CN116375006A - 碳纳米管物理分散方法 - Google Patents

碳纳米管物理分散方法 Download PDF

Info

Publication number
CN116375006A
CN116375006A CN202310491938.7A CN202310491938A CN116375006A CN 116375006 A CN116375006 A CN 116375006A CN 202310491938 A CN202310491938 A CN 202310491938A CN 116375006 A CN116375006 A CN 116375006A
Authority
CN
China
Prior art keywords
training
feature
power
frequency
vector
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
Application number
CN202310491938.7A
Other languages
English (en)
Inventor
况会林
徐阳
胡义金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Plastic High Tech Materials Co ltd
Original Assignee
Jiangxi Plastic High Tech Materials Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Plastic High Tech Materials Co ltd filed Critical Jiangxi Plastic High Tech Materials Co ltd
Priority to CN202310491938.7A priority Critical patent/CN116375006A/zh
Publication of CN116375006A publication Critical patent/CN116375006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • CCHEMISTRY; METALLURGY
    • C01INORGANIC CHEMISTRY
    • C01BNON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B32/00Carbon; Compounds thereof
    • C01B32/15Nano-sized carbon materials
    • C01B32/158Carbon nanotubes
    • C01B32/168After-treatment
    • C01B32/174Derivatisation; Solubilisation; Dispersion in solvents

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Materials Engineering (AREA)
  • Nanotechnology (AREA)
  • Organic Chemistry (AREA)
  • Inorganic Chemistry (AREA)
  • Colloid Chemistry (AREA)
  • Carbon And Carbon Compounds (AREA)

Abstract

一种碳纳米管物理分散方法,其将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;以及。将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。这样,可以获得更好的分散效果,保证碳纳米管的导电性能优势。

Description

碳纳米管物理分散方法
技术领域
本申请涉及智能化分散技术领域,并且更具体地,涉及一种碳纳米管物理分散方法。
背景技术
碳纳米管是一种一维的纳米材料,属于碳的同素异形体,其管径为几纳米到几十纳米之间,管长为几十微米,这种大长径比和线状的独特结构,使碳纳米管表现出突出的导电性、导热性和机械强度。
目前,碳纳米管已经能作为导电剂成熟的应用于锂离子电池行业;另外随着碳纳米管分散技术的不断提升,在塑料、橡胶等高分子复合材料领域的应用也在逐步扩大。
碳纳米管在高分子材料中的应用主要是作为导电助剂使用,赋予高分子材料导电或抗静电性能,目前高分子材料的导电助剂主要是导电碳黑,碳纳米管作为新型的导电助剂,其导电性能远远优于导电炭黑,达到同样的导电性能,碳纳米管的添加量只需导电碳黑的1/3~1/6。但是,由于碳纳米管的大长径比线状的结构类似于“棉花团”结构难以分散,在实际应用中会影响碳纳米管的导电性能优势。
因此,期望一种碳纳米管物理分散方案。
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碳纳米管物理分散方法,其将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;以及。将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。这样,可以获得更好的分散效果,保证碳纳米管的导电性能优势。
第一方面,提供了一种碳纳米管物理分散方法,其包括:
将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;
将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;
将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;以及
将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。
在上述碳纳米管物理分散方法中,将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液,包括:获取由摄像头采集的预定时间段的超声波处理监控视频,以及,所述预定时间段内多个预定时间点的超声波信号的频率值和功率值;将所述多个预定时间点的超声波信号的频率值和功率值分别按照时间维度排列为频率输入时序向量和功率输入时序向量;将所述频率输入时序向量和功率输入时序向量进行级联以得到频率-功率级联输入向量;将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量;从所述超声波处理监控视频提取所述多个预定时间点对应的图像帧作为多个超声波处理监控关键帧;将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵;将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图;对所述超声波处理状态时序关联特征图进行降维处理以得到超声波处理状态时序关联特征向量;计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;以及,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的超声波信号的功率值应增大或应减小。
在上述碳纳米管物理分散方法中,将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量,包括:将所述频率-功率级联输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度频率-功率特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;将所述频率-功率级联输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度频率-功率特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,将所述第一尺度频率-功率特征向量和所述第二尺度频率-功率特征向量进行级联以得到所述频率-功率时序特征向量。
在上述碳纳米管物理分散方法中,将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵,包括:通过所述使用空间注意力机制的第一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卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述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多个特征矩阵;其中,所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个超声波处理状态特征矩阵。
在上述碳纳米管物理分散方法中,将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图,包括:通过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基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出为所述超声波处理状态时序关联特征图,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三维输入张量。
在上述碳纳米管物理分散方法中,计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵,包括:以如下响应性公式计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;其中,所述响应性公式为:
Figure BDA0004210630710000031
其中,Va表示所述频率-功率时序特征向量,Vb表示所述超声波处理状态时序关联特征向量,M表示所述分类特征矩阵,
Figure BDA0004210630710000032
表示矩阵相乘。
在上述碳纳米管物理分散方法中,还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练的训练模块;其中,所述训练模块,包括:获取训练数据,所述训练数据包括预定时间段的训练超声波处理监控视频,所述预定时间段内多个预定时间点的超声波信号的训练频率值和训练功率值,以及,所述当前时间点的超声波信号的功率值应增大或应减小的真实值;将所述多个预定时间点的超声波信号的训练频率值和训练功率值分别按照时间维度排列为训练频率输入时序向量和训练功率输入时序向量;将所述训练频率输入时序向量和训练功率输入时序向量进行级联以得到训练频率-功率级联输入向量;将所述训练频率-功率级联输入向量通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练频率-功率时序特征向量;从所述训练超声波处理监控视频提取所述多个预定时间点对应的训练图像帧作为多个训练超声波处理监控关键帧;将所述多个训练超声波处理监控关键帧分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到多个训练超声波处理状态特征矩阵;将所述多个训练超声波处理状态特征矩阵沿着时间维度聚合为训练三维输入张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练超声波处理状态时序关联特征图;对所述训练超声波处理状态时序关联特征图进行降维处理以得到训练超声波处理状态时序关联特征向量;计算所述训练频率-功率时序特征向量相对于所述训练超声波处理状态时序关联特征向量的响应性估计以得到训练分类特征矩阵;将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的流式精细化损失函数值;以及,以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
在上述碳纳米管物理分散方法中,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值,包括:所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以生成训练分类结果,其中,所述分类公式为:
softmax{(Wn,Bn):…:(W1,B1)|XProject(F)},其中,Project(F)表示将所述训练分类特征矩阵投影为向量,W1至Wn为权重矩阵,B1至Bn表示偏置矩阵;以及,计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
在上述碳纳米管物理分散方法中,计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的流式精细化损失函数值,包括:以如下优化公式计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的所述流式精细化损失函数值;其中,所述优化公式为:
Figure BDA0004210630710000041
其中,V1表示所述训练频率-功率时序特征向量,V2表示所述训练超声波处理状态时序关联特征向量,
Figure BDA0004210630710000042
表示向量的二范数的平方,且/>
Figure BDA0004210630710000043
和⊙分别表示向量的逐位置减法和乘法,exp(·)表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,/>
Figure BDA0004210630710000044
表示所述流式精细化损失函数值。
与现有技术相比,本申请提供的碳纳米管物理分散方法,其将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;以及。将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。这样,可以获得更好的分散效果,保证碳纳米管的导电性能优势。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术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来讲,在不付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。
图1为根据本申请实施例的碳纳米管物理分散方法的场景示意图。
图2为根据本申请实施例的碳纳米管物理分散方法的流程图。
图3为根据本申请实施例的碳纳米管物理分散方法中步骤120的子步骤的流程图。
图4为根据本申请实施例的碳纳米管物理分散方法中步骤120的架构示意图。
图5为根据本申请实施例的碳纳米管物理分散方法中步骤1204的子步骤的流程图。
图6为根据本申请实施例的碳纳米管物理分散方法中步骤150的子步骤的流程图。
图7为根据本申请实施例的碳纳米管物理分散系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述,碳纳米管在高分子材料中的应用主要是作为导电助剂使用,赋予高分子材料导电或抗静电性能。然而,由于碳纳米管的大长径比线状的结构类似于“棉花团”结构难以分散,在实际应用中会影响碳纳米管的导电性能优势。因此,期望一种碳纳米管物理分散方案。
具体地,在本申请的技术方案中,提出了一种碳纳米管物理分散方法,其包括:将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。
相应地,考虑到在将所述混合液置于水浴中进行超声处理的过程中,对于超声波的功率控制尤为关键。为了能够保证超声处理的效率以及碳纳米管分散的效果,需要基于实际的碳纳米管分散状态来对于超声波的功率进行自适应控制。并且,还考虑到由于碳纳米管的分散状态与实际的超声波功率和频率都有着隐性的关联关系,因此,在本申请的技术方案中,期望通过监测超声信号的频率值和功率值,以及分析超声处理监控视频,来控制分散过程中的超声处理参数,进而获得更好的分散效果,保证碳纳米管的导电性能优势。但是,由于碳纳米管的分散状态在时间维度上有着时序变化规律,并且超声波的功率和频率具有着时序协同关联变化特性。因此,在此过程中,难点在于如何挖掘超声处理过程中的碳纳米管的分散状态的时序变化与超声波参数时序协同关联变化之间的映射关系,以优化碳纳米管的分散效果。
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。深度学习以及神经网络的发展为挖掘所述超声处理过程中的碳纳米管的分散状态的时序变化与所述超声波参数时序协同关联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所述超声处理过程中的碳纳米管的分散状态的时序变化与所述超声波参数时序协同关联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,获取由摄像头采集的预定时间段的超声波处理监控视频,以及,所述预定时间段内多个预定时间点的超声波信号的频率值和功率值。接着,考虑到由于所述超声波信号的频率值和功率值在时间维度上具有着动态性的变化规律,因此,为了能够对于所述超声波信号的频率值和功率值在时间维度上的变化特征信息进行提取,在本申请的技术方案中,将所述多个预定时间点的超声波信号的频率值和功率值分别按照时间维度排列为频率输入时序向量和功率输入时序向量,以此来分别整合所述超声波信号的频率值和功率值在时序上的分布信息。
然后,考虑到由于所述超声波信号的频率值和功率值间具有着时序协同的关联变化关系。因此,为了充分地探究所述超声波信号的频率值和功率值在时间维度上的协同关联动态变化规律,以进行超声波参数的准确控制,在本申请的技术方案中,进一步将所述频率输入时序向量和功率输入时序向量进行级联以得到频率-功率级联输入向量,以构建所述超声波信号的频率值和功率值之间的时序关联分布信息。
进一步地,考虑到由于所述超声波信号的频率值和功率值之间的时序协同关联信息在不同的时间周期跨度下呈现出不同的时序变化特性,为了能够进行所述超声波信号的频率值和功率值的时序协同关联变化特征的充分表达,以提高超声波参数实时控制的精准度,在本申请的技术方案中,进一步将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量。特别地,这里,所述第一卷积层和所述第二卷积层采用不同尺度的一维卷积核来进行所述频率-功率级联输入向量的特征挖掘,以提取出所述超声波信号的频率值和功率值之间在时间维度上的多尺度时序协同关联变化特征信息。
应可以理解,考虑到由于所述超声波处理监控视频中存在着各个时刻下关于碳纳米管分散状态的隐藏特征信息,导致所述超声波处理监控中所包含的信息量较大,在后续进行碳纳米管分散状态特征挖掘的过程中容易造成过拟合,使得分类的精度较低。因此,为了能够便于后续挖掘所述碳纳米管分散状态的时序变化特征与所述超声波参数的时序协同关联变化特征之间的映射关系,在本申请的技术方案中,从所述超声波处理监控视频提取所述多个预定时间点对应的图像帧作为多个超声波处理监控关键帧,以利于后续提取所述多个预定时间点下的关于所述碳纳米管分散状态的隐含关联特征信息。
然后,考虑到所述各个超声波处理监控关键帧中关于所述碳纳米管的分散状态特征在时间维度上具有着关联性,也就是说,所述碳纳米管的分散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,进一步将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘,以提取出所述碳纳米管的分散状态特征在时间维度上的动态变化特征,从而得到超声波处理状态时序关联特征图。特别地,这里,所述第二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多个超声波处理状态特征矩阵聚合为三维输入张量的时间维度,因此,在进行三维卷积编码时,能提取所述碳纳米管的分散状态分布特征随时间维度的动态变化特征。
进一步地,为了探究所述超声波参数的时序协同关联变化特征和所述碳纳米管的分散状态时序动态变化特征之间的映射关联关系,在本申请的技术方案中,对所述超声波处理状态时序关联特征图进行降维处理以得到超声波处理状态时序关联特征向量后,计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计,以此来表示所述超声波信号的频率值和功率值的多尺度时序协同关联变化特征与所述碳纳米管的分散状态的时序动态变化特征之间的关联特征分布信息,从而得到分类特征矩阵。
接着,进一步将所述分类特征矩阵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超声波信号的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波信号的功率值应增大(第一标签),以及,当前时间点的超声波信号的功率值应减小(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矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的超声波信号的功率值应增大或应减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,超声波信号的功率值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的超声波信号的功率值应增大或应减小”的语言文本意义。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超声波信号的功率值应增大或应减小的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来进行超声波信号功率值的自适应控制,进而获得更好的分散效果,保证碳纳米管的导电性能优势。
特别地,在本申请的技术方案中,这里,在计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计得到所述分类特征矩阵时,实质上是将所述频率-功率时序特征向量和所述超声波处理状态时序关联特征向量表达的时序序列化关联特征映射到高维的序列间响应性特征空间内,因此,如果能够提升所述频率-功率时序特征向量和所述超声波处理状态时序关联特征向量之间在时序序列化关联特征表达和高维序列间响应性特征空间的交叉维度下的序列-响应性空间上下文关联性,显然能够提升所述分类特征矩阵的表达效果。
基于此,本申请的申请人在训练针对所述分类特征矩阵的分类损失函数之外,进一步引入针对所述频率-功率时序特征向量,例如记为V1和所述超声波处理状态时序关联特征向量,例如记为V2的流式精细化损失函数,具体表示为:
Figure BDA0004210630710000081
其中
Figure BDA0004210630710000082
表示向量的二范数的平方,且/>
Figure BDA0004210630710000083
和⊙分别表示向量的逐位置减法和乘法。
这里,所述流式精细化损失函数基于特征向量在时序方向上的序列流式分布到高维响应性特征空间内的空间分布的转化,通过同步进行向量的序列分布下的插值来实现高维特征空间内的空间分布的超分辨率提升,从而通过平衡序列下的互类概率式关系对高维特征空间内的分布差异提供更精细化的对准,以在时序序列化关联特征维度和高维序列间响应性特征维度上联合地呈现交叉维度(cross-dimensional)的序列-响应性空间上下文关联,从而提升所述分类特征矩阵的表达效果,进而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够基于实际碳纳米管的分散状态变化情况来实时准确地进行超声波信号功率值的自适应控制,进而获得更好的分散效果,保证碳纳米管的导电性能优势。
图1为根据本申请实施例的碳纳米管物理分散方法的场景示意图。如图1所示,在该应用场景中,首先,获取由摄像头采集的预定时间段的超声波处理监控视频(例如,如图1中所示意的C1),以及,所述预定时间段内多个预定时间点的超声波信号的频率值(例如,如图1中所示意的C2)和功率值(例如,如图1中所示意的C3);然后,将获取的超声波处理监控视频、频率值和功率值输入至部署有碳纳米管物理分散算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于碳纳米管物理分散算法对所述超声波处理监控视频、所述频率值和所述功率值进行处理,以生成用于表示当前时间点的超声波信号的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。
在本申请的一个实施例中,图2为根据本申请实施例的碳纳米管物理分散方法的流程图。如图2所示,根据本申请实施例的碳纳米管物理分散方法100,包括:110,将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;120,将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;130,将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;以及,140,将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。
如上所述,碳纳米管在高分子材料中的应用主要是作为导电助剂使用,赋予高分子材料导电或抗静电性能。然而,由于碳纳米管的大长径比线状的结构类似于“棉花团”结构难以分散,在实际应用中会影响碳纳米管的导电性能优势。因此,期望一种碳纳米管物理分散方案。
具体地,在本申请的技术方案中,提出了一种碳纳米管物理分散方法,其包括:将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。
图3为根据本申请实施例的碳纳米管物理分散方法中步骤120的子步骤的流程图,如图3所示,将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液,包括:1201,获取由摄像头采集的预定时间段的超声波处理监控视频,以及,所述预定时间段内多个预定时间点的超声波信号的频率值和功率值;1202,将所述多个预定时间点的超声波信号的频率值和功率值分别按照时间维度排列为频率输入时序向量和功率输入时序向量;1203,将所述频率输入时序向量和功率输入时序向量进行级联以得到频率-功率级联输入向量;1204,将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量;1205,从所述超声波处理监控视频提取所述多个预定时间点对应的图像帧作为多个超声波处理监控关键帧;1206,将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵;1207,将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图;1208,对所述超声波处理状态时序关联特征图进行降维处理以得到超声波处理状态时序关联特征向量;1209,计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;以及,1210,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的超声波信号的功率值应增大或应减小。
图4为根据本申请实施例的碳纳米管物理分散方法中步骤120的架构示意图。如图4所示,在该网络架构中,首先,获取由摄像头采集的预定时间段的超声波处理监控视频,以及,所述预定时间段内多个预定时间点的超声波信号的频率值和功率值;然后,将所述多个预定时间点的超声波信号的频率值和功率值分别按照时间维度排列为频率输入时序向量和功率输入时序向量;接着,将所述频率输入时序向量和功率输入时序向量进行级联以得到频率-功率级联输入向量;然后,将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量;接着,从所述超声波处理监控视频提取所述多个预定时间点对应的图像帧作为多个超声波处理监控关键帧;然后,将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵;接着,将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图;然后,对所述超声波处理状态时序关联特征图进行降维处理以得到超声波处理状态时序关联特征向量;接着,计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;以及,最后,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的超声波信号的功率值应增大或应减小。
具体地,在步骤1201中,获取由摄像头采集的预定时间段的超声波处理监控视频,以及,所述预定时间段内多个预定时间点的超声波信号的频率值和功率值。相应地,考虑到在将所述混合液置于水浴中进行超声处理的过程中,对于超声波的功率控制尤为关键。为了能够保证超声处理的效率以及碳纳米管分散的效果,需要基于实际的碳纳米管分散状态来对于超声波的功率进行自适应控制。并且,还考虑到由于碳纳米管的分散状态与实际的超声波功率和频率都有着隐性的关联关系,因此,在本申请的技术方案中,期望通过监测超声信号的频率值和功率值,以及分析超声处理监控视频,来控制分散过程中的超声处理参数,进而获得更好的分散效果,保证碳纳米管的导电性能优势。但是,由于碳纳米管的分散状态在时间维度上有着时序变化规律,并且超声波的功率和频率具有着时序协同关联变化特性。因此,在此过程中,难点在于如何挖掘超声处理过程中的碳纳米管的分散状态的时序变化与超声波参数时序协同关联变化之间的映射关系,以优化碳纳米管的分散效果。
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。深度学习以及神经网络的发展为挖掘所述超声处理过程中的碳纳米管的分散状态的时序变化与所述超声波参数时序协同关联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所述超声处理过程中的碳纳米管的分散状态的时序变化与所述超声波参数时序协同关联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,获取由摄像头采集的预定时间段的超声波处理监控视频,以及,所述预定时间段内多个预定时间点的超声波信号的频率值和功率值。
具体地,在步骤1202中,将所述多个预定时间点的超声波信号的频率值和功率值分别按照时间维度排列为频率输入时序向量和功率输入时序向量。接着,考虑到由于所述超声波信号的频率值和功率值在时间维度上具有着动态性的变化规律,因此,为了能够对于所述超声波信号的频率值和功率值在时间维度上的变化特征信息进行提取,在本申请的技术方案中,将所述多个预定时间点的超声波信号的频率值和功率值分别按照时间维度排列为频率输入时序向量和功率输入时序向量,以此来分别整合所述超声波信号的频率值和功率值在时序上的分布信息。
具体地,在步骤1203中,将所述频率输入时序向量和功率输入时序向量进行级联以得到频率-功率级联输入向量。然后,考虑到由于所述超声波信号的频率值和功率值间具有着时序协同的关联变化关系。因此,为了充分地探究所述超声波信号的频率值和功率值在时间维度上的协同关联动态变化规律,以进行超声波参数的准确控制,在本申请的技术方案中,进一步将所述频率输入时序向量和功率输入时序向量进行级联以得到频率-功率级联输入向量,以构建所述超声波信号的频率值和功率值之间的时序关联分布信息。
具体地,在步骤1204中,将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量。进一步地,考虑到由于所述超声波信号的频率值和功率值之间的时序协同关联信息在不同的时间周期跨度下呈现出不同的时序变化特性,为了能够进行所述超声波信号的频率值和功率值的时序协同关联变化特征的充分表达,以提高超声波参数实时控制的精准度,在本申请的技术方案中,进一步将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量。特别地,这里,所述第一卷积层和所述第二卷积层采用不同尺度的一维卷积核来进行所述频率-功率级联输入向量的特征挖掘,以提取出所述超声波信号的频率值和功率值之间在时间维度上的多尺度时序协同关联变化特征信息。
图5为根据本申请实施例的碳纳米管物理分散方法中步骤1204的子步骤的流程图,如图5所示,将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量,包括:12041,将所述频率-功率级联输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度频率-功率特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;12042,将所述频率-功率级联输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度频率-功率特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,12043,将所述第一尺度频率-功率特征向量和所述第二尺度频率-功率特征向量进行级联以得到所述频率-功率时序特征向量。
值得一提的是,相较于传统的特征工程,所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型,其能够通过预定训练策略来拟合任何函数功能,且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层,其中,在所述多尺度邻域特征提取模块进行特征提取的过程中,所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地,在步骤1205中,从所述超声波处理监控视频提取所述多个预定时间点对应的图像帧作为多个超声波处理监控关键帧。应可以理解,考虑到由于所述超声波处理监控视频中存在着各个时刻下关于碳纳米管分散状态的隐藏特征信息,导致所述超声波处理监控中所包含的信息量较大,在后续进行碳纳米管分散状态特征挖掘的过程中容易造成过拟合,使得分类的精度较低。因此,为了能够便于后续挖掘所述碳纳米管分散状态的时序变化特征与所述超声波参数的时序协同关联变化特征之间的映射关系,在本申请的技术方案中,从所述超声波处理监控视频提取所述多个预定时间点对应的图像帧作为多个超声波处理监控关键帧,以利于后续提取所述多个预定时间点下的关于所述碳纳米管分散状态的隐含关联特征信息。
具体地,在步骤1206中,将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵。其中,将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵,包括:通过所述使用空间注意力机制的第一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卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述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多个特征矩阵;其中,所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个超声波处理状态特征矩阵。
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。
具体地,在步骤1207中,将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图。然后,考虑到所述各个超声波处理监控关键帧中关于所述碳纳米管的分散状态特征在时间维度上具有着关联性,也就是说,所述碳纳米管的分散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,进一步将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘,以提取出所述碳纳米管的分散状态特征在时间维度上的动态变化特征,从而得到超声波处理状态时序关联特征图。
特别地,这里,所述第二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多个超声波处理状态特征矩阵聚合为三维输入张量的时间维度,因此,在进行三维卷积编码时,能提取所述碳纳米管的分散状态分布特征随时间维度的动态变化特征。
其中,将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图,包括:通过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基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出为所述超声波处理状态时序关联特征图,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三维输入张量。
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。
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。
具体地,在步骤1208和步骤1209中,对所述超声波处理状态时序关联特征图进行降维处理以得到超声波处理状态时序关联特征向量;以及,计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵。
进一步地,为了探究所述超声波参数的时序协同关联变化特征和所述碳纳米管的分散状态时序动态变化特征之间的映射关联关系,在本申请的技术方案中,对所述超声波处理状态时序关联特征图进行降维处理以得到超声波处理状态时序关联特征向量后,计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计,以此来表示所述超声波信号的频率值和功率值的多尺度时序协同关联变化特征与所述碳纳米管的分散状态的时序动态变化特征之间的关联特征分布信息,从而得到分类特征矩阵。
其中,计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵,包括:以如下响应性公式计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;其中,所述响应性公式为:
Figure BDA0004210630710000141
其中,Va表示所述频率-功率时序特征向量,Vb表示所述超声波处理状态时序关联特征向量,M表示所述分类特征矩阵,
Figure BDA0004210630710000142
表示矩阵相乘。
具体地,在步骤1210中,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的超声波信号的功率值应增大或应减小。接着,进一步将所述分类特征矩阵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超声波信号的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波信号的功率值应增大(第一标签),以及,当前时间点的超声波信号的功率值应减小(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矩阵属于哪个分类标签。
值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的超声波信号的功率值应增大或应减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,超声波信号的功率值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的超声波信号的功率值应增大或应减小”的语言文本意义。
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超声波信号的功率值应增大或应减小的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来进行超声波信号功率值的自适应控制,进而获得更好的分散效果,保证碳纳米管的导电性能优势。
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的超声波信号的功率值应增大或应减小,包括:将所述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。
进一步地,所述碳纳米管物理分散方法,还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练的训练模块;图6为根据本申请实施例的碳纳米管物理分散方法中步骤150的子步骤的流程图,如图6所示,所述训练模块150,包括:1501,获取训练数据,所述训练数据包括预定时间段的训练超声波处理监控视频,所述预定时间段内多个预定时间点的超声波信号的训练频率值和训练功率值,以及,所述当前时间点的超声波信号的功率值应增大或应减小的真实值;1502,将所述多个预定时间点的超声波信号的训练频率值和训练功率值分别按照时间维度排列为训练频率输入时序向量和训练功率输入时序向量;1503,将所述训练频率输入时序向量和训练功率输入时序向量进行级联以得到训练频率-功率级联输入向量;1504,将所述训练频率-功率级联输入向量通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练频率-功率时序特征向量;1505,从所述训练超声波处理监控视频提取所述多个预定时间点对应的训练图像帧作为多个训练超声波处理监控关键帧;1506,将所述多个训练超声波处理监控关键帧分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到多个训练超声波处理状态特征矩阵;1507,将所述多个训练超声波处理状态特征矩阵沿着时间维度聚合为训练三维输入张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练超声波处理状态时序关联特征图;1508,对所述训练超声波处理状态时序关联特征图进行降维处理以得到训练超声波处理状态时序关联特征向量;1509,计算所述训练频率-功率时序特征向量相对于所述训练超声波处理状态时序关联特征向量的响应性估计以得到训练分类特征矩阵;1510,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;1511,计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的流式精细化损失函数值;以及,1512,以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
其中,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值,包括:所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以生成训练分类结果,其中,所述分类公式为:softmax{(Wn,Bn):…:(W1,B1)|XProject(F)},其中,Project(F)表示将所述训练分类特征矩阵投影为向量,W1至Wn为权重矩阵,B1至Bn表示偏置矩阵;以及,计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
特别地,在本申请的技术方案中,这里,在计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计得到所述分类特征矩阵时,实质上是将所述频率-功率时序特征向量和所述超声波处理状态时序关联特征向量表达的时序序列化关联特征映射到高维的序列间响应性特征空间内,因此,如果能够提升所述频率-功率时序特征向量和所述超声波处理状态时序关联特征向量之间在时序序列化关联特征表达和高维序列间响应性特征空间的交叉维度下的序列-响应性空间上下文关联性,显然能够提升所述分类特征矩阵的表达效果。
基于此,本申请的申请人在训练针对所述分类特征矩阵的分类损失函数之外,进一步引入针对所述频率-功率时序特征向量,例如记为V1和所述超声波处理状态时序关联特征向量,例如记为V2的流式精细化损失函数,具体表示为:以如下优化公式计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的所述流式精细化损失函数值;其中,所述优化公式为:
Figure BDA0004210630710000161
其中,V1表示所述训练频率-功率时序特征向量,V2表示所述训练超声波处理状态时序关联特征向量,
Figure BDA0004210630710000162
表示向量的二范数的平方,且/>
Figure BDA0004210630710000163
和⊙分别表示向量的逐位置减法和乘法,exp(·)表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,/>
Figure BDA0004210630710000164
表示所述流式精细化损失函数值。
这里,所述流式精细化损失函数基于特征向量在时序方向上的序列流式分布到高维响应性特征空间内的空间分布的转化,通过同步进行向量的序列分布下的插值来实现高维特征空间内的空间分布的超分辨率提升,从而通过平衡序列下的互类概率式关系对高维特征空间内的分布差异提供更精细化的对准,以在时序序列化关联特征维度和高维序列间响应性特征维度上联合地呈现交叉维度(cross-dimensional)的序列-响应性空间上下文关联,从而提升所述分类特征矩阵的表达效果,进而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够基于实际碳纳米管的分散状态变化情况来实时准确地进行超声波信号功率值的自适应控制,进而获得更好的分散效果,保证碳纳米管的导电性能优势。
综上,基于本申请实施例的碳纳米管物理分散方法100被阐明,其将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;以及。将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。这样,可以获得更好的分散效果,保证碳纳米管的导电性能优势。
在本申请的一个实施例中,图7为根据本申请实施例的碳纳米管物理分散系统的框图。如图7所示,根据本申请实施例的碳纳米管物理分散系统200,包括:去离子模块210,用于将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;混合液生成模块220,用于将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;磁力搅拌模块230,用于将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;以及,研磨模块240,用于将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。
在一个具体示例中,在上述碳纳米管物理分散系统中,所述混合液生成模块,包括:数据获取单元,用于获取由摄像头采集的预定时间段的超声波处理监控视频,以及,所述预定时间段内多个预定时间点的超声波信号的频率值和功率值;向量排列单元,用于将所述多个预定时间点的超声波信号的频率值和功率值分别按照时间维度排列为频率输入时序向量和功率输入时序向量;级联单元,用于将所述频率输入时序向量和功率输入时序向量进行级联以得到频率-功率级联输入向量;时序特征提取单元,用于将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量;关键帧提取单元,用于从所述超声波处理监控视频提取所述多个预定时间点对应的图像帧作为多个超声波处理监控关键帧;空间注意力单元,用于将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵;特征提取单元,用于将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图;降维处理单元,用于对所述超声波处理状态时序关联特征图进行降维处理以得到超声波处理状态时序关联特征向量;响应性估计计算单元,用于计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;以及,超声波信号的功率控制单元,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的超声波信号的功率值应增大或应减小。
在一个具体示例中,在上述碳纳米管物理分散系统中,所述时序特征提取单元,包括:第一尺度子单元,用于将所述频率-功率级联输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度频率-功率特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;第二尺度子单元,用于将所述频率-功率级联输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度频率-功率特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,多尺度级联子单元,用于将所述第一尺度频率-功率特征向量和所述第二尺度频率-功率特征向量进行级联以得到所述频率-功率时序特征向量。
在一个具体示例中,在上述碳纳米管物理分散系统中,所述空间注意力单元,用于:通过所述使用空间注意力机制的第一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卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述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多个特征矩阵;其中,所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个超声波处理状态特征矩阵。
在一个具体示例中,在上述碳纳米管物理分散系统中,所述特征提取单元,用于:通过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基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出为所述超声波处理状态时序关联特征图,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三维输入张量。
在一个具体示例中,在上述碳纳米管物理分散系统中,所述响应性估计计算,用于:以如下响应性公式计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;其中,所述响应性公式为:
Figure BDA0004210630710000181
其中,Va表示所述频率-功率时序特征向量,Vb表示所述超声波处理状态时序关联特征向量,M表示所述分类特征矩阵,
Figure BDA0004210630710000182
表示矩阵相乘。
在一个具体示例中,在上述碳纳米管物理分散系统中,还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括预定时间段的训练超声波处理监控视频,所述预定时间段内多个预定时间点的超声波信号的训练频率值和训练功率值,以及,所述当前时间点的超声波信号的功率值应增大或应减小的真实值;训练向量排列单元,用于将所述多个预定时间点的超声波信号的训练频率值和训练功率值分别按照时间维度排列为训练频率输入时序向量和训练功率输入时序向量;训练级联单元,用于将所述训练频率输入时序向量和训练功率输入时序向量进行级联以得到训练频率-功率级联输入向量;训练时序特征提取单元,用于将所述训练频率-功率级联输入向量通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练频率-功率时序特征向量;训练关键帧提取单元,用于从所述训练超声波处理监控视频提取所述多个预定时间点对应的训练图像帧作为多个训练超声波处理监控关键帧;训练空间注意力单元,用于将所述多个训练超声波处理监控关键帧分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到多个训练超声波处理状态特征矩阵;训练特征提取单元,用于将所述多个训练超声波处理状态特征矩阵沿着时间维度聚合为训练三维输入张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练超声波处理状态时序关联特征图;训练降维处理单元,用于对所述训练超声波处理状态时序关联特征图进行降维处理以得到训练超声波处理状态时序关联特征向量;训练响应性估计计算单元,用于计算所述训练频率-功率时序特征向量相对于所述训练超声波处理状态时序关联特征向量的响应性估计以得到训练分类特征矩阵;训练分类单元,用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;训练优化单元,用于计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的流式精细化损失函数值;以及,训练单元,用于以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
在一个具体示例中,在上述碳纳米管物理分散系统中,所述训练分类单元,用于:所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以生成训练分类结果,其中,所述分类公式为:softmax{(Wn,Bn):…:(W1,B1)|XProject(F)},其中,Project(F)表示将所述训练分类特征矩阵投影为向量,W1至Wn为权重矩阵,B1至Bn表示偏置矩阵;以及,计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
在一个具体示例中,在上述碳纳米管物理分散系统中,所述训练优化单元,用于:以如下优化公式计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的所述流式精细化损失函数值;其中,所述优化公式为:
Figure BDA0004210630710000191
其中,V1表示所述训练频率-功率时序特征向量,V2表示所述训练超声波处理状态时序关联特征向量,
Figure BDA0004210630710000192
表示向量的二范数的平方,且/>
Figure BDA0004210630710000193
和⊙分别表示向量的逐位置减法和乘法,exp(·)表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,/>
Figure BDA0004210630710000194
表示所述流式精细化损失函数值。
这里,本领域技术人员可以理解,上述碳纳米管物理分散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6的碳纳米管物理分散方法的描述中得到了详细介绍,并因此,将省略其重复描述。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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 (9)

1.一种碳纳米管物理分散方法,其特征在于,包括:
将聚乙烯醇加入到去离子水中搅拌后进行水浴加热以形成聚乙烯醇水溶液,并将所述聚乙烯醇水溶液冷却至室温以得到分散剂和粘结剂,其中,所述粘结剂浓度大于所述分散剂浓度;
将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液;
将固体颗粒加入到所述碳纳米管分散液中进行磁力搅拌以得到混合浆料,再将所述混合浆料静止后除去上层清液以得到纯净混合浆料;以及
将所述纯净混合浆料中加入所述粘结剂进行磁力搅拌后,再在真空加热条件下除去水分,并研磨成粉以得到碳纳米管分散粉末。
2.根据权利要求1所述的碳纳米管物理分散方法,其特征在于,将碳纳米管加入到所述分散剂中形成混合液,并将所述混合液置于水浴中超声处理以得到碳纳米管分散液,包括:
获取由摄像头采集的预定时间段的超声波处理监控视频,以及,所述预定时间段内多个预定时间点的超声波信号的频率值和功率值;
将所述多个预定时间点的超声波信号的频率值和功率值分别按照时间维度排列为频率输入时序向量和功率输入时序向量;
将所述频率输入时序向量和功率输入时序向量进行级联以得到频率-功率级联输入向量;
将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量;
从所述超声波处理监控视频提取所述多个预定时间点对应的图像帧作为多个超声波处理监控关键帧;
将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵;
将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图;
对所述超声波处理状态时序关联特征图进行降维处理以得到超声波处理状态时序关联特征向量;
计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的超声波信号的功率值应增大或应减小。
3.根据权利要求2所述的碳纳米管物理分散方法,其特征在于,将所述频率-功率级联输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到频率-功率时序特征向量,包括:
将所述频率-功率级联输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度频率-功率特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;
将所述频率-功率级联输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度频率-功率特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及
将所述第一尺度频率-功率特征向量和所述第二尺度频率-功率特征向量进行级联以得到所述频率-功率时序特征向量。
4.根据权利要求3所述的碳纳米管物理分散方法,其特征在于,将所述多个超声波处理监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个超声波处理状态特征矩阵,包括:
通过所述使用空间注意力机制的第一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卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述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多个特征矩阵;
其中,所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个超声波处理状态特征矩阵。
5.根据权利要求4所述的碳纳米管物理分散方法,其特征在于,将所述多个超声波处理状态特征矩阵沿着时间维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到超声波处理状态时序关联特征图,包括:通过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基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出为所述超声波处理状态时序关联特征图,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三维输入张量。
6.根据权利要求5所述的碳纳米管物理分散方法,其特征在于,计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵,包括:
以如下响应性公式计算所述频率-功率时序特征向量相对于所述超声波处理状态时序关联特征向量的响应性估计以得到分类特征矩阵;
其中,所述响应性公式为:
Figure FDA0004210630700000031
其中,Va表示所述频率-功率时序特征向量,Vb表示所述超声波处理状态时序关联特征向量,M表示所述分类特征矩阵,
Figure FDA0004210630700000032
表示矩阵相乘。
7.根据权利要求6所述的碳纳米管物理分散方法,其特征在于,还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练的训练模块;
其中,所述训练模块,包括:
获取训练数据,所述训练数据包括预定时间段的训练超声波处理监控视频,所述预定时间段内多个预定时间点的超声波信号的训练频率值和训练功率值,以及,所述当前时间点的超声波信号的功率值应增大或应减小的真实值;
将所述多个预定时间点的超声波信号的训练频率值和训练功率值分别按照时间维度排列为训练频率输入时序向量和训练功率输入时序向量;
将所述训练频率输入时序向量和训练功率输入时序向量进行级联以得到训练频率-功率级联输入向量;
将所述训练频率-功率级联输入向量通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练频率-功率时序特征向量;
从所述训练超声波处理监控视频提取所述多个预定时间点对应的训练图像帧作为多个训练超声波处理监控关键帧;
将所述多个训练超声波处理监控关键帧分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到多个训练超声波处理状态特征矩阵;
将所述多个训练超声波处理状态特征矩阵沿着时间维度聚合为训练三维输入张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练超声波处理状态时序关联特征图;
对所述训练超声波处理状态时序关联特征图进行降维处理以得到训练超声波处理状态时序关联特征向量;
计算所述训练频率-功率时序特征向量相对于所述训练超声波处理状态时序关联特征向量的响应性估计以得到训练分类特征矩阵;
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;
计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的流式精细化损失函数值;以及
以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
8.根据权利要求7所述的碳纳米管物理分散方法,其特征在于,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值,包括:
所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以生成训练分类结果,其中,所述分类公式为:
softmax{(Wn,Bn):…:(W1,B1)|XProject(F)},其中,Project(F)表示将所述训练分类特征矩阵投影为向量,W1至Wn为权重矩阵,B1至Bn表示偏置矩阵;以及
计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
9.根据权利要求8所述的碳纳米管物理分散方法,其特征在于,计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的流式精细化损失函数值,包括:
以如下优化公式计算所述训练频率-功率时序特征向量和所述训练超声波处理状态时序关联特征向量的所述流式精细化损失函数值;
其中,所述优化公式为:
Figure FDA0004210630700000041
其中,V1表示所述训练频率-功率时序特征向量,V2表示所述训练超声波处理状态时序关联特征向量,
Figure FDA0004210630700000042
表示向量的二范数的平方,且/>
Figure FDA0004210630700000043
和⊙分别表示向量的逐位置减法和乘法,exp(·)表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,/>
Figure FDA0004210630700000044
表示所述流式精细化损失函数值。
CN202310491938.7A 2023-05-04 2023-05-04 碳纳米管物理分散方法 Pending CN116375006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310491938.7A CN116375006A (zh) 2023-05-04 2023-05-04 碳纳米管物理分散方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310491938.7A CN116375006A (zh) 2023-05-04 2023-05-04 碳纳米管物理分散方法

Publications (1)

Publication Number Publication Date
CN116375006A true CN116375006A (zh) 2023-07-04

Family

ID=86976998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310491938.7A Pending CN116375006A (zh) 2023-05-04 2023-05-04 碳纳米管物理分散方法

Country Status (1)

Country Link
CN (1) CN116375006A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116971052A (zh) * 2023-07-07 2023-10-31 杭州帝凯工业布有限公司 一种高强度尼龙长丝及其制备方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105771762A (zh) * 2016-03-11 2016-07-20 北京工业大学 一种碳纳米管的物理分散方法
CN115456012A (zh) * 2022-08-24 2022-12-09 华能新能源股份有限公司 风电场风机大部件状态监测系统及其方法
CN115620195A (zh) * 2022-10-11 2023-01-17 浙江亚光科技股份有限公司 胶塞清洗机及其控制方法
JP7231777B1 (ja) * 2021-08-18 2023-03-01 成都富安納新材料科技有限公司 易分散型活性ナノカーボン粉末及びその調製方法
CN115857359A (zh) * 2022-12-27 2023-03-28 广东非凡实业有限公司 高强度泥土的制备工艺及其系统
CN115863193A (zh) * 2022-12-27 2023-03-28 江西蓝微电子科技有限公司 一种镀金钯铜基键合丝及其制备方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105771762A (zh) * 2016-03-11 2016-07-20 北京工业大学 一种碳纳米管的物理分散方法
JP7231777B1 (ja) * 2021-08-18 2023-03-01 成都富安納新材料科技有限公司 易分散型活性ナノカーボン粉末及びその調製方法
CN115456012A (zh) * 2022-08-24 2022-12-09 华能新能源股份有限公司 风电场风机大部件状态监测系统及其方法
CN115620195A (zh) * 2022-10-11 2023-01-17 浙江亚光科技股份有限公司 胶塞清洗机及其控制方法
CN115857359A (zh) * 2022-12-27 2023-03-28 广东非凡实业有限公司 高强度泥土的制备工艺及其系统
CN115863193A (zh) * 2022-12-27 2023-03-28 江西蓝微电子科技有限公司 一种镀金钯铜基键合丝及其制备方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116971052A (zh) * 2023-07-07 2023-10-31 杭州帝凯工业布有限公司 一种高强度尼龙长丝及其制备方法
CN116971052B (zh) * 2023-07-07 2024-03-08 杭州帝凯工业布有限公司 一种高强度尼龙长丝及其制备方法

Similar Documents

Publication Publication Date Title
Qin et al. A biological image classification method based on improved CNN
Zhang et al. Context encoding for semantic segmentation
CN116048031B (zh) 用于石油助剂生产的控制系统及其方法
CN116375006A (zh) 碳纳米管物理分散方法
Yeswanth et al. Residual skip network-based super-resolution for leaf disease detection of grape plant
CN116164497A (zh) 液氧制备过程中的精馏控制系统及其方法
CN116434117A (zh) 一种复合聚丙烯酰胺驱油剂的制备方法
CN116683092A (zh) 新能源汽车电池的拆解系统及其方法
CN105260736A (zh) 基于归一化非负稀疏编码器的图像快速特征表示方法
Qin et al. Multi-resolution space-attended residual dense network for single image super-resolution
CN117404853A (zh) 隧道掘进机外用循环水冷却系统及方法
Zeng et al. Domestic activities classification from audio recordings using multi-scale dilated depthwise separable convolutional network
CN116072355A (zh) 光伏线及其智能化制造方法
CN116177858A (zh) 高纯石英坩埚的制备方法及其系统
CN115019397A (zh) 一种基于时空信息聚合的对比自监督人体行为识别方法及系统
Zhang et al. Se-dcgan: a new method of semantic image restoration
Yang et al. Image classification based on saliency coding with category-specific codebooks
CN116835540B (zh) 一种五氟化磷的制备方法
Shi et al. Pairwise attention encoding for point cloud feature learning
Lee et al. A lightweight end-to-end neural networks for decoding of motor imagery brain signal
CN116825217B (zh) 制备高纯五氟化磷的方法
Tian et al. Multi-scale sampling attention graph convolutional networks for skeleton-based action recognition
Ou et al. Complex scene segmentation with local to global self-attention module and feature alignment module
CN117933346B (zh) 一种基于自监督强化学习的即时奖励学习方法
CN116524416B (zh) 医疗实验用动物血清提取设备

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