CN115656086A - 一种电子级氟化氢的产品纯度测定系统及其方法 - Google Patents
一种电子级氟化氢的产品纯度测定系统及其方法 Download PDFInfo
- Publication number
- CN115656086A CN115656086A CN202211441853.XA CN202211441853A CN115656086A CN 115656086 A CN115656086 A CN 115656086A CN 202211441853 A CN202211441853 A CN 202211441853A CN 115656086 A CN115656086 A CN 115656086A
- Authority
- CN
- China
- Prior art keywords
- hydrogen fluoride
- electronic
- training
- grade hydrogen
- feature
- 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.)
- Granted
Links
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 title claims abstract description 252
- 229910000040 hydrogen fluoride Inorganic materials 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 124
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 112
- 239000007789 gas Substances 0.000 claims abstract description 74
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 157
- 239000013598 vector Substances 0.000 claims description 105
- 238000002329 infrared spectrum Methods 0.000 claims description 75
- 238000000605 extraction Methods 0.000 claims description 59
- 238000012546 transfer Methods 0.000 claims description 58
- 238000013527 convolutional neural network Methods 0.000 claims description 49
- 230000007246 mechanism Effects 0.000 claims description 48
- 230000007704 transition Effects 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 19
- 238000000862 absorption spectrum Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 238000010924 continuous production Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 231100000331 toxic Toxicity 0.000 description 3
- 230000002588 toxic effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
公开了一种电子级氟化氢的产品纯度测定系统及其方法，其采用基于机器学习的人工智能检测技术来提取出不同纯度的氟化氢气体的红外光谱图的空间隐含特征分布表示，并且还提取出所述氟化氢气体水浓度的多尺度邻域关联特征来作为标签权重特征与所述光谱空间特征进行加权进而构造出特征的搜索空间。进一步地，在对于待测定电子级氟化氢产品的纯度进行测定时，利用特征矩阵的查询和解码器的回归来得到该产品的水浓度。这样，能够在高维空间中根据红外吸收光谱的特征分析来对于电子级氟化氢产品的纯度进行测定。
Description
技术领域
本申请涉及电子级氟化氢检测技术领域，且更为具体地，涉及一种电子级氟化氢的产品纯度测定系统及其方法。
背景技术
国际标准中，电子级氟化氢中水含量的测定标准主要有两种方法：卡尔费休法和电导分析法。其中关于卡尔费休法，它的测定范围为0.1％-0.5％，而我国的电子级氟化氢产品的含水量一般小于0.05％，远远低于它的准确测定范围；其次，卡尔费休法涉及到有毒试剂，存在安全隐患；另外，该方法操作复杂。所以，卡尔费休法不适用于电子级氟化氢中水含量的测定。目前，国内标准《GB/T7746-2011工业无水氟化氢》中，采用电导分析法测试水分的含量，该方法虽然分析灵敏度高，但是操作相对复杂，对温度要求严格，很难满足工业化连续生产简便、快速、自动化分析的需求。
因此，期待一种优化的电子级氟化氢的产品纯度测定系统，以对于电子级氟化氢中的水浓度进行准确测定。
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电子级氟化氢的产品纯度测定系统及其方法，其采用基于机器学习的人工智能检测技术来提取出不同纯度的电子级氟化氢气体的红外光谱图的空间隐含特征分布表示，并且还提取出所述电子级氟化氢气体水浓度的多尺度邻域关联特征来作为标签权重特征与所述光谱空间特征进行加权进而构造出特征的搜索空间。进一步地，在对于待测定电子级氟化氢产品的纯度进行测定时，利用特征矩阵的查询和解码器的回归来得到该产品的水浓度。这样，能够在高维空间中根据红外吸收光谱的特征分析来对于电子级氟化氢产品的纯度进行测定。
相应地，根据本申请的一个方面，提供了一种电子级氟化氢的产品纯度测定系统，其包括：参考数据采集单元，用于获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图；参考数据编码单元，用于将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵；参考标签编码单元，用于将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量；参考特征校正单元，用于以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵；待测定数据采集单元，用于获取待测定电子级氟化氢产品的红外光谱图；待测定数据特征提取单元，用于将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵；特征搜索单元，用于计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵；以及纯度解码单元，用于将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
在上述电子级氟化氢的产品纯度测定系统中，所述参考数据编码单元，进一步用于：使用所述卷积神经网络模型的卷积编码部分对所述红外光谱图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到红外光谱图；以及对所述红外光谱图进行沿通道维度的全局均值池化处理以得到所述红外光谱图特征矩阵。
在上述电子级氟化氢的产品纯度测定系统中，所述参考标签编码单元，包括：第一尺度特征提取单元，用于将所述标签输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度标签理解特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述标签输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度标签理解特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联子单元，用于将所述第一尺度标签理解特征向量和所述第二尺度标签理解特征向量进行级联以得到所述标签参考权重向量。
在上述电子级氟化氢的产品纯度测定系统中，所述第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述标签输入向量进行一维卷积编码以得到所述第一尺度标签理解特征向量；其中，所述公式为：
其中，
为第一卷积核在
方向上的宽度、
为第一卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第一卷积核的尺寸，
表示所述标签输入向量；所述第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述标签输入向量进行一维卷积编码以得到所述第二尺度标签理解特征向量；其中，所述公式为：
其中，
为第二卷积核在
方向上的宽度、
为第二卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第二卷积核的尺寸，
表示所述标签输入向量。
在上述电子级氟化氢的产品纯度测定系统中，所述特征搜索单元，进一步用于：以如下公式计算所述检测特征矩阵相对于所述加权后红外光谱特征矩阵的所述转移矩阵；其中，所述公式为：
其中
表示所述检测特征矩阵，
表示所述加权后红外光谱特征矩阵，
表示所述转移矩阵，
表示矩阵相乘。
在上述电子级氟化氢的产品纯度测定系统中，所述纯度解码单元，包括：中间解码单元，用于使用所述解码器以如下公式对所述多个转移矩阵进行解码以得到多个权重解码值，其中，所述公式为：
，其中
是所述转移矩阵，
是所述权重解码值，
是权重矩阵，
表示矩阵乘；以及，加权单元，用于以所述多个权重解码值作为权重，计算所述多个电子级氟化氢标准气体的水浓度的加权和以得到所述解码值。
在上述电子级氟化氢的产品纯度测定系统中，还包括用于对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块、所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括含不同水浓度的多个电子级氟化氢标准气体的多个训练红外光谱图，以及，所述待测定电子级氟化氢产品的水浓度的真实值；训练参考数据编码单元，用于将所述多个训练红外光谱图中各个训练红外光谱图通过使用所述空间注意力机制的卷积神经网络模型以得到多个训练红外光谱特征矩阵；训练参考标签编码单元，用于将所述多个电子级氟化氢标准气体的训练水浓度按照样本维度排列为训练标签输入向量后通过所述多尺度邻域特征提取模块以得到训练标签参考权重向量；训练参考特征校正单元，用于以所述训练标签参考权重向量中各个位置的特征值作为权重分别对所述多个训练红外光谱特征矩阵进行加权以得到多个训练加权后红外光谱特征矩阵；训练待测定数据采集单元，用于获取所述待测定电子级氟化氢产品的训练红外光谱图；训练待测定数据特征提取单元，用于将所述待测定电子级氟化氢产品的训练红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到训练检测特征矩阵；训练特征搜索单元，用于计算所述训练检测特征矩阵相对于所述多个训练加权后红外光谱特征矩阵的转移矩阵以得到多个训练转移矩阵；解码损失单元，用于将所述多个训练转移矩阵通过所述解码器以得到解码损失函数值；多分布二元回归质量损失单元，用于计算所述多个训练转移矩阵的多分布二元回归质量损失函数值；以及，训练单元，用于计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块和所述解码器进行训练。
在上述电子级氟化氢的产品纯度测定系统中，所述多分布二元回归质量损失单元，进一步用于：以如下公式计算所述多个训练转移矩阵的所述多分布二元回归质量损失函数值；其中，所述公式为：
其中，
到
是所述多个训练转移矩阵中的各个训练转移矩阵，
是参考矩阵，
表示矩阵的解码回归结果，
表示向量的1范数。
根据本申请的另一方面，还提供了一种电子级氟化氢的产品纯度测定方法，其包括：获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图；将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵；将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量；以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵；获取待测定电子级氟化氢产品的红外光谱图；将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵；计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵；以及将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
在上述电子级氟化氢的产品纯度测定方法中，还包括用于对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块、所述解码器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括含不同水浓度的多个电子级氟化氢标准气体的多个训练红外光谱图，以及，所述待测定电子级氟化氢产品的水浓度的真实值；将所述多个训练红外光谱图中各个训练红外光谱图通过使用所述空间注意力机制的卷积神经网络模型以得到多个训练红外光谱特征矩阵；将所述多个电子级氟化氢标准气体的训练水浓度按照样本维度排列为训练标签输入向量后通过所述多尺度邻域特征提取模块以得到训练标签参考权重向量；以所述训练标签参考权重向量中各个位置的特征值作为权重分别对所述多个训练红外光谱特征矩阵进行加权以得到多个训练加权后红外光谱特征矩阵；获取所述待测定电子级氟化氢产品的训练红外光谱图；将所述待测定电子级氟化氢产品的训练红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到训练检测特征矩阵；计算所述训练检测特征矩阵相对于所述多个训练加权后红外光谱特征矩阵的转移矩阵以得到多个训练转移矩阵；将所述多个训练转移矩阵通过所述解码器以得到解码损失函数值；计算所述多个训练转移矩阵的多分布二元回归质量损失函数值；以及，计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块和所述解码器进行训练。
根据本申请的再一方面，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电子级氟化氢的产品纯度测定方法。
根据本申请的又一方面，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电子级氟化氢的产品纯度测定方法。
与现有技术相比，本申请提供的电子级氟化氢的产品纯度测定系统及其方法，其采用基于机器学习的人工智能检测技术来提取出不同纯度的电子级氟化氢气体的红外光谱图的空间隐含特征分布表示，并且还提取出所述电子级氟化氢气体水浓度的多尺度邻域关联特征来作为标签权重特征与所述光谱空间特征进行加权进而构造出特征的搜索空间。进一步地，在对于待测定电子级氟化氢产品的纯度进行测定时，利用特征矩阵的查询和解码器的回归来得到该产品的水浓度。这样，能够在高维空间中根据红外吸收光谱的特征分析来对于电子级氟化氢产品的纯度进行测定。
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电子级氟化氢的产品纯度测定系统的场景示意图。
图2为根据本申请实施例的电子级氟化氢的产品纯度测定系统的框图。
图3为根据本申请实施例的电子级氟化氢的产品纯度测定系统的架构示意图。
图4为根据本申请实施例的电子级氟化氢的产品纯度测定系统中训练模块的框图。
图5为根据本申请实施例的电子级氟化氢的产品纯度测定方法的流程图。
图6为根据本申请实施例的电子级氟化氢的产品纯度测定方法中对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块、所述解码器进行训练的流程图。
图7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。
申请概述
如上所述，国际标准中，电子级氟化氢中水含量的测定标准主要有两种方法：卡尔费休法和电导分析法。其中关于卡尔费休法，它的测定范围为0.1％-0.5％，而我国的电子级氟化氢产品的含水量一般小于0.05％，远远低于它的准确测定范围；其次，卡尔费休法涉及到有毒试剂，存在安全隐患；另外，该方法操作复杂。所以，卡尔费休法不适用于电子级氟化氢中水含量的测定。目前，国内标准《GB/T 7746-2011工业无水氟化氢》中，采用电导分析法测试水分的含量，该方法虽然分析灵敏度高，但是操作相对复杂，对温度要求严格，很难满足工业化连续生产简便、快速、自动化分析的需求。因此，期待一种优化的电子级氟化氢的产品纯度测定系统，以对于电子级氟化氢中的水浓度进行准确测定。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为电子级氟化氢产品的纯度测定提供了新的解决思路和方案。
相应地，考虑到由于所述不同水浓度的多个电子级氟化氢标准气体具有不同的红外吸收光谱，因此，可以根据红外吸收光谱的特征分析来对于电子级氟化氢产品的纯度进行测定。但是，现有的测定方案因不同水浓度的电子级氟化氢气体的红外光谱图在低维空间中的特征差异较小导致对于特征差异的表达能力较弱，从而使得对于电子级氟化氢产品的纯度检测效果较差。基于此，在本申请的技术方案中，采用基于机器学习的人工智能检测技术来提取出不同纯度的电子级氟化氢气体的红外光谱图的空间隐含特征分布表示，并且还提取出所述电子级氟化氢气体水浓度的多尺度邻域关联特征来作为标签权重特征与所述光谱空间特征进行加权进而构造出特征的搜索空间。进一步地，在对于待测定电子级氟化氢产品的纯度进行测定时，利用特征矩阵的查询和解码器的回归来得到该产品的水浓度。这样，能够在高维空间中对于电子级氟化氢产品的纯度进行精准地检测。
具体地，在本申请的技术方案中，首先，获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图。接着，考虑到所述不同水浓度的多个电子级氟化氢标准气体具有不同的红外吸收光谱，而这种特征差异的表现在所述红外光谱图的空间位置特征中，因此，进一步将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型中进行编码，以分别提取出所述多个红外光谱图中各个红外光谱图的关于不同水浓度的所述电子级氟化氢标准气体的空间特征分布信息，从而得到多个红外光谱特征矩阵。这里，空间注意力所提取到的所述不同水浓度的电子级氟化氢标准气体的红外光谱分布特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征。
然后，考虑到为了构造特征搜索空间以便于后续的待测定电子级氟化氢产品的水浓度检测，需要进一步以所述多个电子级氟化氢标准气体的水浓度高维隐含特征作为标签权重。也就是，在本申请的技术方案中，进一步将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述多个电子级氟化氢标准气体的水浓度在不同样本下的多尺度邻域关联特征，从而得到标签参考权重向量。
进一步地，以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权，以此来以水浓度特征的标签权重来与所述不同水浓度的多个电子级氟化氢标准气体的红外光谱特征进行特征融合，从而构造特征搜索空间，以得到多个加权后红外光谱特征矩阵。
在对于待测定的电子级氟化氢产品的纯度进行检测时，就可以利用待测定电子级氟化氢产品的红外光谱空间特征分布信息来在特征搜索空间中进行特征查询和解码以得到得到待测定电子级氟化氢产品的水浓度。也就是，具体地，在本申请的技术方案中，获取待测定电子级氟化氢产品的红外光谱图，并将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型中进行特征挖掘，以提取出所述待测定电子级氟化氢产品的红外光谱特征在空间位置上的特征分布信息，从而得到检测特征矩阵。
进一步地，计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵，以此来基于所述待测定电子级氟化氢产品的红外光谱空间特征分布信息在特征搜索空间中进行特征矩阵查询，从而得到多个转移矩阵。然后，再将所述多个转移矩阵通过解码器以得到用于表示所述待测定电子级氟化氢产品的水浓度的解码值。具体地，在本申请的技术方案中，首先，对所述多个转移矩阵进行解码以得到多个权重解码值；接着，以所述多个权重解码值作为权重，计算所述多个电子级氟化氢标准气体的水浓度的加权和以得到所述解码值。特别地，这里，所述权重解码值可以理解为所述待测定电子级氟化氢产品的红外光谱图的特征表示与所述各个电子级氟化氢标准气体的特征表示之间的相似度。
特别地，在本申请的技术方案中，由于解码特征图是计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的多个转移矩阵，并将所述多个转移矩阵排列得到的，因此每个转移矩阵的特征分布对应于所述解码特征图的局部特征分布。而所述加权后多个红外光谱特征矩阵是所述多个红外光谱特征矩阵以标签参考权重向量中各个位置的特征值作为权重加权得到的，且每个红外光谱特征矩阵通过使用空间注意力机制而减小了特征矩阵本身的特征分布类内差异，也就导致了各个红外光谱特征矩阵的类间差异扩大。这样，所述多个转移矩阵之间的相关性也会较差，从而导致所述解码特征图的局部特征分布之间具有较大差异，影响了所述解码特征图通过解码器进行解码回归的训练速度和解码回归结果的准确性。
为了提高所述多个转移矩阵之间的相关性，可以通过对每个转移矩阵引入作为超参数的加权因数来解决，但另一方面，超参数的设置增大了模型的训练负担。因此，本申请的申请人考虑引入多分布二元回归质量损失函数，表示为：
其中，
到
是各个转移矩阵，
是参考矩阵，例如设置为所有转移矩阵的均值矩阵，
表示矩阵的解码回归结果，
表示向量的1范数。
这里，为了避免所述解码特征图在多分布解码回归时由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标回归域的收敛困难，通过对于每个局部特征分布的基于解码器的全局偏移解码结果信息取平均的方式，来预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多解码回归的回归问题，并改进所述解码特征图通过解码器进行解码回归的训练速度和回归结果的准确性。这样，能够得到更为精准的所述待测定电子级氟化氢产品的水浓度，进而能够对于电子级氟化氢产品的纯度进行准确地检测。
基于此，本申请提供了一种电子级氟化氢的产品纯度测定系统，其包括：参考数据采集单元，用于获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图；参考数据编码单元，用于将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵；参考标签编码单元，用于将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量；参考特征校正单元，用于以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵；待测定数据采集单元，用于获取待测定电子级氟化氢产品的红外光谱图；待测定数据特征提取单元，用于将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵；特征搜索单元，用于计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵；以及，纯度解码单元，用于将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
图1为根据本申请实施例的电子级氟化氢的产品纯度测定系统的场景示意图。如图1所示，在所述电子级氟化氢的产品纯度测定系统的应用场景中，首先利用红外光谱仪（例如，如图1中所示意的IR）获取含不同水浓度的多个电子级氟化氢标准气体（例如，如图1中所示意的G）的多个红外光谱图和待测定电子级氟化氢产品（例如，如图1中所示意的P）的红外光谱图，其中所述不同水浓度的多个电子级氟化氢标准气体的水浓度是已知的。进而，将所述含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图和所述待测定电子级氟化氢产品的红外光谱图输入至部署有电子级氟化氢的产品纯度测定算法的服务器（例如，如图1所示意的S）中，其中，所述服务器能够以所述电子级氟化氢的产品纯度测定算法对所述含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图和所述待测定电子级氟化氢产品的红外光谱图进行处理以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
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为根据本申请实施例的电子级氟化氢的产品纯度测定系统的框图。如图2所示，根据本申请实施例的电子级氟化氢的产品纯度测定系统100，包括：参考数据采集单元110，用于获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图；参考数据编码单元120，用于将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵；参考标签编码单元130，用于将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量；参考特征校正单元140，用于以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵；待测定数据采集单元150，用于获取待测定电子级氟化氢产品的红外光谱图；待测定数据特征提取单元160，用于将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵；特征搜索单元170，用于计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵；以及，纯度解码单元180，用于将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
图3为根据本申请实施例的电子级氟化氢的产品纯度测定系统的架构示意图。如图3所示，首先获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图。接着，将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵。然后，将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量。进而，以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵。接着，获取待测定电子级氟化氢产品的红外光谱图，并将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵。然后，计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵。进而，将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
在上述电子级氟化氢的产品纯度测定系统100中，所述参考数据采集单元110，用于获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图。如上所述，国际标准中，电子级氟化氢中水含量的测定标准主要有两种方法：卡尔费休法和电导分析法。其中关于卡尔费休法，它的测定范围为0.1％-0.5％，而我国的电子级氟化氢产品的含水量一般小于0.05％，远远低于它的准确测定范围；其次，卡尔费休法涉及到有毒试剂，存在安全隐患；另外，该方法操作复杂。所以，卡尔费休法不适用于电子级氟化氢中水含量的测定。目前，国内标准《GB/T 7746-2011工业无水氟化氢》中，采用电导分析法测试水分的含量，该方法虽然分析灵敏度高，但是操作相对复杂，对温度要求严格，很难满足工业化连续生产简便、快速、自动化分析的需求。因此，期待一种优化的电子级氟化氢的产品纯度测定系统，以对于电子级氟化氢中的水浓度进行准确测定。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。近年来，深度学习以及神经网络的发展为电子级氟化氢产品的纯度测定提供了新的解决思路和方案。
相应地，考虑到由于所述不同水浓度的多个电子级氟化氢标准气体具有不同的红外吸收光谱，因此，可以根据红外吸收光谱的特征分析来对于电子级氟化氢产品的纯度进行测定。但是，现有的测定方案因不同水浓度的电子级氟化氢气体的红外光谱图在低维空间中的特征差异较小导致对于特征差异的表达能力较弱，从而使得对于电子级氟化氢产品的纯度检测效果较差。基于此，在本申请的技术方案中，采用基于机器学习的人工智能检测技术来提取出不同纯度的电子级氟化氢气体的红外光谱图的空间隐含特征分布表示，并且还提取出所述电子级氟化氢气体水浓度的多尺度邻域关联特征来作为标签权重特征与所述光谱空间特征进行加权进而构造出特征的搜索空间。进一步地，在对于待测定电子级氟化氢产品的纯度进行测定时，利用特征矩阵的查询和解码器的回归来得到该产品的水浓度。这样，能够在高维空间中对于电子级氟化氢产品的纯度进行精准地检测。具体地，在本申请的技术方案中，首先，获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图。其中，所述含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图可以由红外光谱仪获取。
在上述电子级氟化氢的产品纯度测定系统100中，所述参考数据编码单元120，用于将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵。考虑到所述不同水浓度的多个电子级氟化氢标准气体具有不同的红外吸收光谱，而这种特征差异的表现在所述红外光谱图的空间位置特征中，因此，进一步将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型中进行编码，以分别提取出所述多个红外光谱图中各个红外光谱图的关于不同水浓度的所述电子级氟化氢标准气体的空间特征分布信息，从而得到多个红外光谱特征矩阵。这里，空间注意力所提取到的所述不同水浓度的电子级氟化氢标准气体的红外光谱分布特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征。
具体地，在本申请实施例中，所述参考数据编码单元120，进一步用于：使用所述卷积神经网络模型的卷积编码部分对所述红外光谱图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到红外光谱图；以及，对所述红外光谱图进行沿通道维度的全局均值池化处理以得到所述红外光谱图特征矩阵。
在上述电子级氟化氢的产品纯度测定系统100中，所述参考标签编码单元130，用于将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量。考虑到为了构造特征搜索空间以便于后续的待测定电子级氟化氢产品的水浓度检测，需要进一步以所述多个电子级氟化氢标准气体的水浓度高维隐含特征作为标签权重。也就是，在本申请的技术方案中，进一步将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述多个电子级氟化氢标准气体的水浓度在不同样本下的多尺度邻域关联特征，从而得到标签参考权重向量。
具体地，在本申请实施例中，所述参考标签编码单元130，包括：第一尺度特征提取单元，用于将所述标签输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度标签理解特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述标签输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度标签理解特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联子单元，用于将所述第一尺度标签理解特征向量和所述第二尺度标签理解特征向量进行级联以得到所述标签参考权重向量。
更具体地，在本申请实施例中，所述第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述标签输入向量进行一维卷积编码以得到所述第一尺度标签理解特征向量；其中，所述公式为：
其中，
为第一卷积核在
方向上的宽度、
为第一卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第一卷积核的尺寸，
表示所述标签输入向量；所述第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述标签输入向量进行一维卷积编码以得到所述第二尺度标签理解特征向量；其中，所述公式为：
其中，
为第二卷积核在
方向上的宽度、
为第二卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第二卷积核的尺寸，
表示所述标签输入向量。
在上述电子级氟化氢的产品纯度测定系统100中，所述参考特征校正单元140，用于以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵。也就是，以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权，以此来以水浓度特征的标签权重来与所述不同水浓度的多个电子级氟化氢标准气体的红外光谱特征进行特征融合，从而构造特征搜索空间，以得到多个加权后红外光谱特征矩阵。
在上述电子级氟化氢的产品纯度测定系统100中，所述待测定数据采集单元150，用于获取待测定电子级氟化氢产品的红外光谱图。在对于待测定的电子级氟化氢产品的纯度进行检测时，就可以利用待测定电子级氟化氢产品的红外光谱空间特征分布信息来在特征搜索空间中进行特征查询和解码以得到得到待测定电子级氟化氢产品的水浓度。也就是，具体地，在本申请的技术方案中，首先获取待测定电子级氟化氢产品的红外光谱图，同样地，所述待测定电子级氟化氢产品的红外光谱图可以由红外光谱仪获取。
在上述电子级氟化氢的产品纯度测定系统100中，所述待测定数据特征提取单元160，用于将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵。也就是，在获取获取待测定电子级氟化氢产品的红外光谱图之后，将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型中进行特征挖掘，以提取出所述待测定电子级氟化氢产品的红外光谱特征在空间位置上的特征分布信息，从而得到检测特征矩阵。
在上述电子级氟化氢的产品纯度测定系统100中，所述特征搜索单元170，用于计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵。也就是，计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵，以此来基于所述待测定电子级氟化氢产品的红外光谱空间特征分布信息在特征搜索空间中进行特征矩阵查询，从而得到多个转移矩阵。
具体地，在本申请实施例中，所述特征搜索单元170，进一步用于：以如下公式计算所述检测特征矩阵相对于所述加权后红外光谱特征矩阵的所述转移矩阵；其中，所述公式为：
其中
表示所述检测特征矩阵，
表示所述加权后红外光谱特征矩阵，
表示所述转移矩阵，
表示矩阵相乘。
在上述电子级氟化氢的产品纯度测定系统100中，所述纯度解码单元180，用于将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。具体地，在本申请的技术方案中，首先，对所述多个转移矩阵进行解码以得到多个权重解码值；接着，以所述多个权重解码值作为权重，计算所述多个电子级氟化氢标准气体的水浓度的加权和以得到所述解码值。特别地，这里，所述权重解码值可以理解为所述待测定电子级氟化氢产品的红外光谱图的特征表示与所述各个电子级氟化氢标准气体的特征表示之间的相似度。
更具体地，在本申请实施例中，所述纯度解码单元180，包括：中间解码单元，用于使用所述解码器以如下公式对所述多个转移矩阵进行解码以得到多个权重解码值，其中，所述公式为：
，其中
是所述转移矩阵，
是所述权重解码值，
是权重矩阵，
表示矩阵乘；以及，加权单元，用于以所述多个权重解码值作为权重，计算所述多个电子级氟化氢标准气体的水浓度的加权和以得到所述解码值。
在上述电子级氟化氢的产品纯度测定系统100中，还包括用于对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块、所述解码器进行训练的训练模块200。
图4为根据本申请实施例的电子级氟化氢的产品纯度测定系统中训练模块的框图。如图4所示，所述训练模块200，包括：训练数据采集单元210，用于获取训练数据，所述训练数据包括含不同水浓度的多个电子级氟化氢标准气体的多个训练红外光谱图，以及，所述待测定电子级氟化氢产品的水浓度的真实值；训练参考数据编码单元220，用于将所述多个训练红外光谱图中各个训练红外光谱图通过使用所述空间注意力机制的卷积神经网络模型以得到多个训练红外光谱特征矩阵；训练参考标签编码单元230，用于将所述多个电子级氟化氢标准气体的训练水浓度按照样本维度排列为训练标签输入向量后通过所述多尺度邻域特征提取模块以得到训练标签参考权重向量；训练参考特征校正单元240，用于以所述训练标签参考权重向量中各个位置的特征值作为权重分别对所述多个训练红外光谱特征矩阵进行加权以得到多个训练加权后红外光谱特征矩阵；训练待测定数据采集单元250，用于获取所述待测定电子级氟化氢产品的训练红外光谱图；训练待测定数据特征提取单元260，用于将所述待测定电子级氟化氢产品的训练红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到训练检测特征矩阵；训练特征搜索单元270，用于计算所述训练检测特征矩阵相对于所述多个训练加权后红外光谱特征矩阵的转移矩阵以得到多个训练转移矩阵；解码损失单元280，用于将所述多个训练转移矩阵通过所述解码器以得到解码损失函数值；多分布二元回归质量损失单元290，用于计算所述多个训练转移矩阵的多分布二元回归质量损失函数值；以及，训练单元300，用于计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块和所述解码器进行训练。
特别地，在本申请的技术方案中，由于解码特征图是计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的多个转移矩阵，并将所述多个转移矩阵排列得到的，因此每个转移矩阵的特征分布对应于所述解码特征图的局部特征分布。而所述加权后多个红外光谱特征矩阵是所述多个红外光谱特征矩阵以标签参考权重向量中各个位置的特征值作为权重加权得到的，且每个红外光谱特征矩阵通过使用空间注意力机制而减小了特征矩阵本身的特征分布类内差异，也就导致了各个红外光谱特征矩阵的类间差异扩大。这样，所述多个转移矩阵之间的相关性也会较差，从而导致所述解码特征图的局部特征分布之间具有较大差异，影响了所述解码特征图通过解码器进行解码回归的训练速度和解码回归结果的准确性。为了提高所述多个转移矩阵之间的相关性，可以通过对每个转移矩阵引入作为超参数的加权因数来解决，但另一方面，超参数的设置增大了模型的训练负担。因此，本申请的申请人考虑引入多分布二元回归质量损失函数。
具体地，在本申请实施例中，所述多分布二元回归质量损失单元290，进一步用于：以如下公式计算所述多个训练转移矩阵的所述多分布二元回归质量损失函数值；其中，所述公式为：
其中，
到
是所述多个训练转移矩阵中的各个训练转移矩阵，
是参考矩阵，
表示矩阵的解码回归结果，
表示向量的1范数。
这里，为了避免所述解码特征图在多分布解码回归时由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标回归域的收敛困难，通过对于每个局部特征分布的基于解码器的全局偏移解码结果信息取平均的方式，来预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多解码回归的回归问题，并改进所述解码特征图通过解码器进行解码回归的训练速度和回归结果的准确性。这样，能够得到更为精准的所述待测定电子级氟化氢产品的水浓度，进而能够对于电子级氟化氢产品的纯度进行准确地检测。
综上，基于本申请实施例的电子级氟化氢的产品纯度测定系统100被阐明，其采用基于机器学习的人工智能检测技术来提取出不同纯度的电子级氟化氢气体的红外光谱图的空间隐含特征分布表示，并且还提取出所述电子级氟化氢气体水浓度的多尺度邻域关联特征来作为标签权重特征与所述光谱空间特征进行加权进而构造出特征的搜索空间。进一步地，在对于待测定电子级氟化氢产品的纯度进行测定时，利用特征矩阵的查询和解码器的回归来得到该产品的水浓度。这样，能够在高维空间中根据红外吸收光谱的特征分析来对于电子级氟化氢产品的纯度进行测定。
如上所述，根据本申请实施例的电子级氟化氢的产品纯度测定系统100可以实现在各种终端设备中，例如用于电子级氟化氢的产品纯度测定的服务器等。在一个示例中，根据本申请实施例的电子级氟化氢的产品纯度测定系统100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，该电子级氟化氢的产品纯度测定系统100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，该电子级氟化氢的产品纯度测定系统100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，该电子级氟化氢的产品纯度测定系统100与该终端设备也可以是分立的设备，并且该电子级氟化氢的产品纯度测定系统100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5为根据本申请实施例的电子级氟化氢的产品纯度测定方法的流程图。如图5所示，根据本申请实施例的电子级氟化氢的产品纯度测定方法，包括：S110，获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图；S120，将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵；S130，将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量；S140，以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵；S150，获取待测定电子级氟化氢产品的红外光谱图；S160，将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵；S170，计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵；以及，S180，将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
在一个示例中，在上述电子级氟化氢的产品纯度测定方法中，还包括用于对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块、所述解码器进行训练。
图6为根据本申请实施例的电子级氟化氢的产品纯度测定方法中对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块、所述解码器进行训练的流程图。如图6所示，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括含不同水浓度的多个电子级氟化氢标准气体的多个训练红外光谱图，以及，所述待测定电子级氟化氢产品的水浓度的真实值；S220，将所述多个训练红外光谱图中各个训练红外光谱图通过使用所述空间注意力机制的卷积神经网络模型以得到多个训练红外光谱特征矩阵；S230，将所述多个电子级氟化氢标准气体的训练水浓度按照样本维度排列为训练标签输入向量后通过所述多尺度邻域特征提取模块以得到训练标签参考权重向量；S240，以所述训练标签参考权重向量中各个位置的特征值作为权重分别对所述多个训练红外光谱特征矩阵进行加权以得到多个训练加权后红外光谱特征矩阵；S250，获取所述待测定电子级氟化氢产品的训练红外光谱图；S260，将所述待测定电子级氟化氢产品的训练红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到训练检测特征矩阵；S270，计算所述训练检测特征矩阵相对于所述多个训练加权后红外光谱特征矩阵的转移矩阵以得到多个训练转移矩阵；S280，将所述多个训练转移矩阵通过所述解码器以得到解码损失函数值；S290，计算所述多个训练转移矩阵的多分布二元回归质量损失函数值；以及，S300，计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块和所述解码器进行训练。
综上，本申请实施例的电子级氟化氢的产品纯度测定方法被阐明，其采用基于机器学习的人工智能检测技术来提取出不同纯度的电子级氟化氢气体的红外光谱图的空间隐含特征分布表示，并且还提取出所述电子级氟化氢气体水浓度的多尺度邻域关联特征来作为标签权重特征与所述光谱空间特征进行加权进而构造出特征的搜索空间。进一步地，在对于待测定电子级氟化氢产品的纯度进行测定时，利用特征矩阵的查询和解码器的回归来得到该产品的水浓度。这样，能够在高维空间中根据红外吸收光谱的特征分析来对于电子级氟化氢产品的纯度进行测定。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。图7为根据本申请实施例的电子设备的框图。如图7所示，电子设备10包括一个或多个处理器11和存储器12。
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电子级氟化氢的产品纯度测定方法中的功能以及/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含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置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。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置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7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电子级氟化氢的产品纯度测定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”部分中描述的根据本申请各种实施例的电子级氟化氢的产品纯度测定方法中的功能中的步骤。
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、装置或器件，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。
Claims (10)
1.一种电子级氟化氢的产品纯度测定系统，其特征在于，包括：参考数据采集单元，用于获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图；参考数据编码单元，用于将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵；参考标签编码单元，用于将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量；参考特征校正单元，用于以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵；待测定数据采集单元，用于获取待测定电子级氟化氢产品的红外光谱图；待测定数据特征提取单元，用于将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵；特征搜索单元，用于计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵；以及纯度解码单元，用于将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
2.根据权利要求1所述的电子级氟化氢的产品纯度测定系统，其特征在于，所述参考数据编码单元，进一步用于：使用所述卷积神经网络模型的卷积编码部分对所述红外光谱图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到红外光谱图；以及对所述红外光谱图进行沿通道维度的全局均值池化处理以得到所述红外光谱图特征矩阵。
3.根据权利要求2所述的电子级氟化氢的产品纯度测定系统，其特征在于，所述参考标签编码单元，包括：第一尺度特征提取单元，用于将所述标签输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度标签理解特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述标签输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度标签理解特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度级联子单元，用于将所述第一尺度标签理解特征向量和所述第二尺度标签理解特征向量进行级联以得到所述标签参考权重向量。
4.根据权利要求3所述的电子级氟化氢的产品纯度测定系统，其特征在于，所述第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述标签输入向量进行一维卷积编码以得到所述第一尺度标签理解特征向量；其中，所述公式为：
其中，
为第一卷积核在
方向上的宽度、
为第一卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第一卷积核的尺寸，
表示所述标签输入向量；所述第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述标签输入向量进行一维卷积编码以得到所述第二尺度标签理解特征向量；其中，所述公式为：
其中，
为第二卷积核在
方向上的宽度、
为第二卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第二卷积核的尺寸，
表示所述标签输入向量。
5.根据权利要求4所述的电子级氟化氢的产品纯度测定系统，其特征在于，所述特征搜索单元，进一步用于：以如下公式计算所述检测特征矩阵相对于所述加权后红外光谱特征矩阵的所述转移矩阵；其中，所述公式为：
其中
表示所述检测特征矩阵，
表示所述加权后红外光谱特征矩阵，
表示所述转移矩阵，
表示矩阵相乘。
6.根据权利要求5所述的电子级氟化氢的产品纯度测定系统，其特征在于，所述纯度解码单元，包括：中间解码单元，用于使用所述解码器以如下公式对所述多个转移矩阵进行解码以得到多个权重解码值，其中，所述公式为：
，其中
是所述转移矩阵，
是所述权重解码值，
是权重矩阵，
表示矩阵乘；以及加权单元，用于以所述多个权重解码值作为权重，计算所述多个电子级氟化氢标准气体的水浓度的加权和以得到所述解码值。
7.根据权利要求6所述的电子级氟化氢的产品纯度测定系统，其特征在于，还包括用于对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块、所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括含不同水浓度的多个电子级氟化氢标准气体的多个训练红外光谱图，以及，所述待测定电子级氟化氢产品的水浓度的真实值；训练参考数据编码单元，用于将所述多个训练红外光谱图中各个训练红外光谱图通过使用所述空间注意力机制的卷积神经网络模型以得到多个训练红外光谱特征矩阵；训练参考标签编码单元，用于将所述多个电子级氟化氢标准气体的训练水浓度按照样本维度排列为训练标签输入向量后通过所述多尺度邻域特征提取模块以得到训练标签参考权重向量；训练参考特征校正单元，用于以所述训练标签参考权重向量中各个位置的特征值作为权重分别对所述多个训练红外光谱特征矩阵进行加权以得到多个训练加权后红外光谱特征矩阵；训练待测定数据采集单元，用于获取所述待测定电子级氟化氢产品的训练红外光谱图；训练待测定数据特征提取单元，用于将所述待测定电子级氟化氢产品的训练红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到训练检测特征矩阵；训练特征搜索单元，用于计算所述训练检测特征矩阵相对于所述多个训练加权后红外光谱特征矩阵的转移矩阵以得到多个训练转移矩阵；解码损失单元，用于将所述多个训练转移矩阵通过所述解码器以得到解码损失函数值；多分布二元回归质量损失单元，用于计算所述多个训练转移矩阵的多分布二元回归质量损失函数值；以及训练单元，用于计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述使用空间注意力机制的卷积神经网络模型、所述多尺度邻域特征提取模块和所述解码器进行训练。
8.根据权利要求7所述的电子级氟化氢的产品纯度测定系统，其特征在于，所述多分布二元回归质量损失单元，进一步用于：以如下公式计算所述多个训练转移矩阵的所述多分布二元回归质量损失函数值；其中，所述公式为：
其中，
到
是所述多个训练转移矩阵中的各个训练转移矩阵，
是参考矩阵，
表示矩阵的解码回归结果，
表示向量的1范数。
9.一种电子级氟化氢的产品纯度测定方法，其特征在于，包括：获取含不同水浓度的多个电子级氟化氢标准气体的多个红外光谱图；将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵；将所述多个电子级氟化氢标准气体的水浓度按照样本维度排列为标签输入向量后通过多尺度邻域特征提取模块以得到标签参考权重向量；以所述标签参考权重向量中各个位置的特征值作为权重分别对所述多个红外光谱特征矩阵进行加权以得到多个加权后红外光谱特征矩阵；获取待测定电子级氟化氢产品的红外光谱图；将所述待测定电子级氟化氢产品的红外光谱图通过所述使用空间注意力机制的卷积神经网络模型以得到检测特征矩阵；计算所述检测特征矩阵相对于所述多个加权后红外光谱特征矩阵的转移矩阵以得到多个转移矩阵；以及将所述多个转移矩阵通过解码器以得到解码值，所述解码值为待测定电子级氟化氢产品的水浓度。
10.根据权利要求9所述的电子级氟化氢的产品纯度测定方法，其特征在于，所述将所述多个红外光谱图中各个红外光谱图通过使用空间注意力机制的卷积神经网络模型以得到多个红外光谱特征矩阵，包括：使用所述卷积神经网络模型的卷积编码部分对所述红外光谱图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到红外光谱图；以及对所述红外光谱图进行沿通道维度的全局均值池化处理以得到所述红外光谱图特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211441853.XA CN115656086B (zh) | 2022-11-17 | 2022-11-17 | 一种电子级氟化氢的产品纯度测定系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211441853.XA CN115656086B (zh) | 2022-11-17 | 2022-11-17 | 一种电子级氟化氢的产品纯度测定系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115656086A true CN115656086A (zh) | 2023-01-31 |
| CN115656086B CN115656086B (zh) | 2023-04-21 |
Family
ID=85020063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211441853.XA Active CN115656086B (zh) | 2022-11-17 | 2022-11-17 | 一种电子级氟化氢的产品纯度测定系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115656086B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116047987A (zh) * | 2023-03-31 | 2023-05-02 | 福建天甫电子材料有限公司 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
| CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120074343A (ko) * | 2010-12-28 | 2012-07-06 | 주식회사 포스코 | 근적외선-적정법을 이용한 Ｏｎ-ｌｉｎｅ 산액 분석 방법 |
| JP2013041923A (ja) * | 2011-08-12 | 2013-02-28 | Apprecia Technology Inc | 燐酸溶液中の珪素濃度測定装置及び測定方法 |
| CN111704109A (zh) * | 2020-07-13 | 2020-09-25 | 南京德源环保科技发展有限公司 | 连续法制备电子级氢氟酸的方法及系统 |
| CN111855605A (zh) * | 2020-07-06 | 2020-10-30 | 中船重工（邯郸）派瑞特种气体有限公司 | 利用傅立叶变换红外光谱测氟化氢中水含量的方法及装置 |
| CN113651294A (zh) * | 2021-07-02 | 2021-11-16 | 北京化工大学 | 电子级氢氟酸的连续化制备系统及方法 |
| CN115018068A (zh) * | 2022-05-30 | 2022-09-06 | 福建天甫电子材料有限公司 | 用于光阻洗净液生产的自动配料系统及其配料方法 |
-
2022
- 2022-11-17 CN CN202211441853.XA patent/CN115656086B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120074343A (ko) * | 2010-12-28 | 2012-07-06 | 주식회사 포스코 | 근적외선-적정법을 이용한 Ｏｎ-ｌｉｎｅ 산액 분석 방법 |
| JP2013041923A (ja) * | 2011-08-12 | 2013-02-28 | Apprecia Technology Inc | 燐酸溶液中の珪素濃度測定装置及び測定方法 |
| CN111855605A (zh) * | 2020-07-06 | 2020-10-30 | 中船重工（邯郸）派瑞特种气体有限公司 | 利用傅立叶变换红外光谱测氟化氢中水含量的方法及装置 |
| CN111704109A (zh) * | 2020-07-13 | 2020-09-25 | 南京德源环保科技发展有限公司 | 连续法制备电子级氢氟酸的方法及系统 |
| CN113651294A (zh) * | 2021-07-02 | 2021-11-16 | 北京化工大学 | 电子级氢氟酸的连续化制备系统及方法 |
| CN115018068A (zh) * | 2022-05-30 | 2022-09-06 | 福建天甫电子材料有限公司 | 用于光阻洗净液生产的自动配料系统及其配料方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116047987A (zh) * | 2023-03-31 | 2023-05-02 | 福建天甫电子材料有限公司 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
| CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115656086B (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115656086B (zh) | 一种电子级氟化氢的产品纯度测定系统及其方法 | |
| CN109933801B (zh) | 基于预测位置注意力的双向lstm命名实体识别方法 | |
| CN110309514A (zh) | 一种语义识别方法及装置 | |
| CN110704621A (zh) | 文本处理方法、装置及存储介质和电子设备 | |
| CN108416059B (zh) | 图像描述模型的训练方法和装置、设备、介质 | |
| CN113298151A (zh) | 一种基于多级特征融合的遥感图像语义描述方法 | |
| CN112052684A (zh) | 电力计量的命名实体识别方法、装置、设备和存储介质 | |
| CN112182167B (zh) | 一种文本匹配方法、装置、终端设备和存储介质 | |
| CN116858789A (zh) | 食品安全检测系统及其方法 | |
| CN113836271A (zh) | 自然语言处理的方法和产品 | |
| CN114492470A (zh) | 商品标题文本翻译方法及其装置、设备、介质、产品 | |
| CN116340703A (zh) | 基于数据的土样参数测量方法及其系统 | |
| CN117197622A (zh) | 一种基于图文多模态的目标检测标签优化方法 | |
| CN113761875B (zh) | 事件抽取方法、装置、电子设备及存储介质 | |
| Downey et al. | alineR: An R package for optimizing feature-weighted alignments and linguistic distances | |
| CN117348877B (zh) | 基于人工智能技术的技术开发系统及方法 | |
| CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
| US8254689B2 (en) | Character recognition processing method and apparatus | |
| US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
| WO2024103613A1 (zh) | 一种电子级六氟丁二烯的质检系统及其方法 | |
| CN115359323A (zh) | 图像的文本信息生成方法和深度学习模型的训练方法 | |
| CN114462418A (zh) | 事件检测方法、系统、智能终端及计算机可读存储介质 | |
| CN114358011A (zh) | 命名实体提取方法与装置以及电子设备 | |
| CN114218381A (zh) | 立场识别方法、装置、设备及介质 | |
| Gong et al. | Confidence calibration for intent detection via hyperspherical space and rebalanced accuracy-uncertainty loss |
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 |