托卡馬克磁流體擾動信號智能檢測技術(shù)的研究.pdf

1、托卡馬克試驗中磁流體破裂是危害實驗設(shè)備和人員安全的主要威脅之一。磁流體擾動信號診斷和分類是判斷磁流體是否穩(wěn)定的重要方法之一。利用智能檢測技術(shù)對磁流體不穩(wěn)定形成的磁流體擾動信號進行自動準確地識別一直是研究者熱衷的課題。
　　本文結(jié)合磁流體不穩(wěn)定形成的磁流體擾動信號的特點，利用改進的 S變換算法提取了基于頻率特征點的特征向量，分析了基于PCACL(Principal Component Analysis&Cross Learning,

2、主成分分析和交叉學(xué)習(xí)) K-means聚類算法的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)分類器和基于PCACL K-means聚類算法的加權(quán)超球體支持向量機的分類穩(wěn)定性和分類正確率。最后文章討論了磁流體穩(wěn)定性的影響因素并在此基礎(chǔ)上介紹了遠程智能磁流體擾動信號診斷系統(tǒng)的框架設(shè)計方案、總體結(jié)構(gòu)和功能模型。本文的主要工作如下：
　　1.在信號特征提取環(huán)節(jié)，利用S變換算法將采集到的時域磁流體擾動信號變換成時間頻率域的一組特征向量。針對S變換算法不能兼得最優(yōu)時間

3、分辨率和最優(yōu)頻率分辨率的情況增加了調(diào)節(jié)參數(shù)來平衡二者。此外為了選取最佳參數(shù)提出了參數(shù)評價標準，以能量損失程度高低為標準選擇最優(yōu)參數(shù)。實驗結(jié)果證實了改進的有效性。
　　2.構(gòu)建了一個基于PCACL K-means聚類算法的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)分類器，將干擾形成的磁流體擾動信號與磁流體不穩(wěn)定形成的磁流體擾動信號區(qū)分開。本文對分類器激活函數(shù)中心與權(quán)值向量和方差進行了異步優(yōu)化，分類器激活函數(shù)中心通過PCACL K-means聚類算法獲得。文

4、章提出的PCACL K-means聚類算法是基于加強型K-means聚類算法的改進算法，該聚類算法用于訓(xùn)練隱藏層的激活函數(shù)中心，提高了算法收斂于一個無關(guān)于初始指定中心的近似最優(yōu)結(jié)果的可能性。實驗表明，基于PCACL K-means聚類算法的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)算法泛化性能和分類正確率上優(yōu)于加強型K-means聚類算法的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)算法，滿足了控制系統(tǒng)的設(shè)計目標。
　　3.討論了多種目前流行的支持向量機算法，通過比較它們的優(yōu)缺點

5、為提出新的算法夯實了理論基礎(chǔ)。支持向量機算法追求分類間隔盡量大，這也體現(xiàn)了結(jié)構(gòu)風(fēng)險最小化的原則。在多類別分類情況下，針對某些支持向量機算法無法克服訓(xùn)練樣本數(shù)量差異帶來的影響，提出了基于PCACL K-means聚類算法的加權(quán)超球體支持向量機。該支持向量機定義了加權(quán)系數(shù)來調(diào)節(jié)正例和反例與超球面之間的隔離邊緣最大值，在訓(xùn)練樣本數(shù)量不足時可以有效減少誤判的風(fēng)險；同時該超球體支持向量機的初始中心是通過PCACL K-means聚類算法得到的，減

6、少了訓(xùn)練時間。另外文章還提出了改進型的增量學(xué)習(xí)法來訓(xùn)練支持向量機。實驗證明該算法訓(xùn)練出的支持向量機在樣本稀少時雖然分類的隔離邊緣最大值有所降低但卻提高了泛化能力，符合控制系統(tǒng)的設(shè)計理念。
　　4.根據(jù)理論研究的成果，討論了遠程智能磁流體擾動信號診斷系統(tǒng)的框架設(shè)計方案、總體結(jié)構(gòu)和功能模型，為托卡馬克上磁流體不穩(wěn)定性檢測和控制提供了一種可以借鑒的方法。該配套系統(tǒng)的成功運行驗證了理論研究成果的正確性和可行性。
　　本文是基于“穩(wěn)態(tài)