562170B (zh) | 2023-06-28 | 2023-06-28 | 一种基于神经网络的负离子源静态性能预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116562170A CN116562170A (zh) | 2023-08-08 |
CN116562170B true CN116562170B (zh) | 2023-09-08 |
Family
ID=87493197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310770330.8A Active CN116562170B (zh) | 2023-06-28 | 2023-06-28 | 一种基于神经网络的负离子源静态性能预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562170B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564688A (zh) * | 2022-01-28 | 2022-05-31 | 中国兵器科学研究院宁波分院 | 一种基于bp神经网络确定离子束抛光去除函数的方法 |
CN115527824A (zh) * | 2021-06-24 | 2022-12-27 | Fei 公司 | 用于三维重建的带电粒子显微镜扫描掩模 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3499459A1 (en) * | 2017-12-18 | 2019-06-19 | FEI Company | Method, device and system for remote deep learning for microscopic image reconstruction and segmentation |
-
2023
- 2023-06-28 CN CN202310770330.8A patent/CN116562170B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527824A (zh) * | 2021-06-24 | 2022-12-27 | Fei 公司 | 用于三维重建的带电粒子显微镜扫描掩模 |
CN114564688A (zh) * | 2022-01-28 | 2022-05-31 | 中国兵器科学研究院宁波分院 | 一种基于bp神经网络确定离子束抛光去除函数的方法 |
Non-Patent Citations (1)
Title |
---|
Automatic optimization method for EAST-NBI beam extraction experiment parameters based on neural network;Yuanzhe Zhao等;《IEEE 2021 International Joint Conference on Neural Networks 》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116562170A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
CN109214575A (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
Lostado et al. | Combining soft computing techniques and the finite element method to design and optimize complex welded products | |
CN109214708A (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN112800683B (zh) | 基于卷积神经网络的系统短路电流水平评估方法及系统 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN103440497A (zh) | 一种gis绝缘缺陷局部放电图谱模式识别方法 | |
CN113872239B (zh) | 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法 | |
Ye et al. | Acceleration design for continuum topology optimization by using Pix2pix neural network | |
CN111081400A (zh) | 一种基于机器学习的棒束子通道热工水力特性预测方法 | |
CN116562170B (zh) | 一种基于神经网络的负离子源静态性能预测装置 | |
Xu et al. | A hierarchical data–driven wind farm power optimization approach using stochastic projected simplex method | |
CN112561184A (zh) | 一种基于gaf特征融合的用水量序列预测模型的方法 | |
CN117150925A (zh) | 一种水电工程高陡边坡岩体力学参数反分析方法 | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
Xiong et al. | Data driven Z-FFR physical modeling | |
CN116629406A (zh) | 一种基于改进Prophet模型的用电碳排放预测方法 | |
CN114861538B (zh) | 基于随机森林算法的后处理厂退役辐射场估算方法及系统 | |
CN112380132B (zh) | 基于航天软件缺陷数据集类不平衡的对抗验证方法及装置 | |
CN115859521A (zh) | 基于神经网络的铣削加工误差重建方法及系统 | |
Carey et al. | Data efficiency and long term prediction capabilities for neural operator surrogate models of core and edge plasma codes | |
CN113435083A (zh) | 基于机器学习的增材制造残余应力与变形预测方法和系统 | |
Ma et al. | Fixture layout optimization based on hybrid algorithm of gaot and rbf-nn for sheet metal parts |
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 | ||
GR01 | Patent grant |