基于物理特征的破裂预测（LGBM） on J-TEXT & EAST

回到主页

目前已完成的

  • J-TEXT模型及不同数据量分析（SVM&LGBM）

还需必须完成

  • EAST模型、EAST与J-TEXT模型迁移或对比

正在进行中，不知是否还需要

（当时是感觉文章内容还不太够，所以再加一些有用的特征，现在如果加上EAST的数据和模型以及分析，感觉内容应该是够了）

锯齿频率识别

这里用了小波分析的函数

fA_range = np.linspace(0,50,11)
wavename = 'cgau6'
fc = pywt.central_frequency(wavename)
sampling_rate = 250e3
totalscal = sampling_rate/100
cparam = 2 * fc * totalscal
scales = cparam / np.arange(totalscal, 1, -1)
[cwtmatr, frequencies] = pywt.cwt(sxr, scales, wavename, 1 / sampling_rate)
fig = plt.figure()
ax1 = plt.subplot(2,1,1)
ax1.plot(time, sxr)
plt.xlabel(u"time(s)")
ax2 = plt.subplot(2,1,2, sharex=ax1)
contourf_ = ax2.contourf(time, frequencies, abs(cwtmatr),fA_range *0.01)
cbar = fig.colorbar(contourf_)
plt.ylabel(u"freq(Hz)")
plt.ylim((0, 500))
plt.xlabel(u"time(s)")
plt.subplots_adjust(hspace=0.4)
plt.show()
print("exit")

avatar 小波分析中得到了一个频率约为150Hz的频率，但是实际上的锯齿周期频率为300Hz左右 不知道是代码写错了，还是小波识别的其实是两个峰值的频率。 这个后面准备通过自行设置一个三角波去check

还需补充的

  • EAST数据! 根据EAST能提供的数据开展
  1. 若可以给出我们特征所需的诊断，那就用同样的模型去跑，能迁移就迁移，不行就比较
  2. 若是比我们所需特征少一些，但是不是关键性的特征，那就把我们的模型也缩减，做1的事情
  3. 若是比我们所需的特征少很多，那就J-TEXT用现在全的特征模型，EAST用较少特征的模型，同时J-TEXT再做一个较少特征的模型；拿J-TEXT两个模型比较，给出某些特征其实很重要的信息；再拿两个装置的特征少模型去比较。

本文章使用limfx的vscode插件快速发布