一种基于卷积神经网络的剖面反演方法及系统技术方案

本发明专利技术提供了一种基于卷积神经网络的剖面反演方法及系统，属于托卡马克干涉仪的测量数据处理领域，其中，反演模型的训练方法为：将一维密度剖面转换为二维密度剖面；在二维密度剖面上沿着光路进行路径积分，获取弦积分密度数据集；将归一化后的一维密度剖面沿着磁面坐标划分为n个区间，沿电子密度所在纵坐标划分为m个区间，输出一维密度剖面的one

A method and system of profile inversion based on convolutional neural network

【技术实现步骤摘要】
一种基于卷积神经网络的剖面反演方法及系统


[0001]本专利技术属于托卡马克干涉仪的测量数据处理领域，更具体地，涉及一种基于卷积神经网络的剖面反演方法及系统。

技术介绍

[0002]等离子体密度是磁约束聚变装置中最重要的参数之一，不仅直接关系到高性能约束，更是对聚变堆的安全运行有直接影响。远红外激光干涉仪具有稳定、高分辨率、大测量范围的优点，被广泛用于聚变装置的电子密度测量中。但是通过参数反演，才能从远红外激光干涉仪获取的原始弦积分干涉测量数据中计算得到电子密度的空间分布。
[0003]常见的反演算法包括Abel反演、变量分离法、切片叠加法和Park矩阵法。一方面，这些方法只能用于特定的等离子体位形。另一方面，聚变装置中测量环境复杂，多道干涉数据中可能会出现一些信噪比低或者无效的测量数据，这些数据对剖面反演的影响需要被降到最低。然而，传统反演算法中的迭代计算已经过于复杂，难以在传统反演计算中进一步分析并降低坏的数据对剖面反演的影响。

技术实现思路

[0004]针对现有技术的缺陷，本专利技术的目的在于提供一种基于卷积神经网络的剖面反演方法及系统，旨在解决现有的获取弦积分干涉测量数据的反演方法只能用于特定的等离子体位形的问题。
[0005]为实现上述目的，一方面，本专利技术提供了一种基于卷积神经网络的剖面反演方法，具体为：
[0006]基于不同的弦积分密度诊断系统，将对应的不同弦积分密度数据输入至反演模型，获取一维密度剖面；
[0007]其中，反演模型的训练方法，包括以下步骤：
[0008]将一维密度剖面投影到平衡磁面上，将一维密度剖面转换为二维密度剖面；
[0009]基于不同弦积分密度诊断系统的光路布局，在二维密度剖面上沿着光路进行路径积分，获取模拟的弦积分密度数据集；其中，一维密度剖面为以电子密度为纵坐标，以磁面坐标为横坐标的剖面图；二维密度剖面为托卡马克极向截面上的电子密度分布图；
[0010]将弦积分密度数据和一维密度剖面进行归一化后，将归一化后的一维密度剖面沿磁面坐标分为n个区间，沿电子密度所在纵坐标分为m个区间，输出一维密度剖面的one
‑
hot标签；
[0011]以学习所述弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务，将n个子任务均输入到相同的卷积神经网络进行训练，每个卷积神经网络输出m个电子密度；其中，卷积神经网络的数目与磁面坐标划分的区间个数相同；卷积神经网络为类VGGnet的9层神经网络，其全连接层采用softmax激活函数；
[0012]将n个磁面的电子密度插值为一维剖面上的电子密度分布。
[0013]进一步优选地，弦积分密度诊断系统为远红外激光干涉仪；
[0014]弦积分密度数据为∫n
e
dL；其中，n
e
为电子密度；L为光路在等离子体中的长度。
[0015]进一步优选地，步骤S3和步骤S4之间包括步骤：
[0016]将若干归一化后的弦积分密度数据被随机标记为不可信，采用对称的弦积分密度数据替代。
[0017]进一步优选地，卷积神经网络的结构从输入到输出依次为：Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50；采用3
×
3大小的卷积核相串联；Conv1D层采用RELU激活函数。
[0018]进一步优选地，步骤S5之后还包括以下步骤：
[0019]设置单个或者多个弦积分密度数据被替换，采用步骤S4，训练生成不同的反演模型；
[0020]比较反演模型的KL散度，选择KL散度低的反演模型；
[0021]其中，KL散度为模型预测的一维密度剖面与真实一维密度剖面的拟合度。
[0022]另一方面，本专利技术提供了一种基于卷积神经网络的剖面反演系统，其特征在于，包括：训练模块和反演模块；其中，反演模块包括n个卷积神经网络单元；训练模块包括：正向单元、归一化单元、离散化单元和插值单元；卷积神经网络单元内部设置卷积神经网络，其训练完毕后用于以不同的弦积分密度诊断系统获取的不同弦积分密度数据为输入，获取一维密度剖面；
[0023]正向单元内部设置正向网络，用于将一维密度剖面投影到平衡磁面上，将一维密度剖面转换为二维密度剖面；基于不同弦积分密度诊断系统的光路布局，在二维密度剖面上沿着光路进行路径积分，获取模拟的弦积分密度数据集；其中，所述一维密度剖面为以电子密度为纵坐标，以磁面坐标为横坐标的剖面图，所述二维密度剖面为托卡马克极向截面上的电子密度分布图；
[0024]归一化单元用于将所述弦积分密度数据和所述一维密度剖面进行归一化处理；
[0025]所述离散化单元用于将所述弦积分密度数据和一维密度剖面进行归一化后，将归一化后的一维密度剖面沿着磁面坐标划分为n个区间，沿电子密度所在纵坐标划分为m个区间，输出一维密度剖面的one
‑
hot标签；
[0026]在训练阶段，每个卷积神经网络单元用于接收一个子任务，输出子任务对应的m个电子密度；其中，以学习所述弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务；所述卷积神经网络的数目与磁面坐标划分的区间个数相同，所述卷积神经网络为类VGGnet的9层卷积神经网络，其输出层采用softmax激活函数；
[0027]插值单元用于采用n个磁面的电子密度插值为一维剖面上的电子密度分布。
[0028]进一步优选地，弦积分密度诊断系统为远红外激光干涉仪；
[0029]弦积分密度数据为∫nedL；其中，n
e
为电子密度；L为光路在等离子体中的长度。
[0030]进一步优选地，反演系统还包括干扰模块，用于将若干归一化后的弦积分密度数据被随机标记为不可信，采用对称的弦积分密度数据替代。
[0031]进一步优选地，卷积神经网络的结构从输入到输出依次为：Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50；采用3
×
3大小的卷积核相串联；Conv1D层采用RELU激活函数。
[0032]进一步优选地，反演系统还包括模型选择模块，用于比较不同反演模型的KL散度，选择KL散度低的反演模型；其中，不同反演模型为采用单个或者多个弦积分密度数据被替换后经过训练模块训练后生成的。
[0033]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
[0034]基于本专利技术提出的反演模型输出一维密度剖面，可以获取剖面不同位置的测量置信水平，同时也可以分析不可信数据对测量置信水平的影响。克服了现有反演方法只能用于特定等离子体位形的问题，采用的卷积神经网络构建的反演模型可以实现剖面反演速度快，反演速度在毫秒量级，实时反馈控制和在线数据分析。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的剖面反演方法，其特征在于，基于不同的弦积分密度诊断系统，将对应的不同弦积分密度数据输入至反演模型，获取一维密度剖面；其中，反演模型的训练方法，包括以下步骤：S1：将一维密度剖面投影到平衡磁面上，将一维密度剖面转换为二维密度剖面；S2：基于不同弦积分密度诊断系统的光路布局，在二维密度剖面上沿着光路进行路径积分，获取模拟的弦积分密度数据集；其中，所述一维密度剖面为以电子密度为纵坐标，以磁面坐标为横坐标的剖面图，所述二维密度剖面为托卡马克极向截面上的电子密度分布图；S3：将所述弦积分密度数据和一维密度剖面进行归一化后，将归一化后的一维密度剖面沿着磁面坐标划分为n个区间，沿电子密度所在纵坐标划分为m个区间，输出一维密度剖面的one
‑
hot标签；S4：以学习所述弦积分密度数据到一个磁面上电子密度的映射关系为一个子任务，将n个子任务均输入到相同的卷积神经网络进行训练，每个卷积神经网络输出m个电子密度；其中，所述卷积神经网络的数目与磁面坐标划分的区间个数相同，所述卷积神经网络为类VGGnet的9层卷积神经网络，其输出层采用softmax激活函数；S5：采用n个磁面的电子密度插值为一维剖面上的电子密度分布。2.根据权利要求1所述的剖面反演方法，其特征在于，所述弦积分密度诊断系统为远红外激光干涉仪；弦积分密度数据为∫n
e
dL；其中，n
e
为电子密度；L为光路在等离子体中的长度。3.根据权利要求1所述的剖面反演方法，其特征在于，步骤S3和步骤S4之间包括步骤：将若干归一化后的弦积分密度数据被随机标记为不可信，采用对称的弦积分密度数据替代。4.根据权利要求1或3所述的剖面反演方法，其特征在于，所述卷积神经网络的结构从输入到输出依次为：Input、3conv1d,16、3conv1d,16、2pool1d、3conv1d,32、3conv1d,32、2pool1d、Flatten和FC 50；采用3
×
3大小的卷积核相串联；Conv1D层采用RELU激活函数。5.根据权利要求3所述的剖面反演方法，其特征在于，步骤S5之后还包括以下步骤：设置单个或者多个弦积分密度数据被替换，采用步骤S4，训练生成不同的反演模型；比较反演模型的KL散度，选择KL散度低的反演模型；其中，KL散度为模型预测的一维密度剖面与真实一维密度剖面的拟合度。6.一种基于卷积神经网络的剖面反演系统，其特征在于，包括：训练模块和反演模块；其中，反演模...

【专利技术属性】
技术研发人员：兰婷，刘海庆，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：