基于机器学习高能带电粒子环境模型构建方法及装置与流程

本说明书实施例涉及粒子探测，特别涉及基于机器学习高能带电粒子环境模型构建方法。

背景技术：

1、地球轨道空间高能粒子受地球磁场、太阳活动的共同影响，产生具有多个不同变化周期叠加、动态变化的近地高能粒子环境分布。根据目前技术，辐射带的高能粒子模型构建主要基于以下几种办法：

2、1、基于物理机制：考虑辐射带粒子的径向扩散、局部加速、局部损失、磁层阴影和电对流等重要机制，例如gfz基于美国verb4d代码开展的动态辐射带模型构建，其优点是与实际探测数据同化结果较好，缺点是计算复杂度高，计算时间长，难以用于工程应用，主要用于在科学研究方面对一些具体空间天气事件开展分析。

3、2、基于统计学理论：包括传统的ae/ap辐射带模型、crres等模型，利用在轨长时间探测结果进行统计学的平均结果构建的。它们的优点是方便在工程设计中提供具有一定参考价值的粒子环境参数，如能谱、通量等信息，缺点是不能描述太阳活动引起的空间高能粒子周期性变化，仅能给出高年、低年时平均的结果，另外对于实测数据覆盖稀疏带来的影响也难以消除。在工程应用中难以做到精确分析，为辐射防护设计带来较大的冗余空间。

4、以上方法在辐射带模型构建的过程中，存在如下问题：

5、1、对于能够更动态描述辐射带环境的物理机制方法，其计算速度和输入参数依赖过于缓慢复杂，无法为工程提供应用，还需要有真实探测数据做数据同化才能够使用，无法脱离探测数据给出较为准确的结果；

6、2、对于统计方式构建的工程可用辐射带环境模型，其对于动态环境波动的描述不足，难以利用现有模型在b/l坐标系下构建更复杂的模型变化，需要长期大量探测数据才能够建立，而随着环境的逐渐变化以往探测数据可能会逐步与目前演化规律产生偏差，使模型不准确。

7、由此，亟需一种更好的方案。

技术实现思路

1、有鉴于此，本说明书实施例提供了基于机器学习高能带电粒子环境模型构建方法。本说明书一个或者多个实施例同时涉及基于机器学习高能带电粒子环境模型构建装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。

2、根据本说明书实施例的第一方面，提供了一种基于机器学习高能带电粒子环境模型构建方法，包括：

3、获取探测数据，基于探测数据进行高能带电粒子环境模型的基线构建，确定环境模型基线；

4、基于环境模型基线进行地磁坐标转换，确定地磁坐标；

5、基于地磁坐标进行模型构建，确定环境基线模型；

6、基于环境基线模型进行数据提取，确定环境波动数据，并基于环境波动数据和空间环境因素进行关联分析，确定有向图；

7、基于有向图和机器学习模型进行数据模型构建，确定环境波动模型；

8、基于环境波动模型和环境基线模型确定高能粒子环境模型。

9、在一种可能的实现方式中，基于探测数据进行高能带电粒子环境模型的基线构建，确定环境模型基线，包括：

10、基于探测数据获取能道粒子通量计数数据；

11、基于能道粒子通量计数数据、时间戳数据和卫星轨道数据确定卫星空间位置；

12、基于卫星空间位置进行空间克里金插值，确定环境模型基线。

13、在一种可能的实现方式中，基于环境模型基线进行地磁坐标转换，确定地磁坐标，包括：

14、确定内源磁场和外源磁场，基于内源磁场和外源磁场确定映射关系；

15、基于环境模型基线和映射关系确定地磁坐标。

16、在一种可能的实现方式中，基于地磁坐标进行模型构建，确定环境基线模型，包括：

17、基于地磁坐标确定基线分布数据；

18、基于基线分布数据构建各能量参数对应的规律模型；

19、基于规律模型进行加权叠加，确定环境基线模型。

20、在一种可能的实现方式中，基于环境波动数据和空间环境因素进行关联分析，确定有向图，包括：

21、基于空间环境因素确定至少两个环境因子，将至少两个环境因子基于时间尺度进行对齐；

22、从至少两个环境因子确定第一环境因子和第二环境因子，基于第一环境因子和第二环境因子进行关联性分析，确定因果关系；

23、基于因果关系确定有向图。

24、在一种可能的实现方式中，基于有向图和机器学习模型进行数据模型构建，确定环境波动模型，包括：

25、基于空间环境因素确定目标节点，基于有向图和目标节点提取得到目标有向图；

26、基于目标有向图确定关联特性，并基于关联特性和机器学习模型进行数据模型构建，确定环境波动模型。

27、在一种可能的实现方式中，基于环境波动模型和环境基线模型确定高能粒子环境模型，包括：

28、将环境波动模型和环境基线模型进行叠加，确定高能粒子环境模型。

29、根据本说明书实施例的第二方面，提供了一种基于机器学习高能带电粒子环境模型构建装置，包括：

30、基线确定模块，被配置为获取探测数据，基于探测数据进行高能带电粒子环境模型的基线构建，确定环境模型基线；

31、坐标确定模块，被配置为基于环境模型基线进行地磁坐标转换，确定地磁坐标；

32、基线模型确定模块，被配置为基于地磁坐标进行模型构建，确定环境基线模型；

33、有向图确定模块，被配置为基于环境基线模型进行数据提取，确定环境波动数据，并基于环境波动数据和空间环境因素进行关联分析，确定有向图；

34、环境波动模块，被配置为基于有向图和机器学习模型进行数据模型构建，确定环境波动模型；

35、环境模型模块，被配置为基于环境波动模型和环境基线模型确定高能粒子环境模型。

36、根据本说明书实施例的第三方面，提供了一种计算设备，包括：

37、存储器和处理器；

38、存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，该计算机可执行指令被处理器执行时实现上述基于机器学习高能带电粒子环境模型构建方法的步骤。

39、根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述基于机器学习高能带电粒子环境模型构建方法的步骤。

40、根据本说明书实施例的第五方面，提供了一种计算机程序，其中，当计算机程序在计算机中执行时，令计算机执行上述基于机器学习高能带电粒子环境模型构建方法的步骤。

41、本说明书实施例提供基于机器学习高能带电粒子环境模型构建方法及装置，其中基于机器学习高能带电粒子环境模型构建方法包括：获取探测数据，基于探测数据进行高能带电粒子环境模型的基线构建，确定环境模型基线；基于环境模型基线进行地磁坐标转换，确定地磁坐标；基于地磁坐标进行模型构建，确定环境基线模型；基于环境基线模型进行数据提取，确定环境波动数据，并基于环境波动数据和空间环境因素进行关联分析，确定有向图；基于有向图和机器学习模型进行数据模型构建，确定环境波动模型；基于环境波动模型和环境基线模型确定高能粒子环境模型。通过利用机器学习构建多环境因素在数据因果关系上的表征，可以做到速度快、与真实数据对比一致性好。