CN115849519A - 一种有机模块化电催化氧化处理装置 - Google Patents

Abstract

本申请公开了一种有机模块化电催化氧化处理装置。其首先将由摄像头采集的废水表面状态监控图像通过图像降噪器以得到降噪后废水表面状态监控图像，接着，将所述降噪后废水表面状态监控图像分别通过第一卷积神经网络模型和第二卷积神经网络模型以得到第一尺度特征矩阵和第二尺度特征矩阵，然后，计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；最后，将基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正得到的优化分类特征矩阵通过分类器以得到用于表示是否开启吹气装置进行浮沫破碎的分类结果。通过这样的方式，可以减小废气重新向废水中溶解，提高曝气效率。

Description

一种有机模块化电催化氧化处理装置

技术领域

本申请涉及智能控制技术领域，且更为具体地，涉及一种有机模块化电催化氧化处理装置。

背景技术

目前，生活污水处理技术已趋于成熟，而工业废水还未得到根本解决。其中，高浓度难降解有机废水的高效处理是公认的世界性难题，是一个值得培育开发的市场，其市场需求容量大，具有显著的社会效益和巨大的经济价值。

电催化氧化法是一种高级氧化法，它产生的羟基自由基是仅次于氟的具有极强的氧化能力的氧化剂，它与大多数有机污染物都可以发生快速的链式反应，无选择性地将有害物质降解为CO₂、H₂O或矿物盐。

在利用电催化氧化进行废水处理时，由于电催化氧化装置能耗大，极板蚀损较快，因此，通过曝气的方式对废水进行预处理后再将预处理后的废水进行电催化氧化的方式能够降低能耗，延长极板的使用寿命，提高电催化氧化的处理效率。虽然曝气能够有效的对溶解于废水中的废气进行脱除，但是曝气过程中产生的浮沫又会对废气进行约束，使得废气会再次在浮沫中向废水中溶解，会延缓曝气的时间，降低工作效率。

因此，期待一种优化的电催化氧化处理装置。

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有机模块化电催化氧化处理装置。其首先将由摄像头采集的废水表面状态监控图像通过图像降噪器以得到降噪后废水表面状态监控图像，接着，将所述降噪后废水表面状态监控图像分别通过第一卷积神经网络模型和第二卷积神经网络模型以得到第一尺度特征矩阵和第二尺度特征矩阵，然后，计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；最后，将基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正得到的优化分类特征矩阵通过分类器以得到用于表示是否开启吹气装置进行浮沫破碎的分类结果。通过这样的方式，可以减小废气重新向废水中溶解，提高曝气效率。

根据本申请的一个方面，提供了一种有机模块化电催化氧化处理装置，其包括：

废水表面状态监控模块，用于获取由摄像头采集的废水表面状态监控图像;

图像降噪模块，用于将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像;

第一尺度浮沫分布特征提取模块，用于将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型以得到第一尺度特征矩阵;

第二尺度浮沫分布特征提取模块，用于将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型以得到第二尺度特征矩阵;

相对指标表达模块，用于计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；

类中心偏移校正模块，用于基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正以得到优化分类特征矩阵；以及

处理结果生成模块，用于将所述优化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开启吹气装置进行浮沫破碎。

在上述的有机模块化电催化氧化处理装置中，所述图像降噪模块，包括：

编码单元，用于将所述废水表面状态监控图像输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述废水表面状态监控图像进行显式空间编码以得到废水表面状态特征；

解码单元，用于将所述废水表面状态特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述废水表面状态特征进行反卷积处理以得到所述降噪后废水表面状态监控图像。

在上述的有机模块化电催化氧化处理装置中，所述第一尺度浮沫分布特征提取模块，进一步用于：所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行卷积处理以得到第一卷积特征图；

对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；以及

对所述第一池化特征图进行非线性激活以得到第一激活特征图；

其中，所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度特征矩阵，所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的第一层的输入为所述降噪后废水表面状态监控图像。

在上述的有机模块化电催化氧化处理装置中，所述第二尺度浮沫分布特征提取模块，进一步用于：所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行卷积处理以得到第二卷积特征图；

对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及

对所述第二池化特征图进行非线性激活以得到第二激活特征图；

其中，所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度特征矩阵，所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的第一层的输入为所述降噪后废水表面状态监控图像。

在上述的有机模块化电催化氧化处理装置中，所述相对指标表达模块，进一步用于：以如下公式计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；

其中，所述公式为：

，其中，

为所述差分特征矩阵，

为所述第一尺度 特征矩阵，

为所述第二尺度特征矩阵，

表示按位置差分。

在上述的有机模块化电催化氧化处理装置中，所述类中心偏移校正模块，包括：

对角矩阵转化单元，用于将所述第一尺度特征矩阵和所述第二尺度特征矩阵分别转换为对角矩阵以得到第一对角矩阵和第二对角矩阵；

拓扑-类中心融合单元，用于对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵；以及

修正单元，用于将所述融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。

在上述的有机模块化电催化氧化处理装置中，所述拓扑-类中心融合单元，进一步用于：以如下公式对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到所述融合特征矩阵；

其中，所述公式为：

其中，

为所述融合特征矩阵，

为所述第一对角矩阵，

为所述第二对角矩阵，

为所述第二对角矩阵的转置矩阵，

和

分别表示矩阵的Kronecker积和Hadamard积，

为所述第一对角矩阵和所述第二对角矩阵之间的逐位置距离矩阵，

表示矩阵的 指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数 值。

在上述的有机模块化电催化氧化处理装置中，所述处理结果生成模块，包括：

矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；

全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

与现有技术相比，本申请提供的一种有机模块化电催化氧化处理装置，其首先将由摄像头采集的废水表面状态监控图像通过图像降噪器以得到降噪后废水表面状态监控图像，接着，将所述降噪后废水表面状态监控图像分别通过第一卷积神经网络模型和第二卷积神经网络模型以得到第一尺度特征矩阵和第二尺度特征矩阵，然后，计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；最后，将基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正得到的优化分类特征矩阵通过分类器以得到用于表示是否开启吹气装置进行浮沫破碎的分类结果。通过这样的方式，可以减小废气重新向废水中溶解，提高曝气效率。

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模块化电催化氧化处理装置的结构示意图。

图2为根据本申请实施例的有机模块化电催化氧化处理装置的应用场景图。

图3为根据本申请实施例的有机模块化电催化氧化处理装置的框图示意图。

图4为根据本申请实施例的有机模块化电催化氧化处理装置中所述图像降噪模块的框图示意图。

图5为根据本申请实施例的有机模块化电催化氧化处理装置中所述类中心偏移校正模块的框图示意图。

图6为根据本申请实施例的有机模块化电催化氧化处理装置中所述处理结果生成模块的框图示意图。

图7为根据本申请实施例的有机模块化电催化氧化处理方法的流程图。

图8为根据本申请实施例的有机模块化电催化氧化处理方法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，在利用电催化氧化进行废水处理时，由于电催化氧化装置能耗大，极板蚀损较快，因此，通过曝气的方式对废水进行预处理后再将预处理后的废水进行电催化氧化的方式能够降低能耗，延长极板的使用寿命，提高电催化氧化的处理效率。虽然曝气能够有效的对溶解于废水中的废气进行脱除，但是曝气过程中产生的浮沫又会对废气进行约束，使得废气会再次在浮沫中向废水中溶解，会延缓曝气的时间，降低工作效率。

图1为根据本申请实施例的模块化电催化氧化处理装置的结构示意图，如图1所示，所述模块化电催化氧化处理装置，包括设备支架1、被放置于所述设备支架1上的6个电催化氧化模组箱2及电源控制箱7、6个所述电催化氧化模组箱2前有一个进水总管3、后有一个出水总管4、每个电催化氧化模组箱2前均有5个进水分管5及1个进水阀门8、后有5个出水分管6及一个出水阀门9、有机废水通过进水总管3进入装置后，通过进水分管5进入各个电催化氧化模组箱2，箱体内的电极通过电源控制箱7的供电，使废水中的有机物在阳极板的吸电子效应下被氧化，从而达到净化废水，降低有机物含量的目的。被处理的废水经各出水分管6汇合进入出水总管4后流出装置。所述装置当水量增加或者有机物含量增加时，可增加电催化氧化处理装置数量来保证废水的处理效果。

所述装置每个进水管均设置进水阀门，每个出水管设置出水阀门。当废水水量减少或者有机物含量减少时，可灵活关闭电催化氧化模组箱的进水阀门和出水阀门，只使用个别的电催化氧化模组箱进行废水处理。所述装置配置一个电源控制箱，控制电催化氧化模组箱的电源输入，监控各个电催化氧化模组箱电流、电压、温度、流量、压力情况，发现问题可直接停止问题电催化氧化模组箱的运行并进行维修，其他电催化氧化模组箱运行不受影响。所述装置为了提升反应效果，每个电催化氧化模组箱分别有5个进水分管和5个出水分管，可以使进水更加均匀。

因此，期待一种优化的电催化氧化处理装置，其能够基于废水表面的浮沫情况，适时地对水面上漂浮的浮沫进行破碎，减小废气重新向废水中溶解，提高曝气效率。在结构层面，所述电催化氧化处理装置包括用于破碎浮沫的吹气装置，其通过吹出的气体对废水表面的浮沫进行破碎处理。

但是在本申请的技术方案中，很难对废水表面的浮沫分布进行量化表征，从而很难建立浮沫分布与吹气装置的吹气控制的自适应关联。近年来，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、文本信号处理等领域。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。深度学习以及神经网络的发展为吹气装置的吹气控制提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先获取由摄像头采集的废水表面状态监控图像。接着，以基于深度学习的神经网络模型作为特征提取器来对所述废水表面状态监控图像进行处理以得到废水表面状态特征，用于表示废水表面的浮沫分布特征，以此在高维特征空间中来表示浮沫分布状态。本领域普通技术人员应理解，虽然废水表面状态高维特征在数据层面无法被技术人员所理解，但其能够在高维特征空间中被计算机所识别并参与计算。

特别地，考虑到在通过所述摄像头采集所述废水表面状态监控图像的过程中，因拍摄环境的局限或干扰会引入诸多噪声，因此，在将所述废水表面状态监控图像作为神经网络的输入之前，对所述废水表面状态监控图像进行图像降噪处理以得到降噪后废水表面状态监控图像。

在本申请一个具体的示例中，将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像。这里，所述自动编解码器包括图像编码器和图像解码器，其中，在一个具体的示例中，所述图像编码器包括至少一个卷积层，以通过卷积核来提取所述废水表面状态监控图像中的有效特征成分，进而通过所述图像编码器对所述有效特征成分进行解码还原以得到所述降噪后废水表面状态监控图像。在所述具体的示例中，所述图像解码器包括至少一个反卷积层，即所述图像解码器对所述有效特征成分进行至少一次反卷积编码以得到所述降噪后废水表面状态监控图像。

接着，将所述降噪后废水表面状态监控图像作为神经网络的输入，并使用卷积神经网络模型对所述降噪后废水表面状态监控图像进行基于卷积核的特征提取以得到废水表面状态特征。特别地，在本申请的技术方案中，浮沫在所述废水表面属于小尺度密集对象，因此，很难通过目标识别来统计浮沫数量并基于浮沫数量与废水表面的面积之间的比值来度量浮沫分布密度。因此，在本申请的技术方案中，使用相对密度的思想来度量所述浮沫分布密度特征。

具体地，首先将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核以得到第一尺度特征矩阵;同时，将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核以得到第二尺度特征矩阵。进而，计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵，用于表示浮沫分布状态特征。应可以理解，从主观直觉上，如果浮沫的分布较为密集，则其在大感受野下和小感受野下的特征分布差异度相对较小，而如果浮沫的分布较为稀疏，则其在大感受野下和小感受野下的特征分布差异度相对较大。相应地，在本申请的技术方案中，以所述具有第一空洞率的第一空洞卷积核和所述具有第二空洞率的第二空洞卷积核来表示不同的特征感受野，以所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵来表示两者在高维特征空间中的特征分布差异。

更具体地，在本申请一个具体的示例中，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺度。以计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的按位置差分来得到所述差分特征矩阵。

接着，将所述差分特征矩阵作为分类特征矩阵，并通过分类器来确定所述分类特征矩阵所归属于的分类标签。在本申请的技术方案中，所述分类器的分类标签包括开启吹气装置进行浮沫破碎（第一标签），以及，不开启吹气装置进行浮沫破碎（第二标签）。应注意到，所述分类器的分类标签为吹气装置的控制策略标签，从而在得到所述分类结果后，能够基于所述分类结果确定所述吹气装置的吹气控制策略和指令。

这里，所述第一尺度特征矩阵和所述第二尺度特征矩阵分别是通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络和使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络得到的，因此所述第一尺度特征矩阵的全局特征分布可能在分类概率表示上偏移所述第二尺度特征矩阵的全局特征分布的分类概率表示，也就是，所述第一尺度特征矩阵与所述第二尺度特征矩阵的全局特征分布之间存在类中心偏移，而所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的所述差分特征矩阵是计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的逐位置差分，因此也无法解决类中心偏移的问题，由此将影响所述分类特征矩阵的分类结果的准确性。

因此，首先将所述第一尺度特征矩阵和所述第二尺度特征矩阵分别转换为对角矩 阵，例如记为

和

，然后进行类节点的拓扑-类中心融合，表示为：

和

分别表示矩阵的Kronecker积和Hadamard积，

为特征矩阵

和

之 间的逐位置距离矩阵，即

。

具体地，由于在分类器的二分类问题中，如果将所述第一尺度特征矩阵

和所述 第二尺度特征矩阵

融合后的类节点表示为树形式，则所述第一尺度特征矩阵

和所述第 二尺度特征矩阵

各自的类节点分布为基于根节点的子树，因此可以利用节点之间关联的 图拓扑，来使得融合后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图 结构，从而表达以所述第一尺度特征矩阵

和所述第二尺度特征矩阵

各自的类节点为根 的子树结构，以实现所述第一尺度特征矩阵

和所述第二尺度特征矩阵

的基于类节点- 中心的拓扑式融合，从而消除所述第一尺度特征矩阵

和所述第二尺度特征矩阵

之间的 类中心偏移。

将融合后的特征矩阵

与所述分类特征矩阵，例如记为

进行矩阵相乘，以将所 述分类特征矩阵映射到消除类中心偏移的融合特征空间内，以提升所述分类特征矩阵的分 类结果的准确性。也就是，提高对于吹气装置的吹气控制的精准度，从而基于废水表面的浮 沫情况，适时地对水面上漂浮的浮沫进行破碎，减小废气重新向废水中溶解。

基于此，本申请提供了一种有机模块化电催化氧化处理装置，其包括：废水表面状态监控模块，用于获取由摄像头采集的废水表面状态监控图像;图像降噪模块，用于将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像;第一尺度浮沫分布特征提取模块，用于将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型以得到第一尺度特征矩阵;第二尺度浮沫分布特征提取模块，用于将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型以得到第二尺度特征矩阵;相对指标表达模块，用于计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；类中心偏移校正模块，用于基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正以得到优化分类特征矩阵；以及，处理结果生成模块，用于将所述优化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开启吹气装置进行浮沫破碎。

图2为根据本申请实施例的有机模块化电催化氧化处理装置的应用场景图。如图2所示，在该应用场景中，获取由摄像头（例如，如图2中所示意的C）采集的废水表面状态监控图像（例如，如图2中所示意的D），然后，将所述废水表面状态监控图像输入至部署有有机模块化电催化氧化处理算法的服务器中（例如，图2中所示意的S），其中，所述服务器能够使用所述有机模块化电催化氧化处理算法对所述废水表面状态监控图像进行处理以得到用于表示是否开启吹气装置进行浮沫破碎的分类结果。

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3为根据本申请实施例的有机模块化电催化氧化处理装置的框图示意图。如图3所示，根据本申请实施例的有机模块化电催化氧化处理装置100，包括：废水表面状态监控模块110，用于获取由摄像头采集的废水表面状态监控图像;图像降噪模块120，用于将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像;第一尺度浮沫分布特征提取模块130，用于将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型以得到第一尺度特征矩阵;第二尺度浮沫分布特征提取模块140，用于将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型以得到第二尺度特征矩阵;相对指标表达模块150，用于计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；类中心偏移校正模块160，用于基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正以得到优化分类特征矩阵；以及，处理结果生成模块170，用于将所述优化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开启吹气装置进行浮沫破碎。

更具体地，在本申请实施例中，所述废水表面状态监控模块110，用于获取由摄像头采集的废水表面状态监控图像。在利用电催化氧化进行废水处理时，由于电催化氧化装置能耗大，极板蚀损较快，因此，通过曝气的方式对废水进行预处理后再将预处理后的废水进行电催化氧化的方式能够降低能耗，延长极板的使用寿命，提高电催化氧化的处理效率。虽然曝气能够有效的对溶解于废水中的废气进行脱除，但是曝气过程中产生的浮沫又会对废气进行约束，使得废气会再次在浮沫中向废水中溶解，会延缓曝气的时间，降低工作效率。因此，首先获取由摄像头采集的废水表面状态监控图像，并将该图像通过卷积神经网络进行处理。

接着，以基于深度学习的神经网络模型作为特征提取器来对所述废水表面状态监控图像进行处理以得到废水表面状态特征，用于表示废水表面的浮沫分布特征，以此在高维特征空间中来表示浮沫分布状态。本领域普通技术人员应理解，虽然废水表面状态高维特征在数据层面无法被技术人员所理解，但其能够在高维特征空间中被计算机所识别并参与计算。

特别地，考虑到在通过所述摄像头采集所述废水表面状态监控图像的过程中，因拍摄环境的局限或干扰会引入诸多噪声，因此，在将所述废水表面状态监控图像作为神经网络的输入之前，对所述废水表面状态监控图像进行图像降噪处理以得到降噪后废水表面状态监控图像。

更具体地，在本申请实施例中，所述图像降噪模块120，用于将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像。这里，所述自动编解码器包括图像编码器和图像解码器，其中，在一个具体的示例中，所述图像编码器包括至少一个卷积层，以通过卷积核来提取所述废水表面状态监控图像中的有效特征成分，进而通过所述图像编码器对所述有效特征成分进行解码还原以得到所述降噪后废水表面状态监控图像。在所述具体的示例中，所述图像解码器包括至少一个反卷积层，即所述图像解码器对所述有效特征成分进行至少一次反卷积编码以得到所述降噪后废水表面状态监控图像。

相应地，在一个具体示例中，如图4所示，所述图像降噪模块120，包括：编码单元121，用于将所述废水表面状态监控图像输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述废水表面状态监控图像进行显式空间编码以得到废水表面状态特征；解码单元122，用于将所述废水表面状态特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述废水表面状态特征进行反卷积处理以得到所述降噪后废水表面状态监控图像。

接着，将所述降噪后废水表面状态监控图像作为神经网络的输入，并使用卷积神经网络模型对所述降噪后废水表面状态监控图像进行基于卷积核的特征提取以得到废水表面状态特征。特别地，在本申请的技术方案中，浮沫在所述废水表面属于小尺度密集对象，因此，很难通过目标识别来统计浮沫数量并基于浮沫数量与废水表面的面积之间的比值来度量浮沫分布密度。因此，在本申请的技术方案中，使用相对密度的思想来度量所述浮沫分布密度特征。

应可以理解，从主观直觉上，如果浮沫的分布较为密集，则其在大感受野下和小感受野下的特征分布差异度相对较小，而如果浮沫的分布较为稀疏，则其在大感受野下和小感受野下的特征分布差异度相对较大。相应地，在本申请的技术方案中，以所述具有第一空洞率的第一空洞卷积核和所述具有第二空洞率的第二空洞卷积核来表示不同的特征感受野，以所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵来表示两者在高维特征空间中的特征分布差异。

更具体地，在本申请实施例中，所述第一尺度浮沫分布特征提取模块130，用于将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型以得到第一尺度特征矩阵。

相应地，在一个具体示例中，所述第一尺度浮沫分布特征提取模块130，进一步用于：所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；以及，对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度特征矩阵，所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的第一层的输入为所述降噪后废水表面状态监控图像。

更具体地，在本申请实施例中，所述第二尺度浮沫分布特征提取模块140，用于将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型以得到第二尺度特征矩阵。

相应地，在一个具体示例中，所述第二尺度浮沫分布特征提取模块140，进一步用于：所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及，对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度特征矩阵，所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的第一层的输入为所述降噪后废水表面状态监控图像。

更具体地，在本申请实施例中，所述相对指标表达模块150，用于计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵。计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵，以用于表示浮沫分布状态特征。更具体地，在本申请一个具体的示例中，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺度。以计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的按位置差分来得到所述差分特征矩阵。

相应地，在一个具体示例中，所述相对指标表达模块150，进一步用于：以如下公式 计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征 矩阵；其中，所述公式为：

，其中，

为所述差分特征矩阵，

为所述第一尺度特 征矩阵，

为所述第二尺度特征矩阵，

表示按位置差分。

更具体地，在本申请实施例中，所述类中心偏移校正模块160，用于基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正以得到优化分类特征矩阵。

相应地，在一个具体示例中，如图5所示，所述类中心偏移校正模块160，包括：对角矩阵转化单元161，用于将所述第一尺度特征矩阵和所述第二尺度特征矩阵分别转换为对角矩阵以得到第一对角矩阵和第二对角矩阵；拓扑-类中心融合单元162，用于对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵；以及，修正单元163，用于将所述融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。

这里，所述第一尺度特征矩阵和所述第二尺度特征矩阵分别是通过使用具有第一 空洞率的第一空洞卷积核的第一卷积神经网络和使用具有第二空洞率的第二空洞卷积核 的第二卷积神经网络得到的，因此所述第一尺度特征矩阵的全局特征分布可能在分类概率 表示上偏移所述第二尺度特征矩阵的全局特征分布的分类概率表示，也就是，所述第一尺 度特征矩阵与所述第二尺度特征矩阵的全局特征分布之间存在类中心偏移，而所述第一尺 度特征矩阵和所述第二尺度特征矩阵之间的所述差分特征矩阵是计算所述第一尺度特征 矩阵和所述第二尺度特征矩阵之间的逐位置差分，因此也无法解决类中心偏移的问题，由 此将影响所述分类特征矩阵的分类结果的准确性。因此，首先将所述第一尺度特征矩阵和 所述第二尺度特征矩阵分别转换为对角矩阵，例如记为

和

，然后进行类节点的拓扑-类 中心融合。

相应地，在一个具体示例中，所述拓扑-类中心融合单元162，进一步用于：以如下公式对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到所述融合特征矩阵；其中，所述公式为：

其中，

为所述融合特征矩阵，

为所述第一对角矩阵，

为所述第二对角矩阵，

为所述第二对角矩阵的转置矩阵，

和

分别表示矩阵的Kronecker积和Hadamard积，

为所述第一对角矩阵和所述第二对角矩阵之间的逐位置距离矩阵，

表示矩阵的 指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数 值。

具体地，由于在分类器的二分类问题中，如果将所述第一尺度特征矩阵

和所述 第二尺度特征矩阵

融合后的类节点表示为树形式，则所述第一尺度特征矩阵

和所述第 二尺度特征矩阵

各自的类节点分布为基于根节点的子树，因此可以利用节点之间关联的 图拓扑，来使得融合后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图 结构，从而表达以所述第一尺度特征矩阵

和所述第二尺度特征矩阵

各自的类节点为根 的子树结构，以实现所述第一尺度特征矩阵

和所述第二尺度特征矩阵

的基于类节点- 中心的拓扑式融合，从而消除所述第一尺度特征矩阵

和所述第二尺度特征矩阵

之间的 类中心偏移。

将融合后的特征矩阵

与所述分类特征矩阵，例如记为

进行矩阵相乘，以将所 述分类特征矩阵映射到消除类中心偏移的融合特征空间内，以提升所述分类特征矩阵的分 类结果的准确性。也就是，提高对于吹气装置的吹气控制的精准度，从而基于废水表面的浮 沫情况，适时地对水面上漂浮的浮沫进行破碎，减小废气重新向废水中溶解。

更具体地，在本申请实施例中，所述处理结果生成模块170，用于将所述优化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开启吹气装置进行浮沫破碎。在本申请的技术方案中，所述分类器的分类标签包括开启吹气装置进行浮沫破碎（第一标签），以及，不开启吹气装置进行浮沫破碎（第二标签）。应注意到，所述分类器的分类标签为吹气装置的控制策略标签，从而在得到所述分类结果后，能够基于所述分类结果确定所述吹气装置的吹气控制策略和指令。

相应地，在一个具体示例中，如图6所示，所述处理结果生成模块170，包括：矩阵展开单元171，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元172，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元173，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的有机模块化电催化氧化处理装置100被阐明，其首先将由摄像头采集的废水表面状态监控图像通过图像降噪器以得到降噪后废水表面状态监控图像，接着，将所述降噪后废水表面状态监控图像分别通过第一卷积神经网络模型和第二卷积神经网络模型以得到第一尺度特征矩阵和第二尺度特征矩阵，然后，计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；最后，将基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正得到的优化分类特征矩阵通过分类器以得到用于表示是否开启吹气装置进行浮沫破碎的分类结果。通过这样的方式，可以减小废气重新向废水中溶解，提高曝气效率。

如上所述，根据本申请实施例的所述有机模块化电催化氧化处理装置100可以实现在各种终端设备中，例如具有有机模块化电催化氧化处理算法的服务器等。在一个示例中，有机模块化电催化氧化处理装置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，该有机模块化电催化氧化处理装置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，该有机模块化电催化氧化处理装置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，该有机模块化电催化氧化处理装置100与该终端设备也可以是分立的设备，并且该有机模块化电催化氧化处理装置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。

示例性方法

图7为根据本申请实施例的有机模块化电催化氧化处理方法的流程图。如图7所示，根据本申请实施例的有机模块化电催化氧化处理方法，其包括：S110，获取由摄像头采集的废水表面状态监控图像;S120，将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像;S130，将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型以得到第一尺度特征矩阵;S140，将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型以得到第二尺度特征矩阵;S150，计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；S160，基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正以得到优化分类特征矩阵；以及，S170，将所述优化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开启吹气装置进行浮沫破碎。

图8为根据本申请实施例的有机模块化电催化氧化处理方法的系统架构的示意图。如图8所示，在所述有机模块化电催化氧化处理方法的系统架构中，首先，获取由摄像头采集的废水表面状态监控图像;接着，将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像;然后，将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型以得到第一尺度特征矩阵;接着，将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型以得到第二尺度特征矩阵;然后，计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；接着，基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正以得到优化分类特征矩阵；以及，最后，将所述优化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开启吹气装置进行浮沫破碎。

在一个具体示例中，在上述的有机模块化电催化氧化处理方法中，所述将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像，包括：将所述废水表面状态监控图像输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述废水表面状态监控图像进行显式空间编码以得到废水表面状态特征；将所述废水表面状态特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述废水表面状态特征进行反卷积处理以得到所述降噪后废水表面状态监控图像。

在一个具体示例中，在上述的有机模块化电催化氧化处理方法中，所述将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型以得到第一尺度特征矩阵，进一步包括：所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；以及，对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度特征矩阵，所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的第一层的输入为所述降噪后废水表面状态监控图像。

在一个具体示例中，在上述的有机模块化电催化氧化处理方法中，所述将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型以得到第二尺度特征矩阵，进一步包括：所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及，对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度特征矩阵，所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的第一层的输入为所述降噪后废水表面状态监控图像。

在一个具体示例中，在上述的有机模块化电催化氧化处理方法中，所述计算所述 第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵，进一 步包括：以如下公式计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征 矩阵作为分类特征矩阵；其中，所述公式为：

，其中，

为所述差分特征矩阵，

为所述第一尺度特征矩阵，

为所述第二尺度特征矩阵，

表示按位置差分。

在一个具体示例中，在上述的有机模块化电催化氧化处理方法中，所述基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正以得到优化分类特征矩阵，包括：将所述第一尺度特征矩阵和所述第二尺度特征矩阵分别转换为对角矩阵以得到第一对角矩阵和第二对角矩阵；对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵；以及，将所述融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。

在一个具体示例中，在上述的有机模块化电催化氧化处理方法中，所述对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵，进一步包括：以如下公式对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到所述融合特征矩阵；其中，所述公式为：

其中，

为所述融合特征矩阵，

为所述第一对角矩阵，

为所述第二对角矩阵，

为所述第二对角矩阵的转置矩阵，

和

分别表示矩阵的Kronecker积和Hadamard积，

为所述第一对角矩阵和所述第二对角矩阵之间的逐位置距离矩阵，

表示矩阵的 指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数 值。

在一个具体示例中，在上述的有机模块化电催化氧化处理方法中，所述将所述优化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开启吹气装置进行浮沫破碎，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述有机模块化电催化氧化处理方法中的各个步骤的具体操作已经在上面参考图2到图6的有机模块化电催化氧化处理装置的描述中得到了详细介绍，并因此，将省略其重复描述。

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，本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种有机模块化电催化氧化处理装置，其特征在于，包括：

废水表面状态监控模块，用于获取由摄像头采集的废水表面状态监控图像;

图像降噪模块，用于将所述废水表面状态监控图像通过基于自动编解码器的图像降噪器以得到降噪后废水表面状态监控图像;

第一尺度浮沫分布特征提取模块，用于将所述降噪后废水表面状态监控图像通过使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型以得到第一尺度特征矩阵;

第二尺度浮沫分布特征提取模块，用于将所述降噪后废水表面状态监控图像通过使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型以得到第二尺度特征矩阵;

相对指标表达模块，用于计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；

类中心偏移校正模块，用于基于所述第一尺度特征矩阵和所述第二尺度特征矩阵，对所述分类特征矩阵进行类中心偏移校正以得到优化分类特征矩阵；以及

处理结果生成模块，用于将所述优化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开启吹气装置进行浮沫破碎。

2.根据权利要求1所述的有机模块化电催化氧化处理装置，其特征在于，所述图像降噪模块，包括：

编码单元，用于将所述废水表面状态监控图像输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述废水表面状态监控图像进行显式空间编码以得到废水表面状态特征；

解码单元，用于将所述废水表面状态特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述废水表面状态特征进行反卷积处理以得到所述降噪后废水表面状态监控图像。

3.根据权利要求2所述的有机模块化电催化氧化处理装置，其特征在于，所述第一尺度浮沫分布特征提取模块，进一步用于：所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行卷积处理以得到第一卷积特征图；

对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；以及

对所述第一池化特征图进行非线性激活以得到第一激活特征图；

其中，所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度特征矩阵，所述使用具有第一空洞率的第一空洞卷积核的第一卷积神经网络模型的第一层的输入为所述降噪后废水表面状态监控图像。

4.根据权利要求3所述的有机模块化电催化氧化处理装置，其特征在于，所述第二尺度浮沫分布特征提取模块，进一步用于：所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行卷积处理以得到第二卷积特征图；

对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及

对所述第二池化特征图进行非线性激活以得到第二激活特征图；

其中，所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度特征矩阵，所述使用具有第二空洞率的第二空洞卷积核的第二卷积神经网络模型的第一层的输入为所述降噪后废水表面状态监控图像。

5.根据权利要求4所述的有机模块化电催化氧化处理装置，其特征在于，所述相对指标表达模块，进一步用于：以如下公式计算所述第一尺度特征矩阵和所述第二尺度特征矩阵之间的差分特征矩阵作为分类特征矩阵；

其中，所述公式为：

，其中，/>

为所述差分特征矩阵，/>

为所述第一尺度特征矩阵，/>

为所述第二尺度特征矩阵，/>

表示按位置差分。

6.根据权利要求5所述的有机模块化电催化氧化处理装置，其特征在于，所述类中心偏移校正模块，包括：

对角矩阵转化单元，用于将所述第一尺度特征矩阵和所述第二尺度特征矩阵分别转换为对角矩阵以得到第一对角矩阵和第二对角矩阵；

拓扑-类中心融合单元，用于对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵；以及

修正单元，用于将所述融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。

7.根据权利要求6所述的有机模块化电催化氧化处理装置，其特征在于，所述拓扑-类中心融合单元，进一步用于：以如下公式对所述第一对角矩阵和所述第二对角矩阵进行类节点的拓扑-类中心融合以得到所述融合特征矩阵；

其中，所述公式为：

其中，

为所述融合特征矩阵，/>

为所述第一对角矩阵，/>

为所述第二对角矩阵，/>

为所述第二对角矩阵的转置矩阵，/>

和/>

分别表示矩阵的Kronecker积和Hadamard积，/>

为所述第一对角矩阵和所述第二对角矩阵之间的逐位置距离矩阵，/>

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。

8.根据权利要求7所述的有机模块化电催化氧化处理装置，其特征在于，所述处理结果生成模块，包括：

矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；

全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

Images