【技术实现步骤摘要】
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。
技术介绍
1、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。
2、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。
技术实现思路
1、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。
2、本申请是这样实现的：
3、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：
4、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。
5、进一步地，基于前述方案，所述数据融合模块包
6、进一步地，基于前述方案，所述差分层的计算公式包括：△ x t = x t - x t-1，其中△ x t是在时间步 t处的差分值， x t是在时间步 t处的原始数据点， x t-1是在时间步 t-1处的原始数据点。
7、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。
8、进一步地，基于前述方案，所述反差分层的计算公式包括： x t = x t-1 + △ x t，其中 x t是在时间步 t处的原始数据点， x t-1是在时间步 t-1处的原始数据点，△ x t是在时间步 t处的差分值。
9、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。
10、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。
11、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：
12、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。
13、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。
14、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。
15、相对于现有技术，本申请至少具有如下优点或有益效果：
16、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。
本文档来自技高网...【技术保护点】
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：
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，所述数据融合模块包括：
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。
4.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。
5.如权利要求4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。
6.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
7.如权利要求1所述的一种托卡马克等离子体的位
8.一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：
9.一种电子设备，其特征在于，包括：
10.一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8所述的方法。
...【技术特征摘要】
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：
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，所述数据融合模块包括：
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。
4.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。
5.如权利要求4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 +...
【专利技术属性】
技术研发人员：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，
申请(专利权)人：成都理工大学工程技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。