基于JET辐射热测量计系统的等离子体层析成像深度学习
机器学习
2017-01-03 v1 等离子体物理
摘要
深度学习在许多领域正产生深远影响，尤其是那些涉及某种形式图像处理的领域。深度神经网络擅长将输入图像转换为一组高级特征。另一方面，层析成像处理的是从多个投影重建图像的逆问题。在等离子体诊断中，层析成像旨在根据辐射测量重建等离子体的横截面。这种重建可以用神经网络计算。然而，以往的尝试侧重于学习等离子体剖面的参数化模型。在本工作中，我们使用深度神经网络来生成等离子体剖面的完整逐像素重建。为此，我们使用JET的概览辐射热测量计系统，并引入了一种上卷积网络，该网络已在大量样本层析图像上进行了训练和测试。我们表明，该网络能够以高精度复现现有重建结果，这通过若干指标衡量。
引用
@article{arxiv.1701.00322,
title = {Deep learning for plasma tomography using the bolometer system at JET},
author = {Francisco A. Matos and Diogo R. Ferreira and Pedro J. Carvalho and JET Contributors},
journal= {arXiv preprint arXiv:1701.00322},
year = {2017}
}