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工业废气处理系统及其方法,其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取,再通过计算它们之间的关联性以得到分类特征矩阵,接着使用分类器来得出废气流速的调控结果。这样,实现了废气流速的自适应调节,可以有效提高废气吸附的效率。
根据本申请的一个方面,提供了一种工业废气处理系统,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废气流速值以及排放口废气浓度值;
废气浓度特征提取模块,用于将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量;
废气流速特征提取模块,用于将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量;
关联编码模块,用于对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵;以及
调控结果生成模块,用于将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用来表示通入废气的流速值应增大或是减小。
在上述工业废气处理系统中,所述废气浓度特征提取模块,包括:第一尺度废气浓度特征提取单元,用于将所述废气浓度输入向量通过所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气浓度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度废气浓度特征提取单元,用于将所述废气浓度输入向量通过所述所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气浓度特征向量,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,多尺度废气浓度级联单元,用于将所述第一尺度废气浓度特征向量和所述第二尺度废气浓度特征向量进行级联以得到所述废气浓度特征向量。
在上述工业废气处理系统中,所述第一尺度废气浓度特征提取单元,进一步用于:使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第一尺度废气浓度特征向量;其中,所述第一卷积公式为:
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)为与第一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表示所述废气浓度输入向量,Cov1(X)为所述第一尺度废气浓度特征向量。
在上述工业废气处理系统中,所述第二尺度废气浓度特征提取单元,进一步用于:使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第二尺度废气浓度特征向量;其中,所述第二卷积公式为:
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)为与第二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表示所述废气浓度输入向量,Cov 2(X)为所述第二尺度废气浓度特征向量。
在上述工业废气处理系统中,所述废气流速特征提取模块,包括:第一尺度废气流速特征提取单元,用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气流速特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度废气流速特征提取单元,用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气流速特征向量,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,多尺度废气流速级联单元,用于将所述第一尺度废气流速特征向量和所述第二尺度废气流速特征向量进行级联以得到所述废气流速特征向量。
在上述工业废气处理系统中,还包括:用于对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块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,用于获取预定时间段内多个预定时间点的训练废气流速值以及训练排放口废气浓度值;训练废气浓度特征提取单元,用于将所述多个预定时间点的训练排放口废气浓度值按照时间维度排列为训练废气浓度输入向量后通过所述第一多尺度邻域特征提取模块以得到训练废气浓度特征向量;训练废气流速特征提取单元,用于将所述多个预定时间点的训练废气流速值按照时间维度排列为训练废气流速输入向量后通过所述第二多尺度邻域特征提取模块以得到训练废气流速特征向量;训练关联编码单元,用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行关联编码以得到训练分类特征矩阵;分类损失函数计算单元,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;鲁棒性比较约束损失函数计算单元,用于计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值;以及,模型训练单元,用于以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练。
在上述工业废气处理系统中,所述鲁棒性比较约束损失函数计算单元,包括:高斯归一化处理子单元,用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量;数据强化子单元,用于基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵;矩阵展开子单元,用于将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量;以及,鲁棒性比较约束损失函数值生成子单元,用于计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值。
在上述工业废气处理系统中,所述高斯归一化处理子单元,用于:以如下高斯归一化处理公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到所述归一化第一特征向量和所述归一化第二特征向量;其中,所述高斯归一化处理公式为:
V′1i=(V1i-μ1)/σ1
V′2i=(V2i-μ2)/σ2
其中,V′1i表示所述归一化第一特征向量的第i个位置的特征值,V1i表示所述训练废气浓度特征向量的第i个位置的特征值,μ1表示所述训练废气浓度特征向量的均值,σ1表示所述训练废气浓度特征向量的标准差,V′2i表示所述归一化第二特征向量的第i个位置的特征值,V2i表示所述训练废气流速特征向量的第i个位置的特征值,μ2表示所述训练废气流速特征向量的均值,σ2表示所述训练废气流速特征向量的标准差。
在上述工业废气处理系统中,所述鲁棒性比较约束损失函数值生成子单元,用于:以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值;其中,所述公式为:
Loss=||V3-V4||2
其中,Loss表示所述鲁棒性比较约束损失函数值,V3表示所述数据强化第一特征向量,V4表示所述数据强化第二特征向量,||·||表示计算两个向量之间的欧式距离。
根据本申请的另一方面,提供了一种工业废气处理方法,其包括:
获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值;
将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量;
将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量;
对所述废气浓度特征向量和所述废气流速特征向量进行关联编码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获得分类结果,所述分类结果用来表示通入废气的流速值应增大或是减小。
与现有技术相比,本申请提供的工业废气处理系统及其方法,其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取,再通过计算它们之间的关联性以得到分类特征矩阵,接着使用分类器来得出废气流速的调控结果。这样,实现了废气流速的自适应调节,可以有效提高废气吸附的效率
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。
申请概述
如上述背景技术所言,现有的工业废气处理工艺中,存在废气通入流速是固定的情况,废气流速不变可能会导致废气与吸附剂之间的接触面积和时间较短,这可能会极大影响吸附效率,导致废气处理效率低下。因此,期待一种优化的工业废气处理方案。
目前,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、语音信号处理等领域。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。近年来,深度学习以及神经网络的发展为工业废气处理提供了新的解决思路和方案。
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废气流速值以及排放口废气浓度值。应可以理解,废气的流速和废气的浓度是影响废气处理效果的两个重要因素,对废气浓度和废气流速进行监测和分析,可以得到废气的变化规律和趋势,更好地进行废气处理和调控。
接着,将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量。应可以理解,将排放口废气浓度值按照时间维度排列可以得到一个废气浓度输入向量,它是一个时间序列数据,通过对这个时间序列数据分析可以了解到废气排放的趋势和规律,将所述废气浓度输入向量输入第一多尺度领域特征提取模块可以有效地提取废气浓度的特征信息。具体来说,废气浓度输入向量包含了大量的废气浓度信息,但这些信息可能存在冗余、噪声和不必要的信息,通过多尺度领域特征提取算法,对废气浓度输入向量进行滤波、降噪、特征提取等操作,从而得到废气浓度特征向量。
同时,将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量。同样地,将废气流速值按照时间维度排列可以得到一个废气流速输入向量,它也是一个时间序列数据,接着将这个时间序列数据输入第二多尺度领域特征提取模块,它可以对废气流速输入向量中的数据进行处理并将其转换为特征向量,废气流速特征向量包含了废气流速的重要信息,可以很好地反映废气在废气处理中的传输速度变化情况。
然后,对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵。废气浓度和废气流速作为工业废气处理的两个重要指标,反映了废气在处理中的转化和传输情况,对所述废气浓度特征向量和所述废气流速特征向量进行关联编码可以将这两个指标的特征集合起来,得到更为全面的废气特征描述,并可以得到表示废气浓度和废气流速之间关系的分类特征矩阵,将所述分类特征矩阵通过分类器可以获得通入废气流速的调控结果,这样,可以实现废气流速的自适应调节,提高废气吸附的效率,增强废气净化的效果。
特别地,在本申请的技术方案中,由于所述废气浓度特征向量是通过对预定时间段内多个预定时间点的训练废气流速值进行编码以得到的,而所述废气流速特征向量是通过对所述多个预定时间点的训练废气流速值进行编码得到的,预定时间段内多个预定时间点的废气流速值和排放口废气浓度值属于不同源的数据,也就是不同模态的数据,如果在训练的过程能够聚焦于提取不同模态数据中的同类别特征且自适应地忽略噪声和细节,无疑是能够提高模型在处理不同模态数据时的一致性和稳定性,从而提高分类精准度。
基于此,在本申请的技术方案中,计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值,包括:对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到以得到归一化第一特征向量和归一化第二特征向量;基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵;将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量;计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的鲁棒性比较约束损失函数值。
具体地,在本申请的技术方案中,以如下公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到以得到归一化第一特征向量和归一化第二特征向量;其中,所述公式为:
V′1i=(V1i-μ1)/σ1
V′2i=(V2i-μ2)/σ2
其中,V′1i表示所述归一化第一特征向量的第i个位置的特征值,V1i表示所述训练废气浓度特征向量的第i个位置的特征值,μ1表示所述训练废气浓度特征向量的均值,σ1表示所述训练废气浓度特征向量的标准差,V′2i表示所述归一化第二特征向量的第i个位置的特征值,V2i表示所述训练废气流速特征向量的第i个位置的特征值,μ2表示所述训练废气流速特征向量的均值,σ2表示所述训练废气流速特征向量的标准差。
具体地,在本申请的技术方案中,以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的鲁棒性比较约束损失函数值;其中,所述公式为:
Loss=||V3-V4||2
其中,Loss表示所述鲁棒性比较约束损失函数值,V3表示所述数据强化第一特征向量,V4表示所述数据强化第二特征向量,||·||表示计算两个向量之间的欧式距离。
在本申请的技术方案中,除了分类损失函数值之外,进一步计算所述训练废气浓度特征向量和所述训练废气流速特征向量之间的鲁棒性比较约束损失函数值,并联合所述分类损失函数值以及所述鲁棒性比较约束损失函数值来构造联合损失函数值,并通过BP算法来更新神经网络模型和分类器的权重参数。这样,在所述废气浓度特征向量和所述废气流速特征向量的特征提取过程中,能够聚焦于提取所述废气浓度特征向量和所述废气流速特征向量中同类别特征且自适应地忽略噪声和细节,以不仅优化不同模态数据的同源特征提取且能够利用不同模态特征表达在类概率欧式空间内的度量值来相互束约,以使得所述废气浓度特征向量和所述废气流速特征向量在高维特征空间中具有更强的数据流形边界约束性和数据流形流形形态分布一致性,通过这样的方式,提高分类精准度。
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。
示例性系统
图1为根据本申请实施例的工业废气处理系统的系统框图。如图1所示,在工业废气处理系统100中,包括:数据获取模块110,用于获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值;废气浓度特征提取模块120,用于将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量;废气流速特征提取模块130,用于将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量;关联编码模块140,用于对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵;以及,调控结果生成模块150,用于将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用来表示通入废气的流速值应增大或是减小。
图2为根据本申请实施例的工业废气处理系统的架构图。如图2所示,在该架构中,首先,获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值。接着,将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量。然后,将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量。紧接着,对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵。最后,将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用来表示通入废气的流速值应增大或是减小。
在工业废气处理系统100中,所述数据获取模块110,用于获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值。应可以理解,废气的流速和废气的浓度是影响废气处理效果的两个重要因素,对废气浓度和废气流速进行监测和分析,可以得到废气的变化规律和趋势,更好地进行废气处理和调控。具体地,所述废气流速值可以通过流量计获得,所述排放口废气浓度值可以通过气体分析仪读取数据获得。
在工业废气处理系统100中,所述废气浓度特征提取模块120,用于将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量。应可以理解,将排放口废气浓度值按照时间维度排列可以得到一个废气浓度输入向量,它是一个时间序列数据,通过对这个时间序列数据分析可以了解到废气排放的趋势和规律,将所述废气浓度输入向量输入第一多尺度领域特征提取模块可以有效地提取废气浓度的特征信息。这里的第一多尺度邻域特征提取模块主要包括三个部分:多尺度分解、领域特征提取和特征向量合并。多尺度分解是将废气浓度分解成不同尺度的子信号,以便在不同尺度上进行特征提取,这样可以更好地捕捉废气浓度信号的局部和全局特征;领域特征提取是在每个尺度上对废气浓度信号的领域进行特征提取,这里的领域主要指的是时间上的领域,常用的特征提取方法包括小波变换、傅里叶变换、时频分析等;特征向量合并是将不同尺度上提取的特征向量进行合并,得到最终的废气浓度特征向量,常用的合并方法包括平均法、加权平均法等。第一多尺度领域特征提取模块的主要作用就是将废气浓度信号转换成特征向量,以便后续处理。
图3为根据本申请实施例的工业废气处理系统中废气浓度特征提取模块的框图。如图3所示,所述废气浓度特征提取模块120,包括:第一尺度废气浓度特征提取单元121,用于将所述废气浓度输入向量通过所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气浓度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度废气浓度特征提取单元122,用于将所述废气浓度输入向量通过所述所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气浓度特征向量,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,多尺度废气浓度级联单元123,用于将所述第一尺度废气浓度特征向量和所述第二尺度废气浓度特征向量进行级联以得到所述废气浓度特征向量。
更具体地,在工业废气处理系统100中,所述第一尺度废气浓度特征提取单元121,进一步用于:使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第一尺度废气浓度特征向量;其中,所述第一卷积公式为:
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)为与第一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表示所述废气浓度输入向量,Cov1(X)为所述第一尺度废气浓度特征向量。
更具体地,在工业废气处理系统100中,所述第二尺度废气浓度特征提取单元122,进一步用于:使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第二尺度废气浓度特征向量;其中,所述第二卷积公式为:
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)为与第二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表示所述废气浓度输入向量,Cov 2(X)为所述第二尺度废气浓度特征向量。
在工业废气处理系统100中,所述废气流速特征提取模块130,用于将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量。同样地,将废气流速值按照时间维度排列可以得到一个废气流速输入向量,它也是一个时间序列数据,接着将这个时间序列数据输入第二多尺度领域特征提取模块,它可以对废气流速输入向量中的数据进行处理并将其转换为特征向量,废气流速特征向量包含了废气流速的重要信息,可以很好地反映废气在废气处理中的传输速度变化情况。
图4为根据本申请实施例的工业废气处理系统中废气流速特征提取模块框图。如图4所示,所述废气流速特征提取模块130,包括:第一尺度废气流速特征提取单元131,用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气流速特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度废气流速特征提取单元132,用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气流速特征向量,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,多尺度废气流速级联单元133,用于将所述第一尺度废气流速特征向量和所述第二尺度废气流速特征向量进行级联以得到所述废气流速特征向量。
在工业废气处理系统100中,所述关联编码模块140,用于对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵。也就是,对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵,以此来建立所述废气浓度特征与所述废气流速特征之间的关联性特征分布信息。
在工业废气处理系统100中,所述调控结果生成模块150,用于将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用来表示通入废气的流速值应增大或是减小。所述分类矩阵表示废气浓度和废气流速之间关系,将所述分类特征矩阵通过分类器可以获得通入废气流速的调控结果,这样,可以实现废气流速的自适应调节,提高废气吸附的效率,增强废气净化的效果。
在工业废气处理系统100中,还包括:用于对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练的训练模块200。
图5为根据本申请实施例的工业废气处理系统中训练模块框图。如图5所示,所述训练模块200,包括:训练数据获取单元210,用于获取预定时间段内多个预定时间点的训练废气流速值以及训练排放口废气浓度值;训练废气浓度特征提取单元220,用于将所述多个预定时间点的训练排放口废气浓度值按照时间维度排列为训练废气浓度输入向量后通过所述第一多尺度邻域特征提取模块以得到训练废气浓度特征向量;训练废气流速特征提取单元230,用于将所述多个预定时间点的训练废气流速值按照时间维度排列为训练废气流速输入向量后通过所述第二多尺度邻域特征提取模块以得到训练废气流速特征向量;训练关联编码单元240,用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行关联编码以得到训练分类特征矩阵;分类损失函数计算单元250,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;鲁棒性比较约束损失函数计算单元260,用于计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值;以及,模型训练单元270,用于以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练。
特别地,在本申请的技术方案中,由于所述废气浓度特征向量是通过对预定时间段内多个预定时间点的训练废气流速值进行编码以得到的,而所述废气流速特征向量是通过对所述多个预定时间点的训练废气流速值进行编码得到的,预定时间段内多个预定时间点的废气流速值和排放口废气浓度值属于不同源的数据,也就是不同模态的数据,如果在训练的过程能够聚焦于提取不同模态数据中的同类别特征且自适应地忽略噪声和细节,无疑是能够提高模型在处理不同模态数据时的一致性和稳定性,从而提高分类精准度。
图6为根据本申请实施例的工业废气处理系统中鲁棒性比较约束损失函数计算单元框图。如图6所示,所述鲁棒性比较约束损失函数计算单元260,包括:高斯归一化处理子单元261,用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量;数据强化子单元262,用于基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵;矩阵展开子单元263,用于将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量;以及,鲁棒性比较约束损失函数值生成子单元264,用于计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值。
具体地,在工业废气处理系统100中,所述高斯归一化处理子单元261,用于:以如下高斯归一化处理公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到所述归一化第一特征向量和所述归一化第二特征向量;其中,所述高斯归一化处理公式为:
V′1i=(V1i-μ1)/σ1
V′2i=(V2i-μ2)/σ2
其中,V′1i表示所述归一化第一特征向量的第i个位置的特征值,V1i表示所述训练废气浓度特征向量的第i个位置的特征值,μ1表示所述训练废气浓度特征向量的均值,σ1表示所述训练废气浓度特征向量的标准差,V′2i表示所述归一化第二特征向量的第i个位置的特征值,V2i表示所述训练废气流速特征向量的第i个位置的特征值,μ2表示所述训练废气流速特征向量的均值,σ2表示所述训练废气流速特征向量的标准差。
具体地,在工业废气处理系统100中,所述鲁棒性比较约束损失函数值生成子单元264,用于:以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值;其中,所述公式为:
Loss=||V3-V4||2
其中,Loss表示所述鲁棒性比较约束损失函数值,V3表示所述数据强化第一特征向量,V4表示所述数据强化第二特征向量,||·||表示计算两个向量之间的欧式距离。
在本申请的技术方案中,除了分类损失函数值之外,进一步计算所述训练废气浓度特征向量和所述训练废气流速特征向量之间的鲁棒性比较约束损失函数值,并联合所述分类损失函数值以及所述鲁棒性比较约束损失函数值来构造联合损失函数值,并通过BP算法来更新神经网络模型和分类器的权重参数。这样,在所述废气浓度特征向量和所述废气流速特征向量的特征提取过程中,能够聚焦于提取所述废气浓度特征向量和所述废气流速特征向量中同类别特征且自适应地忽略噪声和细节,以不仅优化不同模态数据的同源特征提取且能够利用不同模态特征表达在类概率欧式空间内的度量值来相互束约,以使得所述废气浓度特征向量和所述废气流速特征向量在高维特征空间中具有更强的数据流形边界约束性和数据流形流形形态分布一致性,通过这样的方式,提高分类精准度。
综上所述,基于本申请实施例的工业废气处理系统100被阐明,其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取,再通过计算它们之间的关联性以得到分类特征矩阵,接着使用分类器来得出废气流速的调控结果。这样,实现了废气流速的自适应调节,可以有效提高废气吸附的效率。
示例性方法
图7为根据本申请实施例的工业废气处理方法的流程图。如图7所示,在工业废气处理方法中,包括:S110,获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值;S120,将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量;S130,将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量;S140,对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵;以及,S150,将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用来表示通入废气的流速值应增大或是减小。
在一个示例中,在上述工业废气处理方法中,在上述工业废气处理系统中,还包括:用于对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练的训练阶段;其中,所述训练阶段,包括:获取预定时间段内多个预定时间点的训练废气流速值以及训练排放口废气浓度值;将所述多个预定时间点的训练排放口废气浓度值按照时间维度排列为训练废气浓度输入向量后通过所述第一多尺度邻域特征提取模块以得到训练废气浓度特征向量;将所述多个预定时间点的训练废气流速值按照时间维度排列为训练废气流速输入向量后通过所述第二多尺度邻域特征提取模块以得到训练废气流速特征向量;对所述训练废气浓度特征向量和所述训练废气流速特征向量进行关联编码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;计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值;以及,以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练。
在一个示例中,在上述工业废气处理方法中,所述计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值,包括:对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量;基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵;将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量;以及,计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值。
在一个示例中,在上述工业废气处理方法中,所述对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量,包括:以如下高斯归一化处理公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到所述归一化第一特征向量和所述归一化第二特征向量;其中,所述高斯归一化处理公式为:
V′1i=(V1i-μ1)/σ1
V′2i=(V2i-μ2)/σ2
其中,V′1i表示所述归一化第一特征向量的第i个位置的特征值,V1i表示所述训练废气浓度特征向量的第i个位置的特征值,μ1表示所述训练废气浓度特征向量的均值,σ1表示所述训练废气浓度特征向量的标准差,V′2i表示所述归一化第二特征向量的第i个位置的特征值,V2i表示所述训练废气流速特征向量的第i个位置的特征值,μ2表示所述训练废气流速特征向量的均值,σ2表示所述训练废气流速特征向量的标准差。
在一个示例中,在上述工业废气处理方法中,所述计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值,包括:以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值;其中,所述公式为:
Loss=||V3-V4||2
其中,Loss表示所述鲁棒性比较约束损失函数值,V3表示所述数据强化第一特征向量,V4表示所述数据强化第二特征向量,||·||表示计算两个向量之间的欧式距离。
综上所述,基于本申请实施例的工业废气处理方法被阐明,其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取,再通过计算它们之间的关联性以得到分类特征矩阵,接着使用分类器来得出废气流速的调控结果。这样,实现了废气流速的自适应调节,可以有效提高废气吸附的效率。