CN116036639B - 超声波诱导六氟磷酸盐结晶的控制系统及其方法 - Google Patents
超声波诱导六氟磷酸盐结晶的控制系统及其方法 Download PDFInfo
- Publication number
- CN116036639B CN116036639B CN202310178512.6A CN202310178512A CN116036639B CN 116036639 B CN116036639 B CN 116036639B CN 202310178512 A CN202310178512 A CN 202310178512A CN 116036639 B CN116036639 B CN 116036639B
- Authority
- CN
- China
- Prior art keywords
- feature
- crystallization
- vector
- ultrasonic
- classification
- 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
Links
- 238000002425 crystallisation Methods 0.000 title claims abstract description 377
- 230000008025 crystallization Effects 0.000 title claims abstract description 377
- -1 hexafluorophosphate Chemical compound 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 467
- 238000012544 monitoring process Methods 0.000 claims abstract description 155
- 239000011159 matrix material Substances 0.000 claims abstract description 115
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000012546 transfer Methods 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 19
- 230000003247 decreasing effect Effects 0.000 claims abstract description 16
- 239000013078 crystal Substances 0.000 claims description 42
- 230000004044 response Effects 0.000 claims description 38
- 238000010586 diagram Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 29
- 230000007246 mechanism Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 abstract description 4
- 239000000243 solution Substances 0.000 description 75
- 230000008859 change Effects 0.000 description 31
- 238000002604 ultrasonography Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 15
- 239000000047 product Substances 0.000 description 13
- 230000007423 decrease Effects 0.000 description 12
- 239000007864 aqueous solution Substances 0.000 description 8
- 230000001976 improved effect Effects 0.000 description 8
- 238000010899 nucleation Methods 0.000 description 7
- 230000006911 nucleation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000009210 therapy by ultrasound Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004043 responsiveness Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000001953 recrystallisation Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D9/00—Crystallisation
- B01D9/0063—Control or regulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D9/00—Crystallisation
- B01D9/0081—Use of vibrations, e.g. ultrasound
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
- C01B25/00—Phosphorus; Compounds thereof
- C01B25/16—Oxyacids of phosphorus; Salts thereof
- C01B25/26—Phosphates
- C01B25/455—Phosphates containing halogen
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Crystallography & Structural Chemistry (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Materials Engineering (AREA)
- Inorganic Chemistry (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
公开了一种超声波诱导六氟磷酸盐结晶的控制系统及其方法。其先将超声波信号傅里叶变换后得到的多个频域统计特征值和超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵,接着,从预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧并通过卷积神经网络模型以得到多个结晶监控特征矩阵,然后,将多个结晶监控特征矩阵展开后输入上下文编码器以得到结晶时序关联特征向量,接着,计算结晶时序关联特征向量相对于超声波工作特征矩阵的转移向量作为分类特征向量,最后,对分类特征向量进行特征分布校正后通过分类器以得到用于表示当前时间点的超声功率值应增大或应减小的分类结果。这样,可以提升六氟磷酸盐的结晶速率。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种超声波诱导六氟磷酸盐结晶的控制系统及其方法。
背景技术
六氟磷酸盐主要用于金属去污剂、化学上光剂、催化剂等,也用于金属表面防腐。六氟磷酸盐通常以水溶液的形式存在,若想得到六氟磷酸盐晶体,需要对于六氟磷酸盐水溶液进行诱导结晶。传统的诱导结晶方式通过对饱和六氟磷酸盐水溶液进行降温重结晶来实现,此方案不仅会生成副产物,结晶物中会存在有其他成分的杂质,难以得到纯度较高的六氟磷酸盐,而且在重结晶的过程中难以对于温度进行精准控制,造成六氟磷酸盐的产率较低。
超声结晶是利用超声波的能量控制结晶过程。利用超声波可以对成核和生长过程进行控制,从而使结晶过程更加优化。因此,现有的制备方案中利用超声结晶来代替传统降温结晶,以通过控制超声波有效地控制溶液的过饱和度,并改变溶液中晶体的生长速率,从而诱导六氟磷酸盐结晶。
在实际制备过程中发现,超声处理可以明显缩短饱和六氟磷酸盐水溶液开始结晶时间,且细化饱和六氟磷酸盐水溶液的结晶体晶粒。在难于成核的低过饱和度的六氟磷酸盐水溶液环境中,利用超声波可有效地促进六氟磷酸盐结晶成核。但是,随着超声波功率提高, 超声处理时间的延长, 饱和六氟磷酸盐水溶液冷却速度减慢, 溶液温度降低速率减缓,导致六氟磷酸盐的结晶速率降低。
因此,期望一种优化的超声波诱导六氟磷酸盐结晶的控制方案。
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超声波诱导六氟磷酸盐结晶的控制系统及其方法。其先将超声波信号傅里叶变换后得到的多个频域统计特征值和超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵,接着,从预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧并通过卷积神经网络模型以得到多个结晶监控特征矩阵,然后,将所述多个结晶监控特征矩阵展开后输入上下文编码器以得到结晶时序关联特征向量,接着,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量,最后,对所述分类特征向量进行特征分布校正后通过分类器以得到用于表示当前时间点的超声功率值应增大或应减小的分类结果。这样,可以提升六氟磷酸盐的结晶速率。
根据本申请的一个方面,提供了一种超声波诱导六氟磷酸盐结晶的控制方法,其包括:获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频;对所述超声波信号进行傅里叶变换以得到多个频域统计特征值;将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵;从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧;将所述多个结晶监控关键帧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结晶监控特征矩阵;将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量;计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量;以及将所述优化后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超声功率值应增大或应减小。
在上述的超声波诱导六氟磷酸盐结晶的控制方法中,将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵,包括:将所述多个频域统计特征值输入CLIP模型的时序编码器以得到频域时序特征向量;将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器以得到超声波波形特征向量;以及使用所述CLIP模型的联合编码器来融合所述频域时序特征向量和所述超声波波形特征向量以得到超声波工作特征矩阵。
在上述的超声波诱导六氟磷酸盐结晶的控制方法中,将所述多个频域统计特征值输入CLIP模型的时序编码器以得到频域时序特征向量,包括:将所述多个频域统计特征值按照时间维度分别排列为频域统计输入向量;使用所述时序编码器的全连接层以如下公式分别对所述频域统计输入向量进行全连接编码以分别提取出所述频域统计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:,其中/>是所述频域统计输入向量,/>是频域统计输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;以及使用所述时序编码器的一维卷积层以如下公式分别对所述频域统计输入向量进行一维卷积编码以分别提取出所述频域统计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:
其中,为卷积核在/>方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为卷积核的尺寸,/>表示所述频域统计输入向量。
在上述的超声波诱导六氟磷酸盐结晶的控制方法中,将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器以得到超声波波形特征向量,包括:所述CLIP模型的波形图像编码器使用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,所述卷积神经网络模型的最后一层的输出为所述超声波波形特征向量,所述卷积神经网络模型的第一层的输入为所述超声波信号的波形图。
在上述的超声波诱导六氟磷酸盐结晶的控制方法中,将所述多个结晶监控关键帧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结晶监控特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成第二卷积特征图;对所述第二卷积特征图进行池化处理以生成第二池化特征图;对所述第二池化特征图进行非线性激活以生成第二激活特征图;计算所述第二激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个结晶监控特征矩阵。
在上述的超声波诱导六氟磷酸盐结晶的控制方法中,将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量,包括:使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量;以及将所述多个结晶语义特征向量进行级联以得到所述结晶时序关联特征向量。
在上述的超声波诱导六氟磷酸盐结晶的控制方法中,使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量,包括:将所述多个结晶监控展开特征向量进行一维排列以得到全局结晶监控特征向量;计算所述全局结晶监控特征向量与所述多个结晶监控展开特征向量中各个结晶监控展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及分别以所述多个概率值中各个概率值作为权重对所述多个结晶监控展开特征向量中各个结晶监控展开特征向量进行加权以得到所述多个结晶语义特征向量。
在上述的超声波诱导六氟磷酸盐结晶的控制方法中,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量,包括:以如下公式计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;其中,所述公式为:,其中,/>表示所述结晶时序关联特征向量,/>表示所述超声波工作特征矩阵,/>表示所述分类特征向量,/>表示矩阵相乘。
在上述的超声波诱导六氟磷酸盐结晶的控制方法中,基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量,包括:以如下公式计算所述分类特征向量和所述结晶时序关联特征向量之间的非相干稀疏响应融合特征向量,其中,所述公式为:
其中,、/>和/>分别表示所述分类特征向量、所述结晶时序关联特征向量和所述非相干稀疏响应融合特征向量,/>和/>分别表示向量的一范数和二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式,/>表示向量的转置向量;以及将所述非相干稀疏响应融合特征向量和所述分类特征向量进行级联以得到所述优化后分类特征向量。
根据本申请的另一个方面,提供了一种超声波诱导六氟磷酸盐结晶的控制系统,其包括:数据获取模块,用于获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频;傅里叶变换模块,用于对所述超声波信号进行傅里叶变换以得到多个频域统计特征值;CLIP模型模块,用于将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵;关键帧提取模块,用于从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧;空间注意力模块,用于将所述多个结晶监控关键帧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结晶监控特征矩阵;上下文编码模块,用于将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量;转移向量计算模块,用于计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;特征分布校正模块,用于基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量;以及超声功率值控制结果生成模块,用于将所述优化后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超声功率值应增大或应减小。
与现有技术相比,本申请提供的超声波诱导六氟磷酸盐结晶的控制系统及其方法,其先将超声波信号傅里叶变换后得到的多个频域统计特征值和超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵,接着,从预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧并通过卷积神经网络模型以得到多个结晶监控特征矩阵,然后,将所述多个结晶监控特征矩阵展开后输入上下文编码器以得到结晶时序关联特征向量,接着,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量,最后,对所述分类特征向量进行特征分布校正后通过分类器以得到用于表示当前时间点的超声功率值应增大或应减小的分类结果。这样,可以提升六氟磷酸盐的结晶速率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的场景示意图。
图2为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的流程图。
图3为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的架构示意图。
图4为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的子步骤S130的流程图。
图5为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的子步骤S160的流程图。
图6为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的子步骤S161的流程图。
图7为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
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。
如上所述,超声处理可以明显缩短饱和六氟磷酸盐水溶液开始结晶时间,且细化饱和六氟磷酸盐水溶液的结晶体晶粒。在难于成核的低过饱和度的六氟磷酸盐水溶液环境中,利用超声波可有效地促进六氟磷酸盐结晶成核。但是,随着超声波功率提高, 超声处理时间的延长, 饱和六氟磷酸盐水溶液冷却速度减慢, 溶液温度降低速率减缓,导致六氟磷酸盐的结晶速率降低。因此,期望一种优化的超声波诱导六氟磷酸盐结晶的控制方案。值得一提的是,在本申请的技术方案中,六氟磷酸盐可以为六氟磷酸锂。
相应地,考虑到在实际使用超声波来诱导六氟磷酸盐结晶时,对于超声波的控制应适配于六氟磷酸盐的结晶状态变化情况,也就是说,基于六氟磷酸盐溶液的结晶状态变化特征来自适应地调整超声波的功率值,以优化超声波诱导六氟磷酸盐结晶的结晶效率和效果。但是,由于所述超声波信号和所述六氟磷酸盐的结晶状态在时间维度上都具有着动态性的变化规律,并且这两者之间还具有着时序的关联关系。因此,在实际进行超声功率的控制过程中,难点在于如何建立所述超声波信号的时序动态特征和所述六氟磷酸盐溶液的结晶状态变化特征间的映射关系,以此来基于六氟磷酸盐的结晶状态变化情况来自适应地调整超声功率值,以优化超声波诱导六氟磷酸盐结晶的结晶效率和效果。
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所述超声波信号的时序动态特征和所述六氟磷酸盐溶液的结晶状态变化特征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所述超声波信号的时序动态特征和所述六氟磷酸盐溶液的结晶状态变化特征之间的复杂映射关系。
具体地,在本申请的技术方案中,首先,获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频。接着,考虑到对于所述超声波信号来说,由于所述超声波信号是一种时域信号,所述时域信号虽然在时间关联中对于特征的显性更为直观,但是由于所述由超声波装置产生的超声波信号较弱,其会受到外界噪声的干扰,导致对于所述超声波信号的特征提取准度较低,进而影响对于其与六氟磷酸盐结晶状态变化的关联特征的提取精准度。而频域信号的特征却不同于时域信号,将所述超声波信号转换到频域中,能够通过所述超声波信号在频域中的隐含特征分布信息确定其与六氟磷酸盐结晶状态变化间的关联关系,但是其在所述超声波信号的特征显性上并不直观,忽略了时间上的关联特征。因此,在本申请的技术方案中,采用所述超声波信号在时域与频域上的隐含特征的结合的方式来进行所述超声波信号的特征挖掘。
具体地,考虑到所述超声波信号中具有较多的特征信息,并且这些特征信息之间具有着关联性,因此,在进行信号的频域特征提取时,为了能够充分地挖掘出所述超声波信号在频域中的特征分布的关联特征信息,首先对所述超声波信号进行傅里叶变换以得到多个频域统计特征值。
然后,为了能够进一步提高对于所述超声波信号的特征提取精度,进一步使用CLIP模型来完成所述超声波信号的时域和频域的特征挖掘融合,以得到超声波工作特征矩阵。也就是,将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器中进行处理,以通过所述波形图像编码器的作为过滤器的卷积神经网络模型来提取出所述超声波信号的波形图中关于所述超声波信号的时域隐含特征分布信息,从而得到超声波波形特征向量。接着,再将所述多个频域统计特征值通过所述CLIP模型的时序编码器中进行编码以得到频域时序特征向量。特别地,这里,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,其通过一维卷积层进行一维卷积编码来提取出所述各个频域统计特征值在时序维度上的关联特征,以及通过全连接层进行全连接编码来提取所述各个频域统计特征值的高维隐含特征。
进一步地,再使用所述CLIP模型的联合编码器来融合所述频域时序特征向量和所述超声波波形特征向量以得到超声波工作特征矩阵。应可以理解,这里,使用所述CLIP模型的联合编码器来进行所述超声波信号的时域特征和频域特征的联合编码优化,以基于所述超声波信号的频域特征分布对其时域特征分布进行特征优化表达,从而得到所述超声波工作特征矩阵。
对于所述预定时间段的六氟磷酸盐溶液的结晶监控视频来说,所述结晶监控视频中关于所述六氟磷酸盐溶液的结晶状态变化特征可以通过所述结晶监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示所述六氟磷酸盐溶液的结晶状态变化情况。但是,考虑到所述结晶监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,且避免数据冗余给检测带来的不良影响,以预定采样频率对所述结晶监控视频进行关键帧采样,以从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧。这里,值得一提的是,所述采样频率可基于实际场景的应用需求做出调整,而不是默认值。
然后,考虑到由于所述多个结晶监控关键帧为图像数据,因此,使用在图像的隐含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多个结晶监控关键帧的特征提取,特别地,考虑到在进行所述六氟磷酸盐溶液的结晶状态监测时,应关注于空间位置上关于所述六氟磷酸盐溶液产生结晶的隐含特征信息而忽略与所述六氟磷酸盐溶液的结晶状态监测无关的干扰特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述多个结晶监控关键帧通过使用空间注意力机制的卷积神经网络模型中进行处理,以提取出所述各个结晶监控关键帧中聚焦于空间上的关于所述六氟磷酸盐溶液的结晶状态隐含特征分布信息,从而得到多个结晶监控特征矩阵。值得一提的是,这里,所述空间注意力所提取到的图像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,以此来提取出空间上聚焦于所述六氟磷酸盐溶液的结晶状态特征信息。
进一步地,又考虑到由于所述各个关键帧中关于所述六氟磷酸盐溶液的结晶状态隐含特征间具有着时序的关联关系,也就是说,所述六氟磷酸盐溶液的结晶状态在时间维度上具有着动态性的变化规律。因此,在本申请的技术方案中,为了能够充分地对于所述六氟磷酸盐溶液的结晶状态变化特征进行提取,以此来准确地挖掘出所述六氟磷酸盐溶液的结晶状态的时序动态变化规律,进一步将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器中进行编码,以提取出所述六氟磷酸盐溶液的结晶状态在时间维度上基于时序全局的上下文关联特征分布信息,从而得到结晶时序关联特征向量。
接着,进一步再计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量,以此来表示所述超声波信号的时序动态特征和所述六氟磷酸盐溶液的结晶状态变化特征间的关联性特征分布信息,并以此关联性特征信息作为分类特征向量通过分类器中进行分类处理,以此来得到用于表示当前时间点的超声功率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超声功率值应增大(第一标签),以及,当前时间点的超声功率值应减小(第二标签),其中,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当前时间点的超声功率值的控制策略标签,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当前时间点的超声功率值,以此来优化超声波诱导六氟磷酸盐结晶的结晶效率和效果。
特别地,在本申请的技术方案中,在计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量时,可以将所述分类特征向量看作为源向量,而所述结晶时序关联特征向量看作为源向量基于所述超声波工作特征矩阵的特征域,即频域统计特征和信号波形特征的全域关联特征的响应特征向量,因此,在这种情况下,如果能够提升具有响应关系的特征向量之间的特征融合程度,即使得所述分类特征向量更好地融合所述结晶时序关联特征向量表达的结晶监控关键帧的上下文图像语义和所述超声波工作特征矩阵表达的频域统计特征和信号波形特征的全域关联特征,则显然可以进一步提升所述分类特征向量的表达效果。
因此,本申请的申请人进一步基于所述分类特征向量,例如记为和所述结晶时序关联特征向量,例如记为/>计算其非相干稀疏响应融合特征向量,例如记为/>,/>具体表示为:
其中和/>表示向量的一范数和二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式。
这里,所述非相干稀疏响应融合在所述结晶时序关联特征向量表达的结晶监控关键帧的上下文图像语义特征为特征域间转移的真实性分布(ground-truthdistribution)的情况下,通过一范数表示的向量差异的模糊性位分布响应性,以及基于差分向量的模约束的真实差分嵌入响应性,来获得向量之间的非相干稀疏性融合表示,以提高具有响应关系的特征向量融合后的概率分布描述度,从而提升所述分类特征向量和所述结晶时序关联特征向量的特征融合程度。这样,将得到的所述非相干稀疏响应融合特征向量/>进一步与所述分类特征向量进行融合(例如,直接级联)后再通过分类器进行分类,就可以提升所获得的分类结果的准确性。这样,能够实时准确地基于六氟磷酸盐的结晶状态变化情况来自适应地调整超声功率值,以优化超声波诱导六氟磷酸盐结晶的结晶效率和效果。
图1为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的应用场景图。如图1所示,在该应用场景中,首先,获取预定时间段的由超声波装置产生的超声波信号(例如,图1中所示意的D1)以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频(例如,图1中所示意的D2),然后,将所述预定时间段的由超声波装置产生的超声波信号和所述预定时间段的六氟磷酸盐溶液的结晶监控视频输入至部署有超声波诱导六氟磷酸盐结晶的控制算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述超声波诱导六氟磷酸盐结晶的控制算法对所述预定时间段的由超声波装置产生的超声波信号和所述预定时间段的六氟磷酸盐溶液的结晶监控视频进行处理以得到用于表示当前时间点的超声功率值应增大或应减小的分类结果。
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。
图2为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的流程图。如图2所示,根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法,包括步骤:S110,获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频;S120,对所述超声波信号进行傅里叶变换以得到多个频域统计特征值;S130,将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵;S140,从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧;S150,将所述多个结晶监控关键帧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结晶监控特征矩阵;S160,将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量;S170,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;S180,基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量;以及,S190,将所述优化后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超声功率值应增大或应减小。
图3为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制方法的架构示意图。如图3所示,在该网络架构中,首先,获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频;接着,对所述超声波信号进行傅里叶变换以得到多个频域统计特征值;然后,将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵;接着,从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧;然后,将所述多个结晶监控关键帧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结晶监控特征矩阵;接着,将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量;然后,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;接着,基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量;然后,将所述优化后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超声功率值应增大或应减小。
更具体地,在步骤S110中,获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频。在难于成核的低过饱和度的六氟磷酸盐水溶液环境中,利用超声波可有效地促进六氟磷酸盐结晶成核。但是,随着超声波功率提高, 超声处理时间的延长, 饱和六氟磷酸盐水溶液冷却速度减慢, 溶液温度降低速率减缓,导致六氟磷酸盐的结晶速率降低。考虑到在实际使用超声波来诱导六氟磷酸盐结晶时,对于超声波的控制应适配于六氟磷酸盐的结晶状态变化情况,也就是说,基于六氟磷酸盐溶液的结晶状态变化特征来自适应地调整超声波的功率值,以优化超声波诱导六氟磷酸盐结晶的结晶效率和效果。并且,所述超声波信号和所述六氟磷酸盐的结晶状态在时间维度上都具有着动态性的变化规律,并且这两者之间还具有着时序的关联关系。因此,在本申请中,通过建立所述超声波信号的时序动态特征和所述六氟磷酸盐溶液的结晶状态变化特征间的映射关系,以此来基于六氟磷酸盐的结晶状态变化情况来自适应地调整超声功率值,以优化超声波诱导六氟磷酸盐结晶的结晶效率和效果。
更具体地,在步骤S120中,对所述超声波信号进行傅里叶变换以得到多个频域统计特征值。所述超声波信号是一种时域信号,所述时域信号虽然在时间关联中对于特征的显性更为直观,但是由于所述由超声波装置产生的超声波信号较弱,其会受到外界噪声的干扰,导致对于所述超声波信号的特征提取准度较低,进而影响对于其与六氟磷酸盐结晶状态变化的关联特征的提取精准度。而频域信号的特征却不同于时域信号,将所述超声波信号转换到频域中,能够通过所述超声波信号在频域中的隐含特征分布信息确定其与六氟磷酸盐结晶状态变化间的关联关系,但是其在所述超声波信号的特征显性上并不直观,忽略了时间上的关联特征。因此,在本申请的技术方案中,采用所述超声波信号在时域与频域上的隐含特征的结合的方式来进行所述超声波信号的特征挖掘。
具体地,考虑到所述超声波信号中具有较多的特征信息,并且这些特征信息之间具有着关联性,因此,在进行信号的频域特征提取时,为了能够充分地挖掘出所述超声波信号在频域中的特征分布的关联特征信息,首先对所述超声波信号进行傅里叶变换以得到多个频域统计特征值。
更具体地,在步骤S130中,将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵。为了能够进一步提高对于所述超声波信号的特征提取精度,进一步使用CLIP模型来完成所述超声波信号的时域和频域的特征挖掘融合,以得到超声波工作特征矩阵。也就是,将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器中进行处理,以通过所述波形图像编码器的作为过滤器的卷积神经网络模型来提取出所述超声波信号的波形图中关于所述超声波信号的时域隐含特征分布信息,从而得到超声波波形特征向量。接着,再将所述多个频域统计特征值通过所述CLIP模型的时序编码器中进行编码以得到频域时序特征向量。特别地,这里,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,其通过一维卷积层进行一维卷积编码来提取出所述各个频域统计特征值在时序维度上的关联特征,以及通过全连接层进行全连接编码来提取所述各个频域统计特征值的高维隐含特征。
特别地,卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,如图4所示,将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵,包括:S131,将所述多个频域统计特征值输入CLIP模型的时序编码器以得到频域时序特征向量;S132,将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器以得到超声波波形特征向量;以及,S133,使用所述CLIP模型的联合编码器来融合所述频域时序特征向量和所述超声波波形特征向量以得到超声波工作特征矩阵。
应可以理解,这里,使用所述CLIP模型的联合编码器来进行所述超声波信号的时域特征和频域特征的联合编码优化,以基于所述超声波信号的频域特征分布对其时域特征分布进行特征优化表达,从而得到所述超声波工作特征矩阵。
相应地,在一个具体示例中,将所述多个频域统计特征值输入CLIP模型的时序编码器以得到频域时序特征向量,包括:将所述多个频域统计特征值按照时间维度分别排列为频域统计输入向量;使用所述时序编码器的全连接层以如下公式分别对所述频域统计输入向量进行全连接编码以分别提取出所述频域统计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:,其中/>是所述频域统计输入向量,/>是频域统计输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下公式分别对所述频域统计输入向量进行一维卷积编码以分别提取出所述频域统计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:
,
其中,为卷积核在/>方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为卷积核的尺寸,/>表示所述频域统计输入向量。
相应地,在一个具体示例中,将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器以得到超声波波形特征向量,包括:所述CLIP模型的波形图像编码器使用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,所述卷积神经网络模型的最后一层的输出为所述超声波波形特征向量,所述卷积神经网络模型的第一层的输入为所述超声波信号的波形图。
更具体地,在步骤S140中,从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧。对于所述预定时间段的六氟磷酸盐溶液的结晶监控视频来说,所述结晶监控视频中关于所述六氟磷酸盐溶液的结晶状态变化特征可以通过所述结晶监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示所述六氟磷酸盐溶液的结晶状态变化情况。但是,考虑到所述结晶监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,且避免数据冗余给检测带来的不良影响,以预定采样频率对所述结晶监控视频进行关键帧采样,以从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧。这里,值得一提的是,所述采样频率可基于实际场景的应用需求做出调整,而不是默认值。
更具体地,在步骤S150中,将所述多个结晶监控关键帧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结晶监控特征矩阵。考虑到由于所述多个结晶监控关键帧为图像数据,因此,使用在图像的隐含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多个结晶监控关键帧的特征提取,特别地,考虑到在进行所述六氟磷酸盐溶液的结晶状态监测时,应关注于空间位置上关于所述六氟磷酸盐溶液产生结晶的隐含特征信息而忽略与所述六氟磷酸盐溶液的结晶状态监测无关的干扰特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述多个结晶监控关键帧通过使用空间注意力机制的卷积神经网络模型中进行处理,以提取出所述各个结晶监控关键帧中聚焦于空间上的关于所述六氟磷酸盐溶液的结晶状态隐含特征分布信息,从而得到多个结晶监控特征矩阵。值得一提的是,这里,所述空间注意力所提取到的图像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,以此来提取出空间上聚焦于所述六氟磷酸盐溶液的结晶状态特征信息。
应可以理解,注意力机制是机器学习中的一种数据处理方法,广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面,注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方;另一方面,注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说,空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
相应地,在一个具体示例中,将所述多个结晶监控关键帧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结晶监控特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成第二卷积特征图;对所述第二卷积特征图进行池化处理以生成第二池化特征图;对所述第二池化特征图进行非线性激活以生成第二激活特征图;计算所述第二激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个结晶监控特征矩阵。
更具体地,在步骤S160中,将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量。由于所述各个关键帧中关于所述六氟磷酸盐溶液的结晶状态隐含特征间具有着时序的关联关系,也就是说,所述六氟磷酸盐溶液的结晶状态在时间维度上具有着动态性的变化规律。因此,在本申请的技术方案中,为了能够充分地对于所述六氟磷酸盐溶液的结晶状态变化特征进行提取,以此来准确地挖掘出所述六氟磷酸盐溶液的结晶状态的时序动态变化规律,进一步将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器中进行编码,以提取出所述六氟磷酸盐溶液的结晶状态在时间维度上基于时序全局的上下文关联特征分布信息,从而得到结晶时序关联特征向量。
应可以理解,通过上下文编码器,可以分析向量表示序列中的某个分词与其他分词之间的关系,以得到相应的特征信息。上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式,可选地,编码器包括:CNN(Convolutional Neural Network,卷积神经网络)、Recursive NN(RecursiveNeural Network,递归神经网络)、语言模型(LanguageModel)等。基于CNN的方法对于局部特征有比较好的提取效果,但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳,因此基于Bi-LSTM(Long Short- Term Memory,长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理,从理论上而言具有更强的表示能力,但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点,因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了,同时具有CNN和RNN的特性, 对于全局特征有较好的提取效果,同时相较于RNN(RecurrentNeuralNetwork, 循环神经网络)在并行计算上具有一定优势。
相应地,在一个具体示例中,如图5所示,将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量,包括:S161,使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量;以及,S162,将所述多个结晶语义特征向量进行级联以得到所述结晶时序关联特征向量。
相应地,在一个具体示例中,如图6所示,使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量,包括:S1611,将所述多个结晶监控展开特征向量进行一维排列以得到全局结晶监控特征向量;S1612,计算所述全局结晶监控特征向量与所述多个结晶监控展开特征向量中各个结晶监控展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;S1613,分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;S1614,将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,S1615,分别以所述多个概率值中各个概率值作为权重对所述多个结晶监控展开特征向量中各个结晶监控展开特征向量进行加权以得到所述多个结晶语义特征向量。
更具体地,在步骤S170中,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量。以此来表示所述超声波信号的时序动态特征和所述六氟磷酸盐溶液的结晶状态变化特征间的关联性特征分布信息。
相应地,在一个具体示例中,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量,包括:以如下公式计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;其中,所述公式为:
,其中,/>表示所述结晶时序关联特征向量,/>表示所述超声波工作特征矩阵,/>表示所述分类特征向量,/>表示矩阵相乘。
更具体地,在步骤S180中,基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量。
特别地,在本申请的技术方案中,在计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量时,可以将所述分类特征向量看作为源向量,而所述结晶时序关联特征向量看作为源向量基于所述超声波工作特征矩阵的特征域,即频域统计特征和信号波形特征的全域关联特征的响应特征向量,因此,在这种情况下,如果能够提升具有响应关系的特征向量之间的特征融合程度,即使得所述分类特征向量更好地融合所述结晶时序关联特征向量表达的结晶监控关键帧的上下文图像语义和所述超声波工作特征矩阵表达的频域统计特征和信号波形特征的全域关联特征,则显然可以进一步提升所述分类特征向量的表达效果。因此,本申请的申请人进一步基于所述分类特征向量,例如记为和所述结晶时序关联特征向量,例如记为/>计算其非相干稀疏响应融合特征向量。
相应地,在一个具体示例中,基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量,包括:以如下公式计算所述分类特征向量和所述结晶时序关联特征向量之间的非相干稀疏响应融合特征向量,其中,所述公式为:
其中,、/>和/>分别表示所述分类特征向量、所述结晶时序关联特征向量和所述非相干稀疏响应融合特征向量,/>和/>分别表示向量的一范数和二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式,/>表示向量的转置向量;以及,将所述非相干稀疏响应融合特征向量和所述分类特征向量进行级联以得到所述优化后分类特征向量。
这里,所述非相干稀疏响应融合在所述结晶时序关联特征向量V_2表达的结晶监控关键帧的上下文图像语义特征为特征域间转移的真实性分布(ground-truthdistribution)的情况下,通过一范数表示的向量差异的模糊性位分布响应性,以及基于差分向量的模约束的真实差分嵌入响应性,来获得向量之间的非相干稀疏性融合表示,以提高具有响应关系的特征向量融合后的概率分布描述度,从而提升所述分类特征向量和所述结晶时序关联特征向量的特征融合程度。这样,将得到的所述非相干稀疏响应融合特征向量V^'进一步与所述分类特征向量进行融合(例如,直接级联)后再通过分类器进行分类,就可以提升所获得的分类结果的准确性。这样,能够实时准确地基于六氟磷酸盐的结晶状态变化情况来自适应地调整超声功率值,以优化超声波诱导六氟磷酸盐结晶的结晶效率和效果。
更具体地,在步骤S190中,将所述优化后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超声功率值应增大或应减小。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超声功率值应增大(第一标签),以及,当前时间点的超声功率值应减小(第二标签),其中,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当前时间点的超声功率值的控制策略标签,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当前时间点的超声功率值,以此来优化超声波诱导六氟磷酸盐结晶的结晶效率和效果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,将所述优化后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超声功率值应增大或应减小,包括:使用所述分类器的全连接层对所述优化后分类特征向量进行全连接编码以得到优化编码分类特征向量;以及,将所述优化编码分类特征向量输入所述分类器的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超声波诱导六氟磷酸盐结晶的控制方法,其先将超声波信号傅里叶变换后得到的多个频域统计特征值和超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵,接着,从预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧并通过卷积神经网络模型以得到多个结晶监控特征矩阵,然后,将所述多个结晶监控特征矩阵展开后输入上下文编码器以得到结晶时序关联特征向量,接着,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量,最后,对所述分类特征向量进行特征分布校正后通过分类器以得到用于表示当前时间点的超声功率值应增大或应减小的分类结果。这样,可以提升六氟磷酸盐的结晶速率。
图7为根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制系统100的框图。如图7所示,根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制系统100,包括:数据获取模块110,用于获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频;傅里叶变换模块120,用于对所述超声波信号进行傅里叶变换以得到多个频域统计特征值;CLIP模型模块130,用于将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵;关键帧提取模块140,用于从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧;空间注意力模块150,用于将所述多个结晶监控关键帧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结晶监控特征矩阵;上下文编码模块160,用于将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量;转移向量计算模块170,用于计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;特征分布校正模块180,用于基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量;以及,超声功率值控制结果生成模块190,用于将所述优化后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超声功率值应增大或应减小。
在一个示例中,在上述超声波诱导六氟磷酸盐结晶的控制系统100中,所述CLIP模型模块130,用于:将所述多个频域统计特征值输入CLIP模型的时序编码器以得到频域时序特征向量;将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器以得到超声波波形特征向量;以及,使用所述CLIP模型的联合编码器来融合所述频域时序特征向量和所述超声波波形特征向量以得到超声波工作特征矩阵。
在一个示例中,在上述超声波诱导六氟磷酸盐结晶的控制系统100中,将所述多个频域统计特征值输入CLIP模型的时序编码器以得到频域时序特征向量,包括:将所述多个频域统计特征值按照时间维度分别排列为频域统计输入向量;使用所述时序编码器的全连接层以如下公式分别对所述频域统计输入向量进行全连接编码以分别提取出所述频域统计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:,其中/>是所述频域统计输入向量,/>是频域统计输出向量,/>是权重矩阵,/>是偏置向量,表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下公式分别对所述频域统计输入向量进行一维卷积编码以分别提取出所述频域统计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:
其中,为卷积核在/>方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为卷积核的尺寸,/>表示所述频域统计输入向量。
在一个示例中,在上述超声波诱导六氟磷酸盐结晶的控制系统100中,将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器以得到超声波波形特征向量,包括:所述CLIP模型的波形图像编码器使用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,所述卷积神经网络模型的最后一层的输出为所述超声波波形特征向量,所述卷积神经网络模型的第一层的输入为所述超声波信号的波形图。
在一个示例中,在上述超声波诱导六氟磷酸盐结晶的控制系统100中,所述空间注意力模块150,用于:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成第二卷积特征图;对所述第二卷积特征图进行池化处理以生成第二池化特征图;对所述第二池化特征图进行非线性激活以生成第二激活特征图;计算所述第二激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个结晶监控特征矩阵。
在一个示例中,在上述超声波诱导六氟磷酸盐结晶的控制系统100中,所述上下文编码模块160,用于:使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量;以及,将所述多个结晶语义特征向量进行级联以得到所述结晶时序关联特征向量。
在一个示例中,在上述超声波诱导六氟磷酸盐结晶的控制系统100中,使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量,包括:将所述多个结晶监控展开特征向量进行一维排列以得到全局结晶监控特征向量;计算所述全局结晶监控特征向量与所述多个结晶监控展开特征向量中各个结晶监控展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述多个结晶监控展开特征向量中各个结晶监控展开特征向量进行加权以得到所述多个结晶语义特征向量。
在一个示例中,在上述超声波诱导六氟磷酸盐结晶的控制系统100中,所述转移向量计算模块170,用于:以如下公式计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;其中,所述公式为:
,其中,/>表示所述结晶时序关联特征向量,/>表示所述超声波工作特征矩阵,/>表示所述分类特征向量,/>表示矩阵相乘。
在一个示例中,在上述超声波诱导六氟磷酸盐结晶的控制系统100中,所述特征分布校正模块180,用于:以如下公式计算所述分类特征向量和所述结晶时序关联特征向量之间的非相干稀疏响应融合特征向量,其中,所述公式为:
/>
其中,、/>和/>分别表示所述分类特征向量、所述结晶时序关联特征向量和所述非相干稀疏响应融合特征向量,/>和/>分别表示向量的一范数和二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式,/>表示向量的转置向量;以及,将所述非相干稀疏响应融合特征向量和所述分类特征向量进行级联以得到所述优化后分类特征向量。
这里,本领域技术人员可以理解,上述超声波诱导六氟磷酸盐结晶的控制系统100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6的超声波诱导六氟磷酸盐结晶的控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制系统100可以实现在各种无线终端中,例如具有超声波诱导六氟磷酸盐结晶的控制算法的服务器等。在一个示例中,根据本申请实施例的超声波诱导六氟磷酸盐结晶的控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该超声波诱导六氟磷酸盐结晶的控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该超声波诱导六氟磷酸盐结晶的控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该超声波诱导六氟磷酸盐结晶的控制系统100与该无线终端也可以是分立的设备,并且该超声波诱导六氟磷酸盐结晶的控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (6)
1.一种超声波诱导六氟磷酸盐结晶的控制方法,其特征在于,包括:
获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频;
对所述超声波信号进行傅里叶变换以得到多个频域统计特征值;
将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵;
从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧;
将所述多个结晶监控关键帧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结晶监控特征矩阵;
将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量;
计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;
基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量;以及
将所述优化后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超声功率值应增大或应减小;
其中,将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量,包括:
使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量;以及
将所述多个结晶语义特征向量进行级联以得到所述结晶时序关联特征向量;
其中,使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量,包括:
将所述多个结晶监控展开特征向量进行一维排列以得到全局结晶监控特征向量;
计算所述全局结晶监控特征向量与所述多个结晶监控展开特征向量中各个结晶监控展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及
分别以所述多个概率值中各个概率值作为权重对所述多个结晶监控展开特征向量中各个结晶监控展开特征向量进行加权以得到所述多个结晶语义特征向量;
其中,计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量,包括:以如下公式计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;
其中,所述公式为:
,
其中,表示所述结晶时序关联特征向量,/>表示所述超声波工作特征矩阵,/>表示所述分类特征向量,/>表示矩阵相乘;
其中,基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量,包括:
以如下公式计算所述分类特征向量和所述结晶时序关联特征向量之间的非相干稀疏响应融合特征向量,其中,所述公式为:
,
其中,、/>和/>分别表示所述分类特征向量、所述结晶时序关联特征向量和所述非相干稀疏响应融合特征向量,/>和/>分别表示向量的一范数和二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式,/>表示向量的转置向量;以及
将所述非相干稀疏响应融合特征向量和所述分类特征向量进行级联以得到所述优化后分类特征向量。
2.根据权利要求1所述的超声波诱导六氟磷酸盐结晶的控制方法,其特征在于,将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵,包括:
将所述多个频域统计特征值输入CLIP模型的时序编码器以得到频域时序特征向量;
将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器以得到超声波波形特征向量;以及
使用所述CLIP模型的联合编码器来融合所述频域时序特征向量和所述超声波波形特征向量以得到超声波工作特征矩阵。
3.根据权利要求2所述的超声波诱导六氟磷酸盐结晶的控制方法,其特征在于,将所述多个频域统计特征值输入CLIP模型的时序编码器以得到频域时序特征向量,包括:
将所述多个频域统计特征值按照时间维度分别排列为频域统计输入向量;
使用所述时序编码器的全连接层以如下公式分别对所述频域统计输入向量进行全连接编码以分别提取出所述频域统计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:,其中/>是所述频域统计输入向量,/>是频域统计输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;以及
使用所述时序编码器的一维卷积层以如下公式分别对所述频域统计输入向量进行一维卷积编码以分别提取出所述频域统计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:
,
其中,为卷积核在/>方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为卷积核的尺寸,/>表示所述频域统计输入向量。
4.根据权利要求3所述的超声波诱导六氟磷酸盐结晶的控制方法,其特征在于,将所述超声波信号的波形图通过所述CLIP模型的波形图像编码器以得到超声波波形特征向量,包括:所述CLIP模型的波形图像编码器使用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,所述卷积神经网络模型的最后一层的输出为所述超声波波形特征向量,所述卷积神经网络模型的第一层的输入为所述超声波信号的波形图。
5.根据权利要求4所述的超声波诱导六氟磷酸盐结晶的控制方法,其特征在于,将所述多个结晶监控关键帧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结晶监控特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成第二卷积特征图;
对所述第二卷积特征图进行池化处理以生成第二池化特征图;
对所述第二池化特征图进行非线性激活以生成第二激活特征图;
计算所述第二激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及
计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;
其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个结晶监控特征矩阵。
6.一种超声波诱导六氟磷酸盐结晶的控制系统,其特征在于,包括:
数据获取模块,用于获取预定时间段的由超声波装置产生的超声波信号以及所述预定时间段的六氟磷酸盐溶液的结晶监控视频;
傅里叶变换模块,用于对所述超声波信号进行傅里叶变换以得到多个频域统计特征值;
CLIP模型模块,用于将所述多个频域统计特征值和所述超声波信号的波形图通过CLIP模型以得到超声波工作特征矩阵;
关键帧提取模块,用于从所述预定时间段的六氟磷酸盐溶液的结晶监控视频提取多个结晶监控关键帧;
空间注意力模块,用于将所述多个结晶监控关键帧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结晶监控特征矩阵;
上下文编码模块,用于将所述多个结晶监控特征矩阵展开为多个结晶监控展开特征向量后输入基于转换器的上下文编码器以得到结晶时序关联特征向量;
转移向量计算模块,用于计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;
特征分布校正模块,用于基于所述分类特征向量和所述结晶时序关联特征向量之间的特征响应模式关联,对所述分类特征向量进行特征分布校正以得到优化后分类特征向量;以及
超声功率值控制结果生成模块,用于将所述优化后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超声功率值应增大或应减小;
其中,所述上下文编码模块,用于:使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量;以及,将所述多个结晶语义特征向量进行级联以得到所述结晶时序关联特征向量;
其中,使用所述基于转换器的上下文编码器对由所述多个结晶监控展开特征向量进行基于全局的上下文语义编码以得到多个结晶语义特征向量,包括:将所述多个结晶监控展开特征向量进行一维排列以得到全局结晶监控特征向量;计算所述全局结晶监控特征向量与所述多个结晶监控展开特征向量中各个结晶监控展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述多个结晶监控展开特征向量中各个结晶监控展开特征向量进行加权以得到所述多个结晶语义特征向量;
其中,所述转移向量计算模块,用于:以如下公式计算所述结晶时序关联特征向量相对于所述超声波工作特征矩阵的转移向量作为分类特征向量;其中,所述公式为:
,
其中,表示所述结晶时序关联特征向量,/>表示所述超声波工作特征矩阵,/>表示所述分类特征向量,/>表示矩阵相乘;
其中,所述特征分布校正模块,用于:以如下公式计算所述分类特征向量和所述结晶时序关联特征向量之间的非相干稀疏响应融合特征向量,其中,所述公式为:
,
其中,、/>和/>分别表示所述分类特征向量、所述结晶时序关联特征向量和所述非相干稀疏响应融合特征向量,/>和/>分别表示向量的一范数和二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式,/>表示向量的转置向量;以及,将所述非相干稀疏响应融合特征向量和所述分类特征向量进行级联以得到所述优化后分类特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310178512.6A CN116036639B (zh) | 2023-02-28 | 2023-02-28 | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310178512.6A CN116036639B (zh) | 2023-02-28 | 2023-02-28 | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116036639A CN116036639A (zh) | 2023-05-02 |
CN116036639B true CN116036639B (zh) | 2024-03-15 |
Family
ID=86118308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310178512.6A Active CN116036639B (zh) | 2023-02-28 | 2023-02-28 | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116036639B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805061B (zh) * | 2023-05-10 | 2024-04-12 | 杭州水务数智科技股份有限公司 | 基于光纤传感的泄漏事件判断方法 |
CN116605891B (zh) * | 2023-05-23 | 2024-03-19 | 福建省龙德新能源有限公司 | 电子级六氟磷酸锂的智能生产方法及其系统 |
CN117092149B (zh) * | 2023-10-19 | 2024-01-09 | 大连高佳化工有限公司 | 一种溶析结晶在线监测系统 |
CN117598674B (zh) * | 2024-01-24 | 2024-04-12 | 吉林大学 | 多参数心脏功能监测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104129772A (zh) * | 2013-07-30 | 2014-11-05 | 多氟多化工股份有限公司 | 一种结晶六氟磷酸锂的方法 |
CN105600809A (zh) * | 2016-02-25 | 2016-05-25 | 多氟多化工股份有限公司 | 一种动态结晶制备六氟磷酸锂的方法和装置 |
KR20220002127A (ko) * | 2020-06-30 | 2022-01-06 | 한국생산기술연구원 | 이온성 액체를 이용한 탄소나노튜브의 정제방법 |
CN217139275U (zh) * | 2022-03-10 | 2022-08-09 | 湖北中蓝宏源新能源材料有限公司 | 一种六氟磷酸锂加工用动态结晶器 |
CN115430344A (zh) * | 2022-08-31 | 2022-12-06 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动配料系统及其配料方法 |
CN115578676A (zh) * | 2022-10-27 | 2023-01-06 | 浙江宇鑫纺织印染有限公司 | 绿色节能智能化染整工艺及其系统 |
-
2023
- 2023-02-28 CN CN202310178512.6A patent/CN116036639B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104129772A (zh) * | 2013-07-30 | 2014-11-05 | 多氟多化工股份有限公司 | 一种结晶六氟磷酸锂的方法 |
CN105600809A (zh) * | 2016-02-25 | 2016-05-25 | 多氟多化工股份有限公司 | 一种动态结晶制备六氟磷酸锂的方法和装置 |
KR20220002127A (ko) * | 2020-06-30 | 2022-01-06 | 한국생산기술연구원 | 이온성 액체를 이용한 탄소나노튜브의 정제방법 |
CN217139275U (zh) * | 2022-03-10 | 2022-08-09 | 湖北中蓝宏源新能源材料有限公司 | 一种六氟磷酸锂加工用动态结晶器 |
CN115430344A (zh) * | 2022-08-31 | 2022-12-06 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动配料系统及其配料方法 |
CN115578676A (zh) * | 2022-10-27 | 2023-01-06 | 浙江宇鑫纺织印染有限公司 | 绿色节能智能化染整工艺及其系统 |
Non-Patent Citations (1)
Title |
---|
超声波对六氟磷酸锂结晶过程的影响;郝建堂 等;无机盐工业;20150910;第47卷(第09期);59-61 * |
Also Published As
Publication number | Publication date |
---|---|
CN116036639A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116036639B (zh) | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 | |
US20180253640A1 (en) | Hybrid architecture system and method for high-dimensional sequence processing | |
US20150242690A1 (en) | Apparatus and methods for temporal proximity detection | |
CN110175551B (zh) | 一种手语识别方法 | |
CN116048031B (zh) | 用于石油助剂生产的控制系统及其方法 | |
CN113205048B (zh) | 一种手势识别方法及识别系统 | |
US20230316720A1 (en) | Anomaly detection apparatus, anomaly detection method, and program | |
CN115723287B (zh) | 基于温度控制聚氨酯发泡的生产设备 | |
CN116385945B (zh) | 基于随机帧补帧和注意力的视频交互动作检测方法及系统 | |
CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
CN116680557B (zh) | 用于煤层气钻井工程的实时监测系统及其方法 | |
CN116245513A (zh) | 基于规则库的自动化运维系统及其方法 | |
CN117158923A (zh) | 基于元宇宙的居家养老远程监控方法 | |
CN116166072A (zh) | 电子级六氟丙烯裂解温度控制系统 | |
CN115222998A (zh) | 一种图像分类方法 | |
CN116143127A (zh) | 石英砂的自动化生产系统及其方法 | |
CN117094451B (zh) | 一种耗电量的预测方法、装置及终端 | |
Lan et al. | Infrared dim and small targets detection via self-attention mechanism and pipeline correlator | |
CN116301166B (zh) | 一种非带隙基准电压源电路 | |
CN116059681B (zh) | 用于控制结晶成核的超声控制方法及其系统 | |
CN111027681B (zh) | 时序数据处理模型训练方法、数据处理方法、装置及存储介质 | |
CN116678258A (zh) | 用于压力容器的冷热交换器及其控制方法 | |
Hu et al. | Siamese network object tracking algorithm combining attention mechanism and correlation filter theory | |
CN116124448A (zh) | 用于风电齿轮箱的故障诊断系统及其方法 | |
Wang et al. | An Unsupervised Momentum Contrastive Learning based Transformer Network for Hyperspectral Target Detection |
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 |