一种托卡马克新经典撕裂模识别方法、装置、设备及介质

本技术涉及人工智能，尤其涉及一种托卡马克新经典撕裂模识别方法、装置、设备及介质。

背景技术：

1、新经典撕裂模是影响托卡马克等离子体约束性能的重要磁流体力学不稳定性，在托卡马克实验过程中，通常需要结合mirnov（米尔诺夫）磁探针等诊断信号对磁扰动进行分析，以识别新经典撕裂模的模式类别，并将识别结果用于实验数据分析、结果复核及后续研究。现有的新经典撕裂模识别工作较多依赖人工逐炮、逐时间段对多通道磁探针信号进行判读，当面对长期积累的多通道、高采样率时序数据时，存在处理工作量较大以及不同人员判读标准难以完全一致的问题。随着深度学习方法应用于时序信号识别，普通时序分类模型能够自动提取信号特征，但现有处理方式通常对不同探针通道以及不同时间步采用较为固定的特征处理方式，难以充分体现不同磁探针通道以及不同时间阶段对新经典撕裂模识别结果的差异化贡献，现有对新经典撕裂模的识别能力有待提升。

技术实现思路

1、为解决以上技术问题，本技术提供了一种托卡马克新经典撕裂模识别方法、装置、设备及介质，能够提高对不同新经典撕裂模类别的自动识别能力。

2、本技术提供了一种托卡马克新经典撕裂模识别方法，包括：

3、获取若干路磁探针时序信号的采样值并进行标准化，得到标准化采样值；

4、基于所述标准化采样值，采用预训练的时序分类模型进行分类，得到对应的新经典撕裂模类别；在所述时序分类模型中，每路所述磁探针时序信号对应一个通道，先通过通道注意力单元对不同通道的所述标准化采样值进行自适应加权，之后通过时序卷积残差块与长短时记忆网络提取局部特征与长期时序特征，输出各时间步对应的隐藏状态；再通过时间注意力单元对不同时间步的所述隐藏状态进行加权求和，最后经过全连接层和输出层得到新经典撕裂模类别及对应的类别概率。

5、作为上述方案的改进，所述时序分类模型包括所述通道注意力单元、四个串联的所述时序卷积残差块、四层堆叠的所述长短时记忆网络、所述时间注意力单元；每个所述时序卷积残差块均包括两层一维时序卷积层、裁剪层、线性整流激活层、随机失活层和残差连接。

6、作为上述方案的改进，所述通过通道注意力单元对不同通道的所述标准化采样值进行自适应加权，包括：

7、所述通道注意力单元对每一通道的所述标准化采样值进行时间维度的绝对值平均池化，得到通道描述向量；

8、将所述通道描述向量依次经第一全连接映射层、线性整流激活层、第二全连接映射层、sigmoid函数，生成通道权重；

9、将所述通道权重与对应的所述标准化采样值相乘得到通道加权窗口样本，以输出到所述时序卷积残差块。

10、作为上述方案的改进，所述通过时间注意力单元对不同时间步的所述隐藏状态进行加权求和，包括：

11、所述时间注意力单元接收所述长短时记忆网络输出的各时间步对应的隐藏状态，通过多维注意力映射计算各时间步相关性得分；

12、将所述各时间步相关性得分经softmax归一化生成对应的时间注意力权重；

13、根据所述时间注意力权重对各时间步的所述隐藏状态进行加权求和，得到注意力汇聚特征，以输出到所述全连接层与所述输出层。

14、作为上述方案的改进，所述获取若干路磁探针时序信号的采样值并进行标准化，得到标准化采样值，包括：

15、获取若干路磁探针时序信号的采样值，对所述采样值进行通道同步、噪声抑制和重采样，得到对齐的多通道时序信号；其中每路所述磁探针时序信号对应一个通道；

16、针对所述多通道时序信号中每一通道的信号，采用预设时间窗口切分信号，得到每一通道对应的窗口样本；

17、针对每一通道，以放电炮为最小分组单位将所述窗口样本划分为训练集、验证集和测试集，并根据所述训练集中所述窗口样本的均值和标准差，对当前通道的所述窗口样本进行标准化，得到对应通道的标准化采样值；其中，所述训练集对应的所述标准化采样值用于训练所述时序分类模型，以获得所述预训练的时序分类模型。

18、作为上述方案的改进，所述方法还包括：

19、在所述时序分类模型的训练过程中，在基于所述磁探针时序信号的初始数据批次训练得到初始的所述时序分类模型后，按数据批次顺序，对当前数据批次采用当前所述时序分类模型逐窗口进行识别，得到所述新经典撕裂模类别的识别结果；其中，所述新经典撕裂模类别包括以下三类：2/1撕裂模、3/2撕裂模、其他模式；

20、基于所述识别结果中的三类识别概率，以及相邻窗口的识别结果的时间连续性，进行代表性窗口与难判窗口的筛选，得到对应的候选窗口集合；

21、获取对于所述候选窗口集合的复核结果，基于所述复核结果将经复核确认的窗口及其类别标签加入训练集，并基于更新后的训练集重新训练所述时序分类模型，以将更新后的所述时序分类模型用于处理下一数据批次；

22、当全部数据批次处理完成后，得到最终的所述时序分类模型；

23、基于最终的所述时序分类模型对历史磁探针时序信号进行逐窗口识别，得到识别结果，并将该识别结果中每个窗口的类别标签与三类识别概率、通道注意力权重、时间注意力摘要、原始数据标识、放电炮号、窗口起止时间、信号处理参数、模型版本和推理时间戳关联写入数据库。

24、作为上述方案的改进，所述磁探针时序信号包括24路信号，分别从托卡马克实验装置中设置的两个环向对称端口获取，每个端口均包括高场侧7路信号和低场侧5路信号。

25、本技术还提供了一种托卡马克新经典撕裂模识别装置，包括：

26、数据获取模块，用于获取若干路磁探针时序信号的采样值并进行标准化，得到标准化采样值；

27、模式识别模块，用于基于所述标准化采样值，采用预训练的时序分类模型进行分类，得到对应的新经典撕裂模类别；在所述时序分类模型中，每路所述磁探针时序信号对应一个通道，先通过通道注意力单元对不同通道的所述标准化采样值进行自适应加权，之后通过时序卷积残差块与长短时记忆网络提取局部特征与长期时序特征，输出各时间步对应的隐藏状态；再通过时间注意力单元对不同时间步的所述隐藏状态进行加权求和，最后经过全连接层和输出层得到新经典撕裂模类别及对应的类别概率。

28、本技术还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，且所述计算机程序被配置为由所述处理器执行，所述处理器执行所述计算机程序时实现上述任一项所述的托卡马克新经典撕裂模识别方法。

29、本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的托卡马克新经典撕裂模识别方法。

30、相对于现有技术，本技术提供的一种托卡马克新经典撕裂模识别方法、装置、设备及介质的有益效果在于：通过对若干路磁探针时序信号进行标准化，并在时序分类过程中先利用通道注意力单元对不同通道进行自适应加权，再结合时序卷积残差块与长短时记忆网络分别提取局部时序特征和长期时序特征，并利用时间注意力单元对不同时间步的隐藏状态进行加权汇聚，使模型能够同时考虑不同磁探针通道以及不同时序阶段对分类结果的不同贡献，从而提高2/1撕裂模、3/2撕裂模及其他模式的区分能力，并降低仅采用固定通道处理和固定时间特征贡献方式所导致的识别信息利用不足；同时，通过输出三类类别概率并确定对应的新经典撕裂模类别，可以形成面向窗口的结构化识别结果，为后续实验数据复核、统计分析及识别结果的数据库化管理提供基础。本技术能够有效提高对不同新经典撕裂模类别的自动识别能力。