CN116539952A - 基于物联网的毫米波治疗仪功率智能采样方法及系统 - Google Patents
基于物联网的毫米波治疗仪功率智能采样方法及系统 Download PDFInfo
- Publication number
- CN116539952A CN116539952A CN202310813896.4A CN202310813896A CN116539952A CN 116539952 A CN116539952 A CN 116539952A CN 202310813896 A CN202310813896 A CN 202310813896A CN 116539952 A CN116539952 A CN 116539952A
- Authority
- CN
- China
- Prior art keywords
- power
- waveform
- sampling
- signal
- feature
- 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.)
- Granted
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 283
- 230000001225 therapeutic effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 38
- 239000000523 sample Substances 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 177
- 230000004913 activation Effects 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 17
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/02—Radiation therapy using microwaves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Power Engineering (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Surgical Instruments (AREA)
Abstract
公开了一种基于物联网的毫米波治疗仪功率智能采样方法及系统。其包括:在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;通过所述功率探头采集输出功率信号;对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;以及,基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。这样,可以获得高精准度的功率测量和功率控制。
Description
技术领域
本申请涉及智能采样领域,且更为具体地,涉及一种基于物联网的毫米波治疗仪功率智能采样方法及系统。
背景技术
毫米波治疗仪是一种利用毫米波电磁波对人体进行非接触式的生物效应治疗的医疗器械。毫米波治疗仪的功率是影响其治疗效果和安全性的重要参数,因此需要对其进行准确的测量和控制。然而,由于毫米波的高频率、高衰减和高方向性等特点,传统的功率测量方法难以适用于毫米波治疗仪。
因此,期待一种优化的毫米波治疗仪功率智能采样方案。
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基于物联网的毫米波治疗仪功率智能采样方法及系统。其包括:在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;通过所述功率探头采集输出功率信号;对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;以及,基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。这样,可以获得高精准度的功率测量和功率控制。
根据本申请的一个方面,提供了一种基于物联网的毫米波治疗仪功率智能采样方法,其包括:
在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;
通过所述功率探头采集输出功率信号;
对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;
将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;
以及基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。
在上述的基于物联网的毫米波治疗仪功率智能采样方法中,对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号,包括:
对所述输出功率采样信号通过放大器进行放大处理以得到放大输出功率采样信号;
对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号;
将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量;
将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量;
以及将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号。
在上述的基于物联网的毫米波治疗仪功率智能采样方法中,所述基于卷积神经网络模型的波形特征提取器包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、全连接层和输出层。
在上述的基于物联网的毫米波治疗仪功率智能采样方法中,所述第一卷积层使用16个大小为3x3的卷积核,步长为1,padding为1,所述第二卷积层使用32个大小为3x3的卷积核,步长为1。
在上述的基于物联网的毫米波治疗仪功率智能采样方法中,将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量,包括:
所述基于卷积神经网络模型的波形特征提取器的各层在层的正向传递中对输入数据分别进行:
将输入数据输入所述第一卷积层进行卷积处理以得到第一卷积特征图;
将所述第一卷积特征图输入所述第一激活层进行非线性激活以得到第一激活特征图;
将所述第一激活特征图输入所述第二卷积层进行卷积处理以得到第二卷积特征图;
将所述第二卷积特征图输入所述第二激活层进行非线性激活以得到第二激活特征图;
使用所述全连接层对所述第二激活特征图进行全连接编码;
其中,所述基于卷积神经网络模型的波形特征提取器的所述输出层的输出为所述多个功率采样窗波形特征向量,所述基于卷积神经网络模型的波形特征提取器的所述输入层的输入为所述多个功率采样窗信号中的各个功率采样窗信号。
在上述的基于物联网的毫米波治疗仪功率智能采样方法中,将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量,包括:
将所述多个功率采样窗波形特征向量通过所述基于转换器模型的功率波形间关联特征提取器以得到多个上下文功率采样窗波形特征向量;
以及融合所述多个上下文功率采样窗波形特征向量以得到所述功率波形全局特征向量。
在上述的基于物联网的毫米波治疗仪功率智能采样方法中,将所述多个功率采样窗波形特征向量通过所述基于转换器模型的功率波形间关联特征提取器以得到多个上下文功率采样窗波形特征向量,包括:
将所述多个功率采样窗波形特征向量进行一维排列以得到全局功率特征向量;
计算所述全局功率特征向量与所述多个功率采样窗波形特征向量中各个功率采样窗波形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功率采样窗波形特征向量中各个功率采样窗波形特征向量进行加权以得到所述多个上下文功率采样窗波形特征向量。
在上述的基于物联网的毫米波治疗仪功率智能采样方法中,融合所述多个上下文功率采样窗波形特征向量以得到所述功率波形全局特征向量,包括;
以如下优化公式对所述多个上下文功率采样窗波形特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文功率采样窗波形特征向量;
其中,所述优化公式为:
其中,是第/>个所述上下文功率采样窗波形特征向量,/>是第/>个所述上下文功率采样窗波形特征向量,/>是均值特征向量,/>为邻域设置超参数,/>表示以2为底的对数函数,/>表示按位置减法,/>是第/>个所述优化上下文功率采样窗波形特征向量;
以及将所述多个优化上下文功率采样窗波形特征向量进行级联以得到所述功率波形全局特征向量。
在上述的基于物联网的毫米波治疗仪功率智能采样方法中,所述对抗生成网络包括鉴别器和生成器。
根据本申请的另一个方面,提供了一种基于物联网的毫米波治疗仪功率智能采样系统,其包括:
功率探头设置模块,用于在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;
信号采集模块,用于通过所述功率探头采集输出功率信号;
信号处理模块,用于对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;
输出功率值获取模块,用于将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;
以及反馈控制模块,用于基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。
与现有技术相比,本申请提供的基于物联网的毫米波治疗仪功率智能采样方法及系统,其包括:在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;通过所述功率探头采集输出功率信号;对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;以及,基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。这样,可以获得高精准度的功率测量和功率控制。
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基于物联网的毫米波治疗仪功率智能采样方法的流程图。
图2为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法的子步骤S130的应用场景图。
图3为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法的子步骤S130的流程图。
图4为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法的子步骤S130的架构示意图。
图5为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法的子步骤S134的流程图。
图6为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法的子步骤S1341的流程图。
图7为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样系统的框图。
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。
针对上述技术问题,本申请提供了一种基于物联网的毫米波治疗仪功率智能采样方案,其首先在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头,这样构建所述毫米波治疗仪的物联网系统并通过对由所述功率探头所采集的输出功率信号进行采样分析和反馈控制来提高功率测量的精准度和功率控制的精准度。
具体地,在本申请的技术方案中,如图1所示,所述基于物联网的毫米波治疗仪功率智能采样方法,包括步骤:S110,在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;S120,通过所述功率探头采集输出功率信号;S130,对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;S140,将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;以及,S150,基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。
在上述基于物联网的毫米波治疗仪功率智能采样方案中,关键在于:对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号。然而,所述输出功率信号本身是微弱信号且受限于所述功率探头自身的传感器性能局限,对所述输出功率信号进行处理存在技术难点。相应地,在本申请的技术方案中,基于所述输出功率信号的波形特征并利用基于深度学习的对抗生成思想来输出幅值稳定的优化输出功率信号,通过这样的方式,来得到满足要求的幅值稳定的优化输出功率信号。
具体地,在本申请的技术方案中,首先对所述输出功率采样信号通过放大器进行放大处理以得到放大输出功率采样信号。对于毫米波治疗仪输出功率的采样信号,由于其幅值较小,需要经过放大器进行放大处理,以便更好地进行信号处理和控制。放大器可以将采样信号的幅值放大到适当的范围,使得后续的信号处理和控制更加准确和稳定。
接着,对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号。考虑到所述输出功率采样信号中存在诸多噪声和异常分布,在通过所述放大器进行放大处理的过程中,噪声和异常分布同样也会被放大。因此,在本申请的技术方案中,首先对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号,这样通过滑窗采样可以部分地过滤到噪声和异常分布,同时还能够保留大量的有效成分来进行后续的信号分析和信号生成优化。
进而,将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量。在本申请的技术方案中,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个所述功率采样窗信号的波形特征,包括幅值、频率、波动等。在本申请一个具体的示例中,所述卷积神经网络模型所包含的卷积层的层数为2-3层。更明确地,所述卷积神经网络模型的网络结构为:输入层->卷积层1->激活函数1->卷积层2->激活函数2->全连接层->输出层。也就是说,所述第一卷积神经网络模型包括2个卷积层,用于对所述样品感兴趣区域图像进行卷积运算以提取所述样品感兴趣区域图像的图像浅层特征。更具体地,所述第一卷积层使用16个大小为3x3的卷积核,步长为1,padding为1,激活函数使用ReLU。所述第二卷积层使用32个大小为3x3的卷积核,步长为1,padding为1,激活函数使用ReLU。
应可以理解,在本申请的技术方案中,各个所述功率采样窗信号共同组成了完整的放大输出功率采样信号,也就是,所述多个功率采样窗波形特征向量的特征分布共同表征放大输出功率采样信号的全局特征。因此,在本申请的技术方案中,将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量。也就是,使用基于转换器模型的功率波形间关联特征提取器通过自注意力机制对所述多个功率采样窗波形特征向量进行基于全局的上下文语义编码以得到多个上下文功率采样窗波形特征向量,继而将所述多个上下文功率采样窗波形特征向量进行融合以得到所述功率波形全局特征向量。
在得到所述放大输出功率采样信号的特征表示后,将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号。也就是,利用对抗生成思想来生成所述述幅值稳定的优化输出功率信号。具体地,所述对抗生成网络包括生成器和鉴别器,所述生成器用于生成放大输出功率采样信号对应的优化输出功率信号,而所述鉴别器用于计算优化输出功率信号和真实的优化输出功率信号之间的鉴别器损失函数值,并通过所述鉴别器损失函数值作为损失函数值来训练所述生成器以使得所述生成器所生成的优化输出功率信号接近于真实的优化输出功率信号的自然分布。
特别地,在本申请的技术方案中,在将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量时,所述各个上下文功率采样窗波形特征向量表达各个功率采样窗信号的波形特征的上下文全局关联图像语义,因此,在融合所述多个上下文功率采样窗波形特征向量以得到功率波形全局特征向量时,所述功率波形全局特征向量相当于每个功率采样窗信号的上下文功率采样窗波形特征向量对应的局部特征集合的组合特征集合。
并且,由于所述多个上下文功率采样窗波形特征向量的特征分布之间具有由基于转换器模型的功率波形间关联特征提取器所编码的特征语义的上下文关联性,因此所述基于转换器模型的功率波形间关联特征提取器除了具有相互关联的邻域分布关系外,其间还具有对应于所述功率采样窗信号的每个图像语义的多源信息关联关系。
因此,为了提升所述功率波形全局特征向量作为整体对所述上下文功率采样窗波形特征向量的图像语义特征关联信息的表达效果,本申请的申请人对每个上下文功率采样窗波形特征向量,例如记为进行多源信息融合验前分布评估优化,以获得优化后的上下文功率采样窗波形特征向量/>,具体表示为:
其中为邻域设置超参数,特征向量/>可以为全零向量或者单位向量。
这里,所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合,基于特征分布融合稳健性的类极大似然估计,来实现特征向量各自的验前信息在局部合成分布上的有效折合,并通过多源情况下的验前分布构建,来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式,以提升特征向量基于多源信息关联融合的信息表达效果。由此,再将优化后的上下文功率采样窗波形特征向量进行融合以得到所述功率波形全局特征向量,就可以进一步提升得到的所述功率波形全局特征向量的信息表达效果,从而提升所述功率波形全局特征向量通过所述对抗生成网络生成的幅值稳定的优化输出功率信号的精准度。
图2为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法的子步骤S130的应用场景图。如图2所示,在该应用场景中,将采集的所述输出功率信号(例如,图2中所示意的D)输入至部署有基于物联网的毫米波治疗仪功率智能采样算法的服务器中(例如,图2中所示意的S),其中,所述服务器能够使用所述基于物联网的毫米波治疗仪功率智能采样算法对所述输出功率采样信号进行处理以得到幅值稳定的优化输出功率信号。
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3为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法的子步骤S130的流程图。如图3所示,根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法,对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号,包括:S131,对所述输出功率采样信号通过放大器进行放大处理以得到放大输出功率采样信号;S132,对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号;S133,将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量;S134,将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量;以及,S135,将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号。
图4为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法的子步骤S130的架构示意图。如图4所示,在该网络架构中,首先,对所述输出功率采样信号通过放大器进行放大处理以得到放大输出功率采样信号;接着,对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号;然后,将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量;接着,将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量;最后,将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号。
更具体地,在步骤S131中,对所述输出功率采样信号通过放大器进行放大处理以得到放大输出功率采样信号。对于毫米波治疗仪输出功率的采样信号,由于其幅值较小,需要经过放大器进行放大处理,以便更好地进行信号处理和控制。放大器可以将采样信号的幅值放大到适当的范围,使得后续的信号处理和控制更加准确和稳定。
更具体地,在步骤S132中,对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号。所述输出功率采样信号中存在诸多噪声和异常分布,在通过所述放大器进行放大处理的过程中,噪声和异常分布同样也会被放大。因此,在本申请的技术方案中,首先对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号,这样通过滑窗采样可以部分地过滤到噪声和异常分布,同时还能够保留大量的有效成分来进行后续的信号分析和信号生成优化。
更具体地,在步骤S133中,将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量。使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个所述功率采样窗信号的波形特征,包括幅值、频率、波动等。
相应地,在一个具体示例中,所述基于卷积神经网络模型的波形特征提取器包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、全连接层和输出层。其中,所述第一卷积层使用16个大小为3x3的卷积核,步长为1,padding为1,所述第二卷积层使用32个大小为3x3的卷积核,步长为1。
相应地,在一个具体示例中,将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量,包括:所述基于卷积神经网络模型的波形特征提取器的各层在层的正向传递中对输入数据分别进行:将输入数据输入所述第一卷积层进行卷积处理以得到第一卷积特征图;将所述第一卷积特征图输入所述第一激活层进行非线性激活以得到第一激活特征图;将所述第一激活特征图输入所述第二卷积层进行卷积处理以得到第二卷积特征图;将所述第二卷积特征图输入所述第二激活层进行非线性激活以得到第二激活特征图;使用所述全连接层对所述第二激活特征图进行全连接编码;其中,所述基于卷积神经网络模型的波形特征提取器的所述输出层的输出为所述多个功率采样窗波形特征向量,所述基于卷积神经网络模型的波形特征提取器的所述输入层的输入为所述多个功率采样窗信号中的各个功率采样窗信号。
更具体地,在步骤S134中,将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量。应可以理解,各个所述功率采样窗信号共同组成了完整的放大输出功率采样信号,也就是,所述多个功率采样窗波形特征向量的特征分布共同表征放大输出功率采样信号的全局特征。因此,本申请将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量。也就是,使用基于转换器模型的功率波形间关联特征提取器通过自注意力机制对所述多个功率采样窗波形特征向量进行基于全局的上下文语义编码以得到多个上下文功率采样窗波形特征向量,继而将所述多个上下文功率采样窗波形特征向量进行融合以得到所述功率波形全局特征向量。
相应地,在一个具体示例中,如图5所示,将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量,包括:S1341,将所述多个功率采样窗波形特征向量通过所述基于转换器模型的功率波形间关联特征提取器以得到多个上下文功率采样窗波形特征向量;以及,S1342,融合所述多个上下文功率采样窗波形特征向量以得到所述功率波形全局特征向量。
相应地,在一个具体示例中,如图6所示,将所述多个功率采样窗波形特征向量通过所述基于转换器模型的功率波形间关联特征提取器以得到多个上下文功率采样窗波形特征向量,包括:S13411,将所述多个功率采样窗波形特征向量进行一维排列以得到全局功率特征向量;S13412,计算所述全局功率特征向量与所述多个功率采样窗波形特征向量中各个功率采样窗波形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;S13413,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;S13414,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,S13415,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功率采样窗波形特征向量中各个功率采样窗波形特征向量进行加权以得到所述多个上下文功率采样窗波形特征向量。
所述多个上下文功率采样窗波形特征向量的特征分布之间具有由基于转换器模型的功率波形间关联特征提取器所编码的特征语义的上下文关联性,因此所述基于转换器模型的功率波形间关联特征提取器除了具有相互关联的邻域分布关系外,其间还具有对应于所述功率采样窗信号的每个图像语义的多源信息关联关系。因此,为了提升所述功率波形全局特征向量作为整体对所述上下文功率采样窗波形特征向量的图像语义特征关联信息的表达效果,本申请的申请人对每个上下文功率采样窗波形特征向量进行多源信息融合验前分布评估优化,以获得优化后的上下文功率采样窗波形特征向量。
相应地,在一个具体示例中,融合所述多个上下文功率采样窗波形特征向量以得到所述功率波形全局特征向量,包括;以如下优化公式对所述多个上下文功率采样窗波形特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文功率采样窗波形特征向量;其中,所述优化公式为:
其中,是第/>个所述上下文功率采样窗波形特征向量,/>是第/>个所述上下文功率采样窗波形特征向量,/>是均值特征向量,/>为邻域设置超参数,/>表示以2为底的对数函数,/>表示按位置减法,/>是第/>个所述优化上下文功率采样窗波形特征向量;以及,将所述多个优化上下文功率采样窗波形特征向量进行级联以得到所述功率波形全局特征向量。
这里,所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合,基于特征分布融合稳健性的类极大似然估计,来实现特征向量各自的验前信息在局部合成分布上的有效折合,并通过多源情况下的验前分布构建,来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式,以提升特征向量基于多源信息关联融合的信息表达效果。由此,再将优化后的上下文功率采样窗波形特征向量进行融合以得到所述功率波形全局特征向量,就可以进一步提升得到的所述功率波形全局特征向量的信息表达效果,从而提升所述功率波形全局特征向量通过所述对抗生成网络生成的幅值稳定的优化输出功率信号的精准度。
更具体地,在步骤S135中,将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号。也就是,利用对抗生成思想来生成所述述幅值稳定的优化输出功率信号。
相应地,在一个具体示例中,所述对抗生成网络包括鉴别器和生成器。所述生成器用于生成放大输出功率采样信号对应的优化输出功率信号,而所述鉴别器用于计算优化输出功率信号和真实的优化输出功率信号之间的鉴别器损失函数值,并通过所述鉴别器损失函数值作为损失函数值来训练所述生成器以使得所述生成器所生成的优化输出功率信号接近于真实的优化输出功率信号的自然分布。
相应地,将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号,包括:将所述功率波形全局特征向量输入所述基于对抗生成网络的功率信号生成器以由所述基于对抗生成网络的功率信号生成器的生成器通过反卷积编码输出所述幅值稳定的优化输出功率信号。
综上,基于本申请实施例的基于物联网的毫米波治疗仪功率智能采样方法,其首先对所述输出功率采样信号通过放大器进行放大处理以得到放大输出功率采样信号,接着,对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号,然后,将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量,接着,将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量,最后,将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号。这样,可以对输出功率信号进行智能的优化。
图7为根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样系统100的框图。如图7所示,根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样系统100,包括:功率探头设置模块110,用于在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;信号采集模块120,用于通过所述功率探头采集输出功率信号;信号处理模块130,用于对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;输出功率值获取模块140,用于将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;以及,反馈控制模块150,用于基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。
在一个示例中,在上述基于物联网的毫米波治疗仪功率智能采样系统100中,所述信号处理模块130,包括:放大单元,用于对所述输出功率采样信号通过放大器进行放大处理以得到放大输出功率采样信号;滑窗采样单元,用于对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号;波形特征提取单元,用于将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量;功率波形间关联特征提取单元,用于将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量;以及,功率信号生成单元,用于将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号。
在一个示例中,在上述基于物联网的毫米波治疗仪功率智能采样系统100中,所述基于卷积神经网络模型的波形特征提取器包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、全连接层和输出层。
在一个示例中,在上述基于物联网的毫米波治疗仪功率智能采样系统100中,所述第一卷积层使用16个大小为3x3的卷积核,步长为1,padding为1,所述第二卷积层使用32个大小为3x3的卷积核,步长为1。
在一个示例中,在上述基于物联网的毫米波治疗仪功率智能采样系统100中,所述波形特征提取单元,用于:所述基于卷积神经网络模型的波形特征提取器的各层在层的正向传递中对输入数据分别进行:将输入数据输入所述第一卷积层进行卷积处理以得到第一卷积特征图;将所述第一卷积特征图输入所述第一激活层进行非线性激活以得到第一激活特征图;将所述第一激活特征图输入所述第二卷积层进行卷积处理以得到第二卷积特征图;将所述第二卷积特征图输入所述第二激活层进行非线性激活以得到第二激活特征图;使用所述全连接层对所述第二激活特征图进行全连接编码;其中,所述基于卷积神经网络模型的波形特征提取器的所述输出层的输出为所述多个功率采样窗波形特征向量,所述基于卷积神经网络模型的波形特征提取器的所述输入层的输入为所述多个功率采样窗信号中的各个功率采样窗信号。
在一个示例中,在上述基于物联网的毫米波治疗仪功率智能采样系统100中,所述功率波形间关联特征提取单元,用于:将所述多个功率采样窗波形特征向量通过所述基于转换器模型的功率波形间关联特征提取器以得到多个上下文功率采样窗波形特征向量;以及,融合所述多个上下文功率采样窗波形特征向量以得到所述功率波形全局特征向量。
在一个示例中,在上述基于物联网的毫米波治疗仪功率智能采样系统100中,将所述多个功率采样窗波形特征向量通过所述基于转换器模型的功率波形间关联特征提取器以得到多个上下文功率采样窗波形特征向量,包括:将所述多个功率采样窗波形特征向量进行一维排列以得到全局功率特征向量;计算所述全局功率特征向量与所述多个功率采样窗波形特征向量中各个功率采样窗波形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功率采样窗波形特征向量中各个功率采样窗波形特征向量进行加权以得到所述多个上下文功率采样窗波形特征向量。
在一个示例中,在上述基于物联网的毫米波治疗仪功率智能采样系统100中,融合所述多个上下文功率采样窗波形特征向量以得到所述功率波形全局特征向量,包括;以如下优化公式对所述多个上下文功率采样窗波形特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文功率采样窗波形特征向量;其中,所述优化公式为:
其中,是第/>个所述上下文功率采样窗波形特征向量,/>是第/>个所述上下文功率采样窗波形特征向量,/>是均值特征向量,/>为邻域设置超参数,/>表示以2为底的对数函数,/>表示按位置减法,/>是第/>个所述优化上下文功率采样窗波形特征向量;以及,将所述多个优化上下文功率采样窗波形特征向量进行级联以得到所述功率波形全局特征向量。
在一个示例中,在上述基于物联网的毫米波治疗仪功率智能采样系统100中,所述对抗生成网络包括鉴别器和生成器。
这里,本领域技术人员可以理解,上述基于物联网的毫米波治疗仪功率智能采样系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的基于物联网的毫米波治疗仪功率智能采样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基于物联网的毫米波治疗仪功率智能采样系统100可以实现在各种无线终端中,例如具有基于物联网的毫米波治疗仪功率智能采样算法的服务器等。在一个示例中,根据本申请实施例的基于物联网的毫米波治疗仪功率智能采样系统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,该基于物联网的毫米波治疗仪功率智能采样系统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,该基于物联网的毫米波治疗仪功率智能采样系统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,该基于物联网的毫米波治疗仪功率智能采样系统100与该无线终端也可以是分立的设备,并且该基于物联网的毫米波治疗仪功率智能采样系统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 (10)
1.一种基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,包括:
在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;
通过所述功率探头采集输出功率信号;
对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;
将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;
以及基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。
2.根据权利要求1所述的基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号,包括:
对所述输出功率采样信号通过放大器进行放大处理以得到放大输出功率采样信号;
对所述放大输出功率采样信号进行基于采样窗的滑窗采样以得到多个功率采样窗信号;
将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量;
将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量;
以及将所述功率波形全局特征向量通过基于对抗生成网络的功率信号生成器以得到所述幅值稳定的优化输出功率信号。
3.根据权利要求2所述的基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,所述基于卷积神经网络模型的波形特征提取器包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、全连接层和输出层。
4.根据权利要求3所述的基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,所述第一卷积层使用16个大小为3x3的卷积核,步长为1,padding为1,所述第二卷积层使用32个大小为3x3的卷积核,步长为1。
5.根据权利要求4所述的基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,将所述多个功率采样窗信号分别通过基于卷积神经网络模型的波形特征提取器以得到多个功率采样窗波形特征向量,包括:
所述基于卷积神经网络模型的波形特征提取器的各层在层的正向传递中对输入数据分别进行:
将输入数据输入所述第一卷积层进行卷积处理以得到第一卷积特征图;
将所述第一卷积特征图输入所述第一激活层进行非线性激活以得到第一激活特征图;
将所述第一激活特征图输入所述第二卷积层进行卷积处理以得到第二卷积特征图;
将所述第二卷积特征图输入所述第二激活层进行非线性激活以得到第二激活特征图;
使用所述全连接层对所述第二激活特征图进行全连接编码;
其中,所述基于卷积神经网络模型的波形特征提取器的所述输出层的输出为所述多个功率采样窗波形特征向量,所述基于卷积神经网络模型的波形特征提取器的所述输入层的输入为所述多个功率采样窗信号中的各个功率采样窗信号。
6.根据权利要求5所述的基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,将所述多个功率采样窗波形特征向量通过基于转换器模型的功率波形间关联特征提取器以得到功率波形全局特征向量,包括:
将所述多个功率采样窗波形特征向量通过所述基于转换器模型的功率波形间关联特征提取器以得到多个上下文功率采样窗波形特征向量;
以及融合所述多个上下文功率采样窗波形特征向量以得到所述功率波形全局特征向量。
7.根据权利要求6所述的基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,将所述多个功率采样窗波形特征向量通过所述基于转换器模型的功率波形间关联特征提取器以得到多个上下文功率采样窗波形特征向量,包括:
将所述多个功率采样窗波形特征向量进行一维排列以得到全局功率特征向量;
计算所述全局功率特征向量与所述多个功率采样窗波形特征向量中各个功率采样窗波形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功率采样窗波形特征向量中各个功率采样窗波形特征向量进行加权以得到所述多个上下文功率采样窗波形特征向量。
8.根据权利要求7所述的基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,融合所述多个上下文功率采样窗波形特征向量以得到所述功率波形全局特征向量,包括;
以如下优化公式对所述多个上下文功率采样窗波形特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文功率采样窗波形特征向量;
其中,所述优化公式为:
其中,/>是第/>个所述上下文功率采样窗波形特征向量,/>是第/>个所述上下文功率采样窗波形特征向量,/>是均值特征向量,/>为邻域设置超参数,/>表示以2为底的对数函数,/>表示按位置减法,/>是第/>个所述优化上下文功率采样窗波形特征向量;
以及将所述多个优化上下文功率采样窗波形特征向量进行级联以得到所述功率波形全局特征向量。
9.根据权利要求8所述的基于物联网的毫米波治疗仪功率智能采样方法,其特征在于,所述对抗生成网络包括鉴别器和生成器。
10.一种基于物联网的毫米波治疗仪功率智能采样系统,其特征在于,包括:
功率探头设置模块,用于在所述毫米波治疗仪的输出端设置可调节的衰减器以及在所述衰减器的输出端设置功率探头;
信号采集模块,用于通过所述功率探头采集输出功率信号;
信号处理模块,用于对所述输出功率信号进行处理以得到幅值稳定的优化输出功率信号;
输出功率值获取模块,用于将所述优化输出功率信号转化为数字信号,并对所述数字信号进行采样以得到输出功率值;
以及反馈控制模块,用于基于所述输出功率值和预设功率值,对所述衰减器进行反馈控制以使得输出功率达到所述预设功率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813896.4A CN116539952B (zh) | 2023-07-05 | 2023-07-05 | 基于物联网的毫米波治疗仪功率智能采样方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813896.4A CN116539952B (zh) | 2023-07-05 | 2023-07-05 | 基于物联网的毫米波治疗仪功率智能采样方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116539952A true CN116539952A (zh) | 2023-08-04 |
CN116539952B CN116539952B (zh) | 2023-09-26 |
Family
ID=87452833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310813896.4A Active CN116539952B (zh) | 2023-07-05 | 2023-07-05 | 基于物联网的毫米波治疗仪功率智能采样方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116539952B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201811992U (zh) * | 2010-09-02 | 2011-04-27 | 武汉滨湖电子有限责任公司 | 射频功率测试仪 |
CN102323531A (zh) * | 2011-05-26 | 2012-01-18 | 中国科学院上海微系统与信息技术研究所 | 一种毫米波功率放大器的参数自动测试方法与测试系统 |
US20140002196A1 (en) * | 2012-06-25 | 2014-01-02 | Paul H. Leek | Method and system for controlling the frequency of a high power microwave source |
CN103546110A (zh) * | 2013-10-09 | 2014-01-29 | 京信通信系统(中国)有限公司 | 一种衰减控制电压确定方法、装置及alc电路 |
CN104122442A (zh) * | 2014-07-24 | 2014-10-29 | 中国科学院上海微系统与信息技术研究所 | 毫米波自由振荡源自动测试系统及测试方法 |
CN104515594A (zh) * | 2014-12-15 | 2015-04-15 | 中国工程物理研究院应用电子学研究所 | 一种毫米波高功率密度大束斑时空分布测量装置 |
CN106200751A (zh) * | 2016-08-15 | 2016-12-07 | 中国电子科技集团公司第四十研究所 | 一种中频信号功率自动调节电路及方法 |
CN106998234A (zh) * | 2017-02-17 | 2017-08-01 | 加特兰微电子科技(上海)有限公司 | 测试系统、分类系统以及测试方法 |
CN108168843A (zh) * | 2017-12-22 | 2018-06-15 | 长飞光纤光缆股份有限公司 | 一种快速测量不同传输波长下光纤链路衰减特性的装置及方法 |
CN111447018A (zh) * | 2020-03-26 | 2020-07-24 | 中国信息通信研究院 | 一种毫米波多终端分组测试系统和方法 |
CN111769806A (zh) * | 2020-06-05 | 2020-10-13 | 佛山市联动科技股份有限公司 | 一种功率放大器的功率稳定方法 |
CN111835342A (zh) * | 2020-07-24 | 2020-10-27 | 中国人民解放军海军航空大学 | 一种毫米波雷达信号发生器 |
CN113092976A (zh) * | 2021-03-17 | 2021-07-09 | 浙江铖昌科技股份有限公司 | 一种射频微波大功率器件测试系统及测试方法 |
CN114899566A (zh) * | 2022-07-08 | 2022-08-12 | 北京中成康富科技股份有限公司 | 一种波形变换衰减装置及毫米波治疗仪 |
WO2023103798A1 (zh) * | 2021-12-10 | 2023-06-15 | 中兴通讯股份有限公司 | 功率测量方法及其装置、存储介质、程序产品 |
-
2023
- 2023-07-05 CN CN202310813896.4A patent/CN116539952B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201811992U (zh) * | 2010-09-02 | 2011-04-27 | 武汉滨湖电子有限责任公司 | 射频功率测试仪 |
CN102323531A (zh) * | 2011-05-26 | 2012-01-18 | 中国科学院上海微系统与信息技术研究所 | 一种毫米波功率放大器的参数自动测试方法与测试系统 |
US20140002196A1 (en) * | 2012-06-25 | 2014-01-02 | Paul H. Leek | Method and system for controlling the frequency of a high power microwave source |
CN103546110A (zh) * | 2013-10-09 | 2014-01-29 | 京信通信系统(中国)有限公司 | 一种衰减控制电压确定方法、装置及alc电路 |
CN104122442A (zh) * | 2014-07-24 | 2014-10-29 | 中国科学院上海微系统与信息技术研究所 | 毫米波自由振荡源自动测试系统及测试方法 |
CN104515594A (zh) * | 2014-12-15 | 2015-04-15 | 中国工程物理研究院应用电子学研究所 | 一种毫米波高功率密度大束斑时空分布测量装置 |
CN106200751A (zh) * | 2016-08-15 | 2016-12-07 | 中国电子科技集团公司第四十研究所 | 一种中频信号功率自动调节电路及方法 |
CN106998234A (zh) * | 2017-02-17 | 2017-08-01 | 加特兰微电子科技(上海)有限公司 | 测试系统、分类系统以及测试方法 |
CN108168843A (zh) * | 2017-12-22 | 2018-06-15 | 长飞光纤光缆股份有限公司 | 一种快速测量不同传输波长下光纤链路衰减特性的装置及方法 |
CN111447018A (zh) * | 2020-03-26 | 2020-07-24 | 中国信息通信研究院 | 一种毫米波多终端分组测试系统和方法 |
CN111769806A (zh) * | 2020-06-05 | 2020-10-13 | 佛山市联动科技股份有限公司 | 一种功率放大器的功率稳定方法 |
CN111835342A (zh) * | 2020-07-24 | 2020-10-27 | 中国人民解放军海军航空大学 | 一种毫米波雷达信号发生器 |
CN113092976A (zh) * | 2021-03-17 | 2021-07-09 | 浙江铖昌科技股份有限公司 | 一种射频微波大功率器件测试系统及测试方法 |
WO2023103798A1 (zh) * | 2021-12-10 | 2023-06-15 | 中兴通讯股份有限公司 | 功率测量方法及其装置、存储介质、程序产品 |
CN114899566A (zh) * | 2022-07-08 | 2022-08-12 | 北京中成康富科技股份有限公司 | 一种波形变换衰减装置及毫米波治疗仪 |
Non-Patent Citations (1)
Title |
---|
周传升 等: "一种W波段波导衰减器的设计与验证", 《空间电子技术》, no. 04, pages 73 - 78 * |
Also Published As
Publication number | Publication date |
---|---|
CN116539952B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | A deep learning framework using passive WiFi sensing for respiration monitoring | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN113255733A (zh) | 多模态数据缺失下的无监督异常检测方法 | |
CN110148103B (zh) | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 | |
He et al. | Infrared and visible image fusion based on target extraction in the nonsubsampled contourlet transform domain | |
CN116295752B (zh) | 用于smt上料设备的测试力度控制方法及系统 | |
CN115409844A (zh) | 循环肿瘤细胞检测设备及其方法 | |
CN111915007B (zh) | 一种基于神经网络的磁共振谱降噪方法 | |
CN116127383A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN114305415B (zh) | 一种跨被试和跨模态的多模态紧张情绪识别方法及系统 | |
Chen et al. | A wifi indoor localization method based on dilated cnn and support vector regression | |
CN116539952B (zh) | 基于物联网的毫米波治疗仪功率智能采样方法及系统 | |
CN116301166B (zh) | 一种非带隙基准电压源电路 | |
CN117233682A (zh) | 一种平衡电桥的快速校准系统 | |
Lyu et al. | Identifiability-guaranteed simplex-structured post-nonlinear mixture learning via autoencoder | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
CN115266583B (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
CN116468894A (zh) | 面向锂电池极片可监督学习的距离自适应掩码生成方法 | |
CN115153476A (zh) | 基于多维数据的睡眠评估方法、装置、电子设备及介质 | |
CN111179254B (zh) | 一种基于特征函数和对抗学习的域适应医学图像分割方法 | |
CN115983165A (zh) | Lms自适应滤波器的性能测试方法和性能测试装置 | |
CN114330450A (zh) | 一种多物理场融合探测识别潜航器的方法及系统 | |
CN113780573A (zh) | 一种抗噪的高精度测距方法及装置 |
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 |