基于双向长短时记忆神经网络的托卡马克放电建模系统的制作方法

技术特征：
1.一种基于双向长短时记忆神经网络的托卡马克放电建模系统，其特征在于：由多个不同模块所组成，所述的不同模块指的是低耦合的功能分割，所述多个不同模块至少包括：数据转存模块、batch数据访问输入模块、训练自定义参数模块、数据可视化模块、双向长短时记忆(lstm)神经网络的建模模块；其中：数据转存模块：从mdsplus数据库中不经过server层直接映射至hdf5格式的数据，此过程需要重写server层驱动直接访问mdsplus数据库的对应原始数据并且计算metadata存储至mongodb中；batch数据访问输入模块：将数据转存模块中的hdf5格式的数据转换成神经网络能够接受的输入数据，同时进行分桶(bucketing)操作和并行化的batch数据输入；训练自定义参数模块：根据需要训练模型的建模参数调用双向长短时记忆神经网络建模模块定制参数；调用数据转存模块生成所需要的数据；利用batch数据访问输入模块输入数据到机器学习模型中；训练自定义参数的双向长短时神经网络的机器学习模型；数据可视化模块：可视化的自定义参数模型训练过程和已训练好的模型的建模结果；双向长短时记忆(lstm)神经网络的建模模块：为六个神经网络层的叠加，分别是一个输入层，四个双向长短时记忆神经网络层和一个全连接层，构成托卡马克放电建模工作的主体，利用该模型来建模托卡马克全过程放电系统。2.根据权利要求1所述的基于双向长短时记忆神经网络的托卡马克放电建模系统，其特征在于：所述数据转存模块直接的将mdsplus数据库的原始数据转存至hdf5格式的文件中，同时计算metadata存储至mongodb中。3.根据权利要求1所述的基于双向长短时记忆神经网络的托卡马克放电建模系统，其特征在于：所述双向长短时记忆(lstm)神经网络的建模模块具体为：输入层：作为整个网络的起点，双向将65道输入的时间序列信号转化为输入的张量而后将输入张量分配到gpu上进行计算；四个双向长短时记忆层：承接来自于输入层的输出数据；第一个双向lstm层首先将输入的65维的时间序列数据经过一个双向lstm的权重计算而后扩展成512维的输出数据；第二到第四双向lstm层：在进行权重计算，利用上下文信息推测当前的建模的结果；输出层：将四个堆叠的双向lstm的输出，转换成目标信号所对应的输出维度大小。4.根据权利要求1所述的基于双向长短时记忆神经网络的托卡马克放电建模系统，其特征在于：所述batch数据访问输入模块中数据分桶和多进程的batch数据并行数据输入。5.根据权利要求1所述的基于双向长短时记忆神经网络的托卡马克放电建模系统，训练自定义参数模块，其特征在于：自定义的参数训练模块根据需求自定义模型训练的参数：a)保存默认参数和接受用户输入或修改参数，参数包括模型的堆叠方式，大小和输入输出数据，同时该操作会调用数据转存模块对转存的数据进行修改，会对缺失的数据进行增补；b)使用用户设置的参数进行双向神经网络的模型训练，根据这些参数，调用batch数据输入模块产生数据输入到双向长短时记忆神经网络中进行训练；c)生成模型训练的可视化中间数据，调用可视化模型进行模型训练过程，损失函数、准确率、模型结构等的可视化。

技术总结
本发明公开了基于双向长短时记忆神经网络的托卡马克放电建模系统，由多个模块组成，所述的模块是低耦合的功能单元。所述的模块至少包括数据转存模块、Batch数据访问输入模块、训练自定义参数模块、双向长短时记忆神经网络建模模块、数据可视化模块。整个系统的体系架构主要分成两路分别是数据训练和数据建模。利用可视化技术提供给托卡马克放电实验人员放电建模的结果做参考和可视化模型训练过程。本发明可以一键式的在实验提案阶段提前建模全过程的托卡马克放电曲线，供实验人员和提案设计人员检查提案有效性和合理性。本发明同时也可用于对实验后的数据进行辅助数据发现。可用于对实验后的数据进行辅助数据发现。可用于对实验后的数据进行辅助数据发现。


技术研发人员：万晨光 刘晓娟 于治 李建刚
受保护的技术使用者：中国科学院合肥物质科学研究院
技术研发日：2021.12.21
技术公布日：2022/3/25