基于深度学习的HL-2A装置ELM实时控制系统的研制

利用HL-2A装置已开发的基于深度学习的边缘局域模(ELM)识别算法和超声分子束注入(SMBI)等ELM缓解设备组成了一个ELM实时识别和控制系统。该系统实时采集相关的输入数据,通过神经网络计算分析,输出识别信号,当检测到存在连续ELM时,触发SMBI以缓解ELM。在HL-2A装置放电实验期间对ELM实时控制系统进行了测试,识别效果明显,在1ms控制周期中,达到了ELM的实时缓解与控制。     

基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据,利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法,得到了可靠的高成功率的高约束模时段识别结果。算法中,选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习,得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验,高约束模识别的正确率达到了98.17%。     

基于深度学习的船舶辐射噪声识别研究

为了改善船舶辐射噪声识别系统的性能,进一步提高船舶辐射噪声识别的正确率,该文提出采用一种基于深度学习的船舶辐射噪声识别方法。该方法首先提取了船舶辐射噪声的频谱、梅尔倒谱系数等特征,将提取特征后的图像样本分别用于训练卷积神经网络和深度置信网络,再对船舶辐射噪声进行识别。通过文中所给实例,将深度学习和支持向量机两种识别方法的性能进行比较,得出深度学习方法可以有效地提高船舶辐射噪声识别正确率的初步结论。     

撕裂模实时主动控制系统

在HL-2A装置上发展了一套撕裂模实时主动控制系统。该系统在放电期间用电子回旋发射/软X射线诊断实时确定撕裂模的几何位置,结合实时剖面重建和电子回旋波沉积计算,得到电子回旋波反射镜的控制角度值。通过电机实时驱动电子回旋波反射镜到达指定角度,使得电子回旋波功率沉积在撕裂模的有理磁面附近,改变当地局部的电流剖面,从而控制撕裂模,改善等离子体约束。该系统已经在2015年以后的实验中投入使用,并取得了良好的控制效果。它不仅能够实时发现并控制经典撕裂模,并且具有控制新经典撕裂模的潜力。     

基于深度学习的气溶胶荧光光谱识别应用研究

空气中的高危病原微生物对人类社会存在着极大威胁,而传统的监测方法无法对空气中的微生物实现准确的识别与分类。因此采用激光诱导荧光技术原理,以单光子探测器为核心器件,设计并搭建了一种高效的荧光光谱仪用于空气中高危病原微生物的识别与分类,并且该光谱仪可以实现对微生物浓度的预测,其对于环境安全具有重要意义。对于该光谱仪采集的数据,探索了以一维向量和二维矩阵2种输入形式来实现荧光光谱的识别与分类,并研究对比了主成分分析网络、卷积神经网络和全卷积网络等深度学习网络的识别与分类效果。实验结果表明以矩阵形式输入的卷积神经网络模型在测试集中识别分类准确率达到98.05%。采用矩阵形式输入的全卷积网络模型在测试集中微生物浓度预测准确率达到98.97%。     

基于深度学习的透过散射介质偏振识别

当偏振光在散射介质中传播时,由于散射粒子的多重散射作用而造成偏振信息的扰乱和丢失.为了保证偏振信息在散射介质中高效和高保真的传输,提出一种基于深度学习的透过散射介质偏振识别方法.通过构建卷积神经网络来提取散斑光强信息中入射光波偏振信息的特征,实现对入射光波偏振态的高分辨率识别,并使用初始相位不同的偏振光来验证卷积神经网...     

基于深度学习的多模光纤通信系统的模式与模群识别

基于模式/模群复用的多模光纤通信系统是目前光通信领域的研究热点.系统中存在多个模式/模群,如何准确识别它们是提升传输系统性能的关键问题之一.提出了一种基于深度学习的多模光纤模式与模群的智能识别模型,通过引入全卷积神经网络(CNN),对噪声影响情况下线偏振模式及其模群进行仿真和实验研究.首先,基于多平面光转换模式复用器件...     

基于深度学习的两分量BEC中量子相变点的识别

识别物质的相变是物理学研究中一个重要问题.本文采用了一种混淆标签方案的卷积神经网络算法来识别两分量玻色-爱因斯坦凝聚(BEC)中量子相变点,通过计算神经网络输出的准确率,得到W型性能曲线,此性能曲线中间的极大值对应着量子相变的临界点.研究结果表明,深度学习得到的量子相变点与解析计算值吻合度较高.此混淆标签方案的深度学习研究方法可以应用到存在两种相的相变体系.     

基于深度残差网络的脱机手写汉字识别研究

摘 要: 手写汉字识别是模式识别与机器学习的重要研究方向和应用领域。近年来,随着深度学习理论方法的完善、新技术的层出不穷,深度神经网络在图像识别分类、图像生成等典型应用中取得了突破性的进展,其中,深度残差网络作为最新的研究成果,已成功应用于手写数字识别、图片识别分类等多个领域。本文将研究深度残差网络在脱机孤立手写汉字识别中的应用方法,通过改进残差学习模块的单元结构,优化深度残差网络性能,同时通过对训练集的预处理,从数据层面实现训练生成模型性能的提升,最后设计实验,验证深度残差网络、End-to-End模式在脱机手写汉字识别中的可行性,分析、总结存在的问题及今后的研究方向。     

基于重引力搜索和深度学习的图像表情识别研究北大核心CSCD

传统表情识别技术采用单一类型的特征表示方法,由于每个特征类型对不同数据集的表示效果存在差异,导致传统技术对不同数据集的表情识别效果也存在较大的差异。设计一种多类型混合特征的选择方案,用以提高不同数据集的表情识别准确率。将面部不同区域、不同类型的特征集作为基础特征集,利用重引力搜索算法从基础特征集中选择优化的特征子集。将优化的特征子集输入深度信念网络进行训练和半监督学习,采用训练的网络模型对表情进行识别。实验结果表明,在不同数据集条件下,采用该方法均能够保持较高的识别准确率。     

一种深度学习的立体阵波达方向估计方法

针对常规波束形成主瓣宽且目标分辨能力低的问题,提出一种基于深度卷积神经网络的波达方向估计方法。算法使用常规波束形成计算二维空间功率谱,将预处理后的空间功率谱图输入深度卷积神经网络。该文利用神经网络学习解卷积映射关系,输出主瓣宽度更窄的空间功率谱图,从而实现高分辨率二维波达方向估计。该算法对阵列结构没有限制,适用于立体阵。仿真结果表明该文方法在不同目标个数、快拍数及信噪比参数下均能准确估计目标方向。该文方法目标分辨能力优于常规波束形成方法。在低快拍情况下,目标方向估计误差低于自适应波束形成方法。     

HL-2A托卡马克上的边缘局域模特性初步研究

高约束模式(H模)下自发产生的边缘局域模(ELM),虽然利于控制等离子体密度和排出杂质粒子从而实现H模放电的稳态运行,但是ELM爆发携带的大量粒子和能量会对装置的第一壁材料造成很大的损坏,所以在下一代聚变装置上使用之前很多装置已经开始了对ELM的研究.在HL-2A装置上观察到了不同的ELM,扰动幅度小的ELM引起的等离子体储能损失小于3%,ELM之间的时间间隔约为3 ms,表现出Ⅲ型ELM的特征;扰动幅度较大的ELM的爆发对等离子体电流、等离子体密度及储能都有很明显的扰动,对等离子体储能的扰动大于10%,ELM爆发的频率随通过等离子体磁分界面的净加热功率的增加而增加,表现出明显的Ⅰ型ELM的特征.ELM先兆有不对称性,在弱场侧磁探针信号能观测到,但强场侧却观测不到;ELM先兆的频率约为45 kHz,观测到的最长的先兆先于ELM前约10ms出现.     

Signal area estimation based on deep learning

In many practical application scenarios, radio communication signals are commonly represented as a spectrogram, which represents the signal strength measured at multiple discrete time instants and frequency points within a specific time interval and frequency band, respectively. In the context of spectrum occupancy measurements, the notion of Signal Area (SA) is defined as the rectangular region in the time–frequency domain where a signal is assumed to be present. Signal Area Estimation (SAE) is an important functionality in spectrum-aware wireless systems where spectrum usage monitoring is required. However, the conventional approaches to SAE have a limited estimation accuracy, in particular at low SNR. In this work, a novel technique for SAE is proposed using Deep Learning based on Artificial Neural Network (DL-ANN) for enhanced extraction of SA information from radio spectrograms. The performance of the proposed DL-ANN method is evaluated both with software simulations and hardware experiments, and the results are compared with several conventional methods from the literature, showing significant performance improvements. A key feature of the proposed method is the improvement in the SAE accuracy compared to other existing methods (in particular in the low SNR regime) and the capability to extract the location of the detected SAs automatically. Overall, the proposed technique is a promising solution for the automatic processing of radio spectrograms in spectrum-aware wireless systems.     

基于NPU的实时深度学习跟踪算法实现北大核心CSCD

深度学习在检测领域高速发展,但受限于训练数据和计算效率,在基于嵌入式平台的边缘计算领域,尤其是实时跟踪应用中深度学习的智能化算法应用并不广泛。针对这一现象,同时为满足现阶段国产化、智能化的技术需求,提出了一种改进的孪生网络深度学习跟踪算法。在特征网络加入微调网络,解决了网络模型无法在线更新的问题,提升了跟踪的准确性;在IoUNet损失函数中加入中心距离惩罚项,解决了IoUNet当IoU相同时位置跳跃,存在收敛盲区和收敛速度慢的问题;将训练后的网络通过通道剪枝,缩减网络模型尺寸,提升了模型加载和运行的速度。在华为Atlas200NPU平台上实现了实时运行,算法准确率高达0.90(IoU>0.7),帧率达到66 Hz。     

托卡马克研究的现状及发展

核聚变能是未来理想的能源。经过半个多世纪的不懈努力,随着国际上一批托卡马克装置成功建设和运行,磁约束聚变研究取得了一系列重大成果,具备了建造和运行反应堆级托卡马克实验装置科学技术和工程建设条件。基于这一共识,世界上一些主要国家共同合作,启动并实施了国际热核聚变实验堆(ITER)计划,希望通过建设和运行ITER,验证和平利用核聚变能的科学技术和工程可行性。中国的托卡马克研究经过近40年的发展取得了很大的进展。未来5年,将建立近堆芯级稳态等离子体实验平台,开展高水平的科学实验;吸收消化、发展与储备聚变工程实验堆关键技术;完善聚变工程实验堆的设计和开展关键部件预研,为在2020年前后独立开展中国聚变工程堆奠定坚实的科学技术基础。     

应用深度学习识别法兰螺栓连接状态

针对常规诊断方法对螺栓的连接状态识别效果差、鲁棒性和抗噪性弱等问题,提出了基于深度学习理论的螺栓检测新方法.首先以4种预紧力状态下的法兰螺栓结构产生的声发射信号为研究对象,借助于自适应噪声的完整集成经验模态分解理论以及梅尔频率倒谱系数特征提取方式,实现了声发射信号的自适应消噪和最优模态函数分量组的选取,提取到了可以较好...     

HL-2A等离子体实时平衡重建的GPU并行化

描述了HL-2A等离子体实时平衡重建的GPU并行化算法,主要包括G-S方程的并行化处理、三对角方程求解、网格边界磁通计算以及一系列矩阵相乘的并行加速。并行后,在129×129的网格下完成一次迭代计算需要约575μs。     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

HL-2M装置测量控制系统运行管理研究

以现有聚变实验工程管理运维经验为基础,根据HL-2M装置测量控制的新需求,参考ITER控制、数据采集及通讯规范,开展了HL-2M测量与控制系统运行和管理研究。通过对全域子系统进行统一配置及管理,架构高性能网络完成不同通讯任务,设计扩容高速物理数据存储系统,实施运行状态监测与报警等,规划建设了HL-2M集成化测控系统管理运行平台。这项研究立足于优化实验信号质量,实现实时信号高效传输,提高实验工程管理自动化水平,保障实验过程中设备与数据安全并具备较高可实施性。