CN115983126A - 异麦芽糖酐铁1000的智能化制备方法 - Google Patents

Abstract

本申请涉及智能化制备技术领域，其具体地公开了一种异麦芽糖酐铁1000的智能化制备方法，其通过深度神经网络模型挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的映射关系，以并以此作为分类特征向量通过分类器进行分类处理，以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。

Description

异麦芽糖酐铁1000的智能化制备方法

技术领域

本申请涉及智能化制备技术领域，且更为具体地，涉及一种异麦芽糖酐铁1000的智能化制备方法。

背景技术

异麦芽糖酐铁1000是三价氢氧化铁和异麦芽糖酐1000组成的复合物。化学名为低聚糖氢氧化铁复合物。微粒与内核结构：异麦芽糖酐铁是由FeOOH晶体内核和包裹内核的无定形的异麦芽糖酐壳组成的胶体颗粒。在溶液中，结合在胶体颗粒上的异麦芽糖酐与环境溶液中的异麦芽糖酐维持一种动态平衡状态。

现有技术制备异麦芽糖酐铁1000以分子量小于5kD的葡萄糖为起始原料，经过水解、膜分离纯化后，还原得到低聚氢化糖，低聚氢化糖与三氯化铁反应后，柠檬酸活化、干燥后得到异麦芽糖酐铁1000原料药。

这种制备方案存在诸多缺陷，需要进行复杂的多糖水解、提纯等繁杂的过程，导致制备效率不高。

因此，期待一种优化的异麦芽糖酐铁1000的制备方案。

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异麦芽糖酐铁1000的智能化制备方法，其通过深度神经网络模型挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的映射关系，以并以此作为分类特征向量通过分类器进行分类处理，以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。

根据本申请的一个方面，提供了一种异麦芽糖酐铁1000的智能化制备方法，其包括：

获取预定时间段内多个预定时间点的反应温度值和搅拌速度值，以及，所述预定时间段的反应液状态监控视频；

将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵；

将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵；

将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量；

计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；

基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量；以及

将所述优化分类特征向量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反应温度值应增大或应减小。

在上述异麦芽糖酐铁1000的智能化制备方法中，所述对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵，包括：

以如下公式对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到所述控制参数协同输入矩阵；

其中，所述公式为：

其中，M_a是所述控制参数协同输入矩阵，V_a是反应温度输入向量，V_b是所述搅拌速度输入向量，

表示矩阵的Kronecker积。

在上述异麦芽糖酐铁1000的智能化制备方法中，所述将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵，包括:所述相邻层使用互为转置的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对输入数据进行：

对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；以及

对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；

其中，所述相邻层使用互为转置的卷积核的第一卷积神经网络模型的第一层的输入为所述控制参数协同输入矩阵，所述相邻层使用互为转置的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控制参数协同特征矩阵。

在上述异麦芽糖酐铁1000的智能化制备方法中，所述将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量，包括：

对所述反应液状态监控视频进行采样处理以得到多个反应液状态监控关键帧；

将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图；以及

对所述反应液状态变化特征图进行降维处理以得到所述反应液状态变化特征向量。

在上述异麦芽糖酐铁1000的智能化制备方法中，所述将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图，包括：使用所述使用三维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对输入数据分别进行：

对所述输入数据进行基于三维卷积核的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特征矩阵的池化处理以得到池化特征图；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，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个反应液状态监控关键帧，所述使用三维卷积核的第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述使用三维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反应液状态变化特征图。

在上述异麦芽糖酐铁1000的智能化制备方法中，所述对所述反应液状态变化特征图进行降维处理以得到所述反应液状态变化特征向量，包括：

对所述反应液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述反应液状态变化特征向量。

在上述异麦芽糖酐铁1000的智能化制备方法中，所述计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量，包括：

以如下公式计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；

其中，所述公式为：

其中V₂表示所述反应液状态变化特征向量，M_b表示所述控制参数协同特征矩阵，V₁表示所述分类特征向量，

表示矩阵的Kronecker积。

在上述异麦芽糖酐铁1000的智能化制备方法中，所述基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量，包括：

以如下公式对所述分类特征向量和所述反应液状态变化特征向量进行类节点的拓扑-类中心融合以得到融合特征矩阵，其中，所述公式为：

其中V₁是所述分类特征向量，V₂是所述反应液状态变化特征向量，

和⊙分别表示矩阵的Kronecker积和Hadamard积，D(V₁,V₂)为所述分类特征向量和所述反应液状态变化特征向量之间的距离矩阵，且V₁和V₂均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，M表示所述融合特征矩阵；以及

将所述融合特征矩阵与所述分类特征向量进行相乘以得到所述优化分类在上述异麦芽糖酐铁1000的智能化制备方法中，所述将所述优化分类特征向量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反应温度值应增大或应减小，包括：

使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到全连接编码特征向量；

将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述全连接编码特征向量归属于各个分类标签的概率值，所述分类标签包括当前时间点的反应温度值应增大和当前时间点的反应温度值应减小；以及

将所述概率值中最大者对应的分类标签确定为所述分类结果。

与现有技术相比，本申请提供的一种异麦芽糖酐铁1000的智能化制备方法，其通过深度神经网络模型挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的映射关系，以并以此作为分类特征向量通过分类器进行分类处理，以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。

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异麦芽糖酐铁1000的智能化制备方法的流程图。

图2为根据本申请实施例的异麦芽糖酐铁1000的智能化制备方法的模型架构的示意图。

图3为根据本申请实施例的异麦芽糖酐铁1000的智能化制备方法中，将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量的流程图。

图4为根据本申请实施例的异麦芽糖酐铁1000的智能化制备方法中，将所述优化分类特征向量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反应温度值应增大或应减小的流程图。

图5为根据本申请实施例的异麦芽糖酐铁1000的智能化制备系统的框图示意图。

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，现有技术制备异麦芽糖酐铁1000以分子量小于5kD的葡萄糖为起始原料，经过水解、膜分离纯化后，还原得到低聚氢化糖，低聚氢化糖与三氯化铁反应后，柠檬酸活化、干燥后得到异麦芽糖酐铁1000原料药。这种制备方案存在诸多缺陷，需要进行复杂的多糖水解、提纯等繁杂的过程，导致制备效率不高。因此，期待一种优化的异麦芽糖酐铁1000的制备方案。

具体地，异麦芽糖酐铁1000的制备方案如下：(1)右旋糖酥溶于纯化水中，分别加入氢氧化钠溶液、硼氢化钠，加毕，室温搅拌反应用酸溶液调节体系pH至6-7备用，其中，氢氧化钠溶液的浓度为30％～60％，优选50％；(2)将上述还原低聚糖与三氯化铁溶液混合,用氢氧化钠溶液调节体系pH至10-11.5，加热至85℃反应，用0.45um滤芯过滤，酸溶液调节体系pH至5-7,超滤膜超滤纯化；(3)将超滤浓缩液加入柠檬酸，并用氢氧化钠调节pH至7.5-8.0，加热回流，自然降至室温，补加氯化钠至铁:氯＝10:1，补加氢化低聚糖至铁:氢化低聚糖＝1:2，调节pH至5-7；(4)喷雾干燥得到异麦芽糖酥铁1000原料药。

相应地，考虑到在实际进行异麦芽糖酐铁1000的制备过程中，发现制备出的异麦芽糖酥铁1000原料药的质量不佳且制备效率也较低，这是由于在制备的过程中，没有考虑到反应的温度值和搅拌的速度值对于反应混合溶液状态变化的影响，也就是说，不同温度下的不同搅拌速度对于反应混合溶液的反应效果和效率有着不同程度的影响，因此，应基于实际的反应液的状态来对于当前时间点的搅拌速度值和反应温度值进行实时地自适应调控，以提高反应的效率和制备的异麦芽糖酥铁1000的质量。难点在于如何挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的映射关系，以使得基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。

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挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的复杂映射关系。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的反应温度值和搅拌速度值，以及，所述预定时间段的反应液状态监控视频。接着，由于反应液的状态变化与反应的温度控制参数与搅拌速度控制参数有关，并且反应温度值和搅拌速度值在时序上具有着关联性的特征分布信息，因此，为了能够挖掘出这两者的协同控制特征在时序上的变化特征信息，进一步将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵。

进一步的，就可以使用在局部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进行所述反应温度和搅拌速度的协同控制特征提取，但是，考虑到由于所述反应温度值和所述搅拌速度值在时间维度上具有着相当程度的关联。因此为了能够充分地提取出所述反应温度和搅拌速度的协同控制关联特征来基于实际情况进行反应参数的准确控制，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的第一卷积神经网络模型来对于所述控制参数协同输入矩阵进行特征挖掘，以提取出深层的更为充分的所述反应温度值和所述搅拌速度值的时序协同控制隐含特征信息，从而得到控制参数协同特征矩阵。特别地，这里，所述第一卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。

然后，考虑到对于反应液的状态监控可以通过对于反应液状态监控视频的特征提取来实现，但是，由于反应液状态监控视频中存在着大量的干扰信息，其会对于反应液的状态特征提取产生影响，进而降低对于参数控制的精准度。因此，为了能够准确地提取出所述反应液状态监控视频中关于反应液状态的隐含特征分布信息的动态变化分布特征，进一步将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量。具体地，首先，对所述反应液状态监控视频进行采样处理以得到多个反应液状态监控关键帧。特别地，在本申请的技术方案中，可以以预定采样频率来进行所述反应液状态监控视频的关键帧采样以此来得到多个反应液状态监控关键帧，这样，能够降低计算量，且避免数据冗余给反应液状态特征提取带来的不良影响，以提高特征提取的精准度。

接着，考虑到所述各个反应液状态监控关键帧中关于所述反应液的状态特征在时间维度上具有着关联性，也就是说，所述反应液的状态信息在时序上是动态变化的。因此，在本申请的技术方案中，进一步将所述多个反应液状态监控关键帧沿着时间维度排列为三维输入张量后通过使用具有三维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述反应液的状态特征在时间维度上的动态变化特征，从而得到反应液状态变化特征图。特别地，这里，所述第三卷积卷积神经网络模型的卷积核为三维卷积核，其具有W(宽度)、H(高度)和C(通道维度)，在本申请的技术方案中，所述三维卷积核的通道维度对应于所述三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述反应液的状态分布特征随时间维度的动态变化特征。然后，进一步再对所述反应液状态变化特征图进行降维处理，以在降低计算量的同时不产生信息损失，且保留其在时间通道维度上的变化特征分布信息，从而得到所述反应液状态变化特征向量。

进一步的，计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量来表示出所述反应温度和搅拌速度在时序上的参数协同控制特征与所述反应液的状态变化特征的关联性特征分布信息，即所述参数的协同控制变化对于反应液的状态变化的影响，并以此作为分类特征向量通过分类器进行分类处理，以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果。

也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的反应温度值应增大或应减小。相应地，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为反应温度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述反应温度值，以此来提高反应的效率和制成的异麦芽糖酥铁1000的质量。

特别地，在本申请的技术方案中，在计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为所述分类特征向量，由于所述分类特征向量是控制参数的协同关联特征相对于反应液状态的帧间语义的转移特征，因此所述分类特征向量的特征分布可能在分类概率表示上偏移所述反应液状态变化特征向量的特征分布的分类概率表示，也就是，所述分类特征向量与所述反应液状态变化特征向量存在类中心偏移，从而影响计算所述分类特征向量的分类结果的准确性。

因此，优选地对所述分类特征向量V₁和所述反应液状态变化特征向量V₂进行类节点的拓扑-类中心融合，表示为：

和⊙分别表示矩阵(向量)的Kronecker积和Hadamard积，D(V₁,V₂)为特征向量V₁和V₂之间的距离矩阵，即d_i,j＝d(v_1i,v_2j)，且V₁和V₂均为列向量。

本申请考虑到在分类器的二分类问题中，如果将所述分类特征向量V₁和所述反应液状态变化特征向量V₂融合后的类节点表示为树形式，则所述分类特征向量V₁和所述反应液状态变化特征向量V₂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，从而表达以所述分类特征向量V₁和所述反应液状态变化特征向量V₂各自的类节点为根的子树结构，以实现所述分类特征向量V₁和所述反应液状态变化特征向量V₂的基于类节点-中心的拓扑式融合，从而消除所述分类特征向量V₁和所述反应液状态变化特征向量V₂之间的类中心偏移。

进一步地，将融合后的特征矩阵M与所述分类特征向量V₁进行矩阵相乘，以将所述分类特征向量V₁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向量V₁的分类结果的准确性，从而得到优化分类特征向量。接着，再将所述优化分类特征向量通过分类器中进行当前时间点的反应温度值的分类控制。这样，能够实时精准地基于反应液的实际状态变化来自适应地调控反应温度值，以提高反应的效率和制成的异麦芽糖酥铁1000的质量。

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。

示例性方法

如上所述，考虑到现有技术制备方案中存在诸多缺陷，需要进行复杂的多糖水解、提纯等繁杂的过程，导致制备效率不高。因此，期待一种优化的异麦芽糖酐铁1000的制备方案。基于此，本申请提供了一种异麦芽糖酐铁1000的制备方案如下：(1)右旋糖酥溶于纯化水中，分别加入氢氧化钠溶液、硼氢化钠，加毕，室温搅拌反应用酸溶液调节体系pH至6-7备用，其中，氢氧化钠溶液的浓度为30％～60％，优选50％；(2)将上述还原低聚糖与三氯化铁溶液混合,用氢氧化钠溶液调节体系pH至10-11.5，加热至85℃反应，用0.45um滤芯过滤，酸溶液调节体系pH至5-7,超滤膜超滤纯化；(3)将超滤浓缩液加入柠檬酸，并用氢氧化钠调节pH至7.5-8.0，加热回流，自然降至室温，补加氯化钠至铁:氯＝10:1，补加氢化低聚糖至铁:氢化低聚糖＝1:2，调节pH至5-7；(4)喷雾干燥得到异麦芽糖酥铁1000原料药。

但考虑到在实际进行异麦芽糖酐铁1000的制备过程中，发现制备出的异麦芽糖酥铁1000原料药的质量不佳且制备效率也较低，这是由于在制备的过程中，没有考虑到反应的温度值和搅拌的速度值对于反应混合溶液状态变化的影响，也就是说，不同温度下的不同搅拌速度对于反应混合溶液的反应效果和效率有着不同程度的影响，因此，应基于实际的反应液的状态来对于当前时间点的搅拌速度值和反应温度值进行实时地自适应调控，以提高反应的效率和制备的异麦芽糖酥铁1000的质量。基于此种考虑，本申请进一步地在上述异麦芽糖酐铁1000的制备方案进行改进，提供了一种异麦芽糖酐铁1000的智能化制备方法。其能够基于实际的反应液的状态来对于当前时间点的搅拌速度值和反应温度值进行实时地自适应调控，从而提高反应的效率和制备的异麦芽糖酥铁1000的质量。

图1为根据本申请实施例的异麦芽糖酐铁1000的智能化制备方法的流程图。如图1所示，根据本申请实施例的所述异麦芽糖酐铁1000的智能化制备方法，包括：S110，获取预定时间段内多个预定时间点的反应温度值和搅拌速度值，以及，所述预定时间段的反应液状态监控视频；S120，将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵；S130，将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵；S140，将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量；S150，计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；S160，基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量；以及，S170，将所述优化分类特征向量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反应温度值应增大或应减小。

图2为根据本申请实施例的异麦芽糖酐铁1000的智能化制备方法的模型架构的示意图。如图2所示，在本申请实施例所述异麦芽糖酐铁1000的智能化制备方法的模型架构中，首先，获取预定时间段内多个预定时间点的反应温度值和搅拌速度值，以及，所述预定时间段的反应液状态监控视频。然后，将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵。再然后，将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵。同时，将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量。接着，计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量，并基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量。最后，将所述优化分类特征向量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反应温度值应增大或应减小。

在本申请实施例的步骤S110中，获取预定时间段内多个预定时间点的反应温度值和搅拌速度值，以及，所述预定时间段的反应液状态监控视频。应可以理解，实现基于实际的反应液的状态来对于当前时间点的搅拌速度值和反应温度值进行实时地自适应调控的难点在于如何挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的映射关系，以使得基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。而这种映射关系十分复杂，通过人力挖掘太过耗时耗力，但深度学习以及神经网络的发展为挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的复杂映射关系。

在本申请一个具体地实施例中，通过温度传感器和速度传感器采集正在搅拌的反应液在预定时间段内多个预定时间点的反应温度值和搅拌速度值。同时，通过摄像头采集所述预定时间段的反应液状态监控视频。其中，所述预定时间段的反应液状态监控视频蕴含了反应液的状态变化特征信息。

在本申请实施例的步骤S120中，将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵。应可以理解，由于反应液的状态变化与反应的温度控制参数与搅拌速度控制参数有关，并且反应温度值和搅拌速度值在时序上具有着关联性的特征分布信息，因此，为了能够挖掘出这两者的协同控制特征在时序上的变化特征信息，进一步将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵。

在本申请一个具体的示例中，所述对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵，包括：以如下公式对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到所述控制参数协同输入矩阵；

其中，所述公式为：

其中，M_a是所述控制参数协同输入矩阵，V_a是反应温度输入向量，V_b是所述搅拌速度输入向量，

表示矩阵的Kronecker积。应可以理解，通过所述反应温度输入向量的转置和所述搅拌速度输入向量相乘的方式可以建立所述反应温度值和所述搅拌速度值的关联信息，其中，所述控制参数协同输入矩阵的对角线的各个位置的值表征相同时间点的所述反应温度值和所述搅拌速度值的关联，所述控制参数协同输入矩阵的非对角线的各个位置的值表征不同时间点的所述反应温度值和所述搅拌速度值的关联。

在本申请实施例的步骤S130中，将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵。应可以理解，考虑到所述反应温度值和所述搅拌速度值的时序协同控制隐含特征信息是十分复杂，通过人力难以挖掘的，而卷积神经网络模型在局部隐含关联特征提取方面具有优异表现。因此，将所述控制参数协同输入矩阵通过第一卷积神经网络模型来进行所述反应温度和搅拌速度的协同控制特征提取。但是，考虑到由于所述反应温度值和所述搅拌速度值在时间维度上具有着相当程度的关联。因此为了能够充分地提取出所述反应温度和搅拌速度的协同控制关联特征来基于实际情况进行反应参数的准确控制，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的第一卷积神经网络模型来对于所述控制参数协同输入矩阵进行特征挖掘，以提取出深层的更为充分的所述反应温度值和所述搅拌速度值的时序协同控制隐含特征信息，从而得到控制参数协同特征矩阵。

在本申请一个具体的示例中，所述将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵，包括:所述相邻层使用互为转置的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对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；以及，对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的第一卷积神经网络模型的第一层的输入为所述控制参数协同输入矩阵，所述相邻层使用互为转置的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控制参数协同特征矩阵。应可以理解，这里，所述第一卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。

在本申请实施例的步骤S140中，将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量。应可以理解，为了能够准确地提取出所述反应液状态监控视频中关于反应液状态的隐含特征分布信息的动态变化分布特征，进一步将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量。

图3为根据本申请实施例的异麦芽糖酐铁1000的智能化制备方法中，将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量的流程图。在本申请一个具体的示例中，所述将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量，包括：S210，对所述反应液状态监控视频进行采样处理以得到多个反应液状态监控关键帧；S220，将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图；以及，S230，对所述反应液状态变化特征图进行降维处理以得到所述反应液状态变化特征向量。

这里，对所述反应液状态监控视频进行采样处理，是考虑到反应液状态监控视频中存在着大量的干扰信息，其会对于反应液的状态特征提取产生影响，进而降低对于参数控制的精准度。具体地，在本申请的技术方案中，可以以预定采样频率来进行所述反应液状态监控视频的关键帧采样以此来得到多个反应液状态监控关键帧，这样，能够降低计算量，且避免数据冗余给反应液状态特征提取带来的不良影响，以提高特征提取的精准度。当然，除了以预定采样频率来进行关键帧提取外，还可以采取从所述反应液状态监控中提取所述多个预定时间点的反应液状态监控关键帧。注意，这里的所述多个预定时间点和前文记载的反应温度值和搅拌速度值的多个预定时间点相同。进行相同预定时间点的采样，可以很好的保留所述反应温度值和所述搅拌速度值与所述反应液状态变化的关联信息。

然后，考虑到所述各个反应液状态监控关键帧中关于所述反应液的状态特征在时间维度上具有着关联性，也就是说，所述反应液的状态信息在时序上是动态变化的。因此，在本申请的技术方案中，进一步将所述多个反应液状态监控关键帧沿着时间维度排列为三维输入张量后通过使用具有三维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述反应液的状态特征在时间维度上的动态变化特征，从而得到反应液状态变化特征图。特别地，这里，所述第三卷积卷积神经网络模型的卷积核为三维卷积核，其具有W(宽度)、H(高度)和C(通道维度)，在本申请的技术方案中，所述三维卷积核的通道维度对应于所述三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述反应液的状态分布特征随时间维度的动态变化特征。然后，进一步再对所述反应液状态变化特征图进行降维处理，以在降低计算量的同时不产生信息损失，且保留其在时间通道维度上的变化特征分布信息，从而得到所述反应液状态变化特征向量。

在本申请一个具体的示例中，所述将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图，包括：使用所述使用三维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对输入数据分别进行：对所述输入数据进行基于三维卷积核的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特征矩阵的池化处理以得到池化特征图；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，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个反应液状态监控关键帧，所述使用三维卷积核的第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述使用三维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反应液状态变化特征图。

在本申请一个具体的示例中，所述对所述反应液状态变化特征图进行降维处理以得到所述反应液状态变化特征向量，包括：对所述反应液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述反应液状态变化特征向量。

在本申请实施例的步骤S150中，计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量。应可以理解，通过计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量来表示出所述反应温度和搅拌速度在时序上的参数协同控制特征与所述反应液的状态变化特征的关联性特征分布信息，即所述参数的协同控制变化对于反应液的状态变化的影响，并以此作为所述分类特征向量。

在本申请一个具体的示例中，所述计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量，包括：

以如下公式计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；

其中，所述公式为：

其中V₂表示所述反应液状态变化特征向量，M_b表示所述控制参数协同特征矩阵，V₁表示所述分类特征向量，

表示矩阵的Kronecker积。

接下来，将所述分类特征向量通过分类器进行分类处理，就可以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果。但特别地，在本申请的技术方案中，在计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为所述分类特征向量，由于所述分类特征向量是控制参数的协同关联特征相对于反应液状态的帧间语义的转移特征，因此所述分类特征向量的特征分布可能在分类概率表示上偏移所述反应液状态变化特征向量的特征分布的分类概率表示，也就是，所述分类特征向量与所述反应液状态变化特征向量存在类中心偏移，从而影响计算所述分类特征向量的分类结果的准确性。因此，优选地对所述分类特征向量V₁和所述反应液状态变化特征向量V₂进行类节点的拓扑-类中心融合。

在本申请实施例的步骤S160中，基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量。

在本申请一个具体的示例中，所述基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量，包括：

以如下公式对所述分类特征向量和所述反应液状态变化特征向量进行类节点的拓扑-类中心融合以得到融合特征矩阵，其中，所述公式为：

其中V₁是所述分类特征向量，V₂是所述反应液状态变化特征向量，

和⊙分别表示矩阵的Kronecker积和Hadamard积，D(V₁,V₂)为所述分类特征向量和所述反应液状态变化特征向量之间的距离矩阵，且V₁和V₂均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，M表示所述融合特征矩阵；以及，将所述融合特征矩阵与所述分类特征向量进行相乘以得到所述优化分类特征向量。

本申请考虑到在分类器的二分类问题中，如果将所述分类特征向量V₁和所述反应液状态变化特征向量V₂融合后的类节点表示为树形式，则所述分类特征向量V₁和所述反应液状态变化特征向量V₂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，从而表达以所述分类特征向量V₁和所述反应液状态变化特征向量V₂各自的类节点为根的子树结构，以实现所述分类特征向量V₁和所述反应液状态变化特征向量V₂的基于类节点-中心的拓扑式融合，从而消除所述分类特征向量V₁和所述反应液状态变化特征向量V₂之间的类中心偏移。

进一步地，将融合后的特征矩阵M与所述分类特征向量V₁进行矩阵相乘，以将所述分类特征向量V₁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向量V₁的分类结果的准确性，从而得到优化分类特征向量。接着，再将所述优化分类特征向量通过分类器中进行当前时间点的反应温度值的分类控制。这样，能够实时精准地基于反应液的实际状态变化来自适应地调控反应温度值，以提高反应的效率和制成的异麦芽糖酥铁1000的质量。

在本申请实施例的步骤S170中，将所述优化分类特征向量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反应温度值应增大或应减小。具体地，在本申请的技术方案中，所述分类器的标签包括当前时间点的反应温度值应增大或应减小。相应地，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为反应温度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述反应温度值，以此来提高反应的效率和制成的异麦芽糖酥铁1000的质量。

图4为根据本申请实施例的异麦芽糖酐铁1000的智能化制备方法中，将所述优化分类特征向量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反应温度值应增大或应减小的流程图。在本申请一个具体的示例中，所述将所述优化分类特征向量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反应温度值应增大或应减小，包括：S310，使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到全连接编码特征向量；S320，将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述全连接编码特征向量归属于各个分类标签的概率值，所述分类标签包括当前时间点的反应温度值应增大和当前时间点的反应温度值应减小；以及，S330，将所述概率值中最大者对应的分类标签确定为所述分类结果。例如，当归属于当前时间点的反应温度值应增大地第一概率大于归属于当前时间点的反应温度值应减小的第二概率时，分类器输出的分类结果为当前时间点的反应温度值应增大。反之，分类器输出的分类结果为当前时间点的反应温度值应减小。这里，可以给反应温度值增大或减小设置一个固定值(具体值根据实际生产情况设置，这里，增大值和减小值可以不相同)，当所述分类结果为当前时间点的反应温度值应增大时，增加反应温度值。并不断循环往复，最终实现基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。

综上，基于本申请实施例的所述异麦芽糖酐铁1000的智能化制备方法，其通过深度神经网络模型挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的映射关系，以并以此作为分类特征向量通过分类器进行分类处理，以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。

示例性系统

图5为根据本申请实施例的异麦芽糖酐铁1000的智能化制备系统的框图示意图。如图5所示，根据本申请实施例的所述异麦芽糖酐铁1000的智能化制备系统100，包括：视频获取模块110，用于获取预定时间段内多个预定时间点的反应温度值和搅拌速度值，以及，所述预定时间段的反应液状态监控视频；关联编码模块120，用于将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵；第一卷积编码模块，用于将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵；第二卷积编码模块，用于将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量；分类特征向量获取模块，计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；分类特征向量优化模块，基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量；以及，分类模块，将所述优化分类特征向量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反应温度值应增大或应减小。

这里，本领域技术人员可以理解，上述异麦芽糖酐铁1000的智能化制备系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的异麦芽糖酐铁1000的智能化制备方法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，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。

Claims (9)

1.一种异麦芽糖酐铁1000的智能化制备方法，其特征在于，包括：

获取预定时间段内多个预定时间点的反应温度值和搅拌速度值，以及，所述预定时间段的反应液状态监控视频；

将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵；

将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵；

将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量；

计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；

基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量；以及

将所述优化分类特征向量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反应温度值应增大或应减小。

2.根据权利要求1所述的异麦芽糖酐铁1000的智能化制备方法，其特征在于，所述对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵，包括：

以如下公式对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到所述控制参数协同输入矩阵；

其中，所述公式为：

其中，M_a是所述控制参数协同输入矩阵，V_a是反应温度输入向量，V_b是所述搅拌速度输入向量，

表示矩阵的Kronecker积。

3.根据权利要求2所述的异麦芽糖酐铁1000的智能化制备方法，其特征在于，所述将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵，包括:所述相邻层使用互为转置的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对输入数据进行：

对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；以及

对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；

其中，所述相邻层使用互为转置的卷积核的第一卷积神经网络模型的第一层的输入为所述控制参数协同输入矩阵，所述相邻层使用互为转置的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控制参数协同特征矩阵。

4.根据权利要求3所述的异麦芽糖酐铁1000的智能化制备方法，其特征在于，所述将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量，包括：

对所述反应液状态监控视频进行采样处理以得到多个反应液状态监控关键帧；

将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图；以及

对所述反应液状态变化特征图进行降维处理以得到所述反应液状态变化特征向量。

5.根据权利要求4所述的异麦芽糖酐铁1000的智能化制备方法，其特征在于，所述将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图，包括：使用所述使用三维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对输入数据分别进行：

对所述输入数据进行基于三维卷积核的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特征矩阵的池化处理以得到池化特征图；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，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个反应液状态监控关键帧，所述使用三维卷积核的第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述使用三维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反应液状态变化特征图。

6.根据权利要求5所述的异麦芽糖酐铁1000的智能化制备方法，其特征在于，所述对所述反应液状态变化特征图进行降维处理以得到所述反应液状态变化特征向量，包括：

对所述反应液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述反应液状态变化特征向量。

7.根据权利要求6所述的异麦芽糖酐铁1000的智能化制备方法，其特征在于，所述计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量，包括：

以如下公式计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；

其中，所述公式为：

其中V₂表示所述反应液状态变化特征向量，M_b表示所述控制参数协同特征矩阵，V₁表示所述分类特征向量，

表示矩阵的Kronecker积。

8.根据权利要求7所述的异麦芽糖酐铁1000的智能化制备方法，其特征在于，所述基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量，包括：

以如下公式对所述分类特征向量和所述反应液状态变化特征向量进行类节点的拓扑-类中心融合以得到融合特征矩阵，其中，所述公式为：

其中V₁是所述分类特征向量，V₂是所述反应液状态变化特征向量，

和⊙分别表示矩阵的Kronecker积和Hadamard积，D(V₁,V₂)为所述分类特征向量和所述反应液状态变化特征向量之间的距离矩阵，且V₁和V₂均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，M表示所述融合特征矩阵；以及

将所述融合特征矩阵与所述分类特征向量进行相乘以得到所述优化分类特征向量。

9.根据权利要求8所述的异麦芽糖酐铁1000的智能化制备方法，其特征在于，所述将所述优化分类特征向量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反应温度值应增大或应减小，包括：

使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到全连接编码特征向量；

将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述全连接编码特征向量归属于各个分类标签的概率值，所述分类标签包括当前时间点的反应温度值应增大和当前时间点的反应温度值应减小；以及

将所述概率值中最大者对应的分类标签确定为所述分类结果。

Images