CN117705177B - 一种基于智能仪器的光学标校方法及系统 - Google Patents

一种基于智能仪器的光学标校方法及系统 Download PDF

Info

Publication number
CN117705177B
CN117705177B CN202410169301.0A CN202410169301A CN117705177B CN 117705177 B CN117705177 B CN 117705177B CN 202410169301 A CN202410169301 A CN 202410169301A CN 117705177 B CN117705177 B CN 117705177B
Authority
CN
China
Prior art keywords
knowledge
signal
vector
screening
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410169301.0A
Other languages
English (en)
Other versions
CN117705177A (zh
Inventor
车慧正
郑宇�
桂柯
李雷
赵胡笳
梁苑新
赵恒恒
王鹏
夏祥鳌
朱君
宋京京
王玉鹏
朱吉彪
魏垚
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.)
Chinese Academy of Meteorological Sciences CAMS
Original Assignee
Chinese Academy of Meteorological Sciences CAMS
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 Chinese Academy of Meteorological Sciences CAMS filed Critical Chinese Academy of Meteorological Sciences CAMS
Priority to CN202410169301.0A priority Critical patent/CN117705177B/zh
Publication of CN117705177A publication Critical patent/CN117705177A/zh
Application granted granted Critical
Publication of CN117705177B publication Critical patent/CN117705177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J1/00—Photometry, e.g. photographic exposure meter
    • G01J1/02—Details
    • G01J1/0295—Constructional arrangements for removing other types of optical noise or for performing calibration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0297—Constructional arrangements for removing other types of optical noise or for performing calibration
    • 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
    • G06F18/211—Selection of the most significant subset of 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/027—Frames
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供的基于智能仪器的光学标校方法及系统，能够有效提高仪器的测量精度和可靠性。通过获取参考仪器和待标仪器对观测物体的原始测量信号，同步其时序特征，然后结合环境监测数据进行筛选，得到更精确的测量信号。利用已知的参考仪器的参考标校系数，可以准确确定待标仪器的当前标校系数，从而为待标仪器的标定提供了一种更精确、更稳定的方法。此外，通过环境监测数据的筛选，能够在不同环境条件下调整测量信号，进一步提升了测量结果的准确性。总体来说，这个技术方案为提高各类仪器的测量精度，优化设备性能，提供了一个实用、可靠的解决方案。

Description

一种基于智能仪器的光学标校方法及系统
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种基于智能仪器的光学标校方法及系统。
背景技术
在传统的光学仪器标校方法中，通常需要使用已知参数的参考仪器进行标定。这种方法依赖于参考仪器的精度和稳定性，而这两个因素又受到环境条件的影响，如温度、湿度、光照等。如果没有对这些环境条件进行有效的控制和筛选，可能会导致标定结果的不准确。此外，传统的标校方法往往无法实现对测量信号的动态调整，因此在环境条件变化时，测量结果的精度和可靠性可能会受到影响。
发明内容
为了改善上述问题，本申请提供了一种基于智能仪器的光学标校方法及系统。
第一方面，提供一种基于智能仪器的光学标校方法，应用于智能光学标校系统，所述方法包括：
获取参考仪器针对观测物体的第一原始观测测量信号以及待标仪器针对所述观测物体的第二原始观测测量信号；其中，所述第一原始观测测量信号和所述第二原始观测测量信号的时序特征同步；
采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号；
结合所述第一筛选测量信号、所述第二筛选测量信号以及所述参考仪器的参考标校系数，确定所述待标仪器的当前标校系数。
优选的，所述采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号，包括：
利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征；
利用所述第一筛选决策特征对所述第一原始观测测量信号进行筛选，得到第一筛选测量信号；
利用观测信号筛选模型对所述环境监测数据和所述第二原始观测测量信号进行处理，得到针对所述第二原始观测测量信号的第二筛选决策特征；
利用所述第二筛选决策特征对所述第二原始观测测量信号进行筛选，得到第二筛选测量信号。
优选的，所述利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征，包括：
获取对输入信息二元组进行知识提取所得到的目标输入知识二元组；其中，所述输入信息二元组包括所述环境监测数据和所述第一原始观测测量信号；
通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量，其中，所述环境联动观测信号向量包括所述双生模型架构中的第一深度学习模型对所述目标输入知识二元组挖掘出的第一环境联动观测信号向量，及所述双生模型架构中的第二深度学习模型对所述目标输入知识二元组挖掘出的第二环境联动观测信号向量，所述第一深度学习模型是用于获取训练知识集中存在稳定信号要素的积极训练知识的环境联动观测信号向量的参考深度学习模型，所述第二深度学习模型是通过基于所述积极训练知识所构造的存在波动信号要素的消极训练知识进行调试；
获取所述第一环境联动观测信号向量与所述第二环境联动观测信号向量之间的逆向余弦距离；
基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签，其中，所述输出标签用于指示所述输入信息二元组所对应的第一筛选决策特征；
其中，所述基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签包括：在所述逆向余弦距离不大于第一门限值的情况下，确定所述输入信息二元组匹配所述波动信号要素，并确定所述输出标签用于指示波动信号过滤决策处理；在所述逆向余弦距离不小于第二门限值的情况下，确定所述输入信息二元组匹配所述稳定信号要素，并确定所述输出标签用于指示稳定信号强化决策处理；其中，所述第一门限值小于所述第二门限值。
优选的，所述通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量包括：
对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组，所述X为大于1的正整数；
通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量；
其中，所述对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组包括如下之一：将所述目标输入知识二元组依据目标拆解规则进行拆解，得到X个具有相同维度的知识向量片段；将X个所述知识向量片段确定为所述X个局部输入知识向量组；从所述目标输入知识二元组中抽取X个核心知识向量片段，其中，所述核心知识向量片段为所述目标输入知识二元组中所述输入信息二元组的核心观测结果所属的知识向量片段；将所述X个核心知识向量片段确定为所述X个局部输入知识向量组；
其中，所述通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量包括：将所述X个局部输入知识向量组中的每个局部输入知识向量组依次确定为当前知识向量片段，然后实施如下内容：将所述当前知识向量片段传入所述第一深度学习模型中，得到第一当前局部环境联动观测信号向量，并将所述当前知识向量片段传入所述第二深度学习模型中，得到第二当前局部环境联动观测信号向量，其中，所述第一环境联动观测信号向量中包括所述第一当前局部环境联动观测信号向量，所述第二环境联动观测信号向量中包括所述第二当前局部环境联动观测信号向量。
优选的，在所述获取对输入信息二元组进行知识提取所得到的目标输入知识二元组之前，所述方法还包括：
获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集，其中，所述消极训练知识是对所述积极训练知识进行更新后聚合所得的，Y为大于1的自然数；
通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求；
其中，所述通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求包括：从所述Y个训练知识集中获取当前训练知识集，并实施如下处理：将所述当前训练知识集中的当前积极训练知识输入所述第一深度学习模型，并将所述当前训练知识集中的当前消极训练知识输入所述第二深度学习模型；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离小于第三门限值的情况下，获取下一对训练知识集作为所述当前训练知识集；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离不小于第三门限值的情况下，对调试达标累计值进行+1；在所述调试达标累计值达到第四门限值的情况下，确定满足所述训练要求；
其中，所述获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集包括：获取Y个存在所述稳定信号要素的所述积极训练知识；对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识，其中，所述积极训练知识为存在所述稳定信号要素的参照输入知识二元组调试示例；
其中，所述对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识包括如下之一：（1）在所述积极训练知识中增添波动信号特征，以生成所述消极训练知识；（2）获取多个波动信号知识向量片段，其中，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态；将所述多个波动信号知识向量片段中的一个或至少两个波动信号知识向量片段，叠加于所述积极训练知识，以生成所述消极训练知识；（3）将所述积极训练知识输入训练样本构造模型，以得到所述消极训练知识，其中，所述训练样本构造模型是通过所述积极训练知识和波动信号知识向量片段进行调试后所得到的用于生成存在所述波动信号要素的机器学习模型，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态。
第三方面，提供一种智能光学标校系统，包括：
信号获取模块，用于获取参考仪器针对观测物体的第一原始观测测量信号以及待标仪器针对所述观测物体的第二原始观测测量信号；其中，所述第一原始观测测量信号和所述第二原始观测测量信号的时序特征同步；
信号筛选模块，用于采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号；
标校处理模块，用于结合所述第一筛选测量信号、所述第二筛选测量信号以及所述参考仪器的参考标校系数，确定所述待标仪器的当前标校系数。
优选的，所述信号筛选模块采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号，包括：
利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征；
利用所述第一筛选决策特征对所述第一原始观测测量信号进行筛选，得到第一筛选测量信号；
利用观测信号筛选模型对所述环境监测数据和所述第二原始观测测量信号进行处理，得到针对所述第二原始观测测量信号的第二筛选决策特征；
利用所述第二筛选决策特征对所述第二原始观测测量信号进行筛选，得到第二筛选测量信号；
其中，所述信号筛选模块利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征，包括：
获取对输入信息二元组进行知识提取所得到的目标输入知识二元组；其中，所述输入信息二元组包括所述环境监测数据和所述第一原始观测测量信号；
通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量，其中，所述环境联动观测信号向量包括所述双生模型架构中的第一深度学习模型对所述目标输入知识二元组挖掘出的第一环境联动观测信号向量，及所述双生模型架构中的第二深度学习模型对所述目标输入知识二元组挖掘出的第二环境联动观测信号向量，所述第一深度学习模型是用于获取训练知识集中存在稳定信号要素的积极训练知识的环境联动观测信号向量的参考深度学习模型，所述第二深度学习模型是通过基于所述积极训练知识所构造的存在波动信号要素的消极训练知识进行调试；
获取所述第一环境联动观测信号向量与所述第二环境联动观测信号向量之间的逆向余弦距离；
基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签，其中，所述输出标签用于指示所述输入信息二元组所对应的第一筛选决策特征；
其中，所述基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签包括：在所述逆向余弦距离不大于第一门限值的情况下，确定所述输入信息二元组匹配所述波动信号要素，并确定所述输出标签用于指示波动信号过滤决策处理；在所述逆向余弦距离不小于第二门限值的情况下，确定所述输入信息二元组匹配所述稳定信号要素，并确定所述输出标签用于指示稳定信号强化决策处理；其中，所述第一门限值小于所述第二门限值。
优选的，所述信号筛选模块通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量包括：
对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组，所述X为大于1的正整数；
通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量；
其中，所述对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组包括如下之一：将所述目标输入知识二元组依据目标拆解规则进行拆解，得到X个具有相同维度的知识向量片段；将X个所述知识向量片段确定为所述X个局部输入知识向量组；从所述目标输入知识二元组中抽取X个核心知识向量片段，其中，所述核心知识向量片段为所述目标输入知识二元组中所述输入信息二元组的核心观测结果所属的知识向量片段；将所述X个核心知识向量片段确定为所述X个局部输入知识向量组；
其中，所述通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量包括：将所述X个局部输入知识向量组中的每个局部输入知识向量组依次确定为当前知识向量片段，然后实施如下内容：将所述当前知识向量片段传入所述第一深度学习模型中，得到第一当前局部环境联动观测信号向量，并将所述当前知识向量片段传入所述第二深度学习模型中，得到第二当前局部环境联动观测信号向量，其中，所述第一环境联动观测信号向量中包括所述第一当前局部环境联动观测信号向量，所述第二环境联动观测信号向量中包括所述第二当前局部环境联动观测信号向量。
优选的，在所述获取对输入信息二元组进行知识提取所得到的目标输入知识二元组之前，所述智能光学标校系统还包括模型训练模块，用于：
获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集，其中，所述消极训练知识是对所述积极训练知识进行更新后聚合所得的，Y为大于1的自然数；
通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求；
其中，所述通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求包括：从所述Y个训练知识集中获取当前训练知识集，并实施如下处理：将所述当前训练知识集中的当前积极训练知识输入所述第一深度学习模型，并将所述当前训练知识集中的当前消极训练知识输入所述第二深度学习模型；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离小于第三门限值的情况下，获取下一对训练知识集作为所述当前训练知识集；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离不小于第三门限值的情况下，对调试达标累计值进行+1；在所述调试达标累计值达到第四门限值的情况下，确定满足所述训练要求；
其中，所述获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集包括：获取Y个存在所述稳定信号要素的所述积极训练知识；对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识，其中，所述积极训练知识为存在所述稳定信号要素的参照输入知识二元组调试示例；
其中，所述对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识包括如下之一：（1）在所述积极训练知识中增添波动信号特征，以生成所述消极训练知识；（2）获取多个波动信号知识向量片段，其中，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态；将所述多个波动信号知识向量片段中的一个或至少两个波动信号知识向量片段，叠加于所述积极训练知识，以生成所述消极训练知识；（3）将所述积极训练知识输入训练样本构造模型，以得到所述消极训练知识，其中，所述训练样本构造模型是通过所述积极训练知识和波动信号知识向量片段进行调试后所得到的用于生成存在所述波动信号要素的机器学习模型，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态。
第三方面，提供一种智能光学标校系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现第一方面所述的方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现第一方面所述的方法。
本申请实施例所提供的基于智能仪器的光学标校方法及系统，能够有效提高仪器的测量精度和可靠性。通过获取参考仪器和待标仪器对观测物体的原始测量信号，同步其时序特征，然后结合环境监测数据进行筛选，得到更精确的测量信号。利用已知的参考仪器的参考标校系数，可以准确确定待标仪器的当前标校系数，从而为待标仪器的标定提供了一种更精确、更稳定的方法。此外，通过环境监测数据的筛选，能够在不同环境条件下调整测量信号，进一步提升了测量结果的准确性。总体来说，这个技术方案为提高各类仪器的测量精度，优化设备性能，提供了一个实用、可靠的解决方案。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种基于智能仪器的光学标校方法的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
图1示出一种基于智能仪器的光学标校方法，应用于智能光学标校系统，所述方法包括以下步骤110-步骤130。
步骤110、获取参考仪器针对观测物体的第一原始观测测量信号以及待标仪器针对所述观测物体的第二原始观测测量信号；其中，所述第一原始观测测量信号和所述第二原始观测测量信号的时序特征同步。
其中，参考仪器是一个已经过校准并被认为能够提供精确测量的仪器。它为待标仪器提供一个参考点。例如，一个已经过严格校准的精密光谱仪可以作为参考仪器。第一原始观测测量信号是参考仪器针对特定观测物体（如某种具体材料的光谱）的测量结果。这个信号未经任何处理，是直接从参考仪器得到的原始数据。待标仪器是需要进行校准的仪器，目的是使其测量结果尽可能接近参考仪器的测量结果。例如，这可以是一个新制造或者未经校准的光谱仪。第二原始观测测量信号是待标仪器针对同一观测物体的测量结果。这也是一个原始数据，直接从待标仪器获取。时序特征是指测量信号在时间上的变化特性。例如，如果连续测量一个动态变化的场景（如日出或日落过程），那么每个测量信号都会有一个与其对应的时间点。
在一些示例中，当观测物体为太阳时，参考仪器和待标仪器可能是用于监测和测量太阳辐射的光谱仪或者太阳辐射计。参考仪器通常是经过精确校准，能提供高精度测量结果的设备。它针对太阳产生的第一原始观测测量信号，这些信号可能包括太阳的光谱强度、波长分布等信息。在同时，待标仪器也对太阳进行测量，产生第二原始观测测量信号。这个待标仪器可能是新的、刚生产出来的，或者是需要重新校准的设备。其产生的测量信号与参考仪器的信号存在差异，目标就是通过比较和分析这两个信号，确定待标仪器的标校系数。
在测量过程中，参考仪器和待标仪器可以受到环境因素的影响，如温度、湿度、大气压等。这些因素可能导致测量信号的偏差，所以需要收集这些环境监测数据，并利用这些数据对第一和第二原始观测测量信号进行筛选，得到经过环境因素校正后的测量信号。最后，结合参考仪器的标校系数、筛选后的第一和第二测量信号，可以确定待标仪器的当前标校系数。这个过程可能涉及到复杂的计算和深度学习模型，以确保校准结果的准确性（步骤120和步骤130，后续会进行详细介绍）。
步骤120、采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号。
其中，环境监测数据是指在进行测量时收集的环境参数。它可能包括温度、湿度、压力、光照强度等因素，这些因素都可能影响到仪器的测量结果。筛选是一个处理过程，通过使用环境监测数据对原始观测测量信号进行修正或校准。筛选过程可以帮助消除环境因素对测量结果的影响，提高测量的准确性。第一筛选测量信号和第二筛选测量信号是经过筛选过程后得到的测量信号。它们比原始测量信号更准确，因为已经考虑并消除了环境因素的影响。
可见，步骤120的核心是利用环境监测数据对第一和第二原始观测测量信号进行筛选，以得到第一和第二筛选测量信号。这个步骤的重要性在于，它确保了测量信号经过环境因素的校正，从而更准确地反映出待标仪器的真实性能。
首先，需要收集与时序特征对应的环境监测数据。这些数据可能包括温度、湿度、大气压等因素，这些都可能影响到仪器的测量结果。为了保证这些数据与原始测量信号的时序一致性和同步性，需要在每次测量时同时采集这些环境数据。
然后，利用这些环境监测数据对第一和第二原始观测测量信号进行筛选。具体来说，可以使用某种算法或模型，如线性回归、神经网络等，将环境监测数据作为输入，原始测量信号作为输出，训练出一个模型。然后用这个模型对原始测量信号进行预测，得到经过环境因素校正的筛选测量信号。
例如，如果发现温度与测量信号有很强的相关性，那么在筛选过程中，就会将温度作为一个重要的特征来考虑。如果原始测量信号在高温下偏高，在低温下偏低，那么模型就应该能够捕捉到这种趋势，并据此对原始测量信号进行校正。
通过这个步骤，可以得到第一和第二筛选测量信号，这些信号已经考虑了环境因素的影响，更准确地反映出仪器的测量性能。
步骤130、结合所述第一筛选测量信号、所述第二筛选测量信号以及所述参考仪器的参考标校系数，确定所述待标仪器的当前标校系数。
其中，参考标校系数是参考仪器的一个重要参数，它代表了该仪器在特定条件下的测量性能。这个系数通常是已知的，因为参考仪器已经过严格的校准。当前标校系数是待标仪器的一个重要参数，表示该仪器当前的测量性能。这个系数需要通过比较参考仪器和待标仪器的测量结果，并结合环境监测数据进行计算得出。
在步骤130中，将使用第一筛选测量信号（即经过温度校准后的参考仪器的测量信号）、第二筛选测量信号（即经过温度校准后的待标仪器的测量信号）以及参考仪器的参考标校系数。
假设参考仪器的参考标校系数为1.0（这只是一个示例值，实际上该系数会根据仪器类型和测量物体的特性变化）。可以通过比较第一筛选测量信号和第二筛选测量信号，确定待标仪器的当前标校系数。
例如，如果发现待标仪器的测量信号总是比参考仪器的测量信号低10%，那么就可以确定待标仪器的当前标校系数为1.1。这意味着，如果想要得到准确的测量结果，就需要将待标仪器的读数乘以1.1。
上述技术方案的关键发明点在于引入环境监测数据进行信号筛选，其有益效果主要表现在以下几个方面。
（1）提高了标校精度：通过引入环境监测数据进行信号筛选，可以更准确地反映出仪器在实际工作环境中的性能。对原始观测测量信号进行筛选后，得到的筛选测量信号已经考虑了环境因素的影响，从而使得待标仪器的标校系数更准确。
（2）增强了标校的稳定性：由于筛选过程考虑了环境因素的影响，所以即使在环境条件变化时，该技术方案也能保持良好的标校效果。这意味着待标仪器在不同的环境条件下都能保持较高的测量精度。
（3）提高了标校效率：由于该技术方案采用了自动化的数据处理和分析方法，如深度学习模型，因此可以大大提高标校的效率，节省人力和时间成本。
（4）强化了标校的可靠性：由于所有步骤都是基于硬件设备和软件算法进行的，因此可以避免人为因素带来的误差，提高标校的可靠性。
综上，能够有效提高仪器的测量精度和可靠性。通过获取参考仪器和待标仪器对观测物体的原始测量信号，同步其时序特征，然后结合环境监测数据进行筛选，得到更精确的测量信号。利用已知的参考仪器的参考标校系数，可以准确确定待标仪器的当前标校系数，从而为待标仪器的标定提供了一种更精确、更稳定的方法。此外，通过环境监测数据的筛选，能够在不同环境条件下调整测量信号，进一步提升了测量结果的准确性。总体来说，这个技术方案为提高各类仪器的测量精度，优化设备性能，提供了一个实用、可靠的解决方案。
在一些可能的实施例中，步骤120中所描述的采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号，包括步骤121-步骤124。
步骤121、利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征。
步骤122、利用所述第一筛选决策特征对所述第一原始观测测量信号进行筛选，得到第一筛选测量信号。
步骤123、利用观测信号筛选模型对所述环境监测数据和所述第二原始观测测量信号进行处理，得到针对所述第二原始观测测量信号的第二筛选决策特征。
步骤124、利用所述第二筛选决策特征对所述第二原始观测测量信号进行筛选，得到第二筛选测量信号。
在上述实施例中，观测信号筛选模型是一个基于环境监测数据和原始观测测量信号的数据处理模型。其主要任务是根据输入的环境监测数据和原始观测测量信号，输出一个决策特征。这个模型可以采用机器学习或深度学习方法，也可以基于一些预设的规则或者公式。
第一筛选决策特征是利用观测信号筛选模型对环境监测数据和第一原始观测测量信号进行处理后得到的结果。它包含了筛选第一原始观测测量信号所需要的信息，可以是一个值，也可以是一组值，或者是一种特定的数据结构。第二筛选决策特征与第一筛选决策特征类似，它是利用观测信号筛选模型对环境监测数据和第二原始观测测量信号进行处理后得到的结果。它包含了筛选第二原始观测测量信号所需要的信息。
在观测物体是太阳的前提下，可以选择如下环境监测数据：
（1）环境温度：对于观测仪器来说，外部环境的温度可能会影响到其内部电路的性能，进而影响测量结果。比如说，在早晨9点钟测得环境温度为20℃；
（2）大气压力：大气压力的变化也可能会对仪器的性能造成影响。例如，测得大气压力为1013hPa。
（3）大气湿度：湿度也是一个可能会影响仪器性能的因素。例如，测得大气湿度为50%。
接下来，利用这些环境监测数据对第一原始观测测量信号和第二原始观测测量信号进行筛选。
以某种特定的筛选算法为例，假设将环境温度、大气压力和大气湿度作为输入参数，通过该算法，分别得到第一筛选决策特征和第二筛选决策特征。举例来说，可以得到第一筛选决策特征为0.8，第二筛选决策特征为0.85。这些筛选决策特征值将被用来确定待标仪器的当前标校系数，以便在实际的观测任务中更准确地进行测量。
在另外一些可能的示例中，如果第一筛选决策特征和第二筛选决策特征是多维特征向量，那么它们可能包含了多个不同的元素，每个元素都反映了原始观测测量信号和环境监测数据的某种特定信息。这些信息可以用于对原始观测测量信号进行更准确的筛选。
第一筛选决策特征：假设它是一个n维特征向量，每个维度可能包括但不限于如下内容：对环境因素（如温度、湿度等）的量化度量，这可能影响到观测物体的表现；原始观测测量信号的统计特性，如平均值、方差等；对原始观测测量信号的某种变换或者处理的结果，比如傅里叶变换或小波变换的系数；与参考仪器测量结果的相关性或者差异性。这个多维特征向量经过处理后，将作为一个决策依据，用来筛选出第一原始观测测量信号中最有价值的部分，得到第一筛选测量信号。
第二筛选决策特征：与第一筛选决策特征类似，它也可能是一个n维特征向量。每个维度可能包含类似的信息，但针对的是第二原始观测测量信号和对应的环境监测数据。利用这个多维特征向量，可以同样进行筛选操作，得到第二筛选测量信号。
通过这种方式，可以从复杂的环境和观测条件中提取出有价值的信息，使得待标仪器的标校结果更加准确和稳定。
在另外一些示例中，仍然假设观测物体是太阳。同样，环境监测数据可能包括温度、大气压力和湿度等因素。假设第一原始观测测量信号和第二原始观测测量信号分别为500和600。
如果筛选模型考虑了环境监测数据的多维特性，并且输出的决策特征也是多维的，那么可能会得到类似以下的结果：
第一筛选决策特征：[0.8，1.2，0.9]，这里的每一个元素都代表着一种环境因素对测量结果的影响系数，比如说0.8表示温度的影响，1.2表示大气压力的影响，0.9表示湿度的影响；
第二筛选决策特征：[0.85，1.1，0.95]，这些数值也同样表示了各种环境因素的影响系数。
接下来，利用这些多维决策特征对原始观测测量信号进行筛选。具体来说，可能需要将原始观测测量信号与每一种环境因素的影响系数相乘，然后将结果相加，得到筛选后的测量信号。例如：第一筛选测量信号：500*0.8（温度影响）+500*1.2（大气压力影响）+500*0.9（湿度影响）=1450；第二筛选测量信号：600*0.85（温度影响）+600*1.1（大气压力影响）+600*0.95（湿度影响）=1740。
通过这种方式，就能得到考虑了多种环境因素的筛选测量信号，从而进一步提高了测量结果的准确性。
在一些优选的实施例中，步骤121所描述的利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征，包括步骤1211-步骤1214。（步骤123的具体实施与步骤121类似，因此之后不再进行说明）
步骤1211、获取对输入信息二元组进行知识提取所得到的目标输入知识二元组；其中，所述输入信息二元组包括所述环境监测数据和所述第一原始观测测量信号。
其中，输入信息二元组是由环境监测数据和第一原始观测测量信号组成的一对数据。例如，观测太阳时获取的环境温度（20℃）、大气压力（1013hPa）和湿度（50%）等环境监测数据，以及第一原始观测测量信号（比如说太阳辐射强度）就可以构成一个输入信息二元组。
目标输入知识二元组是通过对输入信息二元组进行知识提取所得到的结果。具体的提取方法可能依赖于特定的算法或模型。例如，可能使用某种机器学习算法来从输入信息二元组中提取出与观测任务相关的重要特征，这些特征就构成了目标输入知识二元组。
在步骤1211中，首先获取输入信息二元组，然后利用某种知识提取方法（可能是基于规则的方法，也可能是基于机器学习的方法），将其转化为目标输入知识二元组。这个过程可以理解为一个信息压缩和抽象的过程，将原始的、可能非常复杂的输入信息转化为更加简洁、抽象，但同时保留了重要信息的形式。这个目标输入知识二元组将被后续步骤用于提取环境联动观测信号向量，并最终确定第一筛选决策特征。
步骤1212、通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量，其中，所述环境联动观测信号向量包括所述双生模型架构中的第一深度学习模型对所述目标输入知识二元组挖掘出的第一环境联动观测信号向量，及所述双生模型架构中的第二深度学习模型对所述目标输入知识二元组挖掘出的第二环境联动观测信号向量，所述第一深度学习模型是用于获取训练知识集中存在稳定信号要素的积极训练知识的环境联动观测信号向量的参考深度学习模型，所述第二深度学习模型是通过基于所述积极训练知识所构造的存在波动信号要素的消极训练知识进行调试。
其中，双生模型架构是一种特殊的深度学习模型架构，包含两个并行的深度学习模型，分别对应第一深度学习模型和第二深度学习模型。这两个模型在训练阶段会共享知识，互相学习。环境联动观测信号向量是一个多维的特征向量，每一个元素都代表了环境监测数据和原始观测测量信号之间的某种关系。这个向量由双生模型架构中的两个深度学习模型共同提取得到。第一环境联动观测信号向量是由第一深度学习模型提取出的特征向量，主要捕捉稳定的信号要素。第二环境联动观测信号向量是由第二深度学习模型提取出的特征向量，主要捕捉波动的信号要素。
举例来说，首先获取环境监测数据和第一原始观测测量信号作为输入信息二元组，然后利用双生模型架构对其进行处理，提取出第一环境联动观测信号向量和第二环境联动观测信号向量。例如，第一深度学习模型可能捕捉到在稳定环境条件下的太阳辐射强度变化规律，而第二深度学习模型可能捕捉到在波动环境条件下的太阳辐射强度变化规律。这两个向量可能分别为[0.8，1.2，0.9]和[0.85，1.1，0.95]。
然后，计算第一环境联动观测信号向量和第二环境联动观测信号向量之间的逆向余弦距离，以此反映两者的相似度或差异度。最后，基于这个逆向余弦距离，确定了针对目标输入知识二元组的输出标签，也就是第一筛选决策特征。
步骤1213、获取所述第一环境联动观测信号向量与所述第二环境联动观测信号向量之间的逆向余弦距离。
其中，逆向余弦距离是一种衡量两个向量之间相似性的度量方式，常用于计算文本、图像等数据的相似度。逆向余弦距离值越小，表示两个向量的方向越接近，也就是说它们越相似。
以前面的例子为参考，已经得到了第一环境联动观测信号向量[0.8，1.2，0.9]和第二环境联动观测信号向量[0.85，1.1，0.95]。接下来，需要计算这两个向量之间的逆向余弦距离。
进一步地，计算过程通常包括以下步骤：
计算两个向量的点积：0.80.85+1.21.1+0.9*0.95；
计算每个向量的欧氏长度（即模）：sqrt（（0.8）^2+（1.2）^2+（0.9）^2）和sqrt（（0.85）^2+（1.1）^2+（0.95）^2）；
将两个向量的点积除以它们的模乘积，得到余弦值：点积/（模乘积）；
逆向余弦距离就是1减去余弦值。
例如，如果计算出的逆向余弦距离为0.05，那么这个值将被用于步骤1214，基于此确定针对目标输入知识二元组的输出标签，即第一筛选决策特征。这个过程能够有效地比较和量化两个环境联动观测信号向量之间的差异，从而帮助更好地理解和处理原始观测测量信号。
步骤1214、基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签，其中，所述输出标签用于指示所述输入信息二元组所对应的第一筛选决策特征。
其中，输出标签是一个用于指示输入信息二元组所对应的第一筛选决策特征的标识。具体来说，输出标签可能是一个类别标签（例如，“高温”、“低温”等），也可能是一个连续值（例如，“0.8”）。
在步骤1214中，根据计算得到的逆向余弦距离，可以确定针对目标输入知识二元组的输出标签。例如，如果设定了一个阈值，当逆向余弦距离小于这个阈值时，认为第一原始观测测量信号与环境监测数据之间的关系比较紧密，因此输出标签可能是“高关联性”；反之，如果逆向余弦距离大于这个阈值，则认为第一原始观测测量信号与环境监测数据之间的关系比较松散，因此输出标签可能是“低关联性”。这个输出标签就是所需要的第一筛选决策特征，它反映了第一原始观测测量信号在当前环境条件下的重要程度或可信度。
应用上述步骤1211-步骤1214可以达到如下有益效果：
（1）数据处理的精确性：通过引入双生模型架构，可以从两个角度（稳定信号和波动信号）对环境监测数据和第一原始观测测量信号进行处理。这样不仅能够捕捉到数据中的多元特征，还能够更好地适应各种不同的环境变化，从而提高了数据处理的精确性；
（2）决策特征的可靠性：通过计算第一环境联动观测信号向量和第二环境联动观测信号向量之间的逆向余弦距离，可以有效地衡量这两个向量的差异程度，从而为决策特征的确定提供了可靠的依据；
（3）决策过程的智能化：通过基于逆向余弦距离确定输出标签，将复杂的数据处理任务转化为了简单的分类或回归任务，这大大降低了决策过程的复杂性，同时也提高了决策过程的智能化水平；
（4）系统的适应性：无论环境监测数据和第一原始观测测量信号如何变化，都可以通过调整双生模型架构中的第一深度学习模型和第二深度学习模型来适应这些变化。这使得系统具有很高的适应性，能够在各种不同的环境条件下稳定运行；
（5）应用的广泛性一技术方案并不限于特定的应用场景，只要输入数据包含环境监测数据和原始观测测量信号，就可以使用这一技术方案进行处理。这使得该技术方案具有非常广泛的应用前景。
在一些可能的实施例中，所述基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签包括：在所述逆向余弦距离不大于第一门限值的情况下，确定所述输入信息二元组匹配所述波动信号要素，并确定所述输出标签用于指示波动信号过滤决策处理；在所述逆向余弦距离不小于第二门限值的情况下，确定所述输入信息二元组匹配所述稳定信号要素，并确定所述输出标签用于指示稳定信号强化决策处理；其中，所述第一门限值小于所述第二门限值。
在这个实施例中，主要使用了逆向余弦距离和两个门限值来确定目标输入知识二元组的输出标签。接下来将详细解释并给出举例。
第一门限值和第二门限值两个值用于对逆向余弦距离进行判断，并决定输出标签的值。这两个门限值的选取可以根据实际需要和数据分布进行设定。
举例说明，假设已经计算出了一个逆向余弦距离为0.05，并且设定的第一门限值为0.03，第二门限值为0.08。因为0.05大于第一门限值0.03但小于第二门限值0.08，所以确定输入信息二元组匹配稳定信号要素，并将输出标签设定为指示“稳定信号强化决策处理”。
又例如，波动信号过滤决策处理和稳定信号强化决策处理是这一技术方案中两个关键的处理环节，它们各自对应了双生模型架构中的两个深度学习模型。
在波动信号过滤决策处理环节中，主要使用第二深度学习模型来处理数据。此模型主要针对存在波动信号要素的输入信息进行学习和挖掘，以识别和剔除可能影响决策准确性的不稳定因素或噪声。具体操作中，可能会通过设置阈值、使用滤波算法等方式来过滤掉波动大、频繁变化的信号，只保留相对稳定、变化平缓的信号部分，从而实现波动信号的过滤。
在稳定信号强化决策处理环节中，主要使用第一深度学习模型来处理数据。此模型主要针对存在稳定信号要素的输入信息进行学习和挖掘，以提取出对决策有帮助的稳定特征。具体操作中，可能会通过加权、归一化等方式来强化那些稳定、可靠的信号部分，使其在后续的决策中起到更大的作用，从而实现稳定信号的强化。
波动信号过滤决策处理和稳定信号强化决策处理是互补的两个环节。前者帮助剔除不稳定的噪声，后者帮助突出有价值的信号。通过这两个环节的处理，可以从原始的环境监测数据和观测测量信号中提取出最有利于决策的特征，从而提高决策的准确性和可靠性。
如此，通过设置不同的门限值，可以更精准地区分出哪些数据匹配波动信号要素，哪些数据匹配稳定信号要素。这有助于更准确地进行决策处理。根据输出标签的不同，可以分别对应波动信号过滤和稳定信号强化进行处理，提高了处理效率。通过调整门限值，可以根据实际情况调整判断标准，使得系统具有更好的适应性。
在一些实施例中，所述通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量包括：对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组，所述X为大于1的正整数；通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量。
这一实施例的关键在于通过具有双生模型架构的观测信号筛选模型对目标输入知识二元组进行知识向量拆解和联动信号向量挖掘。可以从以下几个方面详细解释：
（1）目标输入知识二元组是一个包含环境监测数据和第一原始观测测量信号的信息对，为模型提供了处理的基础数据。
（2）知识向量拆解：将目标输入知识二元组拆解成X个局部输入知识向量组，这里的X为大于1的正整数。举个例子，如果环境监测数据包含温度、湿度、风速等多个因素，就可以把这些因素分别视作一个局部输入知识向量，以便更精细地进行处理。
（3）联动信号向量挖掘：通过双生模型架构的观测信号筛选模型对这X个局部输入知识向量组进行处理，得到环境联动观测信号向量。这一步通常涉及深度学习技术，通过这种方法，可以更好地理解各个局部输入知识向量之间的相互影响和联系，从而挖掘出更深层次的信息。
这样一来，通过知识向量拆解和联动信号向量挖掘，能够对数据进行更精细的处理，从而提升模型的处理精度。对局部输入知识向量组进行联动信号向量挖掘，可以帮助模型更好地理解各个向量之间的关系，从而强化模型对数据的理解能力。通过将目标输入知识二元组拆解成多个局部输入知识向量组进行处理，可以降低模型对特定数据分布的依赖，提高模型的泛化性能，使其能够更好地应对各种不同的环境监测数据和原始观测测量信号。
在一些优选的设计思路下，所述对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组包括如下之一：（1）将所述目标输入知识二元组依据目标拆解规则进行拆解，得到X个具有相同维度的知识向量片段；将X个所述知识向量片段确定为所述X个局部输入知识向量组；（2）从所述目标输入知识二元组中抽取X个核心知识向量片段，其中，所述核心知识向量片段为所述目标输入知识二元组中所述输入信息二元组的核心观测结果所属的知识向量片段；将所述X个核心知识向量片段确定为所述X个局部输入知识向量组。
在该实施例中，关键概念是目标输入知识二元组、知识向量拆解、局部输入知识向量组、核心知识向量片段等。以下将分别进行详细的名词解释和举例：目标输入知识二元组是由环境监测数据和第一原始观测测量信号构成的信息对，它包含了需要处理和分析的所有原始信息；知识向量拆解是一种将复杂的知识二元组分解为更小、更容易处理的部分的方法。具体来说，它可以根据目标拆解规则将二元组拆解为多个知识向量片段，也可以从二元组中抽取出核心知识向量片段；局部输入知识向量组是通过知识向量拆解得到的一组知识向量，每个知识向量都可以单独进行处理和分析；核心知识向量片段是目标输入知识二元组中最重要、最能反映核心观测结果的部分。
接下来将给出一个具体的实施例：假设目标输入知识二元组是一个1000维的向量，可以根据目标拆解规则将其分解为10个100维的知识向量片段，这就构成了一个局部输入知识向量组。也可以从这个1000维的向量中抽取出5个最能反映核心观测结果的200维向量片段，这同样构成了一个局部输入知识向量组。
如此设计，通过将复杂的知识二元组分解为更小的部分，可以更高效地处理和分析数据。通过抽取出最能反映核心观测结果的部分，可以更精确地理解和描述数据。无论是根据目标拆解规则进行拆解，还是抽取核心知识向量片段，都可以根据实际需要灵活选择。不同的拆解方法和抽取方法可以应用于不同的场景，使得这个技术方案具有很强的可扩展性。
在一些优选的设计思路下，所述通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量包括：将所述X个局部输入知识向量组中的每个局部输入知识向量组依次确定为当前知识向量片段，然后实施如下内容：将所述当前知识向量片段传入所述第一深度学习模型中，得到第一当前局部环境联动观测信号向量，并将所述当前知识向量片段传入所述第二深度学习模型中，得到第二当前局部环境联动观测信号向量，其中，所述第一环境联动观测信号向量中包括所述第一当前局部环境联动观测信号向量，所述第二环境联动观测信号向量中包括所述第二当前局部环境联动观测信号向量。
在这个实施例中，关键的概念包括局部输入知识向量组、当前知识向量片段、第一深度学习模型、第二深度学习模型、环境联动观测信号向量等。下面将对这些名词进行解释和举例。
局部输入知识向量组是通过前面提到的知识向量拆解过程得到的一组局部知识向量。每个局部输入知识向量都包含了一部分目标输入知识二元组的信息。当前知识向量片段是指正在处理的那一个局部输入知识向量。第一深度学习模型和第二深度学习模型是两个不同的深度学习模型，用于处理和分析当前知识向量片段。环境联动观测信号向量是通过深度学习模型处理当前知识向量片段得到的结果，包括第一环境联动观测信号向量和第二环境联动观测信号向量。
具体的操作流程如下：首先，将每个局部输入知识向量依次确定为当前知识向量片段。然后，将当前知识向量片段分别传入第一深度学习模型和第二深度学习模型中进行处理，得到第一当前局部环境联动观测信号向量和第二当前局部环境联动观测信号向量。这两个信号向量就是需要的环境联动观测信号向量。
这样一来，通过将大规模的知识向量拆解成小规模的局部输入知识向量组，可以更高效地利用深度学习模型进行处理。每个局部输入知识向量都会被单独处理，从而确保了处理结果的精确性。此外，不仅可以应用于当前的两个深度学习模型，还可以轻松地扩展到其他类型的深度学习模型上，具有很强的可扩展性。由于每个局部输入知识向量都会被单独处理，因此可以实时获取到环境联动观测信号向量，以便及时做出决策。
在一些可选的实施例中，在所述获取对输入信息二元组进行知识提取所得到的目标输入知识二元组之前，所述方法还包括：获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集，其中，所述消极训练知识是对所述积极训练知识进行更新后聚合所得的，Y为大于1的自然数；通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求。
积极训练知识和消极训练知识：在机器学习中，通常会使用两种类型的训练数据：积极训练数据和消极训练数据。积极训练数据（积极训练知识）包含了希望模型学习的正面信息，比如这里的稳定信号要素；消极训练数据（消极训练知识）则包含了希望模型避免的负面信息，比如这里的波动信号要素。
观测信号筛选模型是一个用于处理输入信息二元组并提取目标输入知识二元组的模型。它通常包括两个深度学习模型，分别对应处理积极训练知识和消极训练知识。
一致性判别观点是一个用于判断第一深度学习模型和第二深度学习模型输出结果一致性的标准。当这个观点满足训练要求时，可以认为模型已经被正确地训练。
在具体实施中，首先获取Y个积极训练知识和Y个消极训练知识，形成Y个训练知识集。然后，使用这个训练知识集来调试观测信号筛选模型，直到第二深度学习模型的输出结果与第一深度学习模型的输出结果之间的一致性判别观点满足训练要求。
如此，通过同时使用积极训练知识和消极训练知识进行训练，可以更全面地调整模型的参数，提高模型的预测精度。通过对多个训练知识集进行训练，可以提高模型的泛化能力，使其能够更好地处理未见过的数据。通过确保第一深度学习模型和第二深度学习模型的输出结果的一致性，可以提高模型的决策准确性。
在一些可替换的实施例中，所述通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求包括：从所述Y个训练知识集中获取当前训练知识集，并实施如下处理：将所述当前训练知识集中的当前积极训练知识输入所述第一深度学习模型，并将所述当前训练知识集中的当前消极训练知识输入所述第二深度学习模型；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离小于第三门限值的情况下，获取下一对训练知识集作为所述当前训练知识集；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离不小于第三门限值的情况下，对调试达标累计值进行+1；在所述调试达标累计值达到第四门限值的情况下，确定满足所述训练要求。
其中，当前训练知识集是从Y个训练知识集中选取出来，正在用于训练的那一个训练知识集。当前积极训练知识与当前消极训练知识分别是当前训练知识集中的积极训练知识和消极训练知识，用于输入到第一深度学习模型和第二深度学习模型中进行训练。调试达标累计值是一个用于记录模型训练进度的指标。每当消极训练知识得到的环境联动观测信号向量与积极训练知识得到的环境联动观测信号向量之间的逆向余弦距离不小于一个设定的第三门限值时，就对调试达标累计值进行+1操作。
具体实施步骤如下：从Y个训练知识集中获取当前训练知识集；将当前训练知识集中的积极训练知识输入到第一深度学习模型中，将消极训练知识输入到第二深度学习模型中；计算由第一深度学习模型和第二深度学习模型分别得到的环境联动观测信号向量之间的逆向余弦距离；如果逆向余弦距离小于第三门限值，那么获取下一对训练知识集作为当前训练知识集；如果逆向余弦距离不小于第三门限值，那么对调试达标累计值进行+1操作；当调试达标累计值达到第四门限值时，确定模型满足训练要求。
如此，通过引入逆向余弦距离和调试达标累计值，可以更直观地监控模型训练的进度，并及时进行调整，从而提高训练效率。通过使用积极训练知识和消极训练知识对模型进行训练，可以更全面地反映数据特征，提升模型的性能。当逆向余弦距离不小于第三门限值时，进行累计值+1操作，当累计值达到一定门限值时，认为模型训练已经满足要求，这样可以避免模型过度拟合，增强模型的稳定性。
在一些示例性设计思路下，所述获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集包括：获取Y个存在所述稳定信号要素的所述积极训练知识；对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识，其中，所述积极训练知识为存在所述稳定信号要素的参照输入知识二元组调试示例。
上述技术方案的核心在于如何通过调整积极训练知识来生成消极训练知识。下面将对这个过程进行详细介绍。
获取积极训练知识：首先，需要获取一组包含稳定信号要素的积极训练知识。这些积极训练知识可以是实际观测到的数据，也可以是模拟产生的数据。无论哪种情况，它们都应该能够反映出希望模型学习的规律或模式。
调整积极训练知识以生成消极训练知识：接下来，需要对这些积极训练知识进行调整，以生成对应的消极训练知识。具体的调整方式可能会因情况而异，但基本的原则是：调整后的消极训练知识应该能够反映出希望模型避免的错误或问题。
这样一来，通过同时使用积极训练知识和消极训练知识进行训练，可以更有效地指导模型学习，从而提高训练效果。消极训练知识可以帮助模型更好地理解和处理错误或问题，从而增强其对各种复杂情况的处理能力。通过调整积极训练知识生成消极训练知识，可以让模型接触到更多样化的数据，从而提升其泛化能力。
在一些可能的实施例中，所述对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识包括如下之一：（1）在所述积极训练知识中增添波动信号特征，以生成所述消极训练知识；（2）获取多个波动信号知识向量片段，其中，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态；将所述多个波动信号知识向量片段中的一个或至少两个波动信号知识向量片段，叠加于所述积极训练知识，以生成所述消极训练知识；（3）将所述积极训练知识输入训练样本构造模型，以得到所述消极训练知识，其中，所述训练样本构造模型是通过所述积极训练知识和波动信号知识向量片段进行调试后所得到的用于生成存在所述波动信号要素的机器学习模型，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态。
其中，积极训练知识与消极训练知识：这两类知识是机器学习中用于训练模型的数据。积极训练知识代表希望模型能够学习和掌握的信息，而消极训练知识则代表希望模型能够避免的信息。波动信号特征是一种用于描述数据波动情况的特征。比如，温度变化的速度就可以作为一种波动信号特征。波动信号知识向量片段是对波动信号特征进行编码后得到的向量。每一个波动信号知识向量片段都包含了一部分波动信号特征的信息。训练样本构造模型是一个机器学习模型，它被用来根据积极训练知识和波动信号知识向量片段生成消极训练知识。
在具体实施过程中，有以下三种方法来从积极训练知识合成消极训练知识：（1）直接在积极训练知识中增添波动信号特征；（2）选取一个或至少两个波动信号知识向量片段，将它们叠加到积极训练知识上；（3）将积极训练知识输入到训练样本构造模型中，得到消极训练知识。
如此，通过提供多种方式生成消极训练知识，可以根据实际情况选择最适合的方法，从而提高训练效率。通过同时考虑积极训练知识和消极训练知识，可以使模型更好地适应各种不同的数据情况，从而增强模型的鲁棒性。通过让模型同时学习积极训练知识和消极训练知识，可以提高模型的预测准确性。
在上述基础上，提供了一种智能光学标校系统，所述智能光学标校系统包括：
信号获取模块，用于获取参考仪器针对观测物体的第一原始观测测量信号以及待标仪器针对所述观测物体的第二原始观测测量信号；其中，所述第一原始观测测量信号和所述第二原始观测测量信号的时序特征同步；
信号筛选模块，用于采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号；
标校处理模块，用于结合所述第一筛选测量信号、所述第二筛选测量信号以及所述参考仪器的参考标校系数，确定所述待标仪器的当前标校系数。
优选的，所述信号筛选模块采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号，包括：
利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征；
利用所述第一筛选决策特征对所述第一原始观测测量信号进行筛选，得到第一筛选测量信号；
利用观测信号筛选模型对所述环境监测数据和所述第二原始观测测量信号进行处理，得到针对所述第二原始观测测量信号的第二筛选决策特征；
利用所述第二筛选决策特征对所述第二原始观测测量信号进行筛选，得到第二筛选测量信号；
其中，所述信号筛选模块利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征，包括：
获取对输入信息二元组进行知识提取所得到的目标输入知识二元组；其中，所述输入信息二元组包括所述环境监测数据和所述第一原始观测测量信号；
通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量，其中，所述环境联动观测信号向量包括所述双生模型架构中的第一深度学习模型对所述目标输入知识二元组挖掘出的第一环境联动观测信号向量，及所述双生模型架构中的第二深度学习模型对所述目标输入知识二元组挖掘出的第二环境联动观测信号向量，所述第一深度学习模型是用于获取训练知识集中存在稳定信号要素的积极训练知识的环境联动观测信号向量的参考深度学习模型，所述第二深度学习模型是通过基于所述积极训练知识所构造的存在波动信号要素的消极训练知识进行调试；
获取所述第一环境联动观测信号向量与所述第二环境联动观测信号向量之间的逆向余弦距离；
基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签，其中，所述输出标签用于指示所述输入信息二元组所对应的第一筛选决策特征；
其中，所述基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签包括：在所述逆向余弦距离不大于第一门限值的情况下，确定所述输入信息二元组匹配所述波动信号要素，并确定所述输出标签用于指示波动信号过滤决策处理；在所述逆向余弦距离不小于第二门限值的情况下，确定所述输入信息二元组匹配所述稳定信号要素，并确定所述输出标签用于指示稳定信号强化决策处理；其中，所述第一门限值小于所述第二门限值。
优选的，所述信号筛选模块通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量包括：
对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组，所述X为大于1的正整数；
通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量；
其中，所述对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组包括如下之一：将所述目标输入知识二元组依据目标拆解规则进行拆解，得到X个具有相同维度的知识向量片段；将X个所述知识向量片段确定为所述X个局部输入知识向量组；从所述目标输入知识二元组中抽取X个核心知识向量片段，其中，所述核心知识向量片段为所述目标输入知识二元组中所述输入信息二元组的核心观测结果所属的知识向量片段；将所述X个核心知识向量片段确定为所述X个局部输入知识向量组；
其中，所述通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量包括：将所述X个局部输入知识向量组中的每个局部输入知识向量组依次确定为当前知识向量片段，然后实施如下内容：将所述当前知识向量片段传入所述第一深度学习模型中，得到第一当前局部环境联动观测信号向量，并将所述当前知识向量片段传入所述第二深度学习模型中，得到第二当前局部环境联动观测信号向量，其中，所述第一环境联动观测信号向量中包括所述第一当前局部环境联动观测信号向量，所述第二环境联动观测信号向量中包括所述第二当前局部环境联动观测信号向量。
优选的，在所述获取对输入信息二元组进行知识提取所得到的目标输入知识二元组之前，所述智能光学标校系统还包括模型训练模块，用于：
获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集，其中，所述消极训练知识是对所述积极训练知识进行更新后聚合所得的，Y为大于1的自然数；
通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求；
其中，所述通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求包括：从所述Y个训练知识集中获取当前训练知识集，并实施如下处理：将所述当前训练知识集中的当前积极训练知识输入所述第一深度学习模型，并将所述当前训练知识集中的当前消极训练知识输入所述第二深度学习模型；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离小于第三门限值的情况下，获取下一对训练知识集作为所述当前训练知识集；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离不小于第三门限值的情况下，对调试达标累计值进行+1；在所述调试达标累计值达到第四门限值的情况下，确定满足所述训练要求；
其中，所述获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集包括：获取Y个存在所述稳定信号要素的所述积极训练知识；对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识，其中，所述积极训练知识为存在所述稳定信号要素的参照输入知识二元组调试示例；
其中，所述对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识包括如下之一：（1）在所述积极训练知识中增添波动信号特征，以生成所述消极训练知识；（2）获取多个波动信号知识向量片段，其中，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态；将所述多个波动信号知识向量片段中的一个或至少两个波动信号知识向量片段，叠加于所述积极训练知识，以生成所述消极训练知识；（3）将所述积极训练知识输入训练样本构造模型，以得到所述消极训练知识，其中，所述训练样本构造模型是通过所述积极训练知识和波动信号知识向量片段进行调试后所得到的用于生成存在所述波动信号要素的机器学习模型，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态。
关于上述功能模块的描述可以参阅对图1所示的方法的说明，在此不作赘述。
在上述基础上，提供了一种智能光学标校系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现上述的方法。
在上述基础上，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种基于智能仪器的光学标校方法，其特征在于，应用于智能光学标校系统，所述方法包括：
获取参考仪器针对观测物体的第一原始观测测量信号以及待标仪器针对所述观测物体的第二原始观测测量信号；其中，所述第一原始观测测量信号和所述第二原始观测测量信号的时序特征同步；
采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号；
结合所述第一筛选测量信号、所述第二筛选测量信号以及所述参考仪器的参考标校系数，确定所述待标仪器的当前标校系数；
其中，所述采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号，包括：
利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征；
利用所述第一筛选决策特征对所述第一原始观测测量信号进行筛选，得到第一筛选测量信号；
利用观测信号筛选模型对所述环境监测数据和所述第二原始观测测量信号进行处理，得到针对所述第二原始观测测量信号的第二筛选决策特征；
利用所述第二筛选决策特征对所述第二原始观测测量信号进行筛选，得到第二筛选测量信号；
其中，所述利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征，包括：
获取对输入信息二元组进行知识提取所得到的目标输入知识二元组；其中，所述输入信息二元组包括所述环境监测数据和所述第一原始观测测量信号；
通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量，其中，所述环境联动观测信号向量包括所述双生模型架构中的第一深度学习模型对所述目标输入知识二元组挖掘出的第一环境联动观测信号向量，及所述双生模型架构中的第二深度学习模型对所述目标输入知识二元组挖掘出的第二环境联动观测信号向量，所述第一深度学习模型是用于获取训练知识集中存在稳定信号要素的积极训练知识的环境联动观测信号向量的参考深度学习模型，所述第二深度学习模型是通过基于所述积极训练知识所构造的存在波动信号要素的消极训练知识进行调试；
获取所述第一环境联动观测信号向量与所述第二环境联动观测信号向量之间的逆向余弦距离；
基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签，其中，所述输出标签用于指示所述输入信息二元组所对应的第一筛选决策特征；
其中，所述基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签包括：在所述逆向余弦距离不大于第一门限值的情况下，确定所述输入信息二元组匹配所述波动信号要素，并确定所述输出标签用于指示波动信号过滤决策处理；在所述逆向余弦距离不小于第二门限值的情况下，确定所述输入信息二元组匹配所述稳定信号要素，并确定所述输出标签用于指示稳定信号强化决策处理；其中，所述第一门限值小于所述第二门限值。
2.根据权利要求1所述的方法，其特征在于，所述通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量包括：
对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组，所述X为大于1的正整数；
通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量；
其中，所述对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组包括如下之一：将所述目标输入知识二元组依据目标拆解规则进行拆解，得到X个具有相同维度的知识向量片段；将X个所述知识向量片段确定为所述X个局部输入知识向量组；从所述目标输入知识二元组中抽取X个核心知识向量片段，其中，所述核心知识向量片段为所述目标输入知识二元组中所述输入信息二元组的核心观测结果所属的知识向量片段；将所述X个核心知识向量片段确定为所述X个局部输入知识向量组；
其中，所述通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量包括：将所述X个局部输入知识向量组中的每个局部输入知识向量组依次确定为当前知识向量片段，然后实施如下内容：将所述当前知识向量片段传入所述第一深度学习模型中，得到第一当前局部环境联动观测信号向量，并将所述当前知识向量片段传入所述第二深度学习模型中，得到第二当前局部环境联动观测信号向量，其中，所述第一环境联动观测信号向量中包括所述第一当前局部环境联动观测信号向量，所述第二环境联动观测信号向量中包括所述第二当前局部环境联动观测信号向量。
3.根据权利要求1所述的方法，其特征在于，在所述获取对输入信息二元组进行知识提取所得到的目标输入知识二元组之前，所述方法还包括：
获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集，其中，所述消极训练知识是对所述积极训练知识进行更新后聚合所得的，Y为大于1的自然数；
通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求；
其中，所述通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求包括：从所述Y个训练知识集中获取当前训练知识集，并实施如下处理：将所述当前训练知识集中的当前积极训练知识输入所述第一深度学习模型，并将所述当前训练知识集中的当前消极训练知识输入所述第二深度学习模型；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离小于第三门限值的情况下，获取下一对训练知识集作为所述当前训练知识集；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离不小于第三门限值的情况下，对调试达标累计值进行+1；在所述调试达标累计值达到第四门限值的情况下，确定满足所述训练要求；
其中，所述获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集包括：获取Y个存在所述稳定信号要素的所述积极训练知识；对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识，其中，所述积极训练知识为存在所述稳定信号要素的参照输入知识二元组调试示例；
其中，所述对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识包括如下之一：（1）在所述积极训练知识中增添波动信号特征，以生成所述消极训练知识；（2）获取多个波动信号知识向量片段，其中，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态；将所述多个波动信号知识向量片段中的一个或至少两个波动信号知识向量片段，叠加于所述积极训练知识，以生成所述消极训练知识；（3）将所述积极训练知识输入训练样本构造模型，以得到所述消极训练知识，其中，所述训练样本构造模型是通过所述积极训练知识和波动信号知识向量片段进行调试后所得到的用于生成存在所述波动信号要素的机器学习模型，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态。
4.一种智能光学标校系统，其特征在于，包括：
信号获取模块，用于获取参考仪器针对观测物体的第一原始观测测量信号以及待标仪器针对所述观测物体的第二原始观测测量信号；其中，所述第一原始观测测量信号和所述第二原始观测测量信号的时序特征同步；
信号筛选模块，用于采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号；
标校处理模块，用于结合所述第一筛选测量信号、所述第二筛选测量信号以及所述参考仪器的参考标校系数，确定所述待标仪器的当前标校系数；
其中，所述信号筛选模块采集与所述时序特征对应的环境监测数据，利用所述环境监测数据分别对所述第一原始观测测量信号和所述第二原始观测测量信号进行筛选，得到第一筛选测量信号和第二筛选测量信号，包括：
利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征；
利用所述第一筛选决策特征对所述第一原始观测测量信号进行筛选，得到第一筛选测量信号；
利用观测信号筛选模型对所述环境监测数据和所述第二原始观测测量信号进行处理，得到针对所述第二原始观测测量信号的第二筛选决策特征；
利用所述第二筛选决策特征对所述第二原始观测测量信号进行筛选，得到第二筛选测量信号；
其中，所述信号筛选模块利用观测信号筛选模型对所述环境监测数据和所述第一原始观测测量信号进行处理，得到针对所述第一原始观测测量信号的第一筛选决策特征，包括：
获取对输入信息二元组进行知识提取所得到的目标输入知识二元组；其中，所述输入信息二元组包括所述环境监测数据和所述第一原始观测测量信号；
通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量，其中，所述环境联动观测信号向量包括所述双生模型架构中的第一深度学习模型对所述目标输入知识二元组挖掘出的第一环境联动观测信号向量，及所述双生模型架构中的第二深度学习模型对所述目标输入知识二元组挖掘出的第二环境联动观测信号向量，所述第一深度学习模型是用于获取训练知识集中存在稳定信号要素的积极训练知识的环境联动观测信号向量的参考深度学习模型，所述第二深度学习模型是通过基于所述积极训练知识所构造的存在波动信号要素的消极训练知识进行调试；
获取所述第一环境联动观测信号向量与所述第二环境联动观测信号向量之间的逆向余弦距离；
基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签，其中，所述输出标签用于指示所述输入信息二元组所对应的第一筛选决策特征；
其中，所述基于所述逆向余弦距离确定针对所述目标输入知识二元组的输出标签包括：在所述逆向余弦距离不大于第一门限值的情况下，确定所述输入信息二元组匹配所述波动信号要素，并确定所述输出标签用于指示波动信号过滤决策处理；在所述逆向余弦距离不小于第二门限值的情况下，确定所述输入信息二元组匹配所述稳定信号要素，并确定所述输出标签用于指示稳定信号强化决策处理；其中，所述第一门限值小于所述第二门限值。
5.根据权利要求4所述的智能光学标校系统，其特征在于，所述信号筛选模块通过具有双生模型架构的观测信号筛选模型提取所述目标输入知识二元组的环境联动观测信号向量包括：
对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组，所述X为大于1的正整数；
通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量；
其中，所述对所述目标输入知识二元组进行知识向量拆解，得到X个局部输入知识向量组包括如下之一：将所述目标输入知识二元组依据目标拆解规则进行拆解，得到X个具有相同维度的知识向量片段；将X个所述知识向量片段确定为所述X个局部输入知识向量组；从所述目标输入知识二元组中抽取X个核心知识向量片段，其中，所述核心知识向量片段为所述目标输入知识二元组中所述输入信息二元组的核心观测结果所属的知识向量片段；将所述X个核心知识向量片段确定为所述X个局部输入知识向量组；
其中，所述通过所述观测信号筛选模型对所述X个局部输入知识向量组进行联动信号向量挖掘，得到所述环境联动观测信号向量包括：将所述X个局部输入知识向量组中的每个局部输入知识向量组依次确定为当前知识向量片段，然后实施如下内容：将所述当前知识向量片段传入所述第一深度学习模型中，得到第一当前局部环境联动观测信号向量，并将所述当前知识向量片段传入所述第二深度学习模型中，得到第二当前局部环境联动观测信号向量，其中，所述第一环境联动观测信号向量中包括所述第一当前局部环境联动观测信号向量，所述第二环境联动观测信号向量中包括所述第二当前局部环境联动观测信号向量。
6.根据权利要求4所述的智能光学标校系统，其特征在于，在所述获取对输入信息二元组进行知识提取所得到的目标输入知识二元组之前，所述智能光学标校系统还包括模型训练模块，用于：
获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集，其中，所述消极训练知识是对所述积极训练知识进行更新后聚合所得的，Y为大于1的自然数；
通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求；
其中，所述通过所述Y个训练知识集调试待优化的所述观测信号筛选模型，直到所述第二深度学习模型的输出结果与所述第一深度学习模型的输出结果之间的一致性判别观点满足训练要求包括：从所述Y个训练知识集中获取当前训练知识集，并实施如下处理：将所述当前训练知识集中的当前积极训练知识输入所述第一深度学习模型，并将所述当前训练知识集中的当前消极训练知识输入所述第二深度学习模型；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离小于第三门限值的情况下，获取下一对训练知识集作为所述当前训练知识集；在所述当前消极训练知识输入所述第二深度学习模型后得到的当前局部环境联动观测信号向量消极示例与所述当前积极训练知识输入所述第一深度学习模型后得到的当前局部环境联动观测信号向量积极示例之间的逆向余弦距离不小于第三门限值的情况下，对调试达标累计值进行+1；在所述调试达标累计值达到第四门限值的情况下，确定满足所述训练要求；
其中，所述获取Y个存在所述稳定信号要素的所述积极训练知识和Y个存在所述波动信号要素的所述消极训练知识，得到Y个训练知识集包括：获取Y个存在所述稳定信号要素的所述积极训练知识；对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识，其中，所述积极训练知识为存在所述稳定信号要素的参照输入知识二元组调试示例；
其中，所述对Y个所述积极训练知识进行调整，以合成Y个所述消极训练知识包括如下之一：（1）在所述积极训练知识中增添波动信号特征，以生成所述消极训练知识；（2）获取多个波动信号知识向量片段，其中，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态；将所述多个波动信号知识向量片段中的一个或至少两个波动信号知识向量片段，叠加于所述积极训练知识，以生成所述消极训练知识；（3）将所述积极训练知识输入训练样本构造模型，以得到所述消极训练知识，其中，所述训练样本构造模型是通过所述积极训练知识和波动信号知识向量片段进行调试后所得到的用于生成存在所述波动信号要素的机器学习模型，所述波动信号知识向量片段中存在与所述输入信息二元组对应于相同波动标签的波动状态。
7.一种智能光学标校系统，其特征在于，所述智能光学标校系统包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现权利要求1-3任一项所述的方法。
CN202410169301.0A 2024-02-06 2024-02-06 一种基于智能仪器的光学标校方法及系统 Active CN117705177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410169301.0A CN117705177B (zh) 2024-02-06 2024-02-06 一种基于智能仪器的光学标校方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410169301.0A CN117705177B (zh) 2024-02-06 2024-02-06 一种基于智能仪器的光学标校方法及系统

Publications (2)

Publication Number Publication Date
CN117705177A CN117705177A (zh) 2024-03-15
CN117705177B true CN117705177B (zh) 2024-05-10

Family

ID=90162932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410169301.0A Active CN117705177B (zh) 2024-02-06 2024-02-06 一种基于智能仪器的光学标校方法及系统

Country Status (1)

Country Link
CN (1) CN117705177B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107907210A (zh) * 2017-12-11 2018-04-13 中国人民解放军63908部队 光学辐射标定装置
AU2020102518A4 (en) * 2020-09-30 2020-11-19 Lu, Junjie Mr A method of gas sensor calibration based on linear optimization
CN113566848A (zh) * 2021-07-27 2021-10-29 中国科学院长春光学精密机械与物理研究所 基于龙芯平台的光测设备自动星体标校方法及系统
CN115236643A (zh) * 2022-06-27 2022-10-25 中国电信股份有限公司 一种传感器标定方法、系统、装置、电子设备及介质
CN115564842A (zh) * 2022-09-16 2023-01-03 深圳见得空间科技有限公司 双目鱼眼相机的参数标定方法、装置、设备及存储介质
CN116128981A (zh) * 2023-04-19 2023-05-16 北京元客视界科技有限公司 光学系统标定方法、装置和标定系统
CN117288441A (zh) * 2023-10-16 2023-12-26 中国气象科学研究院 一种Langley定标辅助方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107907210A (zh) * 2017-12-11 2018-04-13 中国人民解放军63908部队 光学辐射标定装置
AU2020102518A4 (en) * 2020-09-30 2020-11-19 Lu, Junjie Mr A method of gas sensor calibration based on linear optimization
CN113566848A (zh) * 2021-07-27 2021-10-29 中国科学院长春光学精密机械与物理研究所 基于龙芯平台的光测设备自动星体标校方法及系统
CN115236643A (zh) * 2022-06-27 2022-10-25 中国电信股份有限公司 一种传感器标定方法、系统、装置、电子设备及介质
CN115564842A (zh) * 2022-09-16 2023-01-03 深圳见得空间科技有限公司 双目鱼眼相机的参数标定方法、装置、设备及存储介质
CN116128981A (zh) * 2023-04-19 2023-05-16 北京元客视界科技有限公司 光学系统标定方法、装置和标定系统
CN117288441A (zh) * 2023-10-16 2023-12-26 中国气象科学研究院 一种Langley定标辅助方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CE318型太阳光度计标定方法初探;杨志峰 等;应用气象学报;20080615(第03期);全文 *
基于二值几何编码图案的高精度结构光系统参数标定方法研究;曾海 等;集成技术;20180209(第02期);全文 *
激光照射性能测量中异源相机的标定方法;景文博 等;兵工学报;20200515(第05期);全文 *

Also Published As

Publication number Publication date
CN117705177A (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
Sharma et al. A New Dawn for Tomato-spotted wilt virus Detection and Intensity Classification: A CNN and LSTM Ensemble Model
CN117540908B (zh) 基于大数据的农业资源整合方法和系统
CN117058622A (zh) 污水处理设备的智能监测系统及其方法
CN112434662B (zh) 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法
CN109800815B (zh) 基于随机森林模型的训练方法、小麦识别方法和训练系统
CN115439754A (zh) 一种基于时序遥感影像的大范围跨物候区农作物制图方法
CN116304604B (zh) 多变量时间序列数据异常检测、模型训练方法和系统
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
CN113343801B (zh) 基于轻量化卷积神经网络的无线信号自动调制识别方法
CN117705177B (zh) 一种基于智能仪器的光学标校方法及系统
CN117290716A (zh) 一种基于KPCA-TCN-Attention的光伏阵列故障诊断方法
CN111797690A (zh) 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置
CN116740567A (zh) 用于泡桐幼苗栽培的土壤含水率检测方法及系统
CN111340196A (zh) 对抗网络数据生成方法以及异常事件检测方法
CN116595551A (zh) 银行交易数据管理方法及系统
CN116312860A (zh) 基于监督迁移学习的农产品可溶性固形物预测方法
Balaji et al. Plant Infirmity Detection Using Vgg-16 Convolutional Neural Network
CN112529035B (zh) 识别不同电台个体种类的智能识别方法
CN118549823B (zh) 一种锂电池电性能测试方法及系统
CN112132007B (zh) 一种基于ResNet-SVM的调制方式识别方法及系统
De Caro et al. Generating Wind Power Pseudo-Measurements by Machine-Learning-based Methods
CN118799109A (zh) 温室番茄根长密度的预测方法、装置及存储介质
Al Mamun et al. Plant Disease Detection Using Self-supervised Learning: A Systematic Review
Wu Revisiting Attention for Multivariate Time Series Forecasting

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