CN115356434B - 六氟丁二烯储放场所的气体监测系统及其监测方法 - Google Patents

六氟丁二烯储放场所的气体监测系统及其监测方法 Download PDF

Info

Publication number
CN115356434B
CN115356434B CN202210824467.2A CN202210824467A CN115356434B CN 115356434 B CN115356434 B CN 115356434B CN 202210824467 A CN202210824467 A CN 202210824467A CN 115356434 B CN115356434 B CN 115356434B
Authority
CN
China
Prior art keywords
feature matrix
local
feature
matrix
data
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
CN202210824467.2A
Other languages
English (en)
Other versions
CN115356434A (zh
Inventor
胡进军
马桂香
张鸿铨
周文平
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 CN202210824467.2A priority Critical patent/CN115356434B/zh
Priority to PCT/CN2022/116551 priority patent/WO2024011732A1/zh
Publication of CN115356434A publication Critical patent/CN115356434A/zh
Application granted granted Critical
Publication of CN115356434B publication Critical patent/CN115356434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Combustion & Propulsion (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Sampling And Sample Adjustment (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六氟丁二烯储放场所的气体监测系统及其监测方法，其通过基于深度学习的卷积神经网络模型来分别从局部关联特征和全局关联特征方面对于多个预定时间点的气体浓度值进行深层挖掘，并且在融合这两者特征的基础上，引入了基于自注意力的数据密集损失函数来对于深度神经网络模型架构进行训练，以通过所述局部关联特征和所述全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。这样，能够对存储场所内的六氟丁二烯气体浓度进行准确地监测。

Description

六氟丁二烯储放场所的气体监测系统及其监测方法
技术领域
本申请涉及气体智能监测的领域，且更为具体地，涉及一种六氟丁二烯储放场所的气体监测系统及其监测方法。
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，在六氟丁二烯的相关场所中，例如，六氟丁二烯的存储场所，期待对存储场所内的六氟丁二烯气体浓度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六氟丁二烯储放场所的气体监测系统及其监测方法，其通过基于深度学习的卷积神经网络模型来分别从局部关联特征和全局关联特征方面对于多个预定时间点的气体浓度值进行深层挖掘，并且在融合这两者特征的基础上，引入了基于自注意力的数据密集损失函数来对于深度神经网络模型架构进行训练，以通过所述局部关联特征和所述全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。这样，能够对存储场所内的六氟丁二烯气体浓度进行准确地监测。
根据本申请的一个方面，提供了一种六氟丁二烯储放场所的气体监测系统，其包括：训练模块，包括：训练数据获取单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放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；单样本时序数据编码单元，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分别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；多样本数据局部关联单元，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局部关联特征矩阵；多样本数据全局关联单元，用于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非局部神经网络以得到测量数据全局关联特征矩阵；第一损失函数值计算单元，用于计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；第二损失函数值计算单元，用于将所述分类特征矩阵通过分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练；以及推断模块，包括：实时数据采集单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放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；实时数据单样本编码单元，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分别通过经所述训练模块训练完成的所述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；实时数据多样本局部关联单元，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经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；实时数据多样本全局关联单元，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经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；多尺度融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；以及监测结果生成单元，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。
根据本申请的另一个方面，提供了一种六氟丁二烯储放场所的气体监测系统的监测方法，其包括：训练阶段，包括：获取由以预定拓扑样式部署于六氟丁二烯储放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分别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局部关联特征矩阵；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非局部神经网络以得到测量数据全局关联特征矩阵；计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵； 将所述分类特征矩阵通过分类器以得到分类损失函数值；以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练；以及推断阶段，包括：获取由以预定拓扑样式部署于六氟丁二烯储放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分别通过经所述训练模块训练完成的所述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经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；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经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵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。
与现有技术相比，本申请提供的六氟丁二烯储放场所的气体监测系统及其监测方法，其通过基于深度学习的卷积神经网络模型来分别从局部关联特征和全局关联特征方面对于多个预定时间点的气体浓度值进行深层挖掘，并且在融合这两者特征的基础上，引入了基于自注意力的数据密集损失函数来对于深度神经网络模型架构进行训练，以通过所述局部关联特征和所述全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。这样，能够对存储场所内的六氟丁二烯气体浓度进行准确地监测。
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六氟丁二烯储放场所的气体监测系统的场景示意图。
图2为根据本申请实施例的六氟丁二烯储放场所的气体监测系统的框图。
图3A为根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法中训练阶段的流程图。
图3B为根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法中推断阶段的流程图。
图4为根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法中训练阶段的架构示意图。
图5为根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法中推断阶段的架构示意图。
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，在六氟丁二烯的相关场所中，例如，六氟丁二烯的存储场所，期待对存储场所内的六氟丁二烯气体浓度进行监测以确保制备场所内的人员安全。
相应地，考虑到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，如果采用一个单独的气体传感器进行气体监测，其可能会出现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的情况。并且，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。同时，还考虑到任何气体传感器都有自身系统误差，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仍是不合理的。
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的有毒有害气体监测仪的部署空间区域是连通的，这样会使得对于所述气体浓度值的测量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。然后，利用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来提取出所述多个预定时间点的气体浓度值的隐含关联特征分布。应可以理解，考虑到在提取各个所述有毒有害气体监测仪部署点的气体浓度值的关联特征时，各个所述有毒有害气体监测仪部署点的气体浓度值并不是独立存在的，其在空间上不仅会存在有近距离的局部关联特征，还会存在有远距离的整体依赖关联特征，因此，在本申请的技术方案中，使用作为过滤器的第一卷积神经网络以及非局部神经网络来分别提取出所述气体浓度值的动态变化特征的局部关联特征和全局性关联特征信息以得到测量数据局部关联特征矩阵和测量数据全局关联特征矩阵，这样，能够在分类时充分利用测量得到的所述气体浓度值的关联性特征分布信息，以提高分类的精准度。
然后，融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵来进行分类，就可以获得用于表示是否产生报警提示的分类结果。但是，针对所述测量数据全局关联特征矩阵，记为
Figure 408418DEST_PATH_IMAGE001
和所述测量数据局部关联特征矩阵，记为/>
Figure 46073DEST_PATH_IMAGE002
，考虑到局部关联特征和全局关联特征各自具有特定的分类结果表达性，因此期望融合后的分类特征矩阵能够在保持其各自的分类结果表达性的同时实现特征融合。
因此，在本申请的技术方案中，进一步引入基于自注意力的数据密集损失函数，表示为：
Figure 179114DEST_PATH_IMAGE003
其中，
Figure 124199DEST_PATH_IMAGE004
表示所测量数据全局关联特征矩阵，/>
Figure 26296DEST_PATH_IMAGE005
表示所述测量数据局部关联特征矩阵，/>
Figure 834852DEST_PATH_IMAGE006
表示特征矩阵通过分类器得到的概率值，且/>
Figure 455189DEST_PATH_IMAGE007
是所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的距离，/>
Figure 810822DEST_PATH_IMAGE008
表示按位置点乘。
这样，该所述基于自注意力的数据密集损失函数通过使能特征矩阵的基于按位置网格特征的空间交互，来通过数据相异性的度量进行数据密集对象之间的相似度约束。通过以其为损失函数训练所述模型架构，可以通过局部关联特征和全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。
基于此，本申请提出了一种六氟丁二烯储放场所的气体监测系统，其包括训练模块和推断模块。其中，训练模块，包括：训练数据获取单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放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；单样本时序数据编码单元，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分别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；多样本数据局部关联单元，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局部关联特征矩阵；多样本数据全局关联单元，用于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非局部神经网络以得到测量数据全局关联特征矩阵；第一损失函数值计算单元，用于计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；第二损失函数值计算单元，用于将所述分类特征矩阵通过分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练。其中，推断模块，包括：实时数据采集单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放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；实时数据单样本编码单元，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分别通过经所述训练模块训练完成的所述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；实时数据多样本局部关联单元，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经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；实时数据多样本全局关联单元，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经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；多尺度融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；以及，监测结果生成单元，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六氟丁二烯储放场所的气体监测系统的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过以预定拓扑样式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）采集的多个预定时间点的气体浓度值。然后，将获得的所述多个预定时间点的气体浓度值输入至部署有六氟丁二烯储放场所的气体监测算法的服务器（例如，如图1中所示意的S）中，其中，所述服务器能够基于六氟丁二烯储放场所的气体监测算法以所述多个预定时间点的气体浓度值对六氟丁二烯储放场所的气体监测系统的所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练。
在训练完成后，在推断阶段中，首先，通过以预定拓扑样式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）采集的多个预定时间点的气体浓度值。然后，将所述多个预定时间点的气体浓度值输入至部署有六氟丁二烯储放场所的气体监测算法的服务器（例如，如图1中所示意的S）中，其中，所述服务器能够以六氟丁二烯储放场所的气体监测算法对所述多个预定时间点的气体浓度值进行处理，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六氟丁二烯储放场所的气体监测系统的框图。如图2所示，根据本申请实施例的六氟丁二烯储放场所的气体监测系统 200，包括：训练模块210和推断模块 220。其中，训练模块 210，包括：训练数据获取单元 2101，用于获取由以预定拓扑样式部署于六氟丁二烯储放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；单样本时序数据编码单元 2102，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分别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；多样本数据局部关联单元2103，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局部关联特征矩阵；多样本数据全局关联单元 2104，用于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非局部神经网络以得到测量数据全局关联特征矩阵；第一损失函数值计算单元 2105，用于计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；融合单元 2106，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；第二损失函数值计算单元 2107，用于将所述分类特征矩阵通过分类器以得到分类损失函数值；训练单元 2108，用于以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练。其中，推断模块 220，包括：实时数据采集单元 221，用于获取由以预定拓扑样式部署于六氟丁二烯储放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；实时数据单样本编码单元 222，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分别通过经所述训练模块训练完成的所述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；实时数据多样本局部关联单元 223，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经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；实时数据多样本全局关联单元 224，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经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；多尺度融合单元 225，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；以及，监测结果生成单元 226，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，在训练模块 210中，所述训练数据获取单元 2101和单样本时序数据编码单元 2102，用于获取由以预定拓扑样式部署于六氟丁二烯储放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分别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，考虑到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，如果采用一个单独的气体传感器进行气体监测，其可能会出现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的情况。并且，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。同时，还考虑到任何气体传感器都有自身系统误差，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仍是不合理的。
因此，在本申请的技术方案中，首先，通过以预定的拓扑样式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的有毒有害气体监测仪的部署空间区域是连通的，这样会使得对于所述气体浓度值的测量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，在本申请的技术方案中，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，所述单样本时序数据编码单元，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气体浓度输入向量；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气体浓度输入向量进行全连接编码以提取出所述气体浓度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 833004DEST_PATH_IMAGE009
，其中/>
Figure 405937DEST_PATH_IMAGE010
是所述输入向量，/>
Figure 952718DEST_PATH_IMAGE011
是输出向量，/>
Figure 675823DEST_PATH_IMAGE012
是权重矩阵，/>
Figure 552513DEST_PATH_IMAGE013
是偏置向量，/>
Figure 437292DEST_PATH_IMAGE014
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气体浓度输入向量进行一维卷积编码以提取出所述气体浓度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 271037DEST_PATH_IMAGE015
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，在训练模块 210中，所述多样本数据局部关联单元2103和所述多样本数据全局关联单元 2104，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局部关联特征矩阵，并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非局部神经网络以得到测量数据全局关联特征矩阵。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。然后，利用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来提取出所述多个预定时间点的气体浓度值的隐含关联特征分布。
应可以理解，考虑到在提取各个所述有毒有害气体监测仪部署点的气体浓度值的关联特征时，各个所述有毒有害气体监测仪部署点的气体浓度值并不是独立存在的，其在空间上不仅会存在有近距离的局部关联特征，还会存在有远距离的整体依赖关联特征，因此，在本申请的技术方案中，使用作为过滤器的第一卷积神经网络以及非局部神经网络来分别提取出所述气体浓度值的动态变化特征的局部关联特征和全局性关联特征信息以得到测量数据局部关联特征矩阵和测量数据全局关联特征矩阵，这样，能够在分类时充分利用测量得到的所述气体浓度值的关联性特征分布信息，以提高分类的精准度。
更具体地，在本申请实施例中，所述多样本数据局部关联单元，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局部关联特征矩阵，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。
更具体地，在本申请实施例中，所述多样本数据全局关联单元，进一步用于：将所述二维特征矩阵通过所述非局部神经网络的第一点卷积层以得到第一特征图；将所述二维特征矩阵通过所述非局部神经网络的第二点卷积层以得到第二特征图；将所述二维特征矩阵通过所述非局部神经网络的第三点卷积层以得到第二特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到第一融合特征图；将所述第一融合特征图通过Softmax函数以对所述第一融合特征图中各个位置的特征值进行归一化处理以得到归一化第一融合特征图；计算所述归一化第一融合特征图和所述第三特征图之间的按位置加权和以得到第二融合特征图；以嵌入高斯相似性函数计算所述第二融合特征图中各个位置间的相似定度量值以得到全局感知特征矩阵；计算所述全局感知特征矩阵和所述二维特征矩阵的按位置加权和以得到所述测量数据全局关联特征矩阵。
具体地，在本申请实施例中，在训练模块 210中，所述第一损失函数值计算单元2105，用于计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值。也就是，在本申请的技术方案中，接着，融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵来进行分类，就可以获得用于表示是否产生报警提示的分类结果。但是，针对所述测量数据全局关联特征矩阵，记为
Figure 266675DEST_PATH_IMAGE016
和所述测量数据局部关联特征矩阵，记为/>
Figure 997870DEST_PATH_IMAGE017
，考虑到所述局部关联特征和所述全局关联特征各自具有特定的分类结果表达性，因此期望融合后的所述分类特征矩阵能够在保持其各自的分类结果表达性的同时实现特征融合。因此，在本申请的技术方案中，进一步引入基于自注意力的数据密集损失函数，也就是，具体地，计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值来对于深度神经网络模型进行训练。
更具体地，在本申请实施例中，所述第一损失函数值计算单元，进一步用于：以如下公式计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的所述基于自注意力的数据密集损失函数值；其中，所述公式为：
Figure 53551DEST_PATH_IMAGE003
其中，
Figure 168400DEST_PATH_IMAGE018
表示所测量数据全局关联特征矩阵，/>
Figure 967728DEST_PATH_IMAGE019
表示所述测量数据局部关联特征矩阵，/>
Figure 553430DEST_PATH_IMAGE020
表示特征矩阵通过分类器得到的概率值，且/>
Figure DEST_PATH_IMAGE021
是所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的距离，/>
Figure 809706DEST_PATH_IMAGE022
表示按位置点乘。应可以理解，该所述基于自注意力的数据密集损失函数通过使能特征矩阵的基于按位置网格特征的空间交互，来通过数据相异性的度量进行数据密集对象之间的相似度约束。这样，通过以其为损失函数训练所述模型架构，可以通过所述局部关联特征和所述全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。
具体地，在本申请实施例中，在训练模块 210中，所述融合单元 2106、所述第二损失函数值计算单元 2107和所述训练单元 2108，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵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损失函数值，再以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练。也就是，在本申请的技术方案中，进一步融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵，再将其通过分类器以获得分类损失函数值，这样，就可以计算所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练。
相应地，在一个具体示例中，所述第二损失函数值计算单元，包括：分类结果生成子单元，用于使用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 910386DEST_PATH_IMAGE023
，其中/>
Figure 247827DEST_PATH_IMAGE024
表示将所述分类特征矩阵投影为向量，/>
Figure 953614DEST_PATH_IMAGE025
至/>
Figure 852563DEST_PATH_IMAGE026
为各层全连接层的权重矩阵，/>
Figure 847063DEST_PATH_IMAGE027
至/>
Figure 253774DEST_PATH_IMAGE028
表示各层全连接层的偏置矩阵；以及，分类损失函数值计算子单元，用于计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
更具体地，在本申请实施例中，所述融合单元，进一步用于：以如下公式融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到所述分类特征矩阵；其中，所述公式为：
Figure 814068DEST_PATH_IMAGE029
其中，/>
Figure DEST_PATH_IMAGE030
为所述分类特征矩阵，/>
Figure 203025DEST_PATH_IMAGE031
为所述测量数据全局关联特征矩阵，/>
Figure DEST_PATH_IMAGE032
为所述测量数据局部关联特征矩阵，“/>
Figure 278297DEST_PATH_IMAGE033
”表示所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵相对应位置处的元素相加，/>
Figure DEST_PATH_IMAGE034
为用于控制所述分类特征矩阵中所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的平衡的加权参数。
在训练完成后，进入推断模块。也就是，在对于所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练完成后，将训练完成的所述时序编码器、所述第一卷积神经网络和所述非局部神经网络用于实际的对于六氟丁二烯储放场所的气体监测中。
具体地，在本申请实施例中，在推断模块 220中，首先，获取由以预定拓扑样式部署于六氟丁二烯储放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；接着，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分别通过经所述训练模块训练完成的所述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；然后，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经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；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后通过经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；然后，融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；最后，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。
综上，基于本申请实施例的所述六氟丁二烯储放场所的气体监测系统 200被阐明，其通过基于深度学习的卷积神经网络模型来分别从局部关联特征和全局关联特征方面对于多个预定时间点的气体浓度值进行深层挖掘，并且在融合这两者特征的基础上，引入了基于自注意力的数据密集损失函数来对于深度神经网络模型架构进行训练，以通过所述局部关联特征和所述全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。这样，能够对存储场所内的六氟丁二烯气体浓度进行准确地监测。
如上所述，根据本申请实施例的六氟丁二烯储放场所的气体监测系统 200可以实现在各种终端设备中，例如六氟丁二烯储放场所的气体监测算法的服务器等。在一个示例中，根据本申请实施例的六氟丁二烯储放场所的气体监测系统 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，该六氟丁二烯储放场所的气体监测系统 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，该六氟丁二烯储放场所的气体监测系统 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，该六氟丁二烯储放场所的气体监测系统 200与该终端设备也可以是分立的设备，并且该六氟丁二烯储放场所的气体监测系统 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3A图示了根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法中训练阶段的流程图。如图3A所示，根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法，包括：训练阶段，包括步骤：S110，获取由以预定拓扑样式部署于六氟丁二烯储放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分别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局部关联特征矩阵；S140，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非局部神经网络以得到测量数据全局关联特征矩阵；S150，计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；S160，融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；S170，将所述分类特征矩阵通过分类器以得到分类损失函数值；S180，以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练。
图3B图示了根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法中推断阶段的流程图。图3B所示，根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法，包括：推断阶段，包括步骤：S210，获取由以预定拓扑样式部署于六氟丁二烯储放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；S220，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分别通过经所述训练模块训练完成的所述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；S230，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经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；S240，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经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；S250，融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；以及，S260，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4图示了根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，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4中所示意的P1）分别通过包含一维卷积层的时序编码器（例如，如图4中所示意的E1）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4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4中所示意的M）后通过作为过滤器的第一卷积神经网络（例如，如图4中所示意的CNN1）以得到测量数据局部关联特征矩阵（例如，如图4中所示意的MF1）；然后，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非局部神经网络（例如，如图4中所示意的CNN2）以得到测量数据全局关联特征矩阵（例如，如图4中所示意的MF2）；接着，计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值（例如，如图4中所示意的DLV）；然后，融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵（例如，如图4中所示意的MF）；接着，将所述分类特征矩阵通过分类器（例如，如图4中所示意的分类器）以得到分类损失函数值（例如，如图4中所示意的CLV）；最后，以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练。
图5图示了根据本申请实施例的六氟丁二烯储放场所的气体监测系统的监测方法中推断阶段的架构示意图。如图5所示，在推断阶段中，在该网络架构中，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）分别通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器（例如，如图5中所示意的E2）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M）后通过经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络（例如，如图5中所示意的CN1）以得到测量数据局部关联特征矩阵（例如，如图5中所示意的MF1）；然后，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经所述训练模块训练完成的所述非局部神经网络（例如，如图5中所示意的CN2）以得到测量数据全局关联特征矩阵（例如，如图5中所示意的MF2）；接着，融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵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。
综上，基于本申请实施例的所述六氟丁二烯储放场所的气体监测系统的监测方法被阐明，其通过基于深度学习的卷积神经网络模型来分别从局部关联特征和全局关联特征方面对于多个预定时间点的气体浓度值进行深层挖掘，并且在融合这两者特征的基础上，引入了基于自注意力的数据密集损失函数来对于深度神经网络模型架构进行训练，以通过所述局部关联特征和所述全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。这样，能够对存储场所内的六氟丁二烯气体浓度进行准确地监测。
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。

Claims (2)

1.一种六氟丁二烯储放场所的气体监测系统，其特征在于，包括：
训练模块，包括：
训练数据获取单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放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；
单样本时序数据编码单元，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分别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；
多样本数据局部关联单元，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局部关联特征矩阵；
多样本数据全局关联单元，用于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非局部神经网络以得到测量数据全局关联特征矩阵；
第一损失函数值计算单元，用于计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；
融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；
第二损失函数值计算单元，用于将所述分类特征矩阵通过分类器以得到分类损失函数值；
训练单元，用于以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练；以及
推断模块，包括：
实时数据采集单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放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推断用气体浓度值；
实时数据单样本编码单元，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推断用气体浓度值分别通过经所述训练模块训练完成的所述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推断用测量数据时序特征向量；
实时数据多样本局部关联单元，用于将所述对应于各个所述有毒有害气体监测仪的推断用测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到推断用测量数据局部关联特征矩阵；
实时数据多样本全局关联单元，用于将所述对应于各个所述有毒有害气体监测仪的推断用测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述非局部神经网络以得到推断用测量数据全局关联特征矩阵；
多尺度融合单元，用于融合所述推断用测量数据全局关联特征矩阵和所述推断用测量数据局部关联特征矩阵以得到推断用分类特征矩阵；以及
监测结果生成单元，用于将所述推断用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，所述单样本时序数据编码单元，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气体浓度输入向量；
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气体浓度输入向量进行全连接编码以提取出所述气体浓度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 FDA0004073529600000021
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 FDA0004073529600000022
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气体浓度输入向量进行一维卷积编码以提取出所述气体浓度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 FDA0004073529600000023
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，所述多样本数据局部关联单元，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局部关联特征矩阵，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，所述多样本数据全局关联单元，用于：
将所述二维特征矩阵通过所述非局部神经网络的第一点卷积层以得到第一特征图；
将所述二维特征矩阵通过所述非局部神经网络的第二点卷积层以得到第二特征图；
将所述二维特征矩阵通过所述非局部神经网络的第三点卷积层以得到第三特征图；
计算所述第一特征图和所述第二特征图的按位置加权和以得到第一融合特征图；
将所述第一融合特征图通过Softmax函数以对所述第一融合特征图中各个位置的特征值进行归一化处理以得到归一化第一融合特征图；
计算所述归一化第一融合特征图和所述第三特征图之间的按位置加权和以得到第二融合特征图；
以嵌入高斯相似性函数计算所述第二融合特征图中各个位置间的相似定度量值以得到全局感知特征矩阵；
计算所述全局感知特征矩阵和所述二维特征矩阵的按位置加权和以得到所述测量数据全局关联特征矩阵；
其中，所述第一损失函数值计算单元，用于：以如下公式计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的所述基于自注意力的数据密集损失函数值；
其中，所述公式为：
Figure FDA0004073529600000031
其中，M1表示所测量数据全局关联特征矩阵，M2表示所述测量数据局部关联特征矩阵，softmax(·)表示特征矩阵通过分类器得到的概率值，且d(M1,M2)是所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的距离，⊙表示按位置点乘；
其中，所述融合单元，用于：以如下公式融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到所述分类特征矩阵；
其中，所述公式为：
Mc＝αM1+βM2
其中，Mc为所述分类特征矩阵，M1为所述测量数据全局关联特征矩阵，M2为所述测量数据局部关联特征矩阵，“+”表示所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的平衡的加权参数；
其中，所述第二损失函数值计算单元，包括：
分类结果生成子单元，用于使用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；以及
分类损失函数值计算子单元，用于计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
2.一种六氟丁二烯储放场所的气体监测系统的监测方法，其特征在于，包括：
训练阶段，包括：
获取由以预定拓扑样式部署于六氟丁二烯储放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分别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局部关联特征矩阵；
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非局部神经网络以得到测量数据全局关联特征矩阵；
计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；
融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；
将所述分类特征矩阵通过分类器以得到分类损失函数值；
以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练；以及
推断阶段，包括：
获取由以预定拓扑样式部署于六氟丁二烯储放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推断用气体浓度值；
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推断用气体浓度值分别通过经所述训练模块训练完成的所述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推断用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推断用测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到推断用测量数据局部关联特征矩阵；
将所述对应于各个所述有毒有害气体监测仪的推断用测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述非局部神经网络以得到推断用测量数据全局关联特征矩阵；
融合所述推断用测量数据全局关联特征矩阵和所述推断用测量数据局部关联特征矩阵以得到推断用分类特征矩阵；以及
将所述推断用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分别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气体浓度输入向量；
使用所述时序编码器的全连接层以如下公式对所述气体浓度输入向量进行全连接编码以提取出所述气体浓度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 FDA0004073529600000061
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 FDA0004073529600000062
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气体浓度输入向量进行一维卷积编码以提取出所述气体浓度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 FDA0004073529600000063
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局部关联特征矩阵，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局部关联特征矩阵，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非局部神经网络以得到测量数据全局关联特征矩阵，包括：
将所述二维特征矩阵通过所述非局部神经网络的第一点卷积层以得到第一特征图；
将所述二维特征矩阵通过所述非局部神经网络的第二点卷积层以得到第二特征图；
将所述二维特征矩阵通过所述非局部神经网络的第三点卷积层以得到第三特征图；
计算所述第一特征图和所述第二特征图的按位置加权和以得到第一融合特征图；
将所述第一融合特征图通过Softmax函数以对所述第一融合特征图中各个位置的特征值进行归一化处理以得到归一化第一融合特征图；
计算所述归一化第一融合特征图和所述第三特征图之间的按位置加权和以得到第二融合特征图；
以嵌入高斯相似性函数计算所述第二融合特征图中各个位置间的相似定度量值以得到全局感知特征矩阵；
计算所述全局感知特征矩阵和所述二维特征矩阵的按位置加权和以得到所述测量数据全局关联特征矩阵；
其中，计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值，包括：
以如下公式计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的所述基于自注意力的数据密集损失函数值；
其中，所述公式为：
Figure FDA0004073529600000071
其中，M1表示所测量数据全局关联特征矩阵，M2表示所述测量数据局部关联特征矩阵，softmax(·)表示特征矩阵通过分类器得到的概率值，且d(M1,M2)是所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的距离，⊙表示按位置点乘；
其中，融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵，包括：以如下公式融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到所述分类特征矩阵；
其中，所述公式为：
Mc＝αM1+βM2
其中，Mc为所述分类特征矩阵，M1为所述测量数据全局关联特征矩阵，M2为所述测量数据局部关联特征矩阵，“+”表示所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的平衡的加权参数；
其中，将所述分类特征矩阵通过分类器以得到分类损失函数值，包括：
使用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；以及
计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
CN202210824467.2A 2022-07-14 2022-07-14 六氟丁二烯储放场所的气体监测系统及其监测方法 Active CN115356434B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210824467.2A CN115356434B (zh) 2022-07-14 2022-07-14 六氟丁二烯储放场所的气体监测系统及其监测方法
PCT/CN2022/116551 WO2024011732A1 (zh) 2022-07-14 2022-09-01 六氟丁二烯储放场所的气体监测系统及其监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210824467.2A CN115356434B (zh) 2022-07-14 2022-07-14 六氟丁二烯储放场所的气体监测系统及其监测方法

Publications (2)

Publication Number Publication Date
CN115356434A CN115356434A (zh) 2022-11-18
CN115356434B true CN115356434B (zh) 2023-06-02

Family

ID=84031543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210824467.2A Active CN115356434B (zh) 2022-07-14 2022-07-14 六氟丁二烯储放场所的气体监测系统及其监测方法

Country Status (2)

Country Link
CN (1) CN115356434B (zh)
WO (1) WO2024011732A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10784174B2 (en) * 2017-10-13 2020-09-22 Lam Research Corporation Method and apparatus for determining etch process parameters
CN115754108B (zh) * 2022-11-23 2023-06-09 福建省杭氟电子材料有限公司 一种电子级六氟丁二烯的酸度测定系统及其方法
CN117090989B (zh) * 2022-12-22 2024-06-07 浙江德卡控制阀仪表有限公司 具有监测系统的电动闸阀
CN115791640B (zh) * 2023-02-06 2023-06-02 杭州华得森生物技术有限公司 基于分光光谱的肿瘤细胞检测设备及其方法
CN116935586B (zh) * 2023-03-29 2024-06-04 福建天甫电子材料有限公司 用于硝酸的制备的智能化有毒有害气体报警系统
CN116150566B (zh) * 2023-04-20 2023-07-07 浙江浙能迈领环境科技有限公司 船舶燃料供应安全监测系统及其方法
CN116321620B (zh) * 2023-05-11 2023-08-11 杭州行至云起科技有限公司 智能照明开关控制系统及其方法
CN116794115B (zh) * 2023-05-30 2024-01-30 恩迈智能数字医疗(嘉兴)有限公司 基于多元掺杂导电聚合物的气敏传感器电极及制作方法
CN116866054A (zh) * 2023-07-25 2023-10-10 安徽百方云科技有限公司 公共信息安全监测系统及其方法
CN116772944B (zh) * 2023-08-25 2023-12-01 克拉玛依市燃气有限责任公司 配气站的智能监控系统及其方法
CN117151649B (zh) * 2023-09-15 2024-02-23 浙江蓝城萧立建设管理有限公司 基于大数据分析的施工方法管控系统及方法
CN117598700B (zh) * 2024-01-23 2024-03-29 吉林大学 智能化血氧饱和度检测系统及方法
CN117668762B (zh) * 2024-01-31 2024-05-17 新疆三联工程建设有限责任公司 用于住宅地下渗漏的监测预警系统及方法
CN118030040B (zh) * 2024-04-11 2024-07-30 克拉玛依市富城油气研究院有限公司 用于采油工程的生产动态监测系统及方法
CN118079592B (zh) * 2024-04-23 2024-06-21 河北金甲节能环保科技有限公司 变压吸附自动化控制系统及其方法
CN118377787A (zh) * 2024-05-08 2024-07-23 北京市生态环境保护科学研究院 区域碳排放核算系统及方法
CN118482874B (zh) * 2024-07-15 2024-09-20 新疆鼎诚检测科技有限责任公司 基于大数据的可燃气体智能检测系统及方法
CN118484708B (zh) * 2024-07-16 2024-09-20 新疆鼎诚检测科技有限责任公司 埋地钢制管道防腐层智能检测系统及方法
CN118536021B (zh) * 2024-07-25 2024-09-20 山东省地质矿产勘查开发局第二水文地质工程地质大队(山东省鲁北地质工程勘察院) 基于多传感器的实时地下水水位动态监测系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10948467B2 (en) * 2018-05-17 2021-03-16 East China University Of Science And Technology Online centralized monitoring and analysis method for multi-point malodorous gases using electronic nose instrument
CN110309867B (zh) * 2019-06-21 2021-09-24 北京工商大学 一种基于卷积神经网络的混合气体识别方法
CN112986492B (zh) * 2019-12-17 2023-02-03 华为云计算技术有限公司 一种建立气体浓度预测模型的方法及装置
CN111915069B (zh) * 2020-07-17 2021-12-07 天津理工大学 一种基于深度学习的轻量级有毒有害气体分布的检测方法
CN112016591A (zh) * 2020-08-04 2020-12-01 杰创智能科技股份有限公司 一种图像识别模型的训练方法及图像识别方法
CN114049525A (zh) * 2021-11-29 2022-02-15 中国科学技术大学 气体种类和浓度识别的融合神经网络系统、装置与方法
CN114580710B (zh) * 2022-01-28 2024-04-30 西安电子科技大学 基于Transformer时序预测的环境监测方法
CN114580520A (zh) * 2022-02-28 2022-06-03 上海维虬城电子有限公司 电力系统二次设备的监测系统及其监测方法
CN114611795A (zh) * 2022-03-14 2022-06-10 杭州清淮科技有限公司 基于水位联动的水位预测方法及其系统

Also Published As

Publication number Publication date
CN115356434A (zh) 2022-11-18
WO2024011732A1 (zh) 2024-01-18

Similar Documents

Publication Publication Date Title
CN115356434B (zh) 六氟丁二烯储放场所的气体监测系统及其监测方法
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
CN108830215B (zh) 基于人员骨架信息的危险行为识别方法
CN109218134B (zh) 一种基于神经风格迁移的测试用例生成系统
CN115100456A (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
EP3920048A1 (en) Method and system for automated visual question answering
CN109492760B (zh) 基于深度模糊认知图模型的道路交通可解释预测方法
CN116092701A (zh) 基于健康数据分析管理平台的控制系统及其方法
CN114582030B (zh) 一种基于服务机器人的行为识别方法
CN116343330A (zh) 一种红外-可见光图像融合的异常行为识别方法
CN105981050A (zh) 用于从人脸图像的数据提取人脸特征的方法和系统
CN115834433B (zh) 基于物联网技术的数据处理方法及系统
CN109902564A (zh) 一种基于结构相似性稀疏自编码网络的异常事件检测方法
CN115951014A (zh) 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法
CN113947739A (zh) 基于物联网的小区安全管理监控系统及其监控方法
CN116184972A (zh) 空气分离装置的控制系统及其方法
CN106570499A (zh) 一种基于概率图模型的目标跟踪方法
CN116086133A (zh) 化学链空气分离技术制备高纯氧气的装置及方法
CN115097884B (zh) 用于电子级氢氟酸制备的能源管理控制系统及其控制方法
CN112733710A (zh) 用于灌溉装置的灌溉水压控制的神经网络的训练方法
CN109062811B (zh) 一种基于神经风格迁移的测试用例生成方法
CN115100148A (zh) 一种基于轻量型卷积神经网络的农作物害虫检测方法
CN115144312A (zh) 基于物联网的室内空气细颗粒测量方法及其系统
CN117671887A (zh) 一种基于大数据的智慧安防预警管理方法和系统
CN117006654A (zh) 基于边缘计算的空调负荷控制系统及其方法

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