CN115738362B - 一种桦树茸超氧化物歧化酶低温临界萃取装置及其工艺 - Google Patents

Abstract

本申请公开了一种桦树茸超氧化物歧化酶低温临界萃取装置及其工艺。其首先将超声信号通过降噪模块得到的降噪后超声信号进行一维S变换以得到超声S变换时频图，接着，将所述超声S变换时频图通过第一卷积神经网络模型以得到超声振动时频特征向量，然后，对所述超声作用监控视频通过第二卷积神经网络模型得到的作用监控特征图进行全局均值池化处理以得到作用监控特征向量，最后，将基于高斯密度图计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计得到的分类特征矩阵通过分类器以得到用于表示当前时间点的超声发生装置的功率值应增大或应减小的分类结果。通过这样的方式，可以提高萃取的效率，进而缩短萃取的时间。

Description

一种桦树茸超氧化物歧化酶低温临界萃取装置及其工艺

技术领域

本申请涉及萃取装置技术领域，且更为具体地，涉及一种桦树茸超氧化物歧化酶低温临界萃取装置及其工艺。

背景技术

超氧化物歧化酶是生物体系中抗氧化酶系的重要组成成员，广泛分布在微生物、植物和动物体内。桦树茸中富含超氧化物歧化酶，其需要通过萃取工艺进行提取。

申请号为200910034263.3的发明专利公开了一种“天然产物有效成分的亚临界流体萃取装置与工艺”，该装置由萃取罐、蒸发罐、冷凝器、溶剂罐、超声发生装置、压缩机和真空泵等部件组成，该工艺可根据萃取对象不同，选择不同的亚临界萃取介质(乙烷、丙烷、丁烷、异丁烷和二甲醚等)，并将亚临界流体萃取技术与超声提取技术相结合，提高萃取率、缩短提取时间。

利用亚临界流体萃取装置可从桦树茸中提取出超氧化物歧化酶，但在实际萃取过程中，却发现萃取效率不高，往往需要很长时间才能够完成萃取操作。

因此，期待一种优化的桦树茸超氧化物歧化酶低温临界萃取装置。

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桦树茸超氧化物歧化酶低温临界萃取装置及其工艺。其首先将超声信号通过降噪模块得到的降噪后超声信号进行一维S变换以得到超声S变换时频图，接着，将所述超声S变换时频图通过第一卷积神经网络模型以得到超声振动时频特征向量，然后，对所述超声作用监控视频通过第二卷积神经网络模型得到的作用监控特征图进行全局均值池化处理以得到作用监控特征向量，最后，将基于高斯密度图计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计得到的分类特征矩阵通过分类器以得到用于表示当前时间点的超声发生装置的功率值应增大或应减小的分类结果。通过这样的方式，可以提高萃取的效率，进而缩短萃取的时间。

根据本申请的一个方面，提供了一种桦树茸超氧化物歧化酶低温临界萃取装置，其包括：

监控模块，用于获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频；

波形降噪模块，用于将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号；

变换模块，用于对所述降噪后超声信号进行一维S变换以得到超声S变换时频图；

超声振动特征提取模块，用于将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量；

作用特征提取模块，用于将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图；

降维模块，用于对所述作用监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到作用监控特征向量；

响应性估计模块，用于基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计以得到分类特征矩阵；以及控制结果生成模块，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当前时间点的超声发生装置的功率值应增大或应减小。

在上述的桦树茸超氧化物歧化酶低温临界萃取装置中，所述波形降噪模块，包括：

图像编码单元，用于使用所述基于自动编码器的降噪模块的编码器对所述超声信号进行编码以提取所述超声信号的信号特征；以及图像解码单元，用于使用所述基于自动编码器的降噪模块的解码器对所述超声信号的信号特征进行解码以得到所述降噪后超声信号。

在上述的桦树茸超氧化物歧化酶低温临界萃取装置中，所述变换模块，进一步用于以如下公式对所述降噪后超声信号进行一维S变换以得到所述超声S变换时频图；

其中，所述公式为：

其中，s(f,τ)表示所述超声S变换时频图，τ为时移因子，x(t)表示所述降噪后超声信号、f表示频率、t表示时间。

在上述的桦树茸超氧化物歧化酶低温临界萃取装置中，所述超声振动特征提取模块，进一步用于：

使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述超声振动时频特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述超声S变换时频图。

在上述的桦树茸超氧化物歧化酶低温临界萃取装置中，所述作用特征提取模块，包括：

关键帧提取单元，用于从所述超声作用监控视频中提取多个关键帧；

相邻帧提取单元，用于从所述多个关键帧提取相邻的第一帧和第二帧；

第一图像局部特征提取模块，用于将所述第一帧和所述第二帧分别通过所述具有时间注意力机制的第二卷积神经网络模型的第一卷积层和第二卷积层以得到对应于所述第一帧的第一帧特征图和对应于所述第二帧的第二帧特征图；

时间注意力单元，用于将所述第一帧特征图与所述第二帧特征图进行按位置点乘后通过Softmax激活函数以得到时间注意力图；

第二图像局部特征提取单元，用于将所述第二帧通过所述具有时间注意力机制的第二卷积神经网络模型的第三卷积层以得到第二帧初始特征图；以及时间注意力施加单元，用于将所述第二帧初始特征图与所述时间注意力图进行按位置点乘以得到第二帧时间加强特征图。

在上述的桦树茸超氧化物歧化酶低温临界萃取装置中，所述响应性估计模块，包括：

第一特征优化单元，用于对所述作用监控特征向量的特征分布进行优化以得到优化后作用监控特征向量；

第二特征优化单元，用于对所述超声振动时频特征向量的特征分布进行优化以得到优化后超声振动时频特征向量；

高斯密度图构造单元，用于构造所述优化后超声振动时频特征向量和所述优化后作用监控特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；

响应性计算单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及高斯离散化，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

与现有技术相比，本申请提供的一种桦树茸超氧化物歧化酶低温临界萃取装置，其首先将超声信号通过降噪模块得到的降噪后超声信号进行一维S变换以得到超声S变换时频图，接着，将所述超声S变换时频图通过第一卷积神经网络模型以得到超声振动时频特征向量，然后，对所述超声作用监控视频通过第二卷积神经网络模型得到的作用监控特征图进行全局均值池化处理以得到作用监控特征向量，最后，将基于高斯密度图计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计得到的分类特征矩阵通过分类器以得到用于表示当前时间点的超声发生装置的功率值应增大或应减小的分类结果。通过这样的方式，可以提高萃取的效率，进而缩短萃取的时间。

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图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置的应用场景图。

图2图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置的框图示意图。

图3图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置中所述波形降噪模块的框图示意图。

图4图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置中所述作用特征提取模块的框图示意图。

图5图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置中所述响应性估计模块的框图示意图。

图6图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置中所述第一特征优化单元的框图示意图。

图7图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置中所述第二特征优化单元的框图示意图。

图8图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取工艺的流程图。

图9图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取工艺的系统架构的示意图。

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

如上所述，申请号为200910034263.3的发明专利公开了一种“天然产物有效成分的亚临界流体萃取装置与工艺”，该装置由萃取罐、蒸发罐、冷凝器、溶剂罐、超声发生装置、压缩机和真空泵等部件组成，该工艺可根据萃取对象不同，选择不同的亚临界萃取介质(乙烷、丙烷、丁烷、异丁烷和二甲醚等)，并将亚临界流体萃取技术与超声提取技术相结合，提高萃取率、缩短提取时间。

利用亚临界流体萃取装置可从桦树茸中提取出超氧化物歧化酶，但在实际萃取过程中，却发现萃取效率不高，往往需要很长时间才能够完成萃取操作。因此，期待一种优化的桦树茸超氧化物歧化酶低温临界萃取装置。

应可以理解，利用亚临界流体萃取技术与超声提取技术相结合来提高萃取率的原理是利用超声波在介质传播时所特有的空化效应，加上超声波传播产生的机械振动、微射流等多极效应，使得超氧化物歧化酶更容易被萃取出来。因此，在实际萃取过程中，超声发生装置产生的超声信号大小与萃取效率具有隐藏的规律性特征，为了能够提高萃取的效率，进而缩短萃取的时间，需要对于所述超声发生装置的功率进行实时动态地自适应控制。

具体地，在本申请的技术方案中，采用基于深度学习的人工智能控制技术，以利用桦树茸的超声作用状态监控算法对于所监控和采集的数据进行处理和分析，以对所述桦树茸的超声作用状态进行智能监控。也就是，通过人工智能算法来对于超声发生装置的功率进行基于所述桦树茸的超声作用实时状态的自适应控制，以提高桦树茸超氧化物歧化酶萃取的效率，进而缩短萃取的时间。

具体地，在本申请的技术方案中，首先，获取超声发生装置在预定时间段内产生的超声信号以及通过摄像头采集桦树茸在所述预定时间段的超声作用监控视频。接着，考虑到在实际的对于超声发生装置在预定时间段内产生的超声信号进行采集时，会由于环境的噪声干扰等因素导致采集到的所述超声信号中存在大量的干扰噪声，这样就会造成后续对于所述超声信号的功率特征和所述桦树茸的超声作用状态特征之间的关联特征提取不够准确，进而影响萃取的效率。因此，在本申请的技术方案中，需要进一步使用基于自动编码器的降噪模块对于所述超声信号进行降噪处理，以得到降噪后超声信号。

然后，对得到的所述降噪后超声信号进行一维S变换，以将所述降噪后超声信号转化为所述超声S变换时频图。应可以理解，由于S变换能够在低频段提供宽窗口，而在高频段提供窄窗口，这样就能够最大程度地保留了所述超声信号在各个频段的特征，以提高后续分类的准确性。具体地，可以以如下公式来进行S变换：

其中，s(f,τ)表示所述超声S变换时频图，τ为时移因子，x(t)表示所述降噪后超声信号、f表示频率、t表示时间。

接着，就可以将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型中进行处理，以提取出所述超声S变换时频图中的局部隐含关联特征在高维空间中的特征分布信息，也就是，所述超声信号的超声振动高维隐含特征，从而得到超声振动时频特征向量。

进一步地，对于采集到的所述超声作用监控视频，考虑到所述监控视频中具有多个图像帧，为了能够在准确地对于所述桦树茸的超声作用状态的时序特征进行特征提取的同时减少计算量，在本申请的技术方案中，首先，从所述超声作用监控视频中提取多个关键帧。然后，使用具有时间注意力机制的第二卷积神经网络模型对于所述多个关键帧进行特征挖掘，以提取出所述超声作用监控视频中的关于所述桦树茸的超声作用状态的时序动态特征，从而得到作用监控特征图。应可以理解，所述时间注意力机制能够让所述第二卷积神经网络模型将学习的重心放在样本更重要的时间维度区域，提高了网络模型学习样本的效率，进而也提高了后续分类的准确性。

在得到用于表示所述桦树茸的超声作用状态特征的所述作用监控特征图后，对所述作用监控特征图沿通道维度的各个特征矩阵进行全局均值池化处理，以将所述作用监控特征图沿时间维度进行数据降维，从而得到作用监控特征向量。

然后，考虑到卷积神经网络的特征提取只能够提取出局部的隐含特征关联信息，为了能够充分地提取出全局性的所述桦树茸的超声作用状态时序特征和所述超声信号的隐含特征来综合进行超声发生装置的功率控制，进而提高萃取的效率，在本申请的技术方案中，需要在高维特征空间中对于所述桦树茸的超声作用状态时序特征和所述超声信号的隐含特征进行数据增强。也就是，具体地，构造所述超声振动时频特征向量和所述作用监控特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图，以通过所述超声信号和所述超声作用状态的先验分布，即高斯分布，来分别对于所述超声信号的隐含特征和所述桦树茸的超声作用状态时序特征进行数据增强。

接着，计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图来表示所述超声信号的隐含特征和所述桦树茸的超声作用状态时序特征之间的关联性特征。进一步地，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化，以在数据的特征增广时不产生信息损失，从而得到所述分类特征矩阵。然后，将所述分类特征矩阵通过分类器以得到用于表示当前时间点的超声发生装置的功率值应增大或应减小的分类结果。

特别地，在本申请的技术方案中，在计算所述作用监控特征向量相对于所述超声振动时频特征向量的响应性估计以得到分类特征矩阵时，由于是通过高斯密度图来计算所述作用监控特征向量相对于所述超声振动时频特征向量的响应性估计，且由于高斯密度图对高维概率密度的表达，使得所述分类特征矩阵能够实现所述作用监控特征向量和所述超声振动时频特征向量的概率密度信息的聚合。但是，对于所述作用监控特征向量和所述超声振动时频特征向量由第一卷积神经网络和第二卷积神经网络提取到的通道维度关联信息，仍需要增强其融合效果。

因此，对于所述作用监控特征向量和所述超声振动时频特征向量分别计算其类小波函数族能量聚合的高频增强蒸馏因数，表示为：

σ_i(v_i)表示特征值集合v_i∈V的方差，v_i是特征向量V(即所述作用监控特征向量和所述超声振动时频特征向量)的特征值，且L是特征向量V的长度。

也就是，由于特征分布的信息表示倾向于集中在高频分量上，即，信息倾向于分布在高维流形的流形边缘，使用类小波函数族能量聚合的高频增强蒸馏的方式，可以通过特征分布的集合方差的蒸馏来增强高维隐状态特征的高频分量，并约束其低频分量，以尽可能强化所述第一卷积神经网络和第二卷积神经网络提取的通道维度下的基本特征表达的信息。这样，通过以所述类小波函数族能量聚合的高频增强蒸馏因数对所述作用监控特征向量和所述超声振动时频特征向量加权后再计算其响应性估计获得分类特征矩阵，就可以增强所述分类特征矩阵对上述特征向量的通道维度下的关联信息的表达效果，进而提高分类的准确性。这样，能够对于超声发生装置的功率进行基于所述桦树茸的超声作用实时状态的自适应控制，以提高桦树茸超氧化物歧化酶萃取的效率，进而缩短萃取的时间。

基于此，本申请提供了一种桦树茸超氧化物歧化酶低温临界萃取装置，其包括：监控模块，用于获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频；波形降噪模块，用于将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号；变换模块，用于对所述降噪后超声信号进行一维S变换以得到超声S变换时频图；超声振动特征提取模块，用于将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量；作用特征提取模块，用于将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图；降维模块，用于对所述作用监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到作用监控特征向量；响应性估计模块，用于基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计以得到分类特征矩阵；以及，控制结果生成模块，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当前时间点的超声发生装置的功率值应增大或应减小。

图1图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置的应用场景图。如图1所示，在该应用场景中，获取超声发生装置(例如，如图1中所示意的F)在预定时间段内产生的超声信号(例如，如图1中所示意的D1)以及由摄像头(例如，如图1中所示意的C)采集的桦树茸在所述预定时间段的超声作用监控视频(例如，如图1中所示意的D2)，然后，将获取的所述超声信号和所述超声作用监控视频输入至部署有桦树茸超氧化物歧化酶低温临界萃取算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够基于所述桦树茸超氧化物歧化酶低温临界萃取算法对所述超声信号和所述超声作用监控视频进行处理以生成用于表示当前时间点的超声发生装置的功率值应增大或应减小的的分类结果。

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。

示例性装置

图2图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置的框图示意图。如图2所示，根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置100，包括：监控模块110，用于获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频；波形降噪模块120，用于将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号；变换模块130，用于对所述降噪后超声信号进行一维S变换以得到超声S变换时频图；超声振动特征提取模块140，用于将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量；作用特征提取模块150，用于将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图；降维模块160，用于对所述作用监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到作用监控特征向量；响应性估计模块170，用于基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计以得到分类特征矩阵；以及，控制结果生成模块180，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当前时间点的超声发生装置的功率值应增大或应减小。

更具体地，在本申请实施例中，所述监控模块110，用于获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频。应可以理解，利用亚临界流体萃取技术与超声提取技术相结合来提高萃取率的原理是利用超声波在介质传播时所特有的空化效应，加上超声波传播产生的机械振动、微射流等多极效应，使得超氧化物歧化酶更容易被萃取出来。因此，在实际萃取过程中，超声发生装置产生的超声信号大小与萃取效率具有隐藏的规律性特征，为了能够提高萃取的效率，进而缩短萃取的时间，因此，获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频，从所述超声信号和所述超声作用监控视频中获取隐藏的规律性特征。

更具体地，在本申请实施例中，所述波形降噪模块120，用于将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号。考虑到在实际的对于超声发生装置在预定时间段内产生的超声信号进行采集时，会由于环境的噪声干扰等因素导致采集到的所述超声信号中存在大量的干扰噪声，这样就会造成后续对于所述超声信号的功率特征和所述桦树茸的超声作用状态特征之间的关联特征提取不够准确，进而影响萃取的效率。因此，进一步使用基于自动编码器的降噪模块对于所述超声信号进行降噪处理，以得到降噪后超声信号。

相应地，在一个具体示例中，如图3所示，所述波形降噪模块120，包括：图像编码单元121，用于使用所述基于自动编码器的降噪模块的编码器对所述超声信号进行编码以提取所述超声信号的信号特征；以及，图像解码单元122，用于使用所述基于自动编码器的降噪模块的解码器对所述超声信号的信号特征进行解码以得到所述降噪后超声信号。自动编码器包括编码器和解码器，在一个示例中，编码器可以是卷积层，解码器可以是反卷积层。应可以理解，在编码器阶段，通过特征提取可提取有效成分而滤除无关成分，从而在解码还原时可以实现降噪。

更具体地，在本申请实施例中，所述变换模块130，用于对所述降噪后超声信号进行一维S变换以得到超声S变换时频图。应可以理解，S变换能够在低频段提供宽窗口，而在高频段提供窄窗口，这样，能够最大程度地保留了所述超声信号在各个频段的特征，以提高后续分类的准确性。

相应地，在一个具体示例中，所述变换模块130，进一步用于以如下公式对所述降噪后超声信号进行一维S变换以得到所述超声S变换时频图；

其中，所述公式为：

其中，s(f,τ)表示所述超声S变换时频图，τ为时移因子，x(t)表示所述降噪后超声信号、f表示频率、t表示时间。

更具体地，在本申请实施例中，所述超声振动特征提取模块140，用于将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量。将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型中进行处理，以提取出所述超声S变换时频图中的局部隐含关联特征在高维空间中的特征分布信息，也就是，所述超声信号的超声振动高维隐含特征，从而得到超声振动时频特征向量。

相应地，在一个具体示例中，所述超声振动特征提取模块140，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述超声振动时频特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述超声S变换时频图。

更具体地，在本申请实施例中，所述作用特征提取模块150，用于将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图。应可以理解，所述时间注意力机制能够让所述第二卷积神经网络模型将学习的重心放在样本更重要的时间维度区域，提高了网络模型学习样本的效率，进而也提高了后续分类的准确性。

进一步地，对于采集到的所述超声作用监控视频，考虑到所述监控视频中具有多个图像帧，为了能够在准确地对于所述桦树茸的超声作用状态的时序特征进行特征提取的同时减少计算量，在本申请的技术方案中，先从所述超声作用监控视频中提取多个关键帧，然后使用具有时间注意力机制的第二卷积神经网络模型对于所述多个关键帧进行特征挖掘，以提取出所述超声作用监控视频中的关于所述桦树茸的超声作用状态的时序动态特征，从而得到作用监控特征图。

相应地，在一个具体示例中，如图4所示，所述作用特征提取模块150，包括：关键帧提取单元151，用于从所述超声作用监控视频中提取多个关键帧；相邻帧提取单元152，用于从所述多个关键帧提取相邻的第一帧和第二帧；第一图像局部特征提取模块153，用于将所述第一帧和所述第二帧分别通过所述具有时间注意力机制的第二卷积神经网络模型的第一卷积层和第二卷积层以得到对应于所述第一帧的第一帧特征图和对应于所述第二帧的第二帧特征图；时间注意力单元154，用于将所述第一帧特征图与所述第二帧特征图进行按位置点乘后通过Softmax激活函数以得到时间注意力图；第二图像局部特征提取单元155，用于将所述第二帧通过所述具有时间注意力机制的第二卷积神经网络模型的第三卷积层以得到第二帧初始特征图；以及，时间注意力施加单元156，用于将所述第二帧初始特征图与所述时间注意力图进行按位置点乘以得到第二帧时间加强特征图。这里，以第一帧和第二帧来说明时间注意力的过程，在得到第二帧的第二帧时间加强特征图后，可以同样的方式进行递推，最后一帧对应的特征图为所述作用监控特征图。

更具体地，在本申请实施例中，所述降维模块160，用于对所述作用监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到作用监控特征向量。将所述作用监控特征图沿时间维度进行数据降维，以得到作用监控特征向量。

更具体地，在本申请实施例中，所述响应性估计模块170，用于基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计以得到分类特征矩阵。

考虑到卷积神经网络的特征提取只能够提取出局部的隐含特征关联信息，为了能够充分地提取出全局性的所述桦树茸的超声作用状态时序特征和所述超声信号的隐含特征来综合进行超声发生装置的功率控制，进而提高萃取的效率，在本申请的技术方案中，需要在高维特征空间中对于所述桦树茸的超声作用状态时序特征和所述超声信号的隐含特征进行数据增强。

相应地，在一个具体示例中，如图5所示，所述响应性估计模块170，包括：第一特征优化单元171，用于对所述作用监控特征向量的特征分布进行优化以得到优化后作用监控特征向量；第二特征优化单元172，用于对所述超声振动时频特征向量的特征分布进行优化以得到优化后超声振动时频特征向量；高斯密度图构造单元173，用于构造所述优化后超声振动时频特征向量和所述优化后作用监控特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应性计算单元174，用于计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及，高斯离散化175，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

特别地，在本申请的技术方案中，在计算所述作用监控特征向量相对于所述超声振动时频特征向量的响应性估计以得到分类特征矩阵时，由于是通过高斯密度图来计算所述作用监控特征向量相对于所述超声振动时频特征向量的响应性估计，且由于高斯密度图对高维概率密度的表达，使得所述分类特征矩阵能够实现所述作用监控特征向量和所述超声振动时频特征向量的概率密度信息的聚合。但是，对于所述作用监控特征向量和所述超声振动时频特征向量由第一卷积神经网络和第二卷积神经网络提取到的通道维度关联信息，仍需要增强其融合效果。因此，对于所述作用监控特征向量和所述超声振动时频特征向量分别计算其类小波函数族能量聚合的高频增强蒸馏因数。

相应地，在一个具体示例中，如图6所示，所述第一特征优化单元171，包括：第一权重计算子单元1711，用于计算所述作用监控特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述作用监控特征向量的加权权重；其中，所述公式为：

其中v_1i表示所述作用监控特征向量中各个位置的特征值，表示σ_1i(v_1i)表示所述作用监控特征向量中所有位置特征值集合的方差，L₁是所述作用监控特征向量的长度，log表示以2为底的对数函数值，w₁表示所述作用监控特征向量的加权权重；第一加权优化子单元1712，用于以所述作用监控特征向量的加权权重对所述作用监控特征向量进行加权优化以得到所述优化后作用监控特征向量。

相应地，在一个具体示例中，如图7所示，所述第二特征优化单元172，包括：第二权重计算子单元1721，用于计算所述超声振动时频特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述超声振动时频特征向量的加权权重；其中，所述公式为：

其中v_2j表示所述超声振动时频特征向量中各个位置的特征值，表示σ_2j(v_2j)表示所述超声振动时频特征向量中所有位置特征值集合的方差，L₂是所述超声振动时频特征向量的长度，log表示以2为底的对数函数值，w₂表示所述超声振动时频特征向量的加权权重；第二加权优化子单元1722，用于以所述超声振动时频特征向量的加权权重对所述超声振动时频特征向量进行加权优化以得到所述优化后超声振动时频特征向量。

也就是，由于特征分布的信息表示倾向于集中在高频分量上，即，信息倾向于分布在高维流形的流形边缘，使用类小波函数族能量聚合的高频增强蒸馏的方式，可以通过特征分布的集合方差的蒸馏来增强高维隐状态特征的高频分量，并约束其低频分量，以尽可能强化所述第一卷积神经网络和第二卷积神经网络提取的通道维度下的基本特征表达的信息。这样，通过以所述类小波函数族能量聚合的高频增强蒸馏因数对所述作用监控特征向量和所述超声振动时频特征向量加权后再计算其响应性估计获得分类特征矩阵，就可以增强所述分类特征矩阵对上述特征向量的通道维度下的关联信息的表达效果，进而提高分类的准确性。这样，能够对于超声发生装置的功率进行基于所述桦树茸的超声作用实时状态的自适应控制，以提高桦树茸超氧化物歧化酶萃取的效率，进而缩短萃取的时间。

相应地，在一个具体示例中，所述响应性计算单元174，进一步用于：以如下公式计算所述第二高斯密度图相对于所述第一高斯密度图的响应性估计以得到所述响应性高斯密度图；其中，所述公式为：

其中μ₃表示所述响应性高斯密度图的均值向量，σ₃表示所述响应性高斯密度图的协方差矩阵，⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且表示矩阵乘法。

更具体地，在本申请实施例中，所述控制结果生成模块180，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当前时间点的超声发生装置的功率值应增大或应减小。

相应地，在一个具体示例中，所述控制结果生成模块180，进一步用于：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得到所述分类结果；其中，所述公式为：O＝softmax{(W_n,B_n):…:(W₁,B₁)|Project(F)}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，Project(F)为所述分类特征矩阵投影为向量。

综上，基于本申请实施例的桦树茸超氧化物歧化酶低温临界萃取装置100被阐明，其首先将超声信号通过降噪模块得到的降噪后超声信号进行一维S变换以得到超声S变换时频图，接着，将所述超声S变换时频图通过第一卷积神经网络模型以得到超声振动时频特征向量，然后，对所述超声作用监控视频通过第二卷积神经网络模型得到的作用监控特征图进行全局均值池化处理以得到作用监控特征向量，最后，将基于高斯密度图计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计得到的分类特征矩阵通过分类器以得到用于表示当前时间点的超声发生装置的功率值应增大或应减小的分类结果。通过这样的方式，可以提高萃取的效率，进而缩短萃取的时间。

如上所述，根据本申请实施例的所述桦树茸超氧化物歧化酶低温临界萃取装置100可以实现在各种终端设备中，例如具有桦树茸超氧化物歧化酶低温临界萃取算法的服务器等。在一个示例中，桦树茸超氧化物歧化酶低温临界萃取装置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，该桦树茸超氧化物歧化酶低温临界萃取装置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，该桦树茸超氧化物歧化酶低温临界萃取装置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，该桦树茸超氧化物歧化酶低温临界萃取装置100与该终端设备也可以是分立的设备，并且桦树茸超氧化物歧化酶低温临界萃取装置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。

示例性工艺

图8图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取工艺的流程图。如图8所示，根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取工艺，其包括：S110，获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频；S120，将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号；S130，对所述降噪后超声信号进行一维S变换以得到超声S变换时频图；S140，将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量；S150，将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图；S160，对所述作用监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到作用监控特征向量；S170，基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计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当前时间点的超声发生装置的功率值应增大或应减小。

图9图示了根据本申请实施例的桦树茸超氧化物歧化酶低温临界萃取工艺的系统架构的示意图。如图9所示，在所述桦树茸超氧化物歧化酶低温临界萃取工艺的系统架构中，首先，获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频；接着，将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号；然后，对所述降噪后超声信号进行一维S变换以得到超声S变换时频图；接着，将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量；然后，将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图；接着，对所述作用监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到作用监控特征向量；然后，基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计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当前时间点的超声发生装置的功率值应增大或应减小。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号，包括：使用所述基于自动编码器的降噪模块的编码器对所述超声信号进行编码以提取所述超声信号的信号特征；以及，使用所述基于自动编码器的降噪模块的解码器对所述超声信号的信号特征进行解码以得到所述降噪后超声信号。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述对所述降噪后超声信号进行一维S变换以得到超声S变换时频图，包括：以如下公式对所述降噪后超声信号进行一维S变换以得到所述超声S变换时频图；其中，所述公式为：

其中，s(f,τ)表示所述超声S变换时频图，τ为时移因子，x(t)表示所述降噪后超声信号、f表示频率、t表示时间。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量，进一步包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述超声振动时频特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述超声S变换时频图。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图，包括：从所述超声作用监控视频中提取多个关键帧；从所述多个关键帧提取相邻的第一帧和第二帧；将所述第一帧和所述第二帧分别通过所述具有时间注意力机制的第二卷积神经网络模型的第一卷积层和第二卷积层以得到对应于所述第一帧的第一帧特征图和对应于所述第二帧的第二帧特征图；将所述第一帧特征图与所述第二帧特征图进行按位置点乘后通过Softmax激活函数以得到时间注意力图；将所述第二帧通过所述具有时间注意力机制的第二卷积神经网络模型的第三卷积层以得到第二帧初始特征图；以及，将所述第二帧初始特征图与所述时间注意力图进行按位置点乘以得到第二帧时间加强特征图。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计以得到分类特征矩阵，包括：对所述作用监控特征向量的特征分布进行优化以得到优化后作用监控特征向量；对所述超声振动时频特征向量的特征分布进行优化以得到优化后超声振动时频特征向量；构造所述优化后超声振动时频特征向量和所述优化后作用监控特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述对所述作用监控特征向量的特征分布进行优化以得到优化后作用监控特征向量，包括：计算所述作用监控特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述作用监控特征向量的加权权重；其中，所述公式为：

其中v_1i表示所述作用监控特征向量中各个位置的特征值，表示σ_1i(v_1i)表示所述作用监控特征向量中所有位置特征值集合的方差，L₁是所述作用监控特征向量的长度，log表示以2为底的对数函数值，w₁表示所述作用监控特征向量的加权权重；以所述作用监控特征向量的加权权重对所述作用监控特征向量进行加权优化以得到所述优化后作用监控特征向量。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述对所述超声振动时频特征向量的特征分布进行优化以得到优化后超声振动时频特征向量，包括：计算所述超声振动时频特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述超声振动时频特征向量的加权权重；其中，所述公式为：

其中v_2j表示所述超声振动时频特征向量中各个位置的特征值，表示σ_2j(v_2j)表示所述超声振动时频特征向量中所有位置特征值集合的方差，L₂是所述超声振动时频特征向量的长度，log表示以2为底的对数函数值，w₂表示所述超声振动时频特征向量的加权权重；以所述超声振动时频特征向量的加权权重对所述超声振动时频特征向量进行加权优化以得到所述优化后超声振动时频特征向量。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图，进一步包括：以如下公式计算所述第二高斯密度图相对于所述第一高斯密度图的响应性估计以得到所述响应性高斯密度图；其中，所述公式为：

其中μ₃表示所述响应性高斯密度图的均值向量，σ₃表示所述响应性高斯密度图的协方差矩阵，⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且表示矩阵乘法。

在一个具体示例中，在上述桦树茸超氧化物歧化酶低温临界萃取工艺中，所述将所述分类特征矩阵通过分类器以得到分类结果，进一步包括：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得到所述分类结果；其中，所述公式为：O＝softmax{(W_n,B_n):…:(W₁,B₁)|Project(F)}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，Project(F)为所述分类特征矩阵投影为向量。

这里，本领域技术人员可以理解，上述桦树茸超氧化物歧化酶低温临界萃取工艺中的各个步骤的具体操作已经在上面参考图1到图7的桦树茸超氧化物歧化酶低温临界萃取装置的描述中得到了详细介绍，并因此，将省略其重复描述。

Claims (10)

1.一种桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，包括：

监控模块，用于获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频；

波形降噪模块，用于将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号；

变换模块，用于对所述降噪后超声信号进行一维S变换以得到超声S变换时频图；

超声振动特征提取模块，用于将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量；

作用特征提取模块，用于将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图；

降维模块，用于对所述作用监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到作用监控特征向量；

响应性估计模块，用于基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计以得到分类特征矩阵；以及控制结果生成模块，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当前时间点的超声发生装置的功率值应增大或应减小。

2.根据权利要求1所述的桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，所述波形降噪模块，包括：

图像编码单元，用于使用所述基于自动编码器的降噪模块的编码器对所述超声信号进行编码以提取所述超声信号的信号特征；以及图像解码单元，用于使用所述基于自动编码器的降噪模块的解码器对所述超声信号的信号特征进行解码以得到所述降噪后超声信号。

3.根据权利要求2所述的桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，所述变换模块，进一步用于以如下公式对所述降噪后超声信号进行一维S变换以得到所述超声S变换时频图；

其中，所述公式为：

其中，s(f,τ)表示所述超声S变换时频图，τ为时移因子，x(t)表示所述降噪后超声信号、f表示频率、t表示时间，j的平方等于-1。

4.根据权利要求3所述的桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，所述超声振动特征提取模块，进一步用于：

使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述超声振动时频特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述超声S变换时频图。

5.根据权利要求4所述的桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，所述作用特征提取模块，包括：

关键帧提取单元，用于从所述超声作用监控视频中提取多个关键帧；

相邻帧提取单元，用于从所述多个关键帧提取相邻的第一帧和第二帧；

第一图像局部特征提取模块，用于将所述第一帧和所述第二帧分别通过所述具有时间注意力机制的第二卷积神经网络模型的第一卷积层和第二卷积层以得到对应于所述第一帧的第一帧特征图和对应于所述第二帧的第二帧特征图；

时间注意力单元，用于将所述第一帧特征图与所述第二帧特征图进行按位置点乘后通过Softmax激活函数以得到时间注意力图；

第二图像局部特征提取单元，用于将所述第二帧通过所述具有时间注意力机制的第二卷积神经网络模型的第三卷积层以得到第二帧初始特征图；以及时间注意力施加单元，用于将所述第二帧初始特征图与所述时间注意力图进行按位置点乘以得到第二帧时间加强特征图，所述第二帧时间加强特征图为所述作用监控特征图。

6.根据权利要求5所述的桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，所述响应性估计模块，包括：

第一特征优化单元，用于对所述作用监控特征向量的特征分布进行优化以得到优化后作用监控特征向量；

第二特征优化单元，用于对所述超声振动时频特征向量的特征分布进行优化以得到优化后超声振动时频特征向量；

高斯密度图构造单元，用于构造所述优化后超声振动时频特征向量和所述优化后作用监控特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；

响应性计算单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及高斯离散化，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

7.根据权利要求6所述的桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，所述第一特征优化单元，包括：

第一权重计算子单元，用于以如下公式计算所述作用监控特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述作用监控特征向量的加权权重；

其中，所述公式为：

其中v_1i表示所述作用监控特征向量中各个位置的特征值，表示σ_1i(v_1i)表示所述作用监控特征向量中所有位置特征值集合的方差，L₁是所述作用监控特征向量的长度，log表示以2为底的对数函数值，w₁表示所述作用监控特征向量的加权权重；

第一加权优化子单元，用于以所述作用监控特征向量的加权权重对所述作用监控特征向量进行加权优化以得到所述优化后作用监控特征向量。

8.根据权利要求7所述的桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，所述第二特征优化单元，包括：

第二权重计算子单元，用于以如下公式计算所述超声振动时频特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述超声振动时频特征向量的加权权重；

其中，所述公式为：

其中v_2j表示所述超声振动时频特征向量中各个位置的特征值，表示σ_2j(v_2j)表示所述超声振动时频特征向量中所有位置特征值集合的方差，L₂是所述超声振动时频特征向量的长度，log表示以2为底的对数函数值，w₂表示所述超声振动时频特征向量的加权权重；

第二加权优化子单元，用于以所述超声振动时频特征向量的加权权重对所述超声振动时频特征向量进行加权优化以得到所述优化后超声振动时频特征向量。

9.根据权利要求8所述的桦树茸超氧化物歧化酶低温临界萃取装置，其特征在于，所述响应性计算单元，进一步用于：以如下公式计算所述第二高斯密度图相对于所述第一高斯密度图的响应性估计以得到所述响应性高斯密度图；

其中，所述公式为：

其中μ₃表示所述响应性高斯密度图的均值向量，σ₃表示所述响应性高斯密度图的协方差矩阵，μ₂表示所述第二高斯密度图的均值向量，σ₂表示所述第二高斯密度图的协方差矩阵，μ₁表示所述第一高斯密度图的均值向量，σ₁表示所述第一高斯密度图的协方差矩阵，为所述响应性高斯密度图，x₃为所述响应性高斯密度图的特征值，⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且/>表示矩阵乘法。

10.一种桦树茸超氧化物歧化酶低温临界萃取工艺，其特征在于，包括：

获取超声发生装置在预定时间段内产生的超声信号以及由摄像头采集的桦树茸在所述预定时间段的超声作用监控视频；

将所述超声信号通过基于自动编码器的降噪模块以得到降噪后超声信号；

对所述降噪后超声信号进行一维S变换以得到超声S变换时频图；

将所述超声S变换时频图通过作为过滤器的第一卷积神经网络模型以得到超声振动时频特征向量；

将所述超声作用监控视频通过具有时间注意力机制的第二卷积神经网络模型以得到作用监控特征图；

对所述作用监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到作用监控特征向量；

基于高斯密度图来计算作用监控特征向量相对于所述超声振动时频特征向量的响应性估计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当前时间点的超声发生装置的功率值应增大或应减小。