2020.8.14组会

回到主页

The miss use of CNN in disruption prediction or in time series in general

卷积神经网络的特性：
当我们人在看到一幅图像时，首先都会关注图像中比较突出的、信息量比较大的局部特征，例如当我们看到一张宠物狗的图片时，我们的目光一般首先会落在狗的脸部以及四条腿等部位，然后根据经验，我们知道这是一张狗的图片。卷积神经网络借鉴了人类视觉系统的工作原理，卷积神经网络首先通过寻找这副图片的边缘或者曲线等得到一些低级特征，然后再通过一系列卷积层将这些低级的特征汇聚成更加高级的特征，由于这些高级的特征是由多个低级特征卷积构成，因此高级特征能覆盖原始图片更多的信息。
因此，cnn在侦别时序序列（特别是滑动时间窗）时的效果会不佳。在差异产生时，临近的时间窗的低级特征有微小的的变化，但没达到质变，所以在cnn看来还是原来的时间窗。当时间窗的变化积累到质变时，cnn才可能识别。
结论：cnn对时序变化的序列的变化侦别不敏感，会延迟侦别变化。cnn不能用于实时破裂预测。

Investigating the Physics of the Tokamak Operational Boundaries using Machine Learning Tools

本报告讲的是探究机器学习工具在多大程度上可用于识别操作空间安全区域和破坏区域之间边界的实用和物理意义模型。
具体流程：
2
数据： 187个破裂炮、约1000个正常炮用于SVM训练。
ILW(Ip,B), Ip>750kA,降采样到1ms。

2
收获：
了解了符号回归。符号回归是遗传编程最早的一类应用之一。符号回归的终结符集合(terminal set)主要由运算符（比如+, -, *, /, sin, cos, log等等），随机数和变量（x0, x1, .., xn）组成。这里，演化的程序就是一串终结符（代表函数y=f(x0, x1, x2, ..., xn)）。我们希望最终得到的程序，即y=f(x0, x1, ..., xn)，能够尽量符合给定的数据集。
符号回归的优点：不需要假定函数的形式。

本文章使用limfx的vsocde插件快速发布