排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
基于深度学习的方法,在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习,得到一个深度为22层的卷积神经网络。为衡量算法的识别能力,识别了HL-2A装置自2009年实现稳定ELMyH模放电以来所有历史数据(约26000次放电数据),共识别出1665次H模放电,其中误识别35次,误报率为2.10%。在实际的1634次H模放电中,漏识别4次,漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下,对单个时间点的平均计算时间为0.46ms,可以满足实时控制的计算速度要求。 相似文献
2.
3.
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。 相似文献
1