CN116120761A - 一种分散型染料及其制备方法 - Google Patents
一种分散型染料及其制备方法 Download PDFInfo
- Publication number
- CN116120761A CN116120761A CN202310102099.5A CN202310102099A CN116120761A CN 116120761 A CN116120761 A CN 116120761A CN 202310102099 A CN202310102099 A CN 202310102099A CN 116120761 A CN116120761 A CN 116120761A
- Authority
- CN
- China
- Prior art keywords
- vector
- crystal transformation
- transformation temperature
- feature
- convolution
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09B—ORGANIC DYES OR CLOSELY-RELATED COMPOUNDS FOR PRODUCING DYES, e.g. PIGMENTS; MORDANTS; LAKES
- C09B67/00—Influencing the physical, e.g. the dyeing or printing properties of dyestuffs without chemical reactions, e.g. by treating with solvents grinding or grinding assistants, coating of pigments or dyes; Process features in the making of dyestuff preparations; Dyestuff preparations of a special physical nature, e.g. tablets, films
- C09B67/0071—Process features in the making of dyestuff preparations; Dehydrating agents; Dispersing agents; Dustfree compositions
- C09B67/008—Preparations of disperse dyes or solvent dyes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Organic Chemistry (AREA)
- Coloring (AREA)
Abstract
本申请涉及智能制备领域,其具体地公开了一种分散型染料及其制备方法,其通过采用基于深度学习的神经网络模型挖掘出转晶过程中PH值和温度值之间的时序动态协同关联关系,以基于这两个转晶参数的时序协同控制关联特征信息来自适应地调整当前时间点的转晶温度值,提高转晶的效率和效果,进而提高染料的应用性能。
Description
技术领域
本申请涉及智能制备领域,且更为具体地,涉及一种分散型染料及其制备方法。
背景技术
分散染料是一类应用于涤纶纤维染色的专用材料,就其化学结构而言,主要有偶氮类、蒽醌类、硝基二苯胺类、次甲基类及非偶氮杂环类等,其中以偶氮类和蒽醌类居多。在已经工业化生产的分散染料中,偶氮类结构的染料品种占50%,产量占70%以上,其染料色谱覆盖面广,有较好的应用性能,生产工艺简单,成本低。
众所周知,偶氮型分散染料的生产方法主要包括三个工艺过程:
1、重氮化,即在酸溶剂中重氮组分与亚硝酸发生重氮化反应生成重氮盐溶液;2、偶合,将偶合组分溶解或分散在硫酸溶液中配成偶合溶液,再在低温下与重氮盐溶液发生偶合反应,经升温转晶后得到染料滤饼;3、商品化处理,即染料滤饼与分散剂和水混合后再砂磨机中进行研磨,使其颗粒粒径达到1~2μm,生成稳定的分散体,再经喷雾干燥后成为商品化的分散染料。
在上述工艺过程中,特别是重氮化及偶合组分溶解过程中需要使用浓度较高、数量较多的硫酸作为溶剂,反应结束后通常会使滤饼母液的硫酸含量高达10%(质量分数)左右,在这种较强酸条件下,染料很难进行转晶,有时虽在高温下实现了转晶,但高温情况下,染料在酸溶液中的溶解度增大,使其随着母液一起排放,这不仅造成了经济损失,同时也大大增加了废水的处理难度。而染料在生产过程中均呈固体形态,这种固体形态可能是不同的晶体,也可能是无定型体,这都直接影响着染料的应用性能,因此,必须通过各种方法将染料的晶型转变成所需要的晶体。
针对上述问题,中国授权专利CN 105440737A揭露了一种节能环保型分散染料的制备方法,其包括:重氮盐与偶合组分进行偶合反应完成后,得到相应的偶氮化合物物料的体系中加入碱,调节体系的pH值为2~7.5,然后进行升温转晶,得到稳定的晶型后,再经压滤、水洗得到染料滤饼。
在具体实施中发现转晶的效率和效果关键在于转晶过程中PH值和温度之间的配合。在上述方案中,虽然配置了多段调整方案,但是其没有充分利用PH和转晶温度之间的协同性,导致转晶效率没有得到充分优化。
因此,期待一种更为优化的分散型染料及其制备方案
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分散型染料及其制备方法,其通过采用基于深度学习的神经网络模型挖掘出转晶过程中PH值和温度值之间的时序动态协同关联关系,以基于这两个转晶参数的时序协同控制关联特征信息来自适应地调整当前时间点的转晶温度值,提高转晶的效率和效果,进而提高染料的应用性能。
根据本申请的一个方面,提供了一种分散型染料的制备方法,其包括:
获取预定时间段内多个预定时间点的PH值和转晶温度值;
将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量;
对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;
将所述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参数协同特征矩阵;
将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量;
以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量;
对所述分类特征向量进行向量的有序希尔伯特完备化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转晶温度应增大或应减小。
在上述分散型染料的制备方法中,所述对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵,包括:以如下公式对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;其中,所述公式为:
在上述分散型染料的制备方法中,所述将所述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参数协同特征矩阵,包括:使用所述第一卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及,使用所述第一卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置。
在上述分散型染料的制备方法中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在上述分散型染料的制备方法中,所述将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量,包括:将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转晶温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转晶温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度转晶温度特征向量和所述第二邻域尺度转晶温度特征向量进行级联以得到所述转晶温度特征向量。其中,所述将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转晶温度特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转晶温度输入向量进行一维卷积编码以得到第一邻域尺度转晶温度特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述转晶温度输入向量;以及,所述将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转晶温度特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转晶温度输入向量进行一维卷积编码以得到所述第二邻域尺度转晶温度特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述转晶温度输入向量。
在上述分散型染料的制备方法中,所述对所述分类特征向量进行向量的有序希尔伯特完备化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进行向量的有序希尔伯特完备化以得到所述优化分类特征向量;
其中,所述公式为:
其中V和V′分别是所述分类特征向量和所述优化分类特征向量,表示所述分类特征向量的二范数的平方,Vorder是所述分类特征向量的各特征值按大小次序排列的有序向量,且所述分类特征向量是列向量形式,表示向量相乘,⊙表示按位置点乘。
在上述分散型染料的制备方法中,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转晶温度应增大或应减小,包括:使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为优化分类特征向量。
根据本申请的另一方面,提供了一种分散型染料的制备系统,其包括:
数据获取模块,用于获取预定时间段内多个预定时间点的PH值和转晶温度值;
排列模块,用于将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量;
关联编码模块,用于对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;
卷积模块,用于将所述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参数协同特征矩阵;
多尺度特征提取模块,用于将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量;
分类特征向量生成模块,用于以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量;
优化模块,用于对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量;以及
分类结果生成模块,用于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转晶温度应增大或应减小。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的分散型染料的制备方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的分散型染料的制备方法。
与现有技术相比,本申请提供的一种分散型染料及其制备方法,其通过采用基于深度学习的神经网络模型挖掘出转晶过程中PH值和温度值之间的时序动态协同关联关系,以基于这两个转晶参数的时序协同控制关联特征信息来自适应地调整当前时间点的转晶温度值,提高转晶的效率和效果,进而提高染料的应用性能。
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分散型染料的制备方法的应用场景图;
图2为根据本申请实施例的分散型染料的制备方法的流程图;
图3为根据本申请实施例的分散型染料的制备方法的架构示意图;
图4为根据本申请实施例的分散型染料的制备方法中卷积神经网络编码的流程图;
图5为根据本申请实施例的分散型染料的制备方法中多尺度邻域特征提取过程的流程图;
图6为根据本申请实施例的分散型染料的制备系统的框图;
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如背景技术中所言,在中国授权专利CN 105440737A揭露的一种节能环保型分散染料的制备方法的实施过程中发现转晶的效率和效果关键在于转晶过程中PH值和温度之间的配合。在上述方案中,虽然配置了多段调整方案,但是其没有充分利用PH和转晶温度之间的协同性,导致转晶效率没有得到充分优化。因此,期待一种更为优化的分散型染料及其制备方案。
相应地,考虑到在实际进行分散染料的制备过程中,由于转晶过程中PH值和温度值之间的协同控制会影响转晶的效率和效果,也就是说,所述PH值和所述温度值之间具有着时序动态关联关系,因此,在转晶时需要基于转晶的PH值和温度值之间的时序动态协同关联特征信息来进行转晶参数控制。在此过程中,难点在于如何挖掘所述PH值和温度值之间的时序动态协同关联关系,以基于这两个转晶参数的时序协同控制关联特征信息来自适应地调整当前时间点的转晶温度值,从而提高转晶的效率和效果,以提高染料的应用性能。
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PH值和温度值之间的时序动态协同关联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挖掘所述PH值和温度值之间的时序动态协同关联关系。
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PH值和转晶温度值。接着,为了构建所述PH值和所述转晶温度值之间的转晶参数协同控制关联信息,以此来充分挖掘出这两者的时序协同控制关联特征,进一步将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量,以整合所述PH值和所述转晶温度值在时间维度上的分布信息后,进一步再利用向量相乘的方式计算所述PH输入向量和所述转晶温度输入向量之间的协同输入矩阵,以此来对所述PH输入向量和所述转晶温度输入向量进行关联编码来得到参数协同输入矩阵。
然后,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转晶的温度值和PH值的协同控制关联特征提取,但是,考虑到由于所述转晶的温度值和PH值间在时间维度上具有相当程度的关联。因此,为了能够充分地提取出所述转晶的温度值和PH值的时序协同控制关联特征来进行转晶参数的实时准确控制,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转晶的温度值和PH值的时序参数协同控制关联特征信息,从而得到参数协同特征矩阵。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。
进一步地,考虑到由于所述转晶温度在时间维度上具有着波动性和不确定性,其在所述预定时间段内的不同时间周期跨度下具有着不同的模式变化特征,为了能够充分且准确地对于所述转晶温度在时序上的动态变化特征进行特征提取以进行当前时间点的转晶温度值的实时准确控制,在本申请的技术方案中,将所述转晶温度输入向量通过多尺度邻域特征提取模块中进行处理,以提取出所述转晶温度在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征,从而得到转晶温度特征向量。
接着,为了能够利用所述PH值和转晶温度值的时序参数协同控制关联特征来增强所述转晶温度的动态特征表达,以此来更为精准地进行转晶温度值的实时控制,在本申请的技术方案中,进一步以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量,以此来挖掘出在所述转晶温度和PH值的参数协同控制下的关于转晶温度值的时序动态变化特征分布信息。这样,能够在后续分类过程中充分利用所述PH值和转晶温度之间的协同性来进行当前时间点的转晶温度控制,进而优化转晶的效率。
然后,将所述分类特征向量通过分类器中进行分类处理,以得到用于表示当前时间点的转晶温度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所述当前时间点的转晶温度应增大或应减小,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所述当前时间点的转晶温度的控制策略标签,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转晶温度值,以此来提高转晶的效率和效果,进而提高染料的应用性能。
特别地,在本申请的技术方案中,通过以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘得到所述分类特征向量,可以将所述参数协同特征矩阵表达的PH值和转晶温度值的全时序协同关联特征的关联表达映射到转晶温度值的时序多尺度关联特征空间内。但是,由于所述增参数协同特征矩阵本身表达的是PH值和转晶温度值之间的样本-时序二维关联,将其映射到所述转晶温度值的一维关联空间后,可能导致所述分类特征向量的特征分布的结构模糊,从而降低所述分类特征向量的表达确定性,影响所述分类特征向量通过分类器得到的分类结果的准确性。
基于此,优选地,对所述分类特征向量进行向量的有序希尔伯特完备化,表示为:
V和V′分别是校正前和校正后的所述分类特征向量,表示所述分类特征向量的二范数的平方,即所述分类特征向量自身的内积,Vorder是所述分类特征向量的各特征值按大小次序排列的有序向量,且所述分类特征向量V是列向量形式。
这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与所述分类特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对所述分类特征向量的高维流形进行特征空间内的结构完备化,可以避免由于模糊化结构降低所述分类特征向量的表达确定性,从而改进所述分类特征向量通过分类器得到的分类结果的准确性。这样,能够实时准确地基于实际情况对于当前时间点的转晶温度值进行自适应控制,以此来提高转晶的效率和效果,进而提高染料的应用性能。
基于此,本申请提出了一种分散型染料的制备方法,其包括:获取预定时间段内多个预定时间点的PH值和转晶温度值;将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量;对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;将所述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参数协同特征矩阵;将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量;以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量;对所述分类特征向量进行向量的有序希尔伯特完备化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转晶温度应增大或应减小。
图1为根据本申请实施例的分散型染料的制备方法的应用场景图。如图1所示,在该应用场景中,通过PH值传感器(例如,如图1中所示意的P)获取预定时间段内多个预定时间点的PH值,以及,通过温度传感器(例如,如图1中所示意的T)获取预定时间段内多个预定时间点的转晶温度值。接着,将上述数据输入至部署有用于分散型染料的制备算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述分散型染料的制备算法对上述数据进行处理,以生成用于表示当前时间点的转晶温度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。
示例性方法
图2为根据本申请实施例的分散型染料的制备方法的流程图。如图2所示,根据本申请实施例的分散型染料的制备方法,包括步骤:S110,获取预定时间段内多个预定时间点的PH值和转晶温度值;S120,将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量;S130,对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;S140,将所述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参数协同特征矩阵;S150,将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量;S160,以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量;S170,对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量;以及,S180,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转晶温度应增大或应减小。
图3为根据本申请实施例的分散型染料的制备方法的架构示意图。如图3所示,在该网络结构中,首先,获取预定时间段内多个预定时间点的PH值和转晶温度值;再将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量;接着,对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;将所述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参数协同特征矩阵;将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量;然后,以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量;对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量;进而,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转晶温度应增大或应减小。
具体地,在步骤S110中,获取预定时间段内多个预定时间点的PH值和转晶温度值。考虑到在实际进行分散染料的制备过程中,由于转晶过程中PH值和温度值之间的协同控制会影响转晶的效率和效果,也就是说,所述PH值和所述温度值之间具有着时序动态关联关系,因此,在转晶时需要基于转晶的PH值和温度值之间的时序动态协同关联特征信息来进行转晶参数控制。在本申请的一个具体示例中,可通过PH值传感器来获取预定时间段内多个预定时间点的PH值,以及,通过温度传感器来获取预定时间段内多个预定时间点的转晶温度值。
具体地,在步骤S120中,将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量。应可以理解,为了构建所述PH值和所述转晶温度值之间的转晶参数协同控制关联信息,以此来充分挖掘出这两者的时序协同控制关联特征,进一步将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量。
具体地,在步骤S130中,对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵。也就是,在本申请的技术方案中,在整合所述PH值和所述转晶温度值在时间维度上的分布信息后,进一步再利用向量相乘的方式计算所述PH输入向量和所述转晶温度输入向量之间的协同输入矩阵,以此来对所述PH输入向量和所述转晶温度输入向量进行关联编码来得到参数协同输入矩阵。在本申请的一个具体示例中,所述对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵,包括:以如下公式对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;其中,所述公式为:
具体地,在步骤S140中,将所述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参数协同特征矩阵。也就是,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转晶的温度值和PH值的协同控制关联特征提取,但是,考虑到由于所述转晶的温度值和PH值间在时间维度上具有相当程度的关联。因此,为了能够充分地提取出所述转晶的温度值和PH值的时序协同控制关联特征来进行转晶参数的实时准确控制,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转晶的温度值和PH值的时序参数协同控制关联特征信息,从而得到参数协同特征矩阵。更具体地,所述将所述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参数协同特征矩阵,包括:使用所述第一卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及,使用所述第一卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置。在一个具体示例中,所述第一卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述第一卷积神经网络的编码过程中,所述第一卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。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,在一个具体示例中,所述第一卷积神经网络第一层的卷积核与第二层的卷积核互为转置,第二层的卷积核与第三层的卷积核互为转置,所述第一卷积神经网络模型的的最后一层的输出为所述参数协同特征矩阵,这样,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。
图4为根据本申请实施例的分散型染料的制备方法中卷积神经网络编码的流程图。如图4所示,在所述卷积神经网络编码过程中,包括:S210,使用所述第一卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及,S220,使用所述第一卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置。
具体地,在步骤S150中,将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量。考虑到由于所述转晶温度在时间维度上具有着波动性和不确定性,其在所述预定时间段内的不同时间周期跨度下具有着不同的模式变化特征,为了能够充分且准确地对于所述转晶温度在时序上的动态变化特征进行特征提取以进行当前时间点的转晶温度值的实时准确控制,在本申请的技术方案中,将所述转晶温度输入向量通过多尺度邻域特征提取模块中进行处理,以提取出所述转晶温度在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征,从而得到转晶温度特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
图5为根据本申请实施例的分散型染料的制备方法中多尺度邻域特征提取过程的流程图。如图5所示,在所述多尺度邻域特征提取过程中。包括:S310,将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转晶温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;S320,将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转晶温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,S330,将所述第一邻域尺度转晶温度特征向量和所述第二邻域尺度转晶温度特征向量进行级联以得到所述转晶温度特征向量。其中,所述将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转晶温度特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转晶温度输入向量进行一维卷积编码以得到第一邻域尺度转晶温度特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述转晶温度输入向量;以及,所述将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转晶温度特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转晶温度输入向量进行一维卷积编码以得到所述第二邻域尺度转晶温度特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述转晶温度输入向量;更具体地,所述将所述第一邻域尺度转晶温度特征向量和所述第二邻域尺度转晶温度特征向量进行级联以得到所述转晶温度特征向量,包括:以如下公式将所述第一邻域尺度转晶温度特征向量和所述第二邻域尺度转晶温度特征向量进行级联以得到所述转晶温度特征向量;其中,所述公式为:Vc=Concat[Va,Vb],其中,Va表示所述第一邻域尺度转晶温度特征向量,Vb表示所述第二邻域尺度转晶温度特征向量,Concat[·,·]表示级联函数,Vc表示所述转晶温度特征向量。
具体地,在步骤S160中,以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量。应可以理解,为了能够利用所述PH值和转晶温度值的时序参数协同控制关联特征来增强所述转晶温度的动态特征表达,以此来更为精准地进行转晶温度值的实时控制,在本申请的技术方案中,进一步以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量,以此来挖掘出在所述转晶温度和PH值的参数协同控制下的关于转晶温度值的时序动态变化特征分布信息。这样,能够在后续分类过程中充分利用所述PH值和转晶温度之间的协同性来进行当前时间点的转晶温度控制,进而优化转晶的效率。
具体地,在步骤S170中,对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量。特别地,在本申请的技术方案中,通过以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘得到所述分类特征向量,可以将所述参数协同特征矩阵表达的PH值和转晶温度值的全时序协同关联特征的关联表达映射到转晶温度值的时序多尺度关联特征空间内。但是,由于所述增参数协同特征矩阵本身表达的是PH值和转晶温度值之间的样本-时序二维关联,将其映射到所述转晶温度值的一维关联空间后,可能导致所述分类特征向量的特征分布的结构模糊,从而降低所述分类特征向量的表达确定性,影响所述分类特征向量通过分类器得到的分类结果的准确性。基于此,优选地,对所述分类特征向量进行向量的有序希尔伯特完备化,表示为:
其中V和V′分别是所述分类特征向量和所述优化分类特征向量,表示所述分类特征向量的二范数的平方,Vorder是所述分类特征向量的各特征值按大小次序排列的有序向量,且所述分类特征向量是列向量形式,表示向量相乘,⊙表示按位置点乘。这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与所述分类特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对所述分类特征向量的高维流形进行特征空间内的结构完备化,可以避免由于模糊化结构降低所述分类特征向量的表达确定性,从而改进所述分类特征向量通过分类器得到的分类结果的准确性。这样,能够实时准确地基于实际情况对于当前时间点的转晶温度值进行自适应控制,以此来提高转晶的效率和效果,进而提高染料的应用性能。
具体地,在步骤S180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转晶温度应增大或应减小。也就是,将所述优化分类特征向量通过分类器中进行分类处理,以得到用于表示当前时间点的转晶温度应增大或应减小的分类结果。在本申请的一个具体示例中,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,包括:使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为优化分类特征向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,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多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到用于表示当前时间点的转晶温度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所述当前时间点的转晶温度应增大或应减小,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所述当前时间点的转晶温度的控制策略标签,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转晶温度值,以此来提高转晶的效率和效果,进而提高染料的应用性能。
综上,根据本申请实施例的分散型染料的制备方法被阐明,其通过采用基于深度学习的神经网络模型挖掘出转晶过程中PH值和温度值之间的时序动态协同关联关系,以基于这两个转晶参数的时序协同控制关联特征信息来自适应地调整当前时间点的转晶温度值,提高转晶的效率和效果,进而提高染料的应用性能。
示例性系统
图6为根据本申请实施例的分散型染料的制备系统的框图。如图6所示,根据本申请实施例的分散型染料的制备系统300,包括:数据获取模块310;排列模块320;关联编码模块330;卷积模块340;多尺度特征提取模块350分类特征向量生成模块360;优化模块370;以及,分类结果生成模块380。
其中,所述数据获取模块310,用于获取预定时间段内多个预定时间点的PH值和转晶温度值;所述排列模块320,用于将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量;所述关联编码模块330,用于对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;所述卷积模块340,用于将所述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参数协同特征矩阵;所述多尺度特征提取模块350,用于将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量;所述分类特征向量生成模块360,用于以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量;所述优化模块370,用于对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量;以及,所述分类结果生成模块380,用于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转晶温度应增大或应减小。
在一个示例中,在上述分散型染料的制备系统300中,所述关联编码模块330,进一步用于:以如下公式对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;其中,所述公式为:
在一个示例中,在上述分散型染料的制备系统300中,所述卷积模块340,进一步用于:使用所述第一卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及,使用所述第一卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置。
在一个示例中,在上述分散型染料的制备系统300中,所述多尺度特征提取模块350,进一步用于:将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转晶温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转晶温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度转晶温度特征向量和所述第二邻域尺度转晶温度特征向量进行级联以得到所述转晶温度特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。更具体地,所述将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转晶温度特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转晶温度输入向量进行一维卷积编码以得到第一邻域尺度转晶温度特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述转晶温度输入向量;以及,所述将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转晶温度特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转晶温度输入向量进行一维卷积编码以得到所述第二邻域尺度转晶温度特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述转晶温度输入向量。
在一个示例中,在上述分散型染料的制备系统300中,所述优化模块370,进一步用于:以如下公式对所述分类特征向量进行向量的有序希尔伯特完备化以得到所述优化分类特征向量;其中,所述公式为:
其中V和V′分别是所述分类特征向量和所述优化分类特征向量,表示所述分类特征向量的二范数的平方,Vorder是所述分类特征向量的各特征值按大小次序排列的有序向量,且所述分类特征向量是列向量形式,表示向量相乘,⊙表示按位置点乘。
在一个示例中,在上述分散型染料的制备系统300中,所述分类结果生成模块380,进一步用于:使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为优化分类特征向量。
综上,根据本申请实施例的分散型染料的制备系统300被阐明,其通过采用基于深度学习的神经网络模型挖掘出转晶过程中PH值和温度值之间的时序动态协同关联关系,以基于这两个转晶参数的时序协同控制关联特征信息来自适应地调整当前时间点的转晶温度值,提高转晶的效率和效果,进而提高染料的应用性能。
如上所述,根据本申请实施例的分散型染料的制备系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的分散型染料的制备系统300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,该分散型染料的制备系统300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,该分散型染料的制备系统300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,该分散型染料的制备系统300与该终端设备也可以是分立的设备,并且该分散型染料的制备系统300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。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的分散型染料的制备方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化分类特征向量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的分散型染料的制备方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的分散型染料的制备方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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。
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)
1.一种分散型染料的制备方法,其特征在于,包括:
获取预定时间段内多个预定时间点的PH值和转晶温度值;
将所述多个预定时间点的PH值和转晶温度值分别按照时间维度排列为PH输入向量和转晶温度输入向量;
对所述PH输入向量和所述转晶温度输入向量进行关联编码以得到参数协同输入矩阵;
将所述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参数协同特征矩阵;
将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量;
以所述转晶温度特征向量作为查询特征向量,将其与所述参数协同特征矩阵进行矩阵相乘以得到分类特征向量;
对所述分类特征向量进行向量的有序希尔伯特完备化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转晶温度应增大或应减小。
3.根据权利要求2所述的分散型染料的制备方法,其特征在于,所述将所述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参数协同特征矩阵,包括:
使用所述第一卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及
使用所述第一卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置。
4.根据权利要求3所述的分散型染料的制备方法,其特征在于,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
5.根据权利要求4所述的分散型染料的制备方法,其特征在于,所述将所述转晶温度输入向量通过多尺度邻域特征提取模块以得到转晶温度特征向量,包括:
将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转晶温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转晶温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
将所述第一邻域尺度转晶温度特征向量和所述第二邻域尺度转晶温度特征向量进行级联以得到所述转晶温度特征向量。
其中,所述将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转晶温度特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转晶温度输入向量进行一维卷积编码以得到第一邻域尺度转晶温度特征向量;
其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述转晶温度输入向量;以及
所述将所述转晶温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转晶温度特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转晶温度输入向量进行一维卷积编码以得到所述第二邻域尺度转晶温度特征向量;
其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述转晶温度输入向量。
7.根据权利要求6所述的分散型染料的制备方法,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转晶温度应增大或应减小,包括:使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为优化分类特征向量。
8.一种分散型染料,其特征在于,由权利要求1至7任一所述的分散型染料的制备方法制得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102099.5A CN116120761A (zh) | 2023-02-01 | 2023-02-01 | 一种分散型染料及其制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102099.5A CN116120761A (zh) | 2023-02-01 | 2023-02-01 | 一种分散型染料及其制备方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116120761A true CN116120761A (zh) | 2023-05-16 |
Family
ID=86309846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310102099.5A Pending CN116120761A (zh) | 2023-02-01 | 2023-02-01 | 一种分散型染料及其制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116120761A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116285481A (zh) * | 2023-05-23 | 2023-06-23 | 佛山市时力涂料科技有限公司 | 涂料的生产加工方法及其系统 |
CN116605617A (zh) * | 2023-05-17 | 2023-08-18 | 长兴南方水泥有限公司 | 一种智能化放料控制方法及其系统 |
-
2023
- 2023-02-01 CN CN202310102099.5A patent/CN116120761A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116605617A (zh) * | 2023-05-17 | 2023-08-18 | 长兴南方水泥有限公司 | 一种智能化放料控制方法及其系统 |
CN116285481A (zh) * | 2023-05-23 | 2023-06-23 | 佛山市时力涂料科技有限公司 | 涂料的生产加工方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Tensor ring decomposition with rank minimization on latent space: An efficient approach for tensor completion | |
CN116120761A (zh) | 一种分散型染料及其制备方法 | |
CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
Li et al. | Evolutionary topology search for tensor network decomposition | |
CN115896817A (zh) | 氟氮混合气的生产方法及其系统 | |
CN116167148B (zh) | 基于局域微气候的城市街区形态优化方法及其系统 | |
CN116859830B (zh) | 用于电子级氟化铵生产的生产管理控制系统 | |
CN116095089B (zh) | 遥感卫星数据处理方法及系统 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
CN108875915B (zh) | 一种面向嵌入式应用的深度对抗网络优化方法 | |
CN116164497A (zh) | 液氧制备过程中的精馏控制系统及其方法 | |
CN116143127A (zh) | 石英砂的自动化生产系统及其方法 | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN114329900A (zh) | 一种基于神经网络的器件参数获取方法、系统及相关组件 | |
Zhou et al. | Unsupervised robust multiple kernel learning via extracting local and global noises | |
CN116415990B (zh) | 一种基于云计算的自助数据分析方法、系统及存储介质 | |
Wang et al. | CoNot: Coupled nonlinear transform-based low-rank tensor representation for multidimensional image completion | |
CN116688852A (zh) | 替米考星固体分散微囊包被工艺及其系统 | |
CN116375006A (zh) | 碳纳米管物理分散方法 | |
CN110288002A (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
US20230259780A1 (en) | Neural network sparsification apparatus and method and related product | |
Liu et al. | Generalized Newton methods for graph signal matrix completion | |
CN116842418B (zh) | 智能喷水织机及其控制系统 | |
CN117876912A (zh) | 农村内管道污水处理系统及其方法 |
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 |