Mar, 2023

基于半监督异常检测的破坏前驱开始时间研究

PDF
TL;DR本文介绍一种基于异常检测的核聚变等离子体破裂预测方法，以解决标记方法的不足所带来的问题。该方法在优化了标记方法后，在 J-TEXT 和 EAST 等聚变实验平台上的测试结果表明，与采用固定的开始时间标记的模型相比，训练优化标记的模型具有更高的性能。
plasma disruptiontokamaksdata-driven methodsanomaly detectionsupervised learning
发现论文，激发创造
  • 基于特征的迁移学习方法预测未来托卡马克反应堆的干扰

    通过领域适应算法 CORAL，本研究在未来托卡马克上应用了少量数据进行破裂预测，改进了 CORAL 以提高性能，并通过解释性分析证明了其与基于大数据的模型的相似性。

    Sep, 2023

  • 连续卷积神经网络在核聚变等离子体干扰预测中的应用

    使用连续卷积神经网络进行等离子体扰动预测，与离散模型相比，连续模型具有更好的性能（接收器操作特性曲线下的区域 = 0.974 vs 0.799），参数更少。

    Dec, 2023

  • 不规则时间系列的异常预测检测

    本文提出一种新型的异常检测方法，称为 “异常的先驱”（PoA）检测，通过神经控制微分方程的神经网络以及多任务学习算法，在金融、制造和网络安全等领域的时间序列数据中取得了比传统方法更优秀的结果。

    Jun, 2023

  • 基于物理指导特征提取的可解释性破坏预测器 (IDP-PGFE)

    该论文设计了一种基于物理引导特征提取的可解释性托卡马克破裂预测模型，并在 J-TEXT 上应用，研究结果对 J-TEXT 托卡马克破裂机理提供了洞见。

    Aug, 2022

  • 美国东北关键带研究集水区时间序列数据中检测异常峰值模式的自动化机器学习方法

    该研究论文提出了一个自动化机器学习框架，旨在帮助水文学家检测美国东北部关键区域研究流域传感器生成的时间序列数据中的异常。该框架着重于识别峰值模式异常，该类异常可能来自传感器故障或自然现象。为了应对这些挑战，该框架利用合成生成的时间序列数据注入合成峰值模式，生成带有标签的数据集，并结合自动化超参数优化机制选择最合适的深度学习模型。该框架使用时间序列生成对抗网络 (TimeGAN) 作为合成数据集生成器，并通过准确性和计算成本等指标对产生的模型实例进行评估。通过应用于流域数据集的性能评估，该框架始终选择满足用户偏好的最佳模型实例。

    Sep, 2023

  • 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

  • 基于聚类的混沌系统极端事件先兆识别

    研究使用基于聚类技术的模块化方法鉴定混沌系统中极端事件的先兆和预测，通过聚类算法正确鉴定前驱状态并提供了系统状态和其前驱的统计描述。

    Jun, 2023

  • 融合装置中的干扰预测：通过特征提取与逻辑回归

    该研究论文描述了在 2023 年 9 月至 11 月期间 ITU 举办的多机器扰动预测挑战赛中所采用的方法，该比赛在在线平台 Zindi 上进行，涉及了 C-Mod、HL-2A 和 J-TEXT 三个聚变设备的数据，其中大部分训练数据来自后两者，而测试数据来自第一个设备。这篇论文采用了从信号中提取特征并在其上应用逻辑回归的方法，将每个信号视为一个单独的预测器，最终通过这些预测器的组合在排行榜上取得了第一名的成绩。

    Nov, 2023

  • 面向监督的异常检测

    本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

    Jan, 2014

  • 一种用于入侵检测的混合深度学习异常检测框架

    本论文提出了一个基于深度学习异常检测的网络入侵攻击检测框架，该框架结合了无监督、半监督和监督学习算法，同时在 NSL-KDD、CIC-IDS2018 和 TON_IoT 等三个基准数据集上验证了其性能。

    Dec, 2022