CN113723471B - 纳米颗粒浓度和粒径估算方法及装置 - Google Patents

纳米颗粒浓度和粒径估算方法及装置 Download PDF

Info

Publication number
CN113723471B
CN113723471B CN202110908842.7A CN202110908842A CN113723471B CN 113723471 B CN113723471 B CN 113723471B CN 202110908842 A CN202110908842 A CN 202110908842A CN 113723471 B CN113723471 B CN 113723471B
Authority
CN
China
Prior art keywords
neural network
network model
particle size
nano particles
concentration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110908842.7A
Other languages
English (en)
Other versions
CN113723471A (zh
Inventor
谢鹏
曹喆
张新平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Beijing Municipal Institute of Labour Protection
Original Assignee
Beijing University of Technology
Beijing Municipal Institute of Labour Protection
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology, Beijing Municipal Institute of Labour Protection filed Critical Beijing University of Technology
Priority to CN202110908842.7A priority Critical patent/CN113723471B/zh
Publication of CN113723471A publication Critical patent/CN113723471A/zh
Application granted granted Critical
Publication of CN113723471B publication Critical patent/CN113723471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/075—Investigating concentration of particle suspensions by optical means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种纳米颗粒浓度和粒径估算方法及装置，该方法包括：根据目标纳米颗粒的温度和在多种波长下的消光系数确定神经网络模型的第一输入信息；将第一输入信息输入神经网络模型，输出目标纳米颗粒的浓度和粒径；其中，神经网络模型通过根据样本纳米颗粒的温度和在多种波长下的消光系数确定的第二输入信息，以及样本纳米颗粒的实际浓度和实际粒径进行训练获取。本发明实现通过联合目标纳米颗粒的温度和在多种波长下的消光系数确定神经网络模型的输入信息，神经网络模型可以通过学习到的温度、消光系数、浓度和粒径之间的非线性关系，同时对浓度和粒径进行估算，不仅估算效率高，还可以准确和便捷地获取目标纳米颗粒的浓度和粒径。

Description

纳米颗粒浓度和粒径估算方法及装置
技术领域
本发明涉及粉尘颗粒测量技术领域，尤其涉及一种纳米颗粒浓度和粒径估算方法及装置。
背景技术
随着现代化工业社会的迅猛发展，纳米颗粒技术得到了广泛应用。但是随着纳米颗粒中的粉末产物日益增多，使得粉尘爆炸的潜在危险极大增加。如何降低和预防粉尘爆炸事故是全球关注的热点问题。其中，对粉尘浓度和粒径进行实时监控是降低和预防粉尘爆炸事故最直接和最有效的方法，并可以根据粉尘浓度和粒径给出响应防治措施。因此，对粉尘颗粒浓度和粒径做出迅速而又准确的定量分析是降低和预防粉尘爆炸事故的重点。
目前，计算粉尘颗粒浓度和粒径主要采用Fredholm方程这类机理性模型，这类机理性模型需要通过系统结构数据模拟得出模型，需要考虑物理、化学和生物等外界环境对粉尘颗粒作用的影响，很难建立准确的预测模型。因此，通常采用非机理性对粉尘颗粒浓度和粒径进行估算。
现有技术中，对粉尘颗粒浓度和粒径进行估算的非机理性主要包括多次函数最小二乘法拟合，通过多次函数最小二乘法拟合获取粉尘颗粒浓度、粒径和消光系数之间的关系。但是，通常粉尘颗粒浓度、粒径和消光系数之间为非线性关系，而多次函数最小二乘法拟合仅能拟合出粉尘颗粒浓度、粒径和消光系数之间的线性关系，导致获取的粉尘颗粒浓度和粒径不准确。
发明内容
本发明提供一种纳米颗粒浓度和粒径估算方法及装置，用以解决现有技术中采用多次函数最小二乘法拟合仅能拟合出粉尘颗粒浓度、粒径和消光系数之间的线性关系，导致计算精度低的缺陷，实现准确估算纳米颗粒浓度和粒径。
本发明提供一种纳米颗粒浓度和粒径估算方法，包括：
根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；
将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；
其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取。
根据本发明提供的一种纳米颗粒浓度和粒径估算方法，所述神经网络模型包括第一神经网络模型和第二神经网络模型；
相应地，所述将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径，包括：
将所述第一输入信息输入所述第一神经网络模型，输出所述目标纳米颗粒的粒径；
将所述目标纳米颗粒的粒径、温度和消光系数输入所述第二神经网络模型，输出所述目标纳米颗粒的浓度。
根据本发明提供的一种纳米颗粒浓度和粒径估算方法，在所述将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径之前，还包括：
将所述第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径；
将所述第一神经网络模型输出的所述样本纳米颗粒的粒径、所述样本纳米颗粒的温度和消光系数输入所述第二神经网络模型，输出所述样本纳米颗粒的浓度；
根据所述第一神经网络模型输出的所述样本纳米颗粒的粒径和所述实际粒径，获取所述第一神经网络模型的损失函数；
根据所述第二神经网络模型输出的所述样本纳米颗粒的浓度和所述实际浓度，获取所述第二神经网络模型的损失函数；
根据所述第一神经网络模型的损失函数和第二神经网络模型的损失函数对所述神经网络模型的参数进行优化。
根据本发明提供的一种纳米颗粒浓度和粒径估算方法，所述将所述第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径，包括：
对所述第二输入信息进行归一化处理；
将归一化处理后的第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径。
根据本发明提供的一种纳米颗粒浓度和粒径估算方法，所述根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息，包括：
计算所述目标纳米颗粒在任意两种波长下的消光系数的比值；
将所述目标纳米颗粒的温度和消光系数的比值作为所述第一输入信息。
根据本发明提供的一种纳米颗粒浓度和粒径估算方法，所述神经网络模型中隐含层的节点数量根据所述神经网络模型的输入层的节点数量和输出层的节点数量计算获取；
所述隐含层和输出层的传递函数为正切双弯曲转移函数。
本发明还提供一种纳米颗粒浓度和粒径估算装置，包括：
确定模块，用于根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；
估算模块，用于将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；
其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取。
根据本发明提供的一种纳米颗粒浓度和粒径估算装置，所述神经网络模型包括第一神经网络模型和第二神经网络模型；
相应地，所述估算模块，具体用于：
将所述第一输入信息输入所述第一神经网络模型，输出所述目标纳米颗粒的粒径；
将所述目标纳米颗粒的粒径、温度和消光系数输入所述第二神经网络模型，输出所述目标纳米颗粒的浓度。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述纳米颗粒浓度和粒径估算方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述纳米颗粒浓度和粒径估算方法的步骤。
本发明提供的纳米颗粒浓度和粒径估算方法及装置，通过联合目标纳米颗粒的温度和在多种波长下的消光系数确定神经网络模型的输入信息，神经网络模型可以通过学习到的温度、消光系数、浓度和粒径之间的非线性关系，同时对浓度和粒径进行估算，不仅估算效率高，还可以准确和便捷地获取目标纳米颗粒的浓度和粒径。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的纳米颗粒浓度和粒径估算方法的流程示意图之一；
图2是本发明提供的纳米颗粒浓度和粒径估算方法的流程示意图之二；
图3是本发明提供的纳米颗粒浓度和粒径估算方法中粒径的估算误差的分布示意图；
图4是本发明提供的纳米颗粒浓度和粒径估算方法的流程示意图之三；
图5是本发明提供的纳米颗粒浓度和粒径估算方法的中第一神经网络模型的结构示意图；
图6是本发明提供的纳米颗粒浓度和粒径估算方法的中第二神经网络模型的结构示意图；
图7是本发明提供的纳米颗粒浓度和粒径估算装置的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明的纳米颗粒浓度和粒径估算方法，包括：步骤101，根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；
其中，目标纳米颗粒为需要进行浓度和粒径估算的纳米颗粒。
纳米颗粒的类型包括粉尘和煤烟粒子等，本实施例对此不作具体地限定。
神经网络模型可以是BP(Back Propagation，反向传播)神经网络模型或循环神经网络等其他神经网络模型。
神经网络模型通常为是一种多层的前馈神经网络，主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
可选地，可以根据目标纳米颗粒的温度以及各波长的光强，计算获取目标纳米颗粒在各种波长下的消光系数。
可以直接将目标纳米颗粒温度和在多种波长下的消光系数作为神经网络模型的第一输入信息。
也可以对目标纳米颗粒温度和在多种波长下的消光系数进行计算处理后，将计算处理结果作为第一输入信息。本实施例不限于获取第一输入信息的方法。
步骤102，将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取。
其中，神经网络模型可以是包含一个或多个神经网络模型单元。本实施例对比不作具体地限定。如神经网络模型由两个BP神经网络单元构成。
可选地，在将所述第一输入信息输入所述神经网络模型之前，需要对神经网络模型进行训练。在对神经网络模型进行训练时，根据样本纳米颗粒的温度和在多种波长下的消光系数确定第二输入信息。其中，确定第二输入信息的方式与确定第一输入信息的方式相同。
然后，将样本纳米颗粒的第二输入信息、浓度和粒径输入神经网络模型，计算神经网络模型输出的浓度与实际浓度之间的差值，以及神经网络模型输出的粒径和实际粒径之间的差值。根据这些差值对神经网络模型的参数进行调整，从而实现对神经网络模型中参数的优化。
最后，将目标纳米颗粒的第一输入信息输入优化后的神经网络模型，输出目标纳米颗粒的浓度和平均粒径。
根据Lambert-Beer散射法的测量原理，入射光强与出射光强的关系为：
I＝I0 exp(-KexpL)；
其中，I是出射光的强度，单位为W/cm2；I0是入射光的强度，单位为W/cm2；Kext为消光系数；L为颗粒介质的厚度，单位为cm。
假设单位体积的散射介质中有N个粒径为Dball的球形颗粒，且有一束平行单色光照射到被测颗粒，则消光系数为：
其中，σ为单分散系颗粒的迎光面积，单位为cm2；Dball是被测颗粒的粒径，单位为cm；N是单位体积内的颗粒数，即体积浓度，单位为cm-3。
由于光的散射和吸收，透射光的光强将会衰减，即产生消光，其定义为：
其中，为透光率；λ为波长；T为环境温度。
当采用不同波长的两束光入射到同一颗粒体系时，可以得到：
两个波长消光的比值计算为：
颗粒的浓度N的计算方程为：
根据Lambert-Beer散射法的测量原理，可知，在理想情况下，颗粒的粒径与消光系数之间存在关联关系；颗粒的浓度与粒径和消光系数之间均存在关联关系。但是，在实际测量过程中，颗粒的粒径和浓度还与温度密切相关。
因此，本实施例中将消光系数和温度确定神经网络模型的输入，并将颗粒的粒径和浓度作为神经网络模型的输出，通过学习消光系数、温度、粒径和浓度之间的非线性关系，可以准确估算颗粒的粒径和浓度。
本实施例通过联合目标纳米颗粒的温度和在多种波长下的消光系数确定神经网络模型的输入信息，神经网络模型可以通过学习到的温度、消光系数、浓度和粒径之间的非线性关系，同时对浓度和粒径进行估算，不仅估算效率高，还可以准确和便捷地获取目标纳米颗粒的浓度和粒径。
在上述实施例的基础上，本实施例中所述神经网络模型包括第一神经网络模型和第二神经网络模型；相应地，所述将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径，包括：将所述第一输入信息输入所述第一神经网络模型，输出所述目标纳米颗粒的粒径；将所述目标纳米颗粒的粒径、温度和消光系数输入所述第二神经网络模型，输出所述目标纳米颗粒的浓度。
如图2所示，可以将第一输入信息输入神经网络模型，通过神经网络模型对第一输入信息进行学习，并根据第一输入信息对粒径进行估算。
然后，再将第一神经网络模型输出的粒径，以及温度和消光系数输入第二神经网络模型中，通过第二神经网络模型学习到的粒径、温度、消光系数和浓度之间的非线性关系，对目标纳米颗粒的浓度进行估算。
可选地，为了进一步验证神经网络模型的估算的准确性，将通过本实施例中的纳米颗粒浓度和粒径估算方法获取的粒径，与通过三次函数拟合模型算法获取的粒径进行对比，对比结果如表1所示。
表1纳米颗粒的粒径估算的误差分析
由表1和图3可知，本实施例中的纳米颗粒浓度和粒径估算方法在粒径较小的情况下，如粒径小于60nm，估算误差明显小于三次函数拟合模型的估算误差。虽然在粒径较大的情况下，这两种方法的误差结果类似，但本实施例中的估算误差仍然小于三次函数拟合模型的估算误差。因此，本实施例中的纳米颗粒的浓度和粒径估算方法有效地提高获取目标纳米颗粒的粒径和浓度的稳定性和准确性。
在现有技术中，由于实际测量过程中，目标纳米颗粒的消光系数之比的测量容易受到温度的影响，因此难以准确测量获取目标纳米颗粒的平均粒径和浓度。且现有的基于消光系数之比的多次函数最小二乘法拟合对目标纳米颗粒的浓度进行估算存在如下问题，一方面在浓度较低时，难以准确估算出目标纳米颗粒的粒径和浓度；另一方面最小二乘拟合仅能学习线性关系，而粒径、浓度、温度和消光系数之间通常为非线关系，导致估算结果存在较大的误差。
而本实施例采用可以学习粒径、浓度、温度和消光系数之间非线关系的神经网络模型，同时对粒径和浓度进行估算，充分考虑温度对浓度估算结果的影响，不仅可以保证估算的粒径和浓度具有较高的精度；而且，神经网络模型训练好后，可以重复使用，在需要对目标纳米颗粒的浓度和平均粒径进行估算时，只需要将相应的输入信息输入训练后的神经网络模型，即可输出估算的浓度和平均粒径，缓解现有的方程求解过程中每次都需要对所有方程组进行求解，有效提高执行效率，降低求解运算量和复杂程度。
在上述实施的基础上，本实施例中在所述将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径之前，还包括：将所述第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径；将所述第一神经网络模型输出的所述样本纳米颗粒的粒径、所述样本纳米颗粒的温度和消光系数输入所述第二神经网络模型，输出所述样本纳米颗粒的浓度；根据所述第一神经网络模型输出的所述样本纳米颗粒的粒径和所述实际粒径，获取所述第一神经网络模型的损失函数；根据所述第一神经网络模型输出的所述样本纳米颗粒的粒径和所述实际粒径，获取所述第一神经网络模型的损失函数；根据所述第二神经网络模型输出的所述样本纳米颗粒的浓度和所述实际浓度，获取所述第二神经网络模型的损失函数；根据所述第一神经网络模型的损失函数和第二神经网络模型的损失函数对所述神经网络模型的参数进行优化。
表2训练集中数据的分布
可选地，在对目标纳米颗粒的粒径和浓度进行估算之前，需要构建数据集对神经网络模型进行训练。
首先，采用配气仪配置具有不同纳米颗粒的浓度和粒径的气体，并改变气体中的温度，以及进行光收集。如表2所示，为一种示例的训练集。
需要说明的是，在构建数据集的过程中，可以根据实际需求选择温度在预设范围内、粒径在预设范围内的样本纳米颗粒，以及在预设范围内的波长。
如，采集温度为60℃，粒径为10nm到1000nm的样本纳米颗粒，并采用Lambert-Beer散射法计算各样本纳米颗粒在波长为532nm和632nm的消光系数，以及这两种波长的消光系数的比值。
其中，采集的样本纳米颗粒的数量可以根据实际需求进行设置，如60个。将所有采集的样本纳米颗粒形成数据集。
数据集中每组样本纳米颗粒中均包括样本纳米颗粒的浓度、粒径、温度、消光系数。
可选地，在训练过程中，可以从数据集中随机选择部分样本纳米颗粒作为训练集，部分样本纳米颗粒作为测试集。如，数据集中包含60个样本纳米颗粒，选择50个样本纳米颗粒作为训练集，另外10个样本纳米颗粒作为测试集。
可选地，在获取训练集后，可以将训练集中的样本纳米颗粒的温度和在多种波长下任意两种波长的消光系数的比值作为第二输入信息。将第二输入信息输入第一神经网络模型，输出样本纳米颗粒的粒径；然后再将样本纳米颗粒的粒径、温度和在多种波长下的消光系数输入第二神经网络模型，输出样本纳米颗粒的浓度。
并计算第一神经网络模型输出的样本纳米颗粒的粒径与样本纳米颗粒的实际粒径之间的最小均方根误差，以及第二神经网络模型输出的样本纳米颗粒的浓度与样本纳米颗粒的实际浓度之间的最小均方根误差。
为了平衡整个神经网络的损失函数，引入权值因子γ和λ。神经网络模型的整体的损失函数Loss为：
Loss＝γL1+λL2；
如图4所示，在训练的过程中根据神经网络模型的整体损失函数，以及预设训练速度、预设迭代次数和预设训练精度对第一神经网络模型和第二神经网络模型的参数进行优化。在迭代过程中，迭代次数逐渐增大，均方根误差不断减小，直到满足神经网络模型训练的停止条件后训练停止。
其中，停止条件包括估算的浓度与实际浓度之间的误差，以及估算的粒径与实际粒径之间的误差均达到预设误差范围或者迭代次数超出预设迭代次数。
可选地，可以在MATLAB仿真程序、python语言程序和C语言程序中搭建神经网络模型。本实施例对此不作具体地限定。
预设训练速度、预设迭代次数和预设训练精度可以根据实际需求进行设置，如预设训练速度为0.2，预设迭代次数为50次。
本实施例通过联合第一神经网络模型和第二神经网络模型的损失函数整体对第一神经网络模型和第二神经网络模型进行训练，使得训练后的第一神经网络模型和第二神经网络模型的性能更优。
在上述实施例的基础上，本实施例中所述将所述第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径，包括：对所述第二输入信息进行归一化处理；将归一化处理后的第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径。
可选地，若根据样本纳米颗粒的温度和在多种波长下的消光系数确定的第二输入信息之间相差太大，则神经网络模型在训练过程中收敛速度较慢，甚至难以收敛。为了防止第二输入信息中的较小值被较大值淹没，对第二输入信息进行归一化处理，将第二输入信息归一化到某一较小的区间内，如[-1,1]范围内。使用归一化后的第二输入信息对神经网络模型进行训练。
其中，归一化的方法包括最大最小值归一化和标准归一化，本实施例对此不作具体地限定。
相应地，也可以对样本纳米颗粒的粒径、温度和消光系数进行归一化处理后输入所述第二神经网络模型，对神经网络模型进行训练。
目标纳米颗粒的第一输入信息也需要进行归一化处理后输入神经网络模型。
在上述各实施例的基础上，本实例中所述根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息，包括：计算所述目标纳米颗粒在任意两种波长下的消光系数的比值；将所述目标纳米颗粒的温度和消光系数的比值作为所述第一输入信息。
可选地，计算目标纳米颗粒在任意两种波长下的消光系数的比值，并将目标纳米颗粒的温度和消光系数的比值作为第一神经网络模型的输入信息，通过第一神经网络模型可以学习消光系数、温度和粒径之间的非线性关系，使得估算的粒径更加准确。
相应地，将样本纳米颗粒的温度和消光系数的比值作为第二输入信息。
在上述各实施例的基础上，本实施例中所述神经网络模型中隐含层的节点数量根据所述神经网络模型的输入层的节点数量和输出层的节点数量计算获取；所述隐含层和输出层的传递函数为正切双弯曲转移函数。
可选地，第一神经网络模型和第二神经网络模型的结构可以相同，也可以不同也可以不同，本实施对比不作具体地限定。
其中，第一神经网络模型和第二神经网络模型中隐含层的层数可以根据实际需求进行设置。如图5为一种示例的第一神经网络模型，图6为一种示例的第二神经网络模型。
各隐含层的节点数量，可以根据输入层的节点数量和输出层的节点数量计算获取；其中，隐含层的节点数量的计算公式为：
其中，Ni为第i层隐含层的节点数量；n为输入层的节点数量；m为输出层的节点数量；ai为第i层隐含层的预设常数，预设常数可以根据实际需求设置，如1到10。
下面对本发明提供的纳米颗粒浓度和粒径估算装置进行描述，下文描述的纳米颗粒浓度和粒径估算装置与上文描述的纳米颗粒浓度和粒径估算方法可相互对应参照。
如图7所示，本实施例提供一种纳米颗粒浓度和粒径估算装置，该装置包括确定模块701和估算模块702，其中：
确定模块701用于根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；
其中，目标纳米颗粒为需要进行浓度和粒径估算的纳米颗粒。
纳米颗粒的类型包括粉尘和煤烟粒子等，本实施例对此不作具体地限定。
神经网络模型可以是BP神经网络模型或循环神经网络等其他神经网络模型。
神经网络模型通常为是一种多层的前馈神经网络，主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
可选地，可以根据目标纳米颗粒的温度以及各波长的光强，计算获取目标纳米颗粒在各种波长下的消光系数。
可以直接将目标纳米颗粒温度和在多种波长下的消光系数作为神经网络模型的第一输入信息。
也可以对目标纳米颗粒温度和在多种波长下的消光系数进行计算处理后，将计算处理结果作为第一输入信息。本实施例不限于获取第一输入信息的方法。
估算模块702用于将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取。
其中，神经网络模型可以是包含一个或多个神经网络模型单元。本实施例对比不作具体地限定。
可选地，在将所述第一输入信息输入所述神经网络模型之前，需要对神经网络模型进行训练。在对神经网络模型进行训练时，根据样本纳米颗粒的温度和在多种波长下的消光系数确定第二输入信息。其中，确定第二输入信息的方式与确定第一输入信息的方式相同。
然后，将样本纳米颗粒的第二输入信息、浓度和粒径输入神经网络模型，计算神经网络模型输出的浓度与实际浓度之间的差值，以及神经网络模型输出的粒径和实际粒径之间的差值。根据这些差值对神经网络模型的参数进行调整，从而实现对神经网络模型中参数的优化。
最后，将目标纳米颗粒的第一输入信息输入优化后的神经网络模型，输出目标纳米颗粒的浓度和平均粒径。
根据Lambert-Beer散射法的测量原理，可知，在理想情况下，颗粒的粒径与消光系数之间存在关联关系；颗粒的浓度与粒径和消光系数之间均存在关联关系。但是，在实际测量过程中，颗粒的粒径和浓度还与温度密切相关。
因此，本实施例中将消光系数和温度确定神经网络模型的输入，并将颗粒的粒径和浓度作为神经网络模型的输出，通过学习消光系数、温度、粒径和浓度之间的非线性关系，可以准确估算颗粒的粒径和浓度。
本实施例通过联合目标纳米颗粒的温度和在多种波长下的消光系数确定神经网络模型的输入信息，神经网络模型可以通过学习到的温度、消光系数、浓度和粒径之间的非线性关系，同时对浓度和粒径进行估算，不仅估算效率高，还可以准确和便捷地获取目标纳米颗粒的浓度和粒径。
在上述实施例的基础上，本实施例中所述神经网络模型包括第一神经网络模型和第二神经网络模型；相应地，所述估算模块，具体用于：将所述第一输入信息输入所述第一神经网络模型，输出所述目标纳米颗粒的粒径；将所述目标纳米颗粒的粒径、温度和消光系数输入所述第二神经网络模型，输出所述目标纳米颗粒的浓度。
在上述实施例的基础上，本实施例中还包括训练模块，用于：将所述第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径；将所述第一神经网络模型输出的所述样本纳米颗粒的粒径、所述样本纳米颗粒的温度和消光系数输入所述第二神经网络模型，输出所述样本纳米颗粒的浓度；根据所述第一神经网络模型输出的所述样本纳米颗粒的粒径和所述实际粒径，获取所述第一神经网络模型的损失函数；根据所述第二神经网络模型输出的所述样本纳米颗粒的浓度和所述实际浓度，获取所述第二神经网络模型的损失函数；根据所述第一神经网络模型的损失函数和第二神经网络模型的损失函数对所述神经网络模型的参数进行优化。
在上述实施例的基础上，本实施例中还包括预处理模块，用于：对所述第二输入信息进行归一化处理；将归一化处理后的第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径。
在上述各实施例的基础上，本实施例中确定模块，具体用于：计算所述目标纳米颗粒在任意两种波长下的消光系数的比值；将所述目标纳米颗粒的温度和消光系数的比值作为所述第一输入信息。
在上述各实施例的基础上，本实施例中所述神经网络模型中隐含层的节点数量根据所述神经网络模型的输入层的节点数量和输出层的节点数量计算获取；所述隐含层和输出层的传递函数为正切双弯曲转移函数。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)801、通信接口(Communications Interface)802、存储器(memory)803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令，以执行纳米颗粒浓度和粒径估算方法，该方法包括：根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取。
此外，上述的存储器803中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的纳米颗粒浓度和粒径估算方法，该方法包括：根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的纳米颗粒浓度和粒径估算方法，该方法包括：根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种纳米颗粒浓度和粒径估算方法，其特征在于，包括：
根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；
将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；
其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取；
所述神经网络模型包括第一神经网络模型和第二神经网络模型；
相应地，所述将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径，包括：
将所述第一输入信息输入所述第一神经网络模型，输出所述目标纳米颗粒的粒径；
将所述目标纳米颗粒的粒径、温度和消光系数输入所述第二神经网络模型，输出所述目标纳米颗粒的浓度；
在所述将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径之前，还包括：
将所述第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径；
将所述第一神经网络模型输出的所述样本纳米颗粒的粒径、所述样本纳米颗粒的温度和消光系数输入所述第二神经网络模型，输出所述样本纳米颗粒的浓度；
根据所述第一神经网络模型输出的所述样本纳米颗粒的粒径和所述实际粒径，获取所述第一神经网络模型的损失函数；
根据所述第二神经网络模型输出的所述样本纳米颗粒的浓度和所述实际浓度，获取所述第二神经网络模型的损失函数；
根据所述第一神经网络模型的损失函数和第二神经网络模型的损失函数对所述神经网络模型的参数进行优化。
2.根据权利要求1所述的纳米颗粒浓度和粒径估算方法，其特征在于，所述将所述第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径，包括：
对所述第二输入信息进行归一化处理；
将归一化处理后的第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径。
3.根据权利要求1-2任一所述的纳米颗粒浓度和粒径估算方法，其特征在于，所述根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息，包括：
计算所述目标纳米颗粒在任意两种波长下的消光系数的比值；
将所述目标纳米颗粒的温度和消光系数的比值作为所述第一输入信息。
4.根据权利要求1-2任一所述的纳米颗粒浓度和粒径估算方法，其特征在于，所述神经网络模型中隐含层的节点数量根据所述神经网络模型的输入层的节点数量和输出层的节点数量计算获取；
所述隐含层和输出层的传递函数为正切双弯曲转移函数。
5.一种纳米颗粒浓度和粒径估算装置，其特征在于，包括：
确定模块，用于根据目标纳米颗粒的温度和所述目标纳米颗粒在多种波长下的消光系数确定神经网络模型的第一输入信息；
估算模块，用于将所述第一输入信息输入所述神经网络模型，输出所述目标纳米颗粒的浓度和粒径；
其中，所述神经网络模型通过根据样本纳米颗粒的温度和所述样本纳米颗粒在多种波长下的消光系数确定的第二输入信息，以及所述样本纳米颗粒的实际浓度和实际粒径进行训练获取；
所述神经网络模型包括第一神经网络模型和第二神经网络模型；
相应地，所述估算模块，具体用于：
将所述第一输入信息输入所述第一神经网络模型，输出所述目标纳米颗粒的粒径；
将所述目标纳米颗粒的粒径、温度和消光系数输入所述第二神经网络模型，输出所述目标纳米颗粒的浓度；
还包括训练模块，用于：
将所述第二输入信息输入所述第一神经网络模型，输出所述样本纳米颗粒的粒径；
将所述第一神经网络模型输出的所述样本纳米颗粒的粒径、所述样本纳米颗粒的温度和消光系数输入所述第二神经网络模型，输出所述样本纳米颗粒的浓度；
根据所述第一神经网络模型输出的所述样本纳米颗粒的粒径和所述实际粒径，获取所述第一神经网络模型的损失函数；
根据所述第二神经网络模型输出的所述样本纳米颗粒的浓度和所述实际浓度，获取所述第二神经网络模型的损失函数；
根据所述第一神经网络模型的损失函数和第二神经网络模型的损失函数对所述神经网络模型的参数进行优化。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述纳米颗粒浓度和粒径估算方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述纳米颗粒浓度和粒径估算方法的步骤。
CN202110908842.7A 2021-08-09 2021-08-09 纳米颗粒浓度和粒径估算方法及装置 Active CN113723471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110908842.7A CN113723471B (zh) 2021-08-09 2021-08-09 纳米颗粒浓度和粒径估算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110908842.7A CN113723471B (zh) 2021-08-09 2021-08-09 纳米颗粒浓度和粒径估算方法及装置

Publications (2)

Publication Number Publication Date
CN113723471A CN113723471A (zh) 2021-11-30
CN113723471B true CN113723471B (zh) 2024-05-07

Family

ID=78675193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110908842.7A Active CN113723471B (zh) 2021-08-09 2021-08-09 纳米颗粒浓度和粒径估算方法及装置

Country Status (1)

Country Link
CN (1) CN113723471B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE2251236A1 (en) * 2022-10-24 2024-04-25 Spec Imaging Ab A method and an assembly for measuring particle size of particles suspended in a fluid

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104792674A (zh) * 2015-04-01 2015-07-22 东南大学 一种颗粒浓度测量方法
CN112016956A (zh) * 2020-08-05 2020-12-01 中国煤炭地质总局勘查研究总院 基于bp神经网络的矿石品位估值方法及装置
CN112668716A (zh) * 2020-12-29 2021-04-16 奥比中光科技集团股份有限公司 一种神经网络模型的训练方法及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104792674A (zh) * 2015-04-01 2015-07-22 东南大学 一种颗粒浓度测量方法
CN112016956A (zh) * 2020-08-05 2020-12-01 中国煤炭地质总局勘查研究总院 基于bp神经网络的矿石品位估值方法及装置
CN112668716A (zh) * 2020-12-29 2021-04-16 奥比中光科技集团股份有限公司 一种神经网络模型的训练方法及设备

Also Published As

Publication number Publication date
CN113723471A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
EP3619652B1 (en) Adaptive bit-width reduction for neural networks
US10346740B2 (en) Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
TWI717737B (zh) 評估微影製程中的元件缺陷之未知效應的方法與裝置
US20100017351A1 (en) Neural network based hermite interpolator for scatterometry parameter estimation
CN103983546A (zh) 测量颗粒粒径分布的方法及装置
CN109060760B (zh) 分析模型建立方法、气体分析装置及方法
CN112784205A (zh) 偏微分方程数据处理方法、系统、存储介质、设备及应用
CN113723471B (zh) 纳米颗粒浓度和粒径估算方法及装置
CN102947732A (zh) 通过迭代的空间谐波阶次截断的计算效率
CN113189561B (zh) 一种海杂波参数估计方法、系统、设备及存储介质
Zhang et al. Denoising method based on CNN-LSTM and CEEMD for LDV signals from accelerometer shock testing
Ghafoor et al. Non-contact detection of railhead defects and their classification by using convolutional neural network
Zhang et al. Identification of concrete surface damage based on probabilistic deep learning of images
Silva et al. Physically regularized machine learning emulators of aerosol activation
CN115728290A (zh) 一种土壤中铬元素的检测方法、系统、设备及存储介质
CN113686810B (zh) 一种基于卷积神经网络的近红外光谱波长选择方法
CN106290094A (zh) 应用于扬尘颗粒物在线监测的mie散射快速计算方法
Song et al. An improved global rainbow refractometry for spray droplets characterization based on five-point method and optimization process
CN113686823B (zh) 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法
CN112950572B (zh) 一种数据处理及迭代矫正方法、系统、介质及设备
EP4300370A1 (en) Computing integral transforms based on physics informed neural networks
Hung et al. Full EM wave simulation on optical coherence tomography: impact of surface roughness
CN114117875B (zh) 一种用于模拟光子传播的快速蒙特卡洛仿真方法
Wu et al. A Feature Extraction Network Based on Self-Attention Mechanism for Underwater Image
US20220358386A1 (en) Learning method for the determination of a level of a space-time trending physical quantity in the presence of physical obstacles in a chosen spacial zone

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant