CN113963223B - 基于深度学习的智能稳压器、稳压方法和电子设备 - Google Patents

基于深度学习的智能稳压器、稳压方法和电子设备 Download PDF

Info

Publication number
CN113963223B
CN113963223B CN202111270659.5A CN202111270659A CN113963223B CN 113963223 B CN113963223 B CN 113963223B CN 202111270659 A CN202111270659 A CN 202111270659A CN 113963223 B CN113963223 B CN 113963223B
Authority
CN
China
Prior art keywords
temperature
characteristic
distance
feature map
correlation
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
CN202111270659.5A
Other languages
English (en)
Other versions
CN113963223A (zh
Inventor
滕敏亮
潜卫强
滕晓亮
滕韵娴
雷建峰
林建豪
王耀华
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.)
Zhejiang Ttn Electric Co ltd
Original Assignee
Zhejiang Ttn Electric Co ltd
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 Zhejiang Ttn Electric Co ltd filed Critical Zhejiang Ttn Electric Co ltd
Priority to CN202111270659.5A priority Critical patent/CN113963223B/zh
Publication of CN113963223A publication Critical patent/CN113963223A/zh
Application granted granted Critical
Publication of CN113963223B publication Critical patent/CN113963223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
    • G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
    • G05F1/10—Regulating voltage or current
    • G05F1/46—Regulating voltage or current wherein the variable actually regulated by the final control device is dc
    • G05F1/56—Regulating voltage or current wherein the variable actually regulated by the final control device is dc using semiconductor devices in series with the load as final control devices
    • G05F1/565—Regulating voltage or current wherein the variable actually regulated by the final control device is dc using semiconductor devices in series with the load as final control devices sensing a condition of the system or its load in addition to means responsive to deviations in the output of the system, e.g. current, voltage, power factor
    • G05F1/567—Regulating voltage or current wherein the variable actually regulated by the final control device is dc using semiconductor devices in series with the load as final control devices sensing a condition of the system or its load in addition to means responsive to deviations in the output of the system, e.g. current, voltage, power factor for temperature compensation
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Light Receiving Elements (AREA)

Abstract

本申请涉及稳压器的领域，其具体地公开了一种基于深度学习的智能稳压器、稳压方法和电子设备。其考虑到各个雪崩二极管之间会发生温度的传递，在本申请中针对多个雪崩二极管整体性地进行温度补偿，而不是仅基于单个雪崩二极管的温度来进行温度补偿，并且其还采用基于深度学习技术的卷积神经网络模型来提取出各个雪崩二极管之间的温度的高维关联特征。通过这样的方式，可以使得温度补偿的精度较高，从而也就会提高电子设备的性能。

Description

基于深度学习的智能稳压器、稳压方法和电子设备
技术领域
本发明涉及稳压器的领域，且更为具体地，涉及一种基于深度学习的智能稳压器、稳压方法和电子设备。
背景技术
随着人工智能和集成电路行业的迅速发展，各种各样的智能家居和便携式电子产品涌进了广大人民的生活中，它们不仅改变了人们的生活娱乐方式，也极大地提高人们的生活质量，但是电子产品给人们带来好处的同时，人们也对电子产品提出了更高的性能需求，电源管理芯片作为电子产品最重要的组成部分，一定程度上决定着电子产品的性能。
目前在电源管理芯片的市场中，占据了主导地位的是线性稳压器，对于线性稳压器而言，低功耗、片内补偿、快速响应、高精度、数字化和高稳定性是当下的发展趋势。
在电子产品中，通常有多个需要稳压的部件，例如，在激光雷达设备中，各个雪崩二极管都需要配置一个稳压器来确定其工作性能的稳定性。但是，当多个雪崩二极管布置在一起时，各个雪崩二极管的工作温度会相互影响，即，各个雪崩二极管所产生的热量会热传递至其他雪崩二极管而如果仅基于单个雪崩二极管的温度来进行温度补偿会使得温度补偿的精度较低。
因此，期望一种基于深度学习的智能稳压器来解决这个问题。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于深度学习的智能稳压器、稳压方法和电子设备，其考虑到各个雪崩二极管之间会发生温度的传递，在本申请中针对多个雪崩二极管整体性地进行温度补偿，而不是仅基于单个雪崩二极管的温度来进行温度补偿，并且其还采用基于深度学习技术的卷积神经网络模型来提取出各个雪崩二极管之间的温度的高维关联特征。通过这样的方式，可以使得温度补偿的精度较高，从而也就会提高电子设备的性能。
根据本申请的一个方面，提供了一种基于深度学习的智能稳压器，其包括：
温度数据检测单元，用于获取多个雪崩光电二极管各自的温度值；
温度关联单元，用于将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联；
第一功率谱密度特征图生成单元，用于将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图；
拓扑转化单元，用于将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离；
第二功率谱密度特征图生成单元，用于将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图；
功率谱密度特征图生成单元，用于基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图；
特征图融合单元，用于融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图；
向量映射单元，用于将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量；
温度补偿值计算单元，用于计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值；以及
稳压单元，用于基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。
在上述基于深度学习的智能稳压器中，所述拓扑转化单元，进一步用于：将所述多个雪崩二极管的编号确定为所述距离拓扑矩阵的行和列；以及，在所述距离拓扑矩阵中各个位置填充对应两个所述雪崩光电二极管之间的物理距离。
在上述基于深度学习的智能稳压器中，所述功率谱密度特征图生成单元，进一步用于以如下公式基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以获得所述功率谱密度特征图；其中，所述公式为：
Figure BDA0003328668500000031
其中Disi是所述距离拓扑特征图中的每个位置的特征值，h是普朗克常数，k为玻尔兹曼热力学常数，Ti为温度系数为所述温度关联特征图中的各个位置的特征值，并且α和β为修正系数，用于修正分子和分母在量级上的差异。
在上述基于深度学习的智能稳压器中，所述特征图融合单元，进一步用于以如下公式融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图：所述公式为：
Fs＝λFa+βFg
其中，Fs为所述融合特征图，Fa为所述功率谱密度特征图，Fg为所述温度关联特征图，“+”表示所述温度关联特征图和所述功率谱密度特征图相对应位置处的元素相加，λ和β为加权系数，且λ+β＝1。
在上述基于深度学习的智能稳压器中，所述向量映射单元，进一步用于：将所述融合特征图与所述温度向量进行矩阵相乘以获得所述温度特征向量。在上述基于深度学习的智能稳压器中，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
根据本申请的另一方面，一种基于深度学习的智能稳压器的稳压方法，其包括：
获取多个雪崩光电二极管各自的温度值；
将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联；
将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图；
将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离；
将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图；
基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图；
融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图；
将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量；
计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值；以及
基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。
在上述将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离，包括：将所述多个雪崩二极管的编号确定为所述距离拓扑矩阵的行和列；以及，在所述距离拓扑矩阵中各个位置填充对应两个所述雪崩光电二极管之间的物理距离。
在上述基于深度学习的智能稳压器的稳压方法中，基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图，包括：以如下公式基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以获得所述功率谱密度特征图；其中，所述公式为：
Figure BDA0003328668500000041
其中Disi是所述距离拓扑特征图中的每个位置的特征值，h是普朗克常数，k为玻尔兹曼热力学常数，Ti为温度系数为所述温度关联特征图中的各个位置的特征值，并且α和β为修正系数，用于修正分子和分母在量级上的差异。
在上述基于深度学习的智能稳压器的稳压方法中，融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图，包括：以如下公式融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图：所述公式为：
Fs＝λFa+βFg
其中，Fs为所述融合特征图，Fa为所述功率谱密度特征图，Fg为所述温度关联特征图，“+”表示所述温度关联特征图和所述功率谱密度特征图相对应位置处的元素相加，λ和β为加权系数，且λ+β＝1。
在上述基于深度学习的智能稳压器的稳压方法中，将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量，包括：将所述融合特征图与所述温度向量进行矩阵相乘以获得所述温度特征向量。
在上述基于深度学习的智能稳压器的稳压方法中，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于深度学习的智能稳压器的稳压方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于深度学习的智能稳压器的稳压方法。
与现有技术相比，本申请提供的基于深度学习的智能稳压器、稳压方法和电子设备，其考虑到各个雪崩二极管之间会发生温度的传递，在本申请中针对多个雪崩二极管整体性地进行温度补偿，而不是仅基于单个雪崩二极管的温度来进行温度补偿，并且其还采用基于深度学习技术的卷积神经网络模型来提取出各个雪崩二极管之间的温度的高维关联特征。通过这样的方式，可以使得温度补偿的精度较高，从而也就会提高电子设备的性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于深度学习的智能稳压器的应用场景图。
图2为根据本申请实施例的基于深度学习的智能稳压器的框图。
图3为根据本申请实施例的基于深度学习的智能稳压器的稳压方法的流程图。
图4为根据本申请实施例的基于深度学习的智能稳压器的稳压方法的架构示意图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，在电子产品中，通常有多个需要稳压的部件，例如，在激光雷达设备中，各个雪崩二极管都需要配置一个稳压器来确定其工作性能的稳定性。但是，当多个雪崩二极管布置在一起时，各个雪崩二极管的工作温度会相互影响，即，各个雪崩二极管所产生的热量会热传递至其他雪崩二极管而如果仅基于单个雪崩二极管的温度来进行温度补偿会使得温度补偿的精度较低。因此，期望一种基于深度学习的智能稳压器来解决这个问题。
基于此，在本申请的技术方案中，首先建模各个雪崩二极管之间的温度关联特征，也就是，获取多个雪崩二极管各自的温度值，从而构成为温度向量，再将该温度向量乘以其自身的转置，以得到温度关联矩阵。随后，将该温度关联矩阵输入第一卷积神经网络，以获得用于表达各个雪崩二极管之间的温度的高维关联特征的温度关联特征图。
此外，由于各个雪崩二极管之间的热传递与其物理布置的拓扑结构有关，进一步构造拓扑矩阵，该拓扑矩阵的行和列均为相应编号的雪崩二极管，而矩阵中的每个位置即为对应的一组雪崩二极管之间的距离。然后，将该距离拓扑矩阵输入第二卷积神经网络，以获得用于表达各个雪崩二极管之间的拓扑的高维结构特征的距离拓扑特征图。
这里，本申请的申请人考虑到距离拓扑特征图反映的是尺度维度上的高维关联特征，而温度关联特征图反映的是热力学维度上的高维特征，而最终要进行的温度补偿的回归数字也是在热力学维度上，因此期望对距离拓扑特征图进行转换，从而将其转换到热力学维度上，以进一步与温度关联特征图融合。基于此，进一步基于温度特征值来计算距离拓扑特征图中的每个位置的特征值的热力学功率谱密度，即：
Figure BDA0003328668500000071
其中Disi是距离拓扑特征图中的每个位置的特征值，h是普朗克常数，具体数值为1.054×10-34，k为玻尔兹曼热力学常数，具体数值为1.38×10-23，Ti为温度系数，在本申请中采用温度关联特征图中的各个位置的特征值，并且α和β为修正系数，用于修正分子和分母在量级上的差异。
这样，在获得功率谱密度特征图之后，可以计算与温度关联特征图的加权和，以获得融合特征图。然后，将融合特征图与多个雪崩二极管的当前温度向量相乘，以将当前温度向量映射到融合特征图的高维特征空间中，得到基于热力学关联特征的温度特征向量，其每个位置与当前温度向量的相应位置的差值就是对应的雪崩二极管的温度补偿值。
基于此，本申请提出了一种基于深度学习的智能稳压器，其包括：温度数据检测单元，用于获取多个雪崩光电二极管各自的温度值；温度关联单元，用于将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联；第一功率谱密度特征图生成单元，用于将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图；拓扑转化单元，用于将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离；第二功率谱密度特征图生成单元，用于将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图；功率谱密度特征图生成单元，用于基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图；特征图融合单元，用于融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图；向量映射单元，用于将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量；温度补偿值计算单元，用于计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值；以及，稳压单元，用于基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。
图1图示了根据本申请实施例的基于深度学习的智能稳压器的应用场景图。如图1所示，在该应用场景中，首先，通过温度检测器(例如，如图1中所示意的T)来获取所述多个雪崩光电二极管各自的温度值以及所述多个雪崩光电二极管的拓扑结构；然后，将获得的所述温度值和所述拓扑结构输入至部署有基于深度学习的智能稳压器算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以基于深度学习的智能稳压器算法对所述温度值和所述拓扑结构进行处理，以生成雪崩光电二极管的温度补偿值，然后再基于所述温度补偿值确定所述智能稳压器(例如，如图1中所示意的M)作用于各个位置对应的所述雪崩光电二极管的偏压值，以对所述各个雪崩光电二极管的电压进行校正。
在该应用场景中，可以通过温度检测器来对所述多个雪崩光电二极管各自的温度值进行检测，当然，在其他的应用场景中，还可以通过其他的温度检测设备来对所述多个雪崩光电二极管各自的温度值进行检测，对此并不为本申请所局限。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于深度学习的智能稳压器的框图。如图2所示，根据本申请实施例的基于深度学习的智能稳压器200，包括：温度数据检测单元210，用于获取多个雪崩光电二极管各自的温度值；温度关联单元220，用于将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联；第一功率谱密度特征图生成单元230，用于将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图；拓扑转化单元240，用于将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离；第二功率谱密度特征图生成单元250，用于将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图；功率谱密度特征图生成单元260，用于基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图；特征图融合单元270，用于融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图；向量映射单元280，用于将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量；温度补偿值计算单元290，用于计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值；以及，稳压单元300，用于基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。
具体地，在本申请实施例中，所述温度数据检测单元210和温度关联单元220，用于获取多个雪崩光电二极管各自的温度值，并将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联。如上所述，由于各个雪崩二极管的工作温度会相互影响，也就是，各个雪崩二极管之间会发生温度传递，因此，在本申请的技术方案中，选择针对多个雪崩二极管整体性地进行温度补偿，而不是仅基于单个雪崩二极管的温度来进行温度补偿。具体地，在本申请中需要建模各个雪崩二极管之间的温度关联特征，也就是，获取所述多个雪崩二极管各自的温度值，从而构成为温度向量，再将所述温度向量乘以其自身的转置，以得到温度关联矩阵。值得一提的是，这里，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联。
相应地，在一个具体示例中，可以通过温度检测器来对所述多个雪崩光电二极管各自的温度值进行检测，当然，在其他具体示例中，还可以通过其他的温度检测设备来对所述多个雪崩光电二极管各自的温度值进行检测，对此并不为本申请所局限。
具体地，在本申请实施例中，所述第一功率谱密度特征图生成单元230，用于将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图。应可以理解，为了挖掘出各个雪崩二极管的工作温度之间的相互影响，就需要对所述温度关联矩阵输入卷积神经网络进行处理。也就是，用基于深度学习的第一卷积神经网络模型对所述温度关联矩阵进处理，以提取出所述各个雪崩光电二极管之间的温度值的高维关联特征，从而得到温度关联特征图。
具体地，在本申请实施例中，所述拓扑转化单元240和所述第二功率谱密度特征图生成单元250，将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离，并将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图。应可以理解，由于各个雪崩二极管之间的热传递与其物理布置的拓扑结构有关，因此，在本申请的技术方案中，首先，进一步构造所述拓扑矩阵，该拓扑矩阵的行和列均为相应编号的雪崩二极管，且所述拓扑矩阵中的每个位置填充为对应的一组雪崩二极管之间的距离。然后，再将该距离拓扑矩阵输入第二卷积神经网络，以通过所述第二卷积神经网络对所述距离拓扑矩阵进行处理，以提取出所述各个雪崩二极管之间的拓扑的高维结构特征，从而获得距离拓扑特征图。值得一提的是，这里，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
更具体地，在本申请一个示例中，所述拓扑转化单元，进一步用于：首先，将所述多个雪崩二极管的编号确定为所述距离拓扑矩阵的行和列；然后，在所述距离拓扑矩阵中各个位置填充对应两个所述雪崩光电二极管之间的物理距离。
具体地，在本申请实施例中，所述功率谱密度特征图生成单元260，用于基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图。应可以理解，本申请考虑到所述距离拓扑特征图反映的是尺度维度上的高维关联特征，而所述温度关联特征图反映的是热力学维度上的高维特征，而最终要进行的温度补偿的回归数字也是在热力学维度上，因此在本申请的技术方案中，期望对所述距离拓扑特征图进行转换，从而将其转换到热力学维度上，以进一步与温度关联特征图融合。也就是，在本申请中进一步基于所述温度关联特征图中各个位置的特征值来计算所述距离拓扑特征图中的每个位置的特征值的热力学功率谱密度，以获得功率谱密度特征图。
更具体地，在本申请一个具体示例中，所述功率谱密度特征图生成单元，进一步用于以如下公式基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以获得所述功率谱密度特征图；其中，所述公式为：
Figure BDA0003328668500000111
其中Disi是所述距离拓扑特征图中的每个位置的特征值，h是普朗克常数，具体数值为1.054×10-34，k为玻尔兹曼热力学常数，具体数值为1.38×10-23，Ti为温度系数，在本申请中采用所述温度关联特征图中的各个位置的特征值，并且α和β为修正系数，用于修正分子和分母在量级上的差异。
具体地，在本申请实施例中，所述特征图融合单元270和所述向量映射单元280，用于融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图，并将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量。也就是，首先，融合所述功率谱密度特征图和所述温度关联特征图，在一个具体示例中，可以采用计算所述功率谱密度特征图与所述温度关联特征图的加权和，以获得融合特征图，这里所述融合特征图中的各个位置的特征值表示融合了所述多个雪崩二极管物理位置的尺度维度与所述多个雪崩二极管温度的热力学维度之间的高维关联特征。然后，将所述融合特征图与所述多个雪崩二极管的当前温度向量相乘，以将所述当前温度向量映射到所述融合特征图的高维特征空间中，以得到基于热力学关联特征的温度特征向量。在一个具体示例中，所述向量映射单元，进一步用于：将所述融合特征图与所述温度向量进行矩阵相乘以获得所述温度特征向量。
更具体地，在本申请实施例中，所述特征图融合单元，进一步用于：以如下公式融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图：所述公式为：
Fs＝λFa+βFg
其中，Fs为所述融合特征图，Fa为所述功率谱密度特征图，Fg为所述温度关联特征图，“+”表示所述温度关联特征图和所述功率谱密度特征图相对应位置处的元素相加，λ和β为加权系数，且λ+β＝1。
具体地，在本申请实施例中，所述温度补偿值计算单元290和所述稳压单元300，用于计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值，并基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。也就是，首先，将所述温度特征向量中各个位置的特征值与所述温度向量中对应的各个位置的特征值进行做差计算，从而得到所述各个位置对应的雪崩光电二极管的温度补偿值；然后，就可以基于所述温度补偿值来确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。应可以理解，通过这样的方式进行处理，可以消除所述各个雪崩二极管的工作温度之间的相互影响，以使得温度补偿的精度较高，从而也就会提高电子设备的性能。
综上，基于本申请实施例的所述基于深度学习的智能稳压器200被阐明，其考虑到各个雪崩二极管之间会发生温度的传递，在本申请中针对多个雪崩二极管整体性地进行温度补偿，而不是仅基于单个雪崩二极管的温度来进行温度补偿，并且其还采用基于深度学习技术的卷积神经网络模型来提取出各个雪崩二极管之间的温度的高维关联特征。通过这样的方式，可以使得温度补偿的精度较高，从而也就会提高电子设备的性能。
如上所述，根据本申请实施例的基于深度学习的智能稳压器200可以实现在各种终端设备中，例如基于深度学习的智能稳压器算法的服务器等。在一个示例中，根据本申请实施例的基于深度学习的智能稳压器200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于深度学习的智能稳压器200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于深度学习的智能稳压器200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于深度学习的智能稳压器200与该终端设备也可以是分立的设备，并且该基于深度学习的智能稳压器200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了基于深度学习的智能稳压器的稳压方法的流程图。如图3所示，根据本申请实施例的基于深度学习的智能稳压器的稳压方法，包括步骤：S110，获取多个雪崩光电二极管各自的温度值；S120，将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联；S130，将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图；S140，将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离；S150，将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图；S160，基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图；S170，融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图；S180，将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量；S190，计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值；以及，S200，基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。
图4图示了根据本申请实施例的基于深度学习的智能稳压器的稳压方法的架构示意图。如图4所示，在所述基于深度学习的智能稳压器的稳压方法的网络架构中，首先，将获取的所述多个雪崩光电二极管各自的温度值(例如，如图4中所示意的IN1)组成温度向量(例如，如图4中所示意的V1)后乘以其自身的转置(例如，如图4中所示意的V2)以获得温度关联矩阵(例如，如图4中所示意的M1)；接着，将所述温度关联矩阵输入第一卷积神经网络(例如，如图4中所示意的CNN1)以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图(例如，如图4中所示意的F1)；然后，将所述多个雪崩光电二极管的拓扑结构(例如，如图4中所示意的IN2)转化为距离拓扑矩阵(例如，如图4中所示意的IN3)；接着，将所述距离拓扑矩阵通过第二卷积神经网络(例如，如图4中所示意的CNN2)以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图(例如，如图4中所示意的F2)；然后，基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图(例如，如图4中所示意的F3)；接着，融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图(例如，如图4中所示意的F4)；然后，将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量(例如，如图4中所示意的VF)；接着，计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值(例如，如图4中所示意的VC)；以及，最后，基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。
更具体地，在步骤S110和步骤S120中，获取多个雪崩光电二极管各自的温度值，并将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联。应可以理解，由于各个雪崩二极管的工作温度会相互影响，也就是，各个雪崩二极管之间会发生温度传递，因此，在本申请的技术方案中，选择针对多个雪崩二极管整体性地进行温度补偿，而不是仅基于单个雪崩二极管的温度来进行温度补偿。具体地，在本申请中需要建模各个雪崩二极管之间的温度关联特征，也就是，获取所述多个雪崩二极管各自的温度值，从而构成为温度向量，再将所述温度向量乘以其自身的转置，以得到温度关联矩阵。值得一提的是，这里，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联。
更具体地，在步骤S130中，将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图。也就是，用基于深度学习的第一卷积神经网络模型对所述温度关联矩阵进处理，以提取出所述各个雪崩光电二极管之间的温度值的高维关联特征，从而得到温度关联特征图。
更具体地，在步骤S140和步骤S150中，将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离，并将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图。也就是，在本申请的技术方案中，首先，进一步构造所述拓扑矩阵，该拓扑矩阵的行和列均为相应编号的雪崩二极管，且所述拓扑矩阵中的每个位置填充为对应的一组雪崩二极管之间的距离。然后，再将该距离拓扑矩阵输入第二卷积神经网络，以通过所述第二卷积神经网络对所述距离拓扑矩阵进行处理，以提取出所述各个雪崩二极管之间的拓扑的高维结构特征，从而获得距离拓扑特征图。值得一提的是，这里，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
更具体地，在步骤S160中，基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图。也就是，在本申请中进一步基于所述温度关联特征图中各个位置的特征值来计算所述距离拓扑特征图中的每个位置的特征值的热力学功率谱密度，以获得功率谱密度特征图。
在本申请的一个具体示例中，基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图的过程，包括：以如下公式基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以获得所述功率谱密度特征图；其中，所述公式为：
Figure BDA0003328668500000161
其中Disi是所述距离拓扑特征图中的每个位置的特征值，h是普朗克常数，具体数值为1.054×10-34，k为玻尔兹曼热力学常数，具体数值为1.38×10-23，Ti为温度系数，在本申请中采用所述温度关联特征图中的各个位置的特征值，并且α和β为修正系数，用于修正分子和分母在量级上的差异。
更具体地，在步骤S170和步骤S180中，融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图，并将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量。也就是，首先，融合所述功率谱密度特征图和所述温度关联特征图，在一个具体示例中，可以采用计算所述功率谱密度特征图与所述温度关联特征图的加权和，以获得融合特征图，这里所述融合特征图中的各个位置的特征值表示融合了所述多个雪崩二极管物理位置的尺度维度与所述多个雪崩二极管温度的热力学维度之间的高维关联特征。然后，将所述融合特征图与所述多个雪崩二极管的当前温度向量相乘，以将所述当前温度向量映射到所述融合特征图的高维特征空间中，以得到基于热力学关联特征的温度特征向量。
更具体地，在步骤S190和步骤S200中，计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值，并基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。也就是，首先，将所述温度特征向量中各个位置的特征值与所述温度向量中对应的各个位置的特征值进行做差计算，从而得到所述各个位置对应的雪崩光电二极管的温度补偿值；然后，就可以基于所述温度补偿值来确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值。应可以理解，通过这样的方式进行处理，可以消除所述各个雪崩二极管的工作温度之间的相互影响，以使得温度补偿的精度较高，从而也就会提高电子设备的性能。
综上，基于本申请实施例的所述基于深度学习的智能稳压器的稳压方法被阐明，其考虑到各个雪崩二极管之间会发生温度的传递，在本申请中针对多个雪崩二极管整体性地进行温度补偿，而不是仅基于单个雪崩二极管的温度来进行温度补偿，并且其还采用基于深度学习技术的卷积神经网络模型来提取出各个雪崩二极管之间的温度的高维关联特征。通过这样的方式，可以使得温度补偿的精度较高，从而也就会提高电子设备的性能。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于深度学习的智能稳压器的稳压方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如温度关联特征图、距离拓扑特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括雪崩光电二极管的偏压值等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于深度学习的智能稳压器的稳压方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于深度学习的智能稳压器的稳压方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种基于深度学习的智能稳压器，其特征在于，包括：
温度数据检测单元，用于获取多个雪崩光电二极管各自的温度值；
温度关联单元，用于将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联；
第一功率谱密度特征图生成单元，用于将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图；
拓扑转化单元，用于将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离；
第二功率谱密度特征图生成单元，用于将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图；
功率谱密度特征图生成单元，用于基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图；
特征图融合单元，用于融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图；
向量映射单元，用于将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量；
温度补偿值计算单元，用于计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值；以及
稳压单元，用于基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值；
其中，所述功率谱密度特征图生成单元，进一步用于以如下公式基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以获得所述功率谱密度特征图；
其中，所述公式为：
Figure FDA0003815018290000021
其中Disi是所述距离拓扑特征图中的每个位置的特征值，h是普朗克常数，k为玻尔兹曼热力学常数，Ti为温度系数为所述温度关联特征图中的各个位置的特征值，并且α和β为修正系数，用于修正分子和分母在量级上的差异。
2.根据权利要求1所述的智能稳压器，其中，所述拓扑转化单元，进一步用于：将所述多个雪崩二极管的编号确定为所述距离拓扑矩阵的行和列；以及，在所述距离拓扑矩阵中各个位置填充对应两个所述雪崩光电二极管之间的物理距离。
3.根据权利要求1所述的智能稳压器，其中，所述特征图融合单元，进一步用于以如下公式融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图：
所述公式为：
Fs＝λFa+βFg
其中，Fs为所述融合特征图，Fa为所述功率谱密度特征图，Fg为所述温度关联特征图，“+”表示所述温度关联特征图和所述功率谱密度特征图相对应位置处的元素相加，λ和β为加权系数，且λ+β＝1。
4.根据权利要求1所述的智能稳压器，其中，所述向量映射单元，进一步用于：将所述融合特征图与所述温度向量进行矩阵相乘以获得所述温度特征向量。
5.根据权利要求1所述的智能稳压器，其中，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
6.一种基于深度学习的智能稳压器的稳压方法，其特征在于，包括：
获取多个雪崩光电二极管各自的温度值；
将所述多个雪崩光电二极管各自的温度值组成温度向量后乘以其自身的转置以获得温度关联矩阵，其中，所述温度关联矩阵中各个位置的特征值用于表示两个雪崩光电二极管的温度值之间的关联；
将所述温度关联矩阵输入第一卷积神经网络以获得用于表达各个雪崩光电二极管之间的温度值的高维关联特征的温度关联特征图；
将所述多个雪崩光电二极管的拓扑结构转化为距离拓扑矩阵，其中，所述距离拓扑矩阵中各个位置的特征值用于表示两个雪崩光电二极管之间的物理距离；
将所述距离拓扑矩阵通过第二卷积神经网络以获得用于表达各个雪崩光电二极管之间的拓扑结构的高维结构特征的距离拓扑特征图；
基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图；
融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图；
将所述温度向量通过矩阵相乘的方式将其映射到所述融合特征图的高维特征空间中，以获得基于热力学关联特征的温度特征向量；
计算所述温度特征向量中各个位置的特征值与所述温度向量中对应位置的特征值之间的差值作为各个位置对应的雪崩光电二极管的温度补偿值；以及
基于所述温度补偿值，确定所述智能稳压器作用于各个位置对应的所述雪崩光电二极管的偏压值；
其中，基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以将所述距离特征拓扑特征图转换到热力学维度上，以获得功率谱密度特征图，包括：
以如下公式基于所述温度关联特征图中各个位置的特征值作为温度系数来计算所述距离拓扑特征图中各个位置的特征值对应的热力学功率谱密度以获得所述功率谱密度特征图；
其中，所述公式为：
Figure FDA0003815018290000041
其中Disi是所述距离拓扑特征图中的每个位置的特征值，h是普朗克常数，k为玻尔兹曼热力学常数，Ti为温度系数为所述温度关联特征图中的各个位置的特征值，并且α和β为修正系数，用于修正分子和分母在量级上的差异。
7.根据权利要求6所述的基于深度学习的智能稳压器的稳压方法，其中，融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图，包括：
以如下公式融合所述功率谱密度特征图和所述温度关联特征图以获得融合特征图：
所述公式为：
Fs＝λFa+βFg
其中，Fs为所述融合特征图，Fa为所述功率谱密度特征图，Fg为所述温度关联特征图，“+”表示所述温度关联特征图和所述功率谱密度特征图相对应位置处的元素相加，λ和β为加权系数，且λ+β＝1。
8.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求6-7中任一项所述的基于深度学习的智能稳压器的稳压方法。
CN202111270659.5A 2021-10-29 2021-10-29 基于深度学习的智能稳压器、稳压方法和电子设备 Active CN113963223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111270659.5A CN113963223B (zh) 2021-10-29 2021-10-29 基于深度学习的智能稳压器、稳压方法和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111270659.5A CN113963223B (zh) 2021-10-29 2021-10-29 基于深度学习的智能稳压器、稳压方法和电子设备

Publications (2)

Publication Number Publication Date
CN113963223A CN113963223A (zh) 2022-01-21
CN113963223B true CN113963223B (zh) 2022-10-04

Family

ID=79468340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111270659.5A Active CN113963223B (zh) 2021-10-29 2021-10-29 基于深度学习的智能稳压器、稳压方法和电子设备

Country Status (1)

Country Link
CN (1) CN113963223B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932003A (zh) * 2017-05-22 2018-12-04 敦宏科技股份有限公司 智能型低压降稳压器与智能型稳压方法
CN113095190A (zh) * 2021-04-01 2021-07-09 武汉理工大学 一种无接触温度测量与身份识别系统
CN113255752A (zh) * 2021-05-17 2021-08-13 济南弛枫网络科技有限公司 基于特征聚类的固体材料一致性分选方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733785A (zh) * 2021-01-20 2021-04-30 成都莉娣扬科技有限公司 基于层深度和感受野的信息化设备的稳定性检测方法
CN112958313B (zh) * 2021-02-04 2022-03-04 深圳市邦建科技有限公司 使用距离矩阵加权特征的智能区域补偿喷漆参数控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932003A (zh) * 2017-05-22 2018-12-04 敦宏科技股份有限公司 智能型低压降稳压器与智能型稳压方法
CN113095190A (zh) * 2021-04-01 2021-07-09 武汉理工大学 一种无接触温度测量与身份识别系统
CN113255752A (zh) * 2021-05-17 2021-08-13 济南弛枫网络科技有限公司 基于特征聚类的固体材料一致性分选方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于BP神经网络的低压差线性稳压器电磁干扰损伤模型";周长林等;《高电压技术》;20210331;第42卷(第3期);第973-978页 *

Also Published As

Publication number Publication date
CN113963223A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
CN114900126B (zh) 太阳能电池组件的接地测试设备及其接地测试方法
CN114548246A (zh) 智能设备的控制方法、系统和电子设备
CN115171317A (zh) 物联网智能家居方法、系统和电子设备
CN116247824B (zh) 电力设备的控制方法及其系统
CN115992908A (zh) 智能流体控制阀及其检测方法
CN116189865A (zh) 医院预约登记管理系统
CN115526865A (zh) 笔记本电脑的散热模块的绝缘性检验方法及其系统
CN114724386A (zh) 智慧交通下的短时交通流量预测方法、系统和电子设备
CN115620303A (zh) 人事档案智慧管理系统
CN115133877A (zh) 一种晶体振荡器的温度补偿方法及其温度补偿系统
CN115878319A (zh) 负载均衡方法、系统和电子设备
CN115146676A (zh) 电路故障检测方法及其系统
CN113963223B (zh) 基于深度学习的智能稳压器、稳压方法和电子设备
CN116149397A (zh) 电子级双氧水存储的温度自适应控制系统
US11373018B2 (en) Method of displaying model and designing pattern, and storage medium
CN112800217A (zh) 基于向量关联性矩阵的政务事务处理报告的智能评估方法
JP7414357B2 (ja) テキスト処理方法、装置、デバイス及びコンピュータ読み取り可能な記憶媒体
CN115953183A (zh) 面向现货市场的售电公司购售电风险预测系统及其方法
CN116127019B (zh) 动态参数与可视化模型生成web 2d自动建模引擎系统
CN116383714A (zh) 用于斗轮机的设备保护系统及其方法
CN115409617B (zh) 基于区块链的外币兑换方法及其系统
CN116151604A (zh) 一种web环境下办公系统流程分析系统及其方法
CN114579632A (zh) 电热锅炉的自动加热方法、系统和电子设备
CN116052269A (zh) 运动损伤预警系统及其预警方法

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