1、E-CAAD返回每个切片样本的异常分数，可以获取破裂炮的破裂时间（downtime)
E-CAAD的诊断样本：长度为各诊断信号的采样率与所选时间窗长度的乘积，不同诊断信号的时间窗长度不同，每个切片的最后一个点都对应着同一时刻
E-CAAD的原理：基于神经网络，对输入样本压缩再重构，通过均方误差MSE量化输入样本与重构样本的相似性
E-CAAD的组成：卷积特征提取模块、特征自编码模块和反卷积重构模块
E-CAAD的重构误差RCE：所有选定诊断均方误差的平均值
E-CAAD的损失函数：
loss=1/n ∑_(i=1)^n▒[y∙〖RCE〗_i^y+(1-y) 〖∙α∙RCE〗_i^(y-1) ] 2、TTD的输入样本：破裂炮异常概率曲线中，被打上破裂标签的诊断样本
打破裂标签的时间范围：高于某一破裂概率（阈值-超参数）的时间内
在应该打标签的时间范围内，取一个时间窗（t1-超参数），将这些时间范围根据时间窗划分，每个时间窗内的所有诊断样本属于同一个破裂标签类
打标签的方法：从右往左依次打标签
获取TTD的方法：根据类别，时间窗*类别（int）
3、TTD的模型方法：分类问题，使用分类模型（待定）
训练：x为诊断样本，y为破裂标签
预测：对于给定的诊断样本x预测其类别，从而获得TTD
模型性能评价：将预测的TTD与实际的破裂时间（target-根据axk的电流标注方法可以获得）对比，TTD在（target-delta， target+delta）内为预测正确，可以获得TPR、FPR、ROC
1、准备工作
读懂基本破裂预测代码，对于使用jddb进行数据处理（processor、pipeline会用）、诊断样本各物理量、神经网络的代码和项目管理有基础认知
数据获取：待定，与axk交流讨论，或许可以用jddb读取一下mypool/J_TEXT/下的HDF5文件，确定data数据是否有缺失；或许也可以用其他地方的数据
2、确定和优化分类模型
问问AI可以使用哪些模型，如果时间充足，可以使用多个模型对比性能
优化模型
3、写实验报告