Feb, 2021

粒子加速器中时间序列分类和预测的新方法

PDF
TL;DR利用时间序列分类方法对高强度质子加速器的中断事件进行预测，通过二元分类多元时间序列的窗口来减少光束时间损失。通过将时间序列转换为复现图并使用卷积神经网络进行分类，使得分类器的性能得到了提高。最佳分类器的 ROC 曲线下面积值为 0.71，相对于随机森林模型的 0.65，可以潜在地减少每次中断 0.5 秒的光束时间损失。
发现论文，激发创造
  • 利用 LSTM 深度学习技术实现加速器粒子轨道异常检测

    发展了一种基于机器学习的故障检测方法，利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值，当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验，结果表明，使用单个轨道锁定控制系统组件的监测数据，我们的解决方案可以识别出 68.6%-89.3% 的实际异常，准确率可以高达 82%。

    Jan, 2024

  • 粒子加速器条件建模下的健壮性错误光束预测

    利用有监督机器学习方法，特别是孪生神经网络模型，来预测粒子加速器的异常行为，提高其可用性。

    Nov, 2023

  • 粒子加速器中束流动力学的条件潜变自回归模型的生成和预测

    使用两步无监督深度学习框架，名为 CLARM，来学习加速器中带电粒子的时空动态

    Mar, 2024

  • 基于多变量时间序列的机器故障预测：一个工业案例研究

    通过评估不同的历史数据量和预测未来时间范围，以预测系统故障的性能表现，研究发现预测窗口的大小对性能起关键作用，并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性，以及机器学习在分类相似和重复模式的数据方面的有效性。

    Feb, 2024

  • 基于滑动窗口多变量时间序列随机森林分类器的活动区域闪耀预测

    本研究的主要贡献在于发展了适用于多变量时间序列的可解释分类器，并展示了一种基于滑动窗口子区间排序的新型特征排序方法，通过在太阳耀斑预测的背景下，填补了用于高维数据的复杂且不易理解的黑盒模型与多元时间序列相关子区间的探索之间的差距。研究结果表明，滑动窗口时间序列森林分类器在太阳耀斑预测方面表现出较高的准确性（超过 85% 的真实技巧统计值），同时可以确定给定学习任务中最关键的特征和子区间。

    Feb, 2024

  • 使用去相关化事件分类器转换神经网络进行显著训练

    实验粒子物理利用机器学习进行各种任务，其中之一就是对信号和背景事件进行分类。这项研究提出了一种事件分类变压器来分析某个区域，并采用特殊技术训练网络，这些技术能提高显著性并减少网络输出与重建质量之间的相关性。研究结果表明，这种训练好的网络比增强决策树和前馈网络表现更好。

    Dec, 2023

  • 液氩探测器低能物理的少命中机器学习分类算法评估

    本文讨论机器学习在低能物理学中的应用，以及利用卷积神经网络和 Transformer-Encoder 方法优化探测器参数以处理低数量事件分类问题的结果。

    May, 2023

  • 利用深度学习探测相对论重离子碰撞中的临界性

    利用普适性原理，我们可以将基于 3D Ising 模型的临界相关性嵌入到重离子碰撞的模拟数据中，从而通过动态边卷积的点云网络实现对具有临界波动的事件的识别和决策。

    Jul, 2021

  • 多类实时碰撞风险预测：基于卷积神经网络的伊斯坦布尔案例研究

    该研究通过使用人工神经网络（ANN）来预测事故风险，在分析交通和天气数据后，选择相关特征作为输入数据，并使用卷积神经网络模型学习处理这些特征，最终表现出较其他模型更好的性能，建议将其作为多类别预测模型来实时预测事故风险。

    Feb, 2024

  • 基于时间融合 Transformer 的反应堆事故预测的长期依赖性和可信性方法

    本文提出了一种基于多头自注意和门控机制的时间融合 Transformer 模型的事故预测方法，利用多个协变量来提高预测精度，并采用分位数回归方法进行不确定性评估，该方法首次将 TFT 应用于反应堆事故预测中，相对于新型基于深度学习的预测方法，在预测精度和置信度上均有所提高，同时还可以提取静态和历史协变量特征，为建立更智能和更轻松的反应堆系统维护方法做出积极贡献。

    Oct, 2022