[发明专利]基于深度神经网络的托卡马克等离子体大破裂预测算法

权利要求书

1.基于深度神经网络的托卡马克等离子体大破裂预测算法，其特征在于，包括如下步骤：

步骤一、训练数据集准备；

获取托卡马克装置历史放电中与破裂相关的各个诊断和控制系统的信号；

采集多次历史放电中的时间序列数据，形成训练数据集；

步骤二、神经网络模型创建及预测计算

神经网络模型的层序列包括一维卷积层、批归一化层、全连接层和循环神经网络层；

2.1利用神经网络层序列进行计算，得到低采样率输入的时序特征显著性矩阵；

2.2利用神经网络层序列进行计算，得到高采样率输入的时序特征显著性矩阵；

2.3将步骤2.1和步骤2.2的矩阵输出进行拼接，经神经网络层序列进行计算，得到最终的神经网络模型输出，即破裂可能性值；

步骤三、进行模型参数训练

3.1根据每个神经网络层的输入和输出矩阵规模，利用Glorot初始化法给定参数矩阵的初始化值；

3.2随机抓取训练数据集中的时间序列数据，随机截取时间长度一端，构成一个训练批次的数据，其包括输入矩阵A、输入矩阵C和输出标签L，以及权重矩阵Weight；其中A和C来自于对历史数据库的采集，L由该数据来源的放电实验是否发生了破裂决定，如果数据来源的实验发生了破裂，且数据对应的时间距离破裂不超过0.1秒，则L取值为1，否则为-1；如果数据来源的实验发生了破裂，且数据对应的时间距离破裂在0.03秒和0.2秒之间，则Weight取值为0，否则取值为1；

3.3将一个训练批次的数据输入神经网络模型进行计算，神经网络对每个A和C的值得出计算结果Y，将Y与标签L求hinge loss，并以Weight加权，则会得到本批次的预测损失，如下式所示；

Loss＝max(1，1-Y*L)*Weight

3.4确定更新后的神经网络模型的权重参数W^*和B^*

其中，W为卷积层的权重矩阵；B是全连接层的偏置矩阵；B^*的计算方式与W^*完全相同，将公式中的W替换为B即可；

其中η代表梯度下降法的步长，用于确定最小化预测损失，Loss为前一步骤计算的预测损失；

步骤3.5反复执行3.2-3.4步骤，直到损失函数不再下降，或者整个训练集的数据都被抓取过20次以上，则停止训练；

步骤四、推理阶段实时化部署

神经网络模型训练完成后，将参数输入神经网络模型进行计算，便可以获得实时的破裂可能性值；

步骤一所述的各个诊断和控制系统的信号为单值浮点数和浮点数向量；

所述的单值浮点数为15道1kHz信号，包括等离子体电流、等离子体电流与预设电流差值、等离子体环压、环向磁场、欧姆场线圈电流、Bolometer系统平均辐射水平、中平面电子线积分密度、0-5千电子伏能区硬X射线水平、5-10千电子伏能区硬X射线水平、ECRH加热系统加热功率、NBI加热系统加热功率、等离子体储能、等离子体水平位移、等离子体垂直位移和等离子体归一化比压；所述的浮点数向量为6道10kHz信号，包括偏滤器去氘α线辐射强度、软X射线中平面线积分强度、对称位置极向磁探针一对和对称位置环向磁探针一对；

步骤2.1将步骤1.1获得的15个单值浮点数对应输入15个并行的神经网络层序列进行计算，得到低采样率输入的时序特征显著性矩阵；

步骤2.2将步骤1.1获得的6个长度10的浮点数向量对应输入6个并行的神经网络层序列进行计算，得到高采样率输入的时序特征显著性矩阵；

所述步骤2.1中的神经网络层序列包含两个并行的循环神经网络层；

神经元数量为16的循环神经网络层；

神经元数量为16的循环神经网络层；

将获得的15个单值浮点数对应输入15个并行的神经网络层序列进行计算，得到低采样率输入的时序特征显著性矩阵，其为15*1的矩阵输入转换为15*16的矩阵输出；

所述步骤2.2中的神经网络层序列为6个并行的神经网络层，即

卷积核数量为32、卷积核宽度为3的一维卷积层；

卷积核数量为32、卷积核宽度为3的批归一化层；

卷积核数量为64、卷积核宽度为3的一维卷积层；

卷积核数量为64、卷积核宽度为3的批归一化层；

卷积核数量为64、卷积核宽度为3的一维卷积层；

卷积核数量为64、卷积核宽度为3的批归一化层；

将获得的6个长度10的浮点数向量对应输入6个并行的神经网络层序列进行计算，得到高采样率输入的时序特征显著性矩阵，其为6*32的矩阵输出；

所述步骤2.3中，将步骤2.1和步骤2.2的矩阵输出进行拼接，得到长度432的一维向量，所述的神经网络层序列包括

神经元数量为128的循环神经网络层；

神经元数量为128的循环神经网络层；

神经元数量为32的全连接层；

神经元数量为32的全连接层；

神经元数量为1的全连接层。