CN115346345B - 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统 - Google Patents

一种用于六氟丁二烯制备的智能化有毒有害气体报警系统 Download PDF

Info

Publication number
CN115346345B
CN115346345B CN202210897022.7A CN202210897022A CN115346345B CN 115346345 B CN115346345 B CN 115346345B CN 202210897022 A CN202210897022 A CN 202210897022A CN 115346345 B CN115346345 B CN 115346345B
Authority
CN
China
Prior art keywords
matrix
feature
topological
toxic
feature matrix
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
CN202210897022.7A
Other languages
English (en)
Other versions
CN115346345A (zh
Inventor
张前臻
朱军伟
傅晓腾
张鸿铨
张奎
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.)
Fujian Hangfu Electronic Materials Co ltd
Original Assignee
Fujian Hangfu Electronic Materials 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 Fujian Hangfu Electronic Materials Co ltd filed Critical Fujian Hangfu Electronic Materials Co ltd
Priority to CN202210897022.7A priority Critical patent/CN115346345B/zh
Priority to PCT/CN2022/119276 priority patent/WO2024021253A1/zh
Publication of CN115346345A publication Critical patent/CN115346345A/zh
Application granted granted Critical
Publication of CN115346345B publication Critical patent/CN115346345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G08B21/14—Toxic gas alarms
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Toxicology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本申请涉及气体智能监测的领域，其具体地公开了一种用于六氟丁二烯制备的智能化有毒有害气体报警系统，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。

Description

一种用于六氟丁二烯制备的智能化有毒有害气体报警系统
技术领域
本发明涉及气体智能监测的领域，且更为具体地，涉及一种用于六氟丁二烯制备的智能化有毒有害气体报警系统及其报警方法。
背景技术
在全球电子气体市场上，含氟电子气体约占30％，主要用作蚀刻剂和清洗剂等。当前广泛使用的全氟烷烃类(PFCs)化合物虽然不破坏臭氧层，但在《京都议定书》中被认定为较强的温室气体。随着人们对环境要求的不断提高，传统含氟电子气体的使用将会受到极大的限制。因此需要寻找新型的环保型含氟电子气体。
六氟丁二烯凭借其各方面的优异性能成为传统含氟电子气体的最佳替代品之一，它是制备多种含氟聚合物材料的单体，还是一种绿色环保的高效干蚀刻气体，近年来已引起国内外学者的高度关注。
但是，六氟丁二烯是一种易燃、有毒、无色、无味的气体，其与空气混合后，浓度达到7%时，有立即燃烧和爆炸的危险。并且，被吸入体内后，对人体会产生危害，可能导致呼吸系统刺激、咳嗽、昏眩、麻醉、心律不齐和负面的肾脏影响。
因此，在六氟丁二烯的制备过程中，期待对制备场所内的有毒有害气体进行监测以确保制备场所内的人员安全。
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用于六氟丁二烯制备的智能化有毒有害气体报警系统及其报警方法，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。
根据本申请的一个方面，提供了一种用于六氟丁二烯制备的智能化有毒有害气体报警系统，其包括：气体监测数据采集模块，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；单样本气体数据编码模块，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；多样本气体数据关联编码模块，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；传感器拓扑矩阵构造单元，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；拓扑矩阵编码模块，用于将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；拓扑特征校正模块，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；融合模块，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及报警结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述单样本气体数据编码模块，包括：输入向量构造单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时间维度排列为对应于各个所述有毒有害气体监测仪的一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure DEST_PATH_IMAGE001
，其中 />
Figure DEST_PATH_IMAGE002
是所述输入向量，/>
Figure DEST_PATH_IMAGE003
是输出向量，/>
Figure DEST_PATH_IMAGE004
是权重矩阵，/>
Figure DEST_PATH_IMAGE005
是偏置向量，/>
Figure DEST_PATH_IMAGE006
表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述多样本气体数据关联编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述测量数据关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述拓扑矩阵编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述拓扑特征校正模块，包括：指数运算单元，用于计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值；倒数运算单元，用于计算所述拓扑特征矩阵中各个位置的特征值的倒数；约束值计算单元，用于以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值；以及，结构化理解单元，用于计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述融合模块，进一步用于：以如下公式将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到所述分类特征矩阵；其中，所述公式为：
Figure DEST_PATH_IMAGE008
其中
Figure DEST_PATH_IMAGE009
表示所述分类特征矩阵，/>
Figure DEST_PATH_IMAGE010
表示所述所述测量数据关联特征矩阵，/>
Figure DEST_PATH_IMAGE011
表示所述校正后拓扑特征矩阵，/>
Figure DEST_PATH_IMAGE012
表示矩阵相乘。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述报警结果生成模块，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：
Figure DEST_PATH_IMAGE013
，其中/>
Figure DEST_PATH_IMAGE014
表示将所述分类特征矩阵投影为向量，/>
Figure DEST_PATH_IMAGE015
至/>
Figure DEST_PATH_IMAGE016
为各层全连接层的权重矩阵，/>
Figure DEST_PATH_IMAGE017
至/>
Figure DEST_PATH_IMAGE018
表示各层全连接层的偏置矩阵。
根据本申请的另一方面，一种用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法，其包括：获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量，包括：将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时间维度排列为对应于各个所述有毒有害气体监测仪的一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure DEST_PATH_IMAGE019
，其中/>
Figure DEST_PATH_IMAGE020
是所述输入向量，/>
Figure DEST_PATH_IMAGE021
是输出向量，/>
Figure DEST_PATH_IMAGE022
是权重矩阵，/>
Figure DEST_PATH_IMAGE023
是偏置向量，/>
Figure DEST_PATH_IMAGE024
表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure 896053DEST_PATH_IMAGE007
/>
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述测量数据关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵，包括：计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值；计算所述拓扑特征矩阵中各个位置的特征值的倒数；以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值；以及，计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵，包括：以如下公式将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到所述分类特征矩阵；其中，所述公式为：
Figure 78773DEST_PATH_IMAGE008
其中
Figure DEST_PATH_IMAGE025
表示所述分类特征矩阵，/>
Figure DEST_PATH_IMAGE026
表示所述所述测量数据关联特征矩阵，/>
Figure DEST_PATH_IMAGE027
表示所述校正后拓扑特征矩阵，/>
Figure DEST_PATH_IMAGE028
表示矩阵相乘。
在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，将所述分类特征矩阵通过分类器以得到分类结果，包括：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：
Figure DEST_PATH_IMAGE029
，其中/>
Figure DEST_PATH_IMAGE030
表示将所述分类特征矩阵投影为向量，/>
Figure DEST_PATH_IMAGE031
至/>
Figure DEST_PATH_IMAGE032
为各层全连接层的权重矩阵，/>
Figure DEST_PATH_IMAGE033
至/>
Figure DEST_PATH_IMAGE034
表示各层全连接层的偏置矩阵。
与现有技术相比，本申请提供的用于六氟丁二烯制备的智能化有毒有害气体报警系统及其报警方法，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。
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用于六氟丁二烯制备的智能化有毒有害气体报警系统的应用场景图。
图2为根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的框图。
图3为根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统中拓扑特征校正模块的框图。
图4为根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的流程图。
图5为根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的架构示意图。
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，在全球电子气体市场上，含氟电子气体约占30％，主要用作蚀刻剂和清洗剂等。当前广泛使用的全氟烷烃类(PFCs)化合物虽然不破坏臭氧层，但在《京都议定书》中被认定为较强的温室气体。随着人们对环境要求的不断提高，传统含氟电子气体的使用将会受到极大的限制。因此需要寻找新型的环保型含氟电子气体。
六氟丁二烯凭借其各方面的优异性能成为传统含氟电子气体的最佳替代品之一，它是制备多种含氟聚合物材料的单体，还是一种绿色环保的高效干蚀刻气体，近年来已引起国内外学者的高度关注。
但是，六氟丁二烯是一种易燃、有毒、无色、无味的气体，其与空气混合后，浓度达到7%时，有立即燃烧和爆炸的危险。并且，被吸入体内后，对人体会产生危害，可能导致呼吸系统刺激、咳嗽、昏眩、麻醉、心律不齐和负面的肾脏影响。
因此，在六氟丁二烯的制备过程中，期待对制备场所内的有毒有害气体进行监测以确保制备场所内的人员安全。
相应地，本申请发明人发现在利用气体传感器进行有毒有害气体（主要是六氟丁二烯气体）监测时，由于有毒有害气体在待监测场所内各个位置的分布是不均匀的，因此，如果采用一个单独的气体传感器进行气体监测，其可能监测到的气体浓度值未超过安全阈值，但场所内其他位置的气体浓度有可能已超过预定阈值。其次，单个传感器也有可能因故障而测量产生误差，因此，采用单个气体传感器来进行气体浓度监测存在安全隐患。并且，任何气体传感器都有自身系统误差，因此，即便单个传感器自身不存在故障，依赖单个传感器的数据作为监测依据是不合理的。
基于此，在本申请的技术方案中，通过以预定的拓扑样式来在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪，以采集多个预定时间点的气体浓度值。应可以理解，考虑到所述六氟丁二烯的制备场所内有毒有害气体监测仪的部署空间区域是连通的，这样会使得所述气体浓度值具有动态性的变化规律，也就是，各个所述有毒有害气体监测仪部署点的气体浓度会根据时间的变化发生扩散，例如会从浓度较高的地区扩散至浓度较低的地区。因此为了更为充分地提取这种动态性的隐含变化规律，进一步将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器中进行处理，以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出各个部署点的所述气体浓度值在时序维度上的关联特征和通过全连接编码提取各个部署点的所述气体浓度值的高维隐含特征。
进一步地，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵，以整合各个所述有毒有害气体监测仪部署点的气体浓度值的动态变化特征信息，再将这种变化特征通过作为过滤器的第一卷积神经网络中进行处理，以提取出各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值的全局性的动态特征表示，以得到测量数据关联特征矩阵。
由于考虑到这种扩散规律也与空间的特征分布有关，因此，根据预定的拓扑样式来获取所述多个有毒有害气体监测仪的拓扑矩阵，这里，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。然后，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络中进行拓扑特征的深层挖掘，以得到拓扑特征矩阵。
这样，将所述测量数据关联特征矩阵与所述拓扑特征矩阵进行矩阵相乘，以将所述拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，进而融合这两者的特征信息来进行分类，以获得用于表示是否产生报警提示的分类结果。但是，在将所述拓扑特征矩阵乘以所述测量数据关联特征矩阵以进行特征融合时，由于所述拓扑特征矩阵表达传感器位置的拓扑特征，而不包含测量数据的数值特征，这就导致所获得的所述分类特征矩阵在针对测量数据的时序数值关联特征的分类目标上存在约束性弱的问题，从而可能存在分类效果不佳的问题。
基于此，在进行特征融合之前，首先对所述拓扑特征矩阵进行类条件边界约束：
Figure DEST_PATH_IMAGE035
其中
Figure DEST_PATH_IMAGE036
是所述拓扑特征矩阵的每个位置的特征值。
这里，该所述类条件边界约束通过对特征值及其所属的类条件进行基于规则的结构化理解，来进行特征的边界约束，以避免特征值集合由于集合的分布外特性而导致在分类目标域内的决策区域的过度碎片化，以获得稳健的条件化的类边界，从而通过提升所述拓扑特征矩阵本身的类条件边界内的收敛性来提高分类特征矩阵在分类目标上的约束性，进而提高分类的效果。
基于此，本申请提出了一种用于六氟丁二烯制备的智能化有毒有害气体报警系统，其包括：气体监测数据采集模块，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；单样本气体数据编码模块，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；多样本气体数据关联编码模块，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；传感器拓扑矩阵构造单元，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；拓扑矩阵编码模块，用于将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；拓扑特征校正模块，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；融合模块，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及，报警结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
图1图示了根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于六氟丁二烯的制备场所（例如，如图1中所示意的H）内的多个有毒有害气体监测仪（例如，如图1中所示意的T1-Tn）的预定拓扑样式来获取拓扑矩阵，并且通过以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值。然后，将获得的所述多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值以及所述多个有毒有害气体监测仪的拓扑矩阵输入至部署有用于六氟丁二烯制备的智能化有毒有害气体报警算法的服务器中（例如，如图1中所示意的服务器S），其中，所述服务器能够以用于六氟丁二烯制备的智能化有毒有害气体报警算法对所述多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值以及所述多个有毒有害气体监测仪的拓扑矩阵进行处理，以生成用于表示是否产生报警提示的分类结果。
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用于六氟丁二烯制备的智能化有毒有害气体报警系统的框图。如图2所示，根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统 200，包括：气体监测数据采集模块 210，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；单样本气体数据编码模块 220，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；多样本气体数据关联编码模块 230，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；传感器拓扑矩阵构造单元 240，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；拓扑矩阵编码模块 250，用于将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；拓扑特征校正模块 260，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；融合模块 270，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及，报警结果生成模块 280，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
具体地，在本申请实施例中，所述气体监测数据采集模块 210和所述单样本气体数据编码模块 220，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值，并将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。如前所述，应可以理解，在利用气体传感器进行有毒有害气体（主要是六氟丁二烯气体）监测时，由于所述有毒有害气体在待监测场所内各个位置的分布是不均匀的，因此，如果采用一个单独的气体传感器进行气体监测，其可能监测到的气体浓度值未超过安全阈值，但场所内其他位置的气体浓度有可能已超过预定阈值。其次，单个传感器也有可能因故障而测量产生误差，因此，采用所述单个气体传感器来进行气体浓度监测存在安全隐患。并且，任何气体传感器都有自身系统误差，因此，即便所述单个传感器自身不存在故障，依赖所述单个传感器的数据作为监测依据是不合理的。
因此，在本申请的技术方案中，通过以预定的拓扑样式来在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪，以采集多个预定时间点的气体浓度值。应可以理解，考虑到所述六氟丁二烯的制备场所内有毒有害气体监测仪的部署空间区域是连通的，这样会使得所述气体浓度值具有动态性的变化规律，也就是，各个所述有毒有害气体监测仪部署点的气体浓度会根据时间的变化发生扩散，例如会从浓度较高的地区扩散至浓度较低的地区。因此为了更为充分地提取这种动态性的隐含变化规律，进一步将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器中进行处理，以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出各个部署点的所述气体浓度值在时序维度上的关联特征和通过全连接编码提取各个部署点的所述气体浓度值的高维隐含特征。
更具体地，在本申请实施例中，所述单样本气体数据编码模块，包括：输入向量构造单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时间维度排列为对应于各个所述有毒有害气体监测仪的一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure DEST_PATH_IMAGE037
，其中/>
Figure DEST_PATH_IMAGE038
是所述输入向量，/>
Figure DEST_PATH_IMAGE039
是输出向量，/>
Figure DEST_PATH_IMAGE040
是权重矩阵，/>
Figure DEST_PATH_IMAGE041
是偏置向量，/>
Figure DEST_PATH_IMAGE042
表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure 425222DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
具体地，在本申请实施例中，所述多样本气体数据关联编码模块 230，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵。也就是，在本申请的技术方案中，进一步地，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵，以整合各个所述有毒有害气体监测仪部署点的气体浓度值的动态变化特征信息，再将这种变化特征通过作为过滤器的第一卷积神经网络中进行处理，以提取出各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值的全局性的动态特征表示，以得到测量数据关联特征矩阵。
更具体地，在本申请实施例中，所述多样本气体数据关联编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述测量数据关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵。
具体地，在本申请实施例中，所述传感器拓扑矩阵构造单元 240和所述拓扑矩阵编码模块 250，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零，并将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵。应可以理解，考虑到由于这种扩散规律也与空间的特征分布有关，因此，在本申请的技术方案中，根据预定的拓扑样式来获取所述多个有毒有害气体监测仪的拓扑矩阵，这里，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。然后，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络中进行拓扑特征的深层挖掘，以得到拓扑特征矩阵。相应地，在一个具体示例中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
具体地，在本申请实施例中，所述拓扑特征校正模块 260，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵。应可以理解，在本申请的技术方案中，这样，再将所述测量数据关联特征矩阵与所述拓扑特征矩阵进行矩阵相乘，以将所述拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，进而融合这两者的特征信息来进行分类，就可以获得用于表示是否产生报警提示的分类结果。但是，考虑到在将所述拓扑特征矩阵乘以所述测量数据关联特征矩阵以进行特征融合时，由于所述拓扑特征矩阵表达传感器位置的拓扑特征，而不包含测量数据的数值特征，这就导致所获得的所述分类特征矩阵在针对测量数据的时序数值关联特征的分类目标上存在约束性弱的问题，从而可能存在分类效果不佳的问题，因此，在进行特征融合之前，需要对所述拓扑特征矩阵进行类条件边界约束。
更具体地，在本申请实施例中，所述拓扑特征校正模块，包括：首先，计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值。接着，计算所述拓扑特征矩阵中各个位置的特征值的倒数。然后，以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值。最后，计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵。相应地，在一个具体示例中，对所述拓扑特征矩阵进行类条件边界约束的公式为：
Figure 102322DEST_PATH_IMAGE035
其中
Figure DEST_PATH_IMAGE043
是所述拓扑特征矩阵的每个位置的特征值。应可以理解，该所述类条件边界约束通过对特征值及其所属的类条件进行基于规则的结构化理解，来进行特征的边界约束，以避免特征值集合由于集合的分布外特性而导致在分类目标域内的决策区域的过度碎片化，以获得稳健的条件化的类边界，从而通过提升所述拓扑特征矩阵本身的类条件边界内的收敛性来提高分类特征矩阵在分类目标上的约束性，进而提高分类的效果。
图3图示了根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统中拓扑特征校正模块的框图。如图3所示，所述拓扑特征校正模块 260，包括：指数运算单元 261，用于计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值；倒数运算单元 262，用于计算所述拓扑特征矩阵中各个位置的特征值的倒数；约束值计算单元 263，用于以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值；以及，结构化理解单元 264，用于计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵。
具体地，在本申请实施例中，所述融合模块 270和所述报警结果生成模块 280，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。也就是，在本申请的技术方案中，在获得所述校正后拓扑特征矩阵后，进一步将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘，以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，从而得到分类特征矩阵来进行分类，以得到用于表示是否产生报警提示的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：
Figure DEST_PATH_IMAGE044
，其中
Figure DEST_PATH_IMAGE045
表示将所述分类特征矩阵投影为向量，/>
Figure DEST_PATH_IMAGE046
至/>
Figure DEST_PATH_IMAGE047
为各层全连接层的权重矩阵，/>
Figure DEST_PATH_IMAGE048
至/>
Figure DEST_PATH_IMAGE049
表示各层全连接层的偏置矩阵。
更具体地，在本申请实施例中，所述融合模块，进一步用于：以如下公式将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到所述分类特征矩阵；其中，所述公式为：
Figure 648185DEST_PATH_IMAGE008
其中
Figure 18118DEST_PATH_IMAGE025
表示所述分类特征矩阵，/>
Figure 550730DEST_PATH_IMAGE026
表示所述所述测量数据关联特征矩阵，/>
Figure DEST_PATH_IMAGE050
表示所述校正后拓扑特征矩阵，/>
Figure 811947DEST_PATH_IMAGE028
表示矩阵相乘。
综上，基于本申请实施例的所述用于六氟丁二烯制备的智能化有毒有害气体报警系统 200被阐明，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。
如上所述，根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统 200可以实现在各种终端设备中，例如用于六氟丁二烯制备的智能化有毒有害气体报警算法的服务器等。在一个示例中，根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统 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，该用于六氟丁二烯制备的智能化有毒有害气体报警系统 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，该用于六氟丁二烯制备的智能化有毒有害气体报警系统 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，该用于六氟丁二烯制备的智能化有毒有害气体报警系统200与该终端设备也可以是分立的设备，并且该用于六氟丁二烯制备的智能化有毒有害气体报警系统 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4图示了用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的流程图。如图4所示，根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法，包括步骤：S110，获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；S120，将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；S130，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；S140，获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；S150，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；S160，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；S170，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及，S180，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
图5图示了根据本申请实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的架构示意图。如图5所示，在所述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的网络架构中，首先，将获得的各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值（例如，如图5中所示意的P1）通过包含一维卷积层的时序编码器（例如，如图5中所示意的E）以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量（例如，如图5中所示意的VF1）；接着，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵（例如，如图5中所示意的MF1）后通过作为过滤器的第一卷积神经网络（例如，如图5中所示意的CNN1）以得到测量数据关联特征矩阵（例如，如图5中所示意的MF2）；然后，将获得的所述拓扑矩阵（例如，如图5中所示意的P2）通过作为过滤器的第二卷积神经网络（例如，如图5中所示意的CNN2）以得到拓扑特征矩阵（例如，如图5中所示意的M1）；接着，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵（例如，如图5中所示意的M2）；然后，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵（例如，如图5中所示意的MF）；以及，最后，将所述分类特征矩阵通过分类器（例如，如图5中所示意的分类器）以得到分类结果，所述分类结果用于表示是否产生报警提示。
更具体地，在步骤S110和S120中，获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值，并将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。应可以理解，在利用气体传感器进行有毒有害气体（主要是六氟丁二烯气体）监测时，由于所述有毒有害气体在待监测场所内各个位置的分布是不均匀的，因此，如果采用一个单独的气体传感器进行气体监测，其可能监测到的气体浓度值未超过安全阈值，但场所内其他位置的气体浓度有可能已超过预定阈值。其次，单个传感器也有可能因故障而测量产生误差，因此，采用所述单个气体传感器来进行气体浓度监测存在安全隐患。并且，任何气体传感器都有自身系统误差，因此，即便所述单个传感器自身不存在故障，依赖所述单个传感器的数据作为监测依据是不合理的。
因此，在本申请的技术方案中，通过以预定的拓扑样式来在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪，以采集多个预定时间点的气体浓度值。应可以理解，考虑到所述六氟丁二烯的制备场所内有毒有害气体监测仪的部署空间区域是连通的，这样会使得所述气体浓度值具有动态性的变化规律，也就是，各个所述有毒有害气体监测仪部署点的气体浓度会根据时间的变化发生扩散，例如会从浓度较高的地区扩散至浓度较低的地区。因此为了更为充分地提取这种动态性的隐含变化规律，进一步将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器中进行处理，以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出各个部署点的所述气体浓度值在时序维度上的关联特征和通过全连接编码提取各个部署点的所述气体浓度值的高维隐含特征。
更具体地，在步骤S130中，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵。也就是，在本申请的技术方案中，进一步地，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵，以整合各个所述有毒有害气体监测仪部署点的气体浓度值的动态变化特征信息，再将这种变化特征通过作为过滤器的第一卷积神经网络中进行处理，以提取出各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值的全局性的动态特征表示，以得到测量数据关联特征矩阵。
更具体地，在步骤S140和步骤S150中，获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零，并将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵。应可以理解，考虑到由于这种扩散规律也与空间的特征分布有关，因此，在本申请的技术方案中，根据预定的拓扑样式来获取所述多个有毒有害气体监测仪的拓扑矩阵，这里，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。然后，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络中进行拓扑特征的深层挖掘，以得到拓扑特征矩阵。相应地，在一个具体示例中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
更具体地，在步骤S160中，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵。应可以理解，在本申请的技术方案中，这样，再将所述测量数据关联特征矩阵与所述拓扑特征矩阵进行矩阵相乘，以将所述拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，进而融合这两者的特征信息来进行分类，就可以获得用于表示是否产生报警提示的分类结果。但是，考虑到在将所述拓扑特征矩阵乘以所述测量数据关联特征矩阵以进行特征融合时，由于所述拓扑特征矩阵表达传感器位置的拓扑特征，而不包含测量数据的数值特征，这就导致所获得的所述分类特征矩阵在针对测量数据的时序数值关联特征的分类目标上存在约束性弱的问题，从而可能存在分类效果不佳的问题，因此，在进行特征融合之前，需要对所述拓扑特征矩阵进行类条件边界约束。
更具体地，在步骤S170和步骤S180中，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。也就是，在本申请的技术方案中，在获得所述校正后拓扑特征矩阵后，进一步将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘，以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，从而得到分类特征矩阵来进行分类，以得到用于表示是否产生报警提示的分类结果。
相应地，在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：
Figure DEST_PATH_IMAGE051
，其中
Figure DEST_PATH_IMAGE052
表示将所述分类特征矩阵投影为向量，/>
Figure DEST_PATH_IMAGE053
至/>
Figure DEST_PATH_IMAGE054
为各层全连接层的权重矩阵，
Figure DEST_PATH_IMAGE055
至/>
Figure DEST_PATH_IMAGE056
表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法被阐明，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。
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 (3)

1.一种用于六氟丁二烯制备的智能化有毒有害气体报警系统，其特征在于，包括：
气体监测数据采集模块，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；
单样本气体数据编码模块，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；
多样本气体数据关联编码模块，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；
传感器拓扑矩阵构造单元，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；
拓扑矩阵编码模块，用于将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；
拓扑特征校正模块，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；
融合模块，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及
报警结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示；
其中，所述单样本气体数据编码模块，包括：
输入向量构造单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时间维度排列为对应于各个所述有毒有害气体监测仪的一维的输入向量；
全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure FDA0004057127220000021
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0004057127220000022
表示矩阵乘；
一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure FDA0004057127220000023
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；
其中，所述多样本气体数据关联编码模块，用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述测量数据关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵；
其中，所述拓扑矩阵编码模块，用于：所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵；
其中，所述拓扑特征校正模块，包括：
指数运算单元，用于计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值；
倒数运算单元，用于计算所述拓扑特征矩阵中各个位置的特征值的倒数；
约束值计算单元，用于以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值；以及
结构化理解单元，用于计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵；
其中，所述融合模块，用于：以如下公式将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到所述分类特征矩阵；
其中，所述公式为：
Figure FDA0004057127220000031
其中M表示所述分类特征矩阵，M1表示所述所述测量数据关联特征矩阵，M2表示所述校正后拓扑特征矩阵，
Figure FDA0004057127220000032
表示矩阵相乘。
2.根据权利要求1所述的用于六氟丁二烯制备的智能化有毒有害气体报警系统，其中，所述报警结果生成模块，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
3.一种用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法，其特征在于，包括：
获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；
将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；
将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；
获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；
将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；
对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；
将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示；
其中，将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量，包括：
将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时间维度排列为对应于各个所述有毒有害气体监测仪的一维的输入向量；
使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure FDA0004057127220000041
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>
Figure FDA0004057127220000042
表示矩阵乘；
使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure FDA0004057127220000043
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；
其中，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述测量数据关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵；
其中，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵，包括：所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵；
其中，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵，包括：
计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值；
计算所述拓扑特征矩阵中各个位置的特征值的倒数；
以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值；以及
计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵；
其中，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵，包括：以如下公式将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到所述分类特征矩阵；
其中，所述公式为：
Figure FDA0004057127220000051
其中M表示所述分类特征矩阵，M1表示所述所述测量数据关联特征矩阵，M2表示所述校正后拓扑特征矩阵，
Figure FDA0004057127220000052
表示矩阵相乘。/>
CN202210897022.7A 2022-07-28 2022-07-28 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统 Active CN115346345B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210897022.7A CN115346345B (zh) 2022-07-28 2022-07-28 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统
PCT/CN2022/119276 WO2024021253A1 (zh) 2022-07-28 2022-09-16 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210897022.7A CN115346345B (zh) 2022-07-28 2022-07-28 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统

Publications (2)

Publication Number Publication Date
CN115346345A CN115346345A (zh) 2022-11-15
CN115346345B true CN115346345B (zh) 2023-06-06

Family

ID=83950222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210897022.7A Active CN115346345B (zh) 2022-07-28 2022-07-28 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统

Country Status (2)

Country Link
CN (1) CN115346345B (zh)
WO (1) WO2024021253A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115932140A (zh) * 2022-11-16 2023-04-07 福建省杭氟电子材料有限公司 一种电子级六氟丁二烯的质检系统及其方法
CN116106457B (zh) * 2023-04-13 2023-06-27 天津海河标测技术检测有限公司 空气采样检测一体化装置
CN117787143A (zh) * 2024-02-23 2024-03-29 国网天津市电力公司城东供电分公司 变电站毒害气体的气流分布场重构方法及系统、电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120834A1 (zh) * 2020-07-09 2021-06-24 平安科技（深圳）有限公司 基于生物识别的手势识别方法、装置、计算机设备及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3962361B2 (ja) * 2003-06-27 2007-08-22 インターナショナル・ビジネス・マシーンズ・コーポレーション 位相判断装置、分解可能形状生成装置、構造メッシュ生成装置、位相判断方法、分解可能形状生成方法、および該位相判断方法を実行させるためのコンピュータ実行可能なプログラム、分解可能形状生成方法を実行させるためのコンピュータ実行可能なプログラム並びに構造メッシュ生成システム
US7579956B2 (en) * 2004-01-08 2009-08-25 Robertshaw Controls Company System and method for controlling ignition sources and ventilating systems during high carbon monoxide conditions
CN202795675U (zh) * 2012-08-13 2013-03-13 长城金点定位测控(北京）有限公司 气体报警器
WO2018220368A1 (en) * 2017-05-30 2018-12-06 Gtn Ltd Tensor network machine learning system
CN111127825A (zh) * 2019-12-25 2020-05-08 深圳供电局有限公司 环境预测方法和装置、电子设备
KR102229617B1 (ko) * 2020-08-20 2021-03-17 홍성희 스마트 iot 인공지능 가스경보 시스템
CN112907522B (zh) * 2021-02-03 2023-07-28 北京遥感设备研究所 一种智能红外气体泄漏监测装置及监测方法
CN113947739A (zh) * 2021-10-15 2022-01-18 深圳市铠硕达科技有限公司 基于物联网的小区安全管理监控系统及其监控方法
CN114615641A (zh) * 2022-03-03 2022-06-10 上海土蜂科技有限公司 高空平台设备协同管理方法、系统和电子设备
CN114647198B (zh) * 2022-03-09 2023-02-03 深圳市经纬纵横科技有限公司 基于物联网的智能家居控制方法、系统和电子设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120834A1 (zh) * 2020-07-09 2021-06-24 平安科技（深圳）有限公司 基于生物识别的手势识别方法、装置、计算机设备及介质

Also Published As

Publication number Publication date
CN115346345A (zh) 2022-11-15
WO2024021253A1 (zh) 2024-02-01

Similar Documents

Publication Publication Date Title
CN115346345B (zh) 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统
CN115356434B (zh) 六氟丁二烯储放场所的气体监测系统及其监测方法
CN115100456B (zh) 用于电子级双氧水制备的智能化有毒有害气体报警系统
CN113947739A (zh) 基于物联网的小区安全管理监控系统及其监控方法
CN103325205B (zh) 基于径向基神经网络的室内火灾预测方法及系统
CN115013298B (zh) 污水泵的实时性能在线监测系统及其监测方法
CN109947879A (zh) 一种基于复杂网络的海洋观测大数据可视化分析方法
CN116738552B (zh) 一种基于物联网的环境检测设备管理方法及系统
CN115456047A (zh) 基于人工智能的海上风机结构状态监测系统及其方法
CN109754581A (zh) 机房设备预警方法、装置、设备及存储介质
CN110298170B (zh) 一种考虑盲目攻击因子的电力scada系统安全性评估方法
CN106199514B (zh) 一种基于指纹自适应环境变化的被动式室内定位方法
CN117319451B (zh) 基于多模态大数据的城市级消防物联网监管系统及其方法
Wang et al. Forest fire detection system based on Fuzzy Kalman filter
CN110728826A (zh) 一种基于智慧技术的地下空间有毒有害气体预警报警方法
CN105898222B (zh) 一种图像采集方法及图像采集系统
CN110348657A (zh) 一种电网台风灾害特征相关性分析方法及系统
Sisko et al. A note on weak convergence results for uniform infinite causal triangulations
CN116320459A (zh) 一种基于人工智能的计算机网络通信数据处理方法及系统
In Numerical evaluation of an energy relaxation method for inviscid real fluids
CN114817847A (zh) 一种基于多层前馈神经网络的储能电站智能监测方法
CN104522926A (zh) 一种火灾救援定位头盔
CN105841662A (zh) 可实时监测的污水处理系统
CN107979089B (zh) 一种预警准确的电网安全预警系统
Ibrahim et al. Under-counted tensor completion with neural incorporation of attributes

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