开云优惠体育网页版入口

专利名称：一种托卡马克等离子体的位形预测系统、方法、设备及介质

专利类型：实用新型专利

专利申请号：CN202411153466.5

专利申请（专利权）人：成都理工大学工程技术学院,核工业西南物理研究院
权利人地址：四川省乐山市市中区肖坝路222号

专利发明（设计）人：发明人:周玲,杨斌,叶玉彬,赵舒宏,王一至,余玲娇,方宗旭,吴佳铃,李湘文

专利摘要：本申请提出了一种托卡马克等离子体的位形预测系统、方法、设备及介质，涉及磁约束核聚变领域。该系统包括数据融合模块和M?TR模块；其中，数据融合模块用于将输入的多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压。M?TR模块用于基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果。该方案能够用于准确有效的对托卡马克等离子体的位形进行预测。

主权利要求：
1.一种托卡马克等离子体的位形预测系统，其特征在于，包括：
数据融合模块，用于将输入的多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压；
其中，所述数据融合模块包括：序列对齐层，用于将输入的多个时间序列数据进行长度统一处理，以将其统一至预设的最长序列长度；归一化层，用于将输入的多个时间序列数据对应的序列值进行归一化处理；差分层，用于对输入的多个时间序列数据进行计算每个时间步与前一个时间步之间的差异，并根据计算结果对输入的多个时间序列数据进行平稳化处理；一维卷积层，用于使用一维的卷积核对经过长度统一处理、归一化处理和平稳化处理之后的多个时间序列数据进行局部特征提。玫揭晃蛄行问降娜诤鲜奔湫蛄惺荩
所述差分层的计算公式包括：△Xt=Xt?Xt?1，其中△Xt是在时间步t处的差分值，Xt是在时间步t处的原始数据点，Xt?1是在时间步t?1处的原始数据点；
M?TR模块，用于基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果；其中，M?TR模块是结合了多头注意力机制和时间序列处理的模块。
2.如权利要求1所述的一种托卡马克等离子体的位形预测系统，其特征在于，所述M?TR模块包括反差分层，用以通过反差分处理恢复数据的原始趋势。
3.如权利要求2所述的一种托卡马克等离子体的位形预测系统，其特征在于，所述反差分层的计算公式包括：Xt=Xt?1+△Xt，其中Xt是在时间步t处的原始数据点，Xt?1是在时间步t?1处的原始数据点，△Xt是在时间步t处的差分值。
4.如权利要求1所述的一种托卡马克等离子体的位形预测系统，其特征在于，所述M?TR模块的多头注意力机制包括从融合时间序列数据中提取查询向量、键向量和值向量，并根据提取结果利用权重加权求和得到注意力机制的输出。
5.如权利要求1所述的一种托卡马克等离子体的位形预测系统，其特征在于，所述M?TR模块采用GLU激活函数作为编码器/解码器中间层的激活函数，以增强对等离子体位形预测长时特征的提取和保留。
6.一种托卡马克等离子体的位形预测方法，其特征在于，包括以下步骤：
获取多个时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压；
将多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据，具体包括：将输入的多个时间序列数据进行长度统一处理，以将其统一至预设的最长序列长度；将输入的多个时间序列数据对应的序列值进行归一化处理；利用计算式△Xt=Xt?Xt?1对输入的多个时间序列数据进行计算每个时间步与前一个时间步之间的差异，并根据计算结果对输入的多个时间序列数据进行平稳化处理，其中，△Xt是在时间步t处的差分值，Xt是在时间步t处的原始数据点，Xt?1是在时间步t?1处的原始数据点；使用一维的卷积核对经过长度统一处理、归一化处理和平稳化处理之后的多个时间序列数据进行局部特征提。玫揭晃蛄行问降娜诤鲜奔湫蛄惺荩
基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果。
7.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求6所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求6所述的方法。 说明书 : 一种托卡马克等离子体的位形预测系统、方法、设备及介质技术领域[0001] 本申请涉及磁约束核聚变领域，具体而言，涉及一种托卡马克等离子体的位形预测系统、方法、设备及介质。背景技术[0002] 在托卡马克（Tokamak）装置中，等离子体的位形对实验的成功与否至关重要。传统的方法是利用麦克斯韦方程模型进行计算，但是其难以因谷底大量的数据输入。为了应对该问题，随着人工智能技术的发展，基于深度学习的神经网络模型逐渐受到关注。[0003] 然而，等离子体预测具有变量多，数据量大，复杂程度高的特点，在现有的研究中，主要研究内容仅仅是将深度学习方法进行简单的引用，而面向计算机问题的神经网络模型在部分方面难以适应复杂的且数据量大的等离子体预测，其预测性能有限，仍然不能较好的预测等离子体的运动规律。发明内容[0004] 本申请的目的在于提供一种托卡马克等离子体的位形预测系统、方法、设备及介质，其能够准确有效的对托卡马克等离子体的位形进行预测。[0005] 本申请是这样实现的：[0006] 第一方面，本申请提供一种托卡马克等离子体的位形预测系统，包括：[0007] 数据融合模块，用于将输入的多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压。M?TR模块，用于基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果。[0008] 进一步地，基于前述方案，所述数据融合模块包括：序列对齐层，用于将输入的多个时间序列数据进行长度统一处理，以将其统一至预设的最长序列长度；归一化层，用于将输入的多个时间序列数据对应的序列值进行归一化处理；差分层，用于对输入的多个时间序列数据进行计算每个时间步与前一个时间步之间的差异，并根据计算结果对输入的多个时间序列数据进行平稳化处理；一维卷积层，用于使用一维的卷积核对经过长度统一处理、归一化处理和平稳化处理之后的多个时间序列数据进行局部特征提。玫揭晃蛄行问降娜诤鲜奔湫蛄惺。[0009] 进一步地，基于前述方案，所述差分层的计算公式包括：△Xt=Xt?Xt?1，其中△Xt是在时间步t处的差分值，Xt是在时间步t处的原始数据点，Xt?1是在时间步t?1处的原始数据点。[0010] 进一步地，基于前述方案，所述M?TR模块包括反差分层，用以通过反差分处理恢复数据的原始趋势。[0011] 进一步地，基于前述方案，所述反差分层的计算公式包括：Xt=Xt?1+△Xt，其中Xt是在时间步t处的原始数据点，Xt?1是在时间步t?1处的原始数据点，△Xt是在时间步t处的差分值。[0012] 进一步地，基于前述方案，所述M?TR模块的多头注意力机制包括从融合时间序列数据中提取查询向量、键向量和值向量，并根据提取结果利用权重加权求和得到注意力机制的输出。[0013] 进一步地，基于前述方案，所述M?TR模块采用GLU激活函数作为编码器/解码器中间层的激活函数，以增强对等离子体位形预测长时特征的提取和保留。[0014] 第二方面，本申请提供一种托卡马克等离子体的位形预测方法，其包括以下步骤：[0015] 获取多个时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压。将多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据。基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果。[0016] 第三方面，本申请提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器；当上述一个或多个程序被上述处理器执行时，实现如上述第二方面中任一项所述的方法。[0017] 第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第二方面中任一项所述的方法。[0018] 相对于现有技术，本申请至少具有如下优点或有益效果：[0019] 本申请提出了一种托卡马克等离子体的位形预测系统，其通过数据融合模块对多个时间序列数据进行融合处理，使得M?TR模块能够获取更全面、一致的数据输入。这有助于M?TR模块更准确地捕捉数据中的关联信息，从而提高等离子体位形序列的预测准确性。其次，数据融合模块能够处理来自不同传感器和测量设备的多种数据，并将其融合成一致的时间序列数据。这种数据融合过程能够减少数据中的噪声和异常值，提高数据的可靠性和稳定性。附图说明[0020] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。[0021] 图1为本申请一种托卡马克等离子体的位形预测系统一实施例的结构框图；[0022] 图2为本申请一种托卡马克等离子体的位形预测系统又一实施例的结构框图；[0023] 图3为本申请一实施例中M?TR模块的结构示意图；[0024] 图4为本申请一种托卡马克等离子体的位形预测方法一实施例的流程图；[0025] 图5为本申请实施例提供的一种电子设备的结构框图。[0026] 图标：201、处理器；202、存储器；203、通信接口。具体实施方式[0027] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。[0028] 因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。[0029] 下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。[0030] 实施例1[0031] 在利用基于深度学习的神经网络模型对托卡马克等离子体的位形预测的预测中，BinYang等的论文ModelingoftheHL?2Aplasmaverticaldisplacementcontrolsystembasedondeeplearninganditscontrollerdesign提出应用深度学习方法对HL?2A等离子体垂直位形控制系统进行建模，深度学习方法可以提高等离子体垂直位形控制系统的建模精度，并提出了一种新的数据驱动自适应控制算法，可以有效控制等离子体垂直位形。HailongYan等的论文OpticalplasmaboundarydetectionanditsreconstructiononEASTtokamak提出了基于U?Net卷积神经网络来识别等离子体边界，并通过XGBoost模型将边界点的像素坐标与EFIT进行拟合，并且取得了较高的重建精度，这一结果有助于基于可见光相机等离子体边界的重建。SeminJoung的论文BayesianneuralnetworkforplasmaequilibriaintheKoreaSuperconductingTokamakAdvancedResearch提出了一个可靠的深度学习模型概念，该模型能够呈现聚变级等离子体概率分布，同时也将等离子体物理理论结合到模型中。J.T.Wai,M.D.BoyerandE.Kolemen的论文NeuralnetmodelingofequilibriainNSTX?U开发了两个使用平衡和形状控制建模相关的神经网络（NNs），它们是为美国球形托卡马克实验升级计划（NationalSphericalTorusExperiment?Upgrade）开发的一套工具中的一部分，用于快速预测、优化和可视化等离子体场景。SeminJoung,Y.?C.Ghim,JaewookKim的论文GS?DeepNet_masteringtokamakplasmaequilibriawithdeepneuralnetworksandtheGrad?Shafranovequation.提出了GS?DeepNet算法，该算法通过无监督学习来学习等离子体平衡实现可靠的等离子体平衡。其他进展包括开发了一个高斯过程贝叶斯框架以及使用磁流体力学电阻谱反。∕ARS?F）进行三维摄动平衡数据库的开发。[0032] 纵观这些现有技术会发现，等离子体预测具有变量多，数据量大，复杂程度高的特点，在现有的研究中，主要研究内容是将深度学习方法进行简单的引用，而面向计算机问题的神经网络模型在部分方面难以适应复杂的且数据量大的等离子体预测。因此，为了进一步提升托卡马克等离子体的控制效果，本申请实施例提供了一种托卡马克等离子体的位形预测系统，其能够实现准确有效的对托卡马克等离子体的位形进行预测的需求。[0033] 请参阅图1，该一种托卡马克等离子体的位形预测系统包括：数据融合模块，用于将输入的多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压。M?TR模块，用于基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果。[0034] 本申请的方案主要包括预测垂直位形和水平位形，由于在HL?2A的设计中,用于控制水平位形的主要是垂直场线圈的供电电压Vv,而用于控制垂直位形的主要是水平场线圈的供电电压Vr和多级场线圈的环路电流ImpE2。除此之外,欧姆场线圈电压也是一个影响等离子位形的重要因素。因此，本申请的数据融合模块接收的时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压。[0035] 在等离子体位形预测中，实际预测会受到多方面的因素影响，例如：垂直场线圈、水平场线圈、多级场线圈。为了综合考虑各个模态因素对预测结果的影响，数据融合模块先是接收来自不同传感器和测量设备的多个时间序列数据，包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压等。然后对对输入的多个时间序列数据进行融合处理，以提取这些数据的全局信息。融合处理可能包括数据标准化、特征选择、时间对齐等步骤，以确保数据的一致性和可比性。最终，在得到的融合时间序列数据中将综合原始多个时间序列数据的全局信息。[0036] M?TR模块（MIMO?Transformer模块）接收数据融合模块输出的融合时间序列数据，并基于多头注意力机制（Multi?headAttentionMechanism），捕捉融合时间序列数据中不同位置的关联信息。多头注意力机制允许模型同时关注不同位置的多个相关信息，从而更准确地捕捉数据的内在模式。最后，根据捕捉的关联信息，生成等离子体位形序列的预测结果。这些预测结果可以用于指导托卡马克实验中的等离子体控制。[0037] 总之，数据融合模块将融合处理后的时间序列数据传递给M?TR模块，为M?TR模块提供全面、一致的数据输入。而M?TR模块利用数据融合模块提供的融合时间序列数据，通过多头注意力机制捕捉数据中的关联信息，并生成等离子体位形序列的预测结果。其中，如果M?TR模块在预测过程中发现异常或需要调整模型参数，它可以向数据融合模块反馈相关信息，以便数据融合模块调整融合策略或重新处理数据。[0038] 也就是说，通过数据融合模块对多个时间序列数据进行融合处理，M?TR模块能够获取更全面、一致的数据输入。这有助于M?TR模块更准确地捕捉数据中的关联信息，从而提高等离子体位形序列的预测准确性。其次，数据融合模块能够处理来自不同传感器和测量设备的多种数据，并将其融合成一致的时间序列数据。这种数据融合过程能够减少数据中的噪声和异常值，提高数据的可靠性和稳定性。从而增强M?TR模型的鲁棒性，使其能够应对复杂多变的实验环境。再次，如果M?TR模块在预测过程中发现异常或需要调整模型参数，它可以向数据融合模块反馈相关信息。这有助于数据融合模块根据反馈信息调整融合策略或重新处理数据，从而优化整个预测系统的性能。最后，通过准确预测等离子体位形序列，实验人员可以更有效地控制托卡马克实验中的等离子体状态。这有助于减少实验中的不确定性因素，提高实验效率和成功率。[0039] 如图2所示，在本申请的一实现方式中，所述数据融合模块包括：序列对齐层，用于将输入的多个时间序列数据进行长度统一处理，以将其统一至预设的最长序列长度；归一化层，用于将输入的多个时间序列数据对应的序列值进行归一化处理；差分层，用于对输入的多个时间序列数据进行计算每个时间步与前一个时间步之间的差异，并根据计算结果对输入的多个时间序列数据进行平稳化处理；一维卷积层，用于使用一维的卷积核对经过长度统一处理、归一化处理和平稳化处理之后的多个时间序列数据进行局部特征提。玫揭晃蛄行问降娜诤鲜奔湫蛄惺荩ǔざ韧骋磺姨卣髌轿龋。[0040] 对于序列对齐层而言，其通过将输入的多个时间序列数据进行长度统一处理，确保所有序列都具有相同的长度，通常选择预设的最长序列长度作为统一的标准。这是由于不同传感器或测量设备的采样频率可能不同，导致收集到的时间序列数据长度不一。序列对齐层确保了数据的一致性，为后续的融合处理提供了基础。示例性地，可以提前设定一个最长的序列长度作为统一值，对其他不足最长长度的序列进行末端补0，使其长度达到预先设定的序列长度。[0041] 对于归一化层而言，通过对输入的多个时间序列数据对应的序列值进行归一化处理，即将不同量纲的数据转换为同一量纲，可以消除数据之间的尺度差异。这将有助于提高模型的稳定性和泛化能力，使得模型能够更好地处理不同量纲的数据。示例性地，可以使用sigmoid函数对序列值进行归一化，使其范围统一到0?1之间。[0042] 对于差分层而言，通过对输入的多个时间序列数据进行差分运算，计算每个时间步与前一个时间步之间的差异。基于这些差异，可以对时间序列进行平稳化处理，减少数据中的噪声和趋势成分。即，差分运算有助于捕捉时间序列数据中的变化信息，而平稳化处理则有助于减少数据中的非平稳因素，提高数据的质量。示例性地，所述差分层的计算公式可以包括：△Xt=Xt?Xt?1，其中△Xt是在时间步t处的差分值，Xt是在时间步t处的原始数据点，Xt?1是在时间步t?1处的原始数据点。上述差分操作计算了每个时间步与前一个时间步之间的差异，这可以帮助去除趋势和季节性，将非平稳数据转换为平稳数据，使其更适合进行序列分析和建模。[0043] 对于一维卷积层而言，通过使用一维的卷积核对经过长度统一处理、归一化处理和平稳化处理之后的多个时间序列数据进行局部特征提取。通过卷积运算，可以提取出时间序列数据中的关键信息，形成一维序列形式的融合时间序列数据。其中，一维卷积层能够捕捉时间序列数据中的局部特征，并将其融合成反映全局信息的一维序列。这种融合时间序列数据为后续的M?TR模块提供了丰富的信息基。兄谔岣叩壤胱犹逦恍卧げ獾淖既沸。[0044] 总之，通过序列对齐、归一化、差分和平稳化处理，数据融合模块能够显著提高输入时间序列数据的质量，减少噪声和非平稳因素的影响。其中，归一化处理消除了数据之间的尺度差异，使得模型能够更好地处理不同量纲的数据，从而提高了模型的泛化能力。一维卷积层能够捕捉时间序列数据中的局部特征，并将其融合成反映全局信息的一维序列。这种融合时间序列数据为后续的M?TR模块提供了丰富的信息基。兄谔岣叩壤胱犹逦恍卧げ獾淖既沸。另外，通过数据融合模块的有效处理，整个预测系统的性能得到了优化。更准确的数据输入和更丰富的信息基础使得M?TR模块能够更准确地预测等离子体位形序列，从而提高了整个系统的预测性能和稳定性。[0045] 由于在数据融合模块中，本申请对等离子体位形序列进行了一阶差分。因此，为了保证预测结果的准确还原，在本申请的一实现方式中，所述M?TR模块包括反差分层，用以通过反差分处理恢复数据的原始趋势。所述反差分层的计算公式包括：Xt=Xt?1+△Xt，其中Xt是在时间步t处的原始数据点，Xt?1是在时间步t?1处的原始数据点，△Xt是在时间步t处的差分值。[0046] 当M?TR模块在预测等离子体位形序列后，为了与原始数据或其他模型进行比较，或者为了将预测结果用于需要原始趋势信息的应用中，可能需要一个额外的步骤来恢复数据的原始趋势。这时，反差分层就起到了关键作用。[0047] 反差分层是差分层的一个逆过程，它用于通过反差分处理恢复数据的原始趋势。在数据融合模块中，差分层通过计算相邻时间步之间的差异来减少数据中的趋势成分，使数据更加平稳。而在M?TR模块中，一旦生成了预测结果，反差分层就会根据先前的差分数据，将这些预测结果重新整合为包含原始趋势的形式。反差分层的实现方式取决于差分层的具体实现。在简单的情况下，如果差分层只是简单地计算了相邻时间步的差值（如△Xt=Xt?Xt?）1 ，那么反差分层就可以通过累加这些差值来恢复原始数据。[0048] 如图3所示，在本申请的一实现方式中，所述M?TR模块的多头注意力机制包括从融合时间序列数据中提取查询向量、键向量和值向量，并根据提取结果利用权重加权求和得到注意力机制的输出。[0049] M?TR模块（是指结合了多头注意力机制（Multi?HeadAttention）和某种时间序列处理（例如Transformer）的模块）用于处理融合时间序列数据。多头注意力机制是该模块中的关键组成部分，它通过从融合时间序列数据中提取查询向量（Query）、键向量（Key）和值向量（Value），并基于这些向量计算注意力权重，进而加权求和得到最终的输出。示例性地，为了构建一个高效的模型，在M?TR的结构中可以将表示维度设置为16，每个多头注意力机制使用了8个注意力头，编码器和解码器的层数分别设为2层，其中每层的隐藏单元数量为128。[0050] 其中，多头注意力机制的原理和处理主要包括：[0051] （1）数据输入：输入是融合时间序列数据，这些数据已经经过了序列对齐、归一化、差分处理以及一维卷积等步骤，并转化为模型可以处理的格式。[0052] （2）向量提。翰檠蛄浚≦uery），从当前时间步或特定位置的数据中提取特征，用于与键向量进行匹配。键向量（Key），从所有时间步的数据中提取特征，用于与查询向量进行匹配。值向量（Value），与键向量相关联，用于根据注意力权重生成最终的输出。在多头注意力机制中，上述三种向量的提取通过线性变换（即权重矩阵与输入数据的乘积）来实现。[0053] （3）计算注意力权重：通过查询向量和键向量的点积（或其他相似度度量方式），计算每个时间步与当前时间步之间的注意力权重。这些权重反映了不同时间步对于当前时间步的重要性。接着，使用softmax函数对注意力权重进行归一化，确保所有权重之和为1。[0054] （4）加权求和：使用归一化后的注意力权重对值向量进行加权求和，得到注意力机制的输出。这个输出综合考虑了所有时间步的信息，但更加关注与当前时间步相关的信息。[0055] （5）多头处理：在多头注意力机制中，上述过程会并行进行多次（即多个“头”），每个头都会使用不同的线性变换参数。这有助于模型捕获数据中的多种相关性模式。最后，所有头的输出会被拼接起来，并可能再次通过一个线性变换得到最终的输出。[0056] 通过这种方式，M?TR模块的多头注意力机制能够有效地从融合时间序列数据中提取关键信息，并根据这些信息生成更加准确的预测结果。这种机制在处理长时间序列数据或具有复杂依赖关系的数据时尤为有效。[0057] 在本申请的一实现方式中，所述M?TR模块采用GLU激活函数作为编码器/解码器中间层的激活函数，以增强对等离子体位形预测长时特征的提取和保留。[0058] 需要说明是，平稳化处理虽然增强了时序数据的可预测性，但却将原始序列的复杂的时变分布退化为不随时间变化的平稳分布。作为依靠从分布中学习数据模式的深度模型，这种退化显然会导致Transformer在时序依赖的建模上失去其原本优势。此外，非平稳性是真实世界中时序数据的本质特性，往往与序列本身可捕捉的时序依赖互相关联。因此，如何同时提高时序数据的可预测性以及充分利用深度模型的时序建模能力，是提高非平稳时序预测效果的关键。为此，在上述实现方式中，通过采用GLU激活函数作为编码器/解码器中间层的激活函数，可以增强对等离子体位形预测长时特征的提取和保留。[0059] 其中，GLU激活函数的特点在于其门控机制，它允许网络根据输入数据的上下文来选择性地过滤和保留信息。这种机制使得GLU激活函数在处理序列数据时具有极大的优势，因为它能够捕捉和保留长时依赖关系。从而，选择GLU激活函数作为M?TR模块编码器/解码器中间层的激活函数可以显著增强模型对等离子体位形预测中长时特征的提取和保留能力，可以极大的提高模型的性能和效果。[0060] 具体来说，GLU激活函数通过计算两个并行线性变换（通常是全连接层或卷积层）的输出，并使用Sigmoid函数将其中一个变换的输出压缩到0和1之间作为门控信号。然后，这个门控信号会与另一个线性变换的输出进行逐元素相乘，从而实现对输入信息的选择性过滤。这种机制使得GLU激活函数能够根据输入数据的上下文来动态地调整其输出，从而更好地捕捉和保留长时依赖关系。在M?TR模块中，编码器/解码器中间层负责处理输入和输出序列的潜在表示。通过使用GLU激活函数作为这一层的激活函数，M?TR模块能够更好地提取和保留等离子体位形预测中的长时特征，从而提高预测的准确性和可靠性。此外，GLU激活函数的非线性变换能力和自适应功能也有助于提高模型的泛化能力和鲁棒性。[0061] 实施例2[0062] 请参阅图4，本申请实施例提供了一种托卡马克等离子体的位形预测方法，其包括以下步骤：[0063] 获取多个时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压。将多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据。基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果。[0064] 上述方法具体实现过程请参照实施例1中提供的一种托卡马克等离子体的位形预测系统，在此不再赘述。[0065] 实施例3[0066] 请参阅图5，本申请实施例提供了一种电子设备，该电子设备包括至少一个处理器201和至少一个存储器202；其中，处理器201与存储器202相互之间直接连接，或通过通信接口203完成相互间的通信，亦或是通过一条或多条通信总线或信号线实现电性连接，以实现数据的传输或交互；存储器202存储有可被处理器201执行的程序指令，处理器201调用程序指令以执行一种托卡马克等离子体的位形预测方法。例如实现：[0067] 获取多个时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压。将多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据。基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果。[0068] 其中，存储器202可以是但不限于，随机存取存储器（RandomAccessMemory，RAM），只读存储器（ReadOnlyMemory，ROM），可编程只读存储器（ProgrammableRead?OnlyMemory，PROM），可擦除只读存储器（ErasableProgrammableRead?OnlyMemory，EPROM），电可擦除只读存储器（ElectricErasableProgrammableRead?OnlyMemory，EEPROM）等。[0069] 处理器201可以是一种集成电路芯片，具有信号处理能力。该处理器201可以是通用处理器，包括中央处理器（CentralProcessingUnit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（DigitalSignalProcessing，DSP）、专用集成电路（ApplicationSpecificIntegratedCircuit，ASIC）、现场可编程门阵列（Field－ProgrammableGateArray，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0070] 可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。[0071] 实施例4[0072] 本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器201执行时实现一种托卡马克等离子体的位形预测方法。例如实现：[0073] 获取多个时间序列数据；所述时间序列数据包括垂直场线圈的供电电压、水平场线圈的供电电压、多级场线圈的环路电流和欧姆场线圈电压。将多个时间序列数据进行融合处理，以提取多个时间序列数据的全局信息并得到融合时间序列数据。基于多头注意力机制，捕捉融合时间序列数据中不同位置的关联信息，以根据捕捉的关联信息生成等离子体位形序列的预测结果。[0074] 上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read?OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。[0075] 对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

专利地区：四川

专利申请日期：2024-08-21

专利公开日期：2024-10-22

专利公告号：CN118656803B