本發(fā)明涉及等離子體破裂預(yù)測(cè)，具體涉及一種基于深度學(xué)習(xí)的可見(jiàn)光視頻等離子體破裂預(yù)測(cè)方法。

背景技術(shù)：

1、等離子體破裂預(yù)測(cè)任務(wù)是將診斷信號(hào)輸入到模型中學(xué)習(xí)破裂信息，對(duì)破裂前兆進(jìn)行識(shí)別，及時(shí)觸發(fā)破裂緩解系統(tǒng)防止破裂發(fā)生。此前對(duì)破裂預(yù)測(cè)的研究主要依賴(lài)標(biāo)量零維（0d）信號(hào)和一維（1d）剖面作為破裂預(yù)測(cè)器的輸入，這些信號(hào)由專(zhuān)家經(jīng)驗(yàn)篩選，被認(rèn)為與破裂密切相關(guān)。目前的破裂預(yù)測(cè)任務(wù)缺乏對(duì)高維可見(jiàn)光視頻信號(hào)的充分利用，可見(jiàn)光診斷作為等離子體運(yùn)行的常規(guī)診斷工具，可以監(jiān)測(cè)多種破裂相關(guān)的關(guān)鍵因素，例如等離子體位置、形狀、雜質(zhì)濺射、熱點(diǎn)、回收粒子輻射、marfe?以及其他與破裂相關(guān)的等離子體變化。未來(lái)的托卡馬克將配備覆蓋整個(gè)主腔室的可見(jiàn)光/紅外系統(tǒng)，以盡可能多地觀察壁面，提供破裂事件預(yù)測(cè)與規(guī)避所需的寶貴視頻數(shù)據(jù)。因此，為了迎接?iter?的運(yùn)行，需要加強(qiáng)研究，證明基于視頻數(shù)據(jù)的實(shí)時(shí)破裂預(yù)測(cè)是可行的。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出的一種基于深度學(xué)習(xí)的可見(jiàn)光視頻等離子體破裂預(yù)測(cè)方法、設(shè)備及存儲(chǔ)介質(zhì)，可至少解決背景技術(shù)中的技術(shù)問(wèn)題之一。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：

3、一種基于深度學(xué)習(xí)的可見(jiàn)光視頻等離子體破裂預(yù)測(cè)方法，包括數(shù)據(jù)獲取與處理，用來(lái)訓(xùn)練可見(jiàn)光視頻等離子體破裂預(yù)測(cè)模型，通過(guò)預(yù)測(cè)模型對(duì)等離子體運(yùn)行視頻進(jìn)行預(yù)測(cè)是否破裂；

4、其中，數(shù)據(jù)獲取與處理包括獲取可見(jiàn)光相機(jī)拍攝的等離子體運(yùn)行視頻，并截取視頻片段，對(duì)于破裂炮視頻，截取破裂前設(shè)定時(shí)間長(zhǎng)度的視頻片段，對(duì)于非破裂炮，隨機(jī)截取電流平頂段的相同時(shí)間長(zhǎng)度的視頻片段，所截取的視頻片段統(tǒng)一成相同的幀率，再對(duì)視頻圖像預(yù)處理。

5、進(jìn)一步地，所述等離子體破裂預(yù)測(cè)模型，包括下采樣層、metaformer模塊、bilstm和全連接層構(gòu)建而成，其中metaformer模塊中的令牌混合器token?mixer由自適應(yīng)頻率濾波aff和自注意力機(jī)制attention實(shí)現(xiàn)；

6、模型首先經(jīng)過(guò)metaformer模塊提取圖像特征，得到特征向量t,將特征向量輸入bilstm，學(xué)習(xí)視頻的時(shí)序信息，最后經(jīng)過(guò)全連接層輸出預(yù)測(cè)結(jié)果；bilstm能夠同時(shí)處理時(shí)間序列的前向和后向信息；

7、其中，模型包含n個(gè)階段下采樣層，第一階段下采樣層由兩個(gè)相同尺寸的二維卷積核以及一個(gè)relu激活函數(shù)組成；后面n-1階段下采樣層由兩個(gè)不同尺寸的深度可分離卷積核以及一個(gè)relu激活函數(shù)組成；

8、其中，每個(gè)metaforme模塊包含令牌混合器token?mixer和多層感知機(jī)mlp，層歸一化作用在他們前面；前n-1階段metaforme模塊中的令牌混合器token?mixer由自適應(yīng)頻率濾波實(shí)現(xiàn)，輸入特征圖先經(jīng)過(guò)快速傅里葉變換得到原始圖像的頻域表示，得到對(duì)應(yīng)的頻域表示后，使用頻率濾波保留重要頻率信息；最后，使用逆傅里葉變換將過(guò)濾后的頻率表示轉(zhuǎn)換成更新后的原始時(shí)域特征空間。最后一階段metaforme模塊中的令牌混合器token?mixer采用自注意力機(jī)制attention實(shí)現(xiàn)。

9、進(jìn)一步地，其中，模型用來(lái)過(guò)濾頻率信息的頻率濾波由兩種二維卷積核和gelu激活函數(shù)構(gòu)成，兩個(gè)不同的卷積核并行計(jì)算后將結(jié)果拼接一起，經(jīng)過(guò)gelu激活函數(shù)后再輸入到兩個(gè)不同的卷積核并行計(jì)算，最后輸出過(guò)濾后的頻率信息。

10、進(jìn)一步地，自注意力機(jī)制attention通過(guò)建模不同token之間的關(guān)系，能夠有效捕獲序列數(shù)據(jù)中的全局依賴(lài)性；

11、首先將令牌映射為三個(gè)不同的向量：查詢(xún)q、鍵向量k和值向量v，用于計(jì)算它們之間的注意力分?jǐn)?shù)；通過(guò)計(jì)算查詢(xún)q和鍵k?的點(diǎn)積，可以獲得每個(gè)令牌的注意力分?jǐn)?shù)，反映出每個(gè)令牌對(duì)最終任務(wù)的貢獻(xiàn)度接著，利用?softmax?函數(shù)對(duì)結(jié)果進(jìn)行歸一化，得到每個(gè)令牌的注意力權(quán)重；最后，將值向量v按這些歸一化的注意力權(quán)重加權(quán)并求和，生成最終的注意力輸出；

12、注意力機(jī)制的計(jì)算公式如公式?（2）?所示；

13、其中，表示鍵向量k的維度，用于縮放點(diǎn)積的結(jié)果，防止數(shù)值過(guò)大導(dǎo)致梯度不穩(wěn)定；

14、。

15、進(jìn)一步地，查詢(xún)q、鍵向量k和值向量v計(jì)算方式見(jiàn)公式（1），其中、和表示可訓(xùn)練的權(quán)重矩陣，表示輸入令牌序列；

16、

17、

18、

19、通過(guò)計(jì)算查詢(xún)q?和鍵向量k?的點(diǎn)積，可以獲得每個(gè)令牌的注意力分?jǐn)?shù)，這反映了每個(gè)令牌對(duì)最終任務(wù)的貢獻(xiàn)。

20、進(jìn)一步地，自適應(yīng)頻率濾波應(yīng)用二維快速傅里葉變換來(lái)獲取令牌的相應(yīng)頻率表示；

21、二維快速傅里葉變換快速將信號(hào)從時(shí)域轉(zhuǎn)換到頻域，公式表示為：

22、

23、在公式?（3）?中，的頻率成分被映射到中不同空間位置的特征，這個(gè)過(guò)程通過(guò)一個(gè)復(fù)雜度為的變換整合了來(lái)自的全局信息；接著，應(yīng)用一個(gè)可學(xué)習(xí)的掩碼來(lái)過(guò)濾的頻率表示，從而實(shí)現(xiàn)高效的令牌混合；

24、隨后，過(guò)濾后的經(jīng)過(guò)逆傅里葉變換，得到在原始特征空間中的更新頻率表示，這個(gè)過(guò)程通過(guò)公式（4）來(lái)表示：

25、

26、這里，是可學(xué)習(xí)的掩碼，由兩種不同大小的卷積核3×3?和?1×1組成，并通過(guò)gelu?激活函數(shù)，外加兩個(gè)相同的卷積核，在應(yīng)用掩碼后，引入了跳躍連接以減輕過(guò)擬合的風(fēng)險(xiǎn)，符號(hào)表示逐元素相乘，而符號(hào)表示跳躍連接，此外，表示逆傅里葉變換，它將過(guò)濾后的頻域轉(zhuǎn)換回空間域。

27、進(jìn)一步地，掩碼通過(guò)多分支結(jié)構(gòu)實(shí)現(xiàn)，采用了結(jié)構(gòu)重參數(shù)化技術(shù)，將多分支結(jié)構(gòu)在推理時(shí)轉(zhuǎn)化為單分支結(jié)構(gòu)，具體包括將?1×1?的卷積核轉(zhuǎn)換為?3×3?的卷積核，然后將其與另一個(gè)?3×3?的卷積核相加，形成一個(gè)單分支結(jié)構(gòu)，合并后的?3×3?卷積核通過(guò)公式?（5）表示：

28、

29、表示通過(guò)填充將卷積核轉(zhuǎn)換為卷積核；填充后，的中心值是的值，而周?chē)闹禐榱恪?/p>

30、又一方面，本發(fā)明還公開(kāi)一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如上述方法的步驟。

31、再一方面，本發(fā)明還公開(kāi)一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如上方法的步驟。

32、由上述技術(shù)方案可知，本發(fā)明的基于深度學(xué)習(xí)的可見(jiàn)光視頻等離子體破裂預(yù)測(cè)方法，利用可見(jiàn)光視頻信號(hào)（由連續(xù)二維圖像組成）進(jìn)行破裂預(yù)測(cè)。為了應(yīng)對(duì)視頻輸入的高數(shù)據(jù)吞吐量，同時(shí)在實(shí)時(shí)性能與準(zhǔn)確性之間取得平衡，本發(fā)明提出了一種輕量化的深度神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)合了空間和時(shí)間特征提取結(jié)構(gòu)，用于特征學(xué)習(xí)和序列建模。數(shù)據(jù)集來(lái)源于托卡馬克運(yùn)行時(shí)的多臺(tái)可見(jiàn)光相機(jī)拍攝的等離子體運(yùn)行視頻，托卡馬克環(huán)向分布的大視場(chǎng)廣角可見(jiàn)光相機(jī)可以多方位的監(jiān)測(cè)等離子體運(yùn)行狀態(tài)，記錄詳細(xì)的動(dòng)態(tài)過(guò)程，本發(fā)明充分利用托卡馬克環(huán)向分布可見(jiàn)光相機(jī)的優(yōu)勢(shì)。是一種完全基于可見(jiàn)光視頻數(shù)據(jù)驅(qū)動(dòng)的破裂預(yù)測(cè)器。

33、本發(fā)明實(shí)現(xiàn)了基于高維可見(jiàn)光視頻診斷的等離子體破裂預(yù)測(cè)，并實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)，具有在線(xiàn)部署的潛力，為基于實(shí)時(shí)視頻流輸入的未來(lái)在線(xiàn)破裂預(yù)警與主動(dòng)控制打開(kāi)了可能性。凸顯了視頻數(shù)據(jù)在破裂預(yù)警中的潛力，表明未來(lái)的破裂預(yù)警數(shù)據(jù)庫(kù)應(yīng)將視頻信號(hào)與傳統(tǒng)信號(hào)相結(jié)合，以提供更全面且穩(wěn)健的特征用于破裂預(yù)測(cè)。