CN112037181A - 2d saxs图谱解析模型训练方法及装置 - Google Patents

2d saxs图谱解析模型训练方法及装置 Download PDF

Info

Publication number
CN112037181A
CN112037181A CN202010808889.1A CN202010808889A CN112037181A CN 112037181 A CN112037181 A CN 112037181A CN 202010808889 A CN202010808889 A CN 202010808889A CN 112037181 A CN112037181 A CN 112037181A
Authority
CN
China
Prior art keywords
model
saxs
parameters
distribution
atlas
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
Application number
CN202010808889.1A
Other languages
English (en)
Other versions
CN112037181B (zh
Inventor
朱才镇
唐正
刘会超
于佳立
徐坚
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010808889.1A priority Critical patent/CN112037181B/zh
Publication of CN112037181A publication Critical patent/CN112037181A/zh
Application granted granted Critical
Publication of CN112037181B publication Critical patent/CN112037181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/60—Memory management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请实施例提供了一种二维小角X射线散射2D SAXS图谱解析模型训练方法及装置，其中，所述图谱解析模型训练方法应用于电子设备，所述图谱解析模型训练方法包括：获取N个第一2D SAXS图谱，所述N为正整数；将所述N个第一2D SAXS图谱输入到深度学习模型中，得到第一模型参数，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立；将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。采用本申请实施例，能够得到一种高通量的2D SAXS图谱解析模型，所述高通量的2D SAXS图谱解析模型在对单张2D SAXS图谱的分布参数进行解析时，解析准确度高，解析速度快(微秒级)，从而满足海量实验数据的解析需求。

Description

2D SAXS图谱解析模型训练方法及装置
技术领域
本申请涉及人工智能和小角X射线散射交叉技术领域，尤其涉及一种2D SAXS图谱解析模型训练方法及装置。
背景技术
小角X射线散射(Small Angle X-ray Scattering，SAXS)是指在靠近原X射线束附近很小角度范围内电子对X射线的相干散射现象，通过分析样品中基体与微结构之间电子密度差所导致的X射线散射强度涨落，可有效探测材料内部纳米尺度(1-1000nm)范围内的微结构(包括微纳颗粒、孔隙结构等)的形状、大小、分布及含量等空间几何信息。同时，SAXS技术具有高穿透性、制样简单、无损探测、测试快速、统计性好以及适用范围广等特点，是当前新材料纳米尺度微结构高通量表征技术中不可缺少的微观-介观尺度关键分析表征手段，被广泛应用于合金、悬浮液、乳液、胶体、高分子溶液、天然大分子、液晶、薄膜、聚电解质、复合物、纳米材料等诸多研究领域。
SAXS虽然测试简单，然而数据分析则十分复杂。目前，SAXS数据解析方法主要包括一维SAXS(1D SAXS)和二维SAXS(2D SAXS)方法。1D SAXS方法，通过将2D SAXS图谱转化为一维积分曲线，从而实现微结构的解析，但1D SAXS方法不适用于散射体存在高度择优取向的各向异性体系；现有的部分2D SAXS图谱解析方法虽然能够有效计算各向异性体系的2DSAXS图谱，但2D SAXS图谱解析方法主要通过直接拟合实验2D SAXS图谱，需要构建合理有效的数理模型，并进行快速地理论二维散射图谱计算，往往需要迭代数千乃至数万次，因而单张2D SAXS图谱解析速度不能满足海量实验数据的解析需求。
发明内容
本申请实施例提供了一种基于深度学习的2D SAXS图谱解析模型训练方法及装置，所述图谱解析模型训练方法基于深度学习框架和深度卷积人工神经网络建立所述深度学习模型，并基于所述随机均匀分布函数建立所述深度学习模型的样本数据库，因而所述样本数据库范围广，根据所述样本数据库对所述深度学习模型进行训练、优化得到所述目标图谱解析模型，使得所述目标图谱解析模型对单张2D SAXS进行分布参数解析时的准确度高，解析速度快(微秒级)，能够满足海量实验数据的解析需求。
本申请实施例第一方面提供了一种2D SAXS图谱解析模型训练方法，应用于电子设备，所述方法包括：获取N个第一2D SAXS图谱，其中，所述N为正整数；将所述N个第一2DSAXS图谱输入到深度学习模型中，得到第一模型参数；其中，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立；将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。
可以看出，在本实施方式中，所述图谱解析模型训练装置将多个2D SAXS图谱输入到基于深度学习框架和人工神经网络确定的所述深度学习模型进行训练，最终得到的所述第一图谱解析模型能够快速准确地解析具有各向异性的2D SAXS图谱，满足海量2D SAXS图谱的解析需求。
结合第一方面，在一个可行的实施方式中，所述获取N个第一2D SAXS图谱，包括：获取所述N组第一分布参数，并根据所述N组第一分布参数确定N个第一2D SAXS图谱，其中，所述N组第一分布参数与所述N个第一2D SAXS图谱一一对应。
可以看出，在本实施方式中，所述N组第一分布参数与所述N个第一2D SAXS图谱一一对应，以使得基于所述多个2D SAXS图谱训练得到的所述第一图谱解析模型能够快速准确地解析具有各向异性的2D SAXS图谱，满足海量2D SAXS图谱的解析需求。
结合第一方面，在一个可行的实施方式中，所述方法还包括：获取M个第二2D SAXS图谱，其中，所述M个第二2D SAXS图谱中的每个第二2D SAXS图谱包括一组第二分布参数，所述M为正整数；获取K组第二模型参数，根据所述M个第二2D SAXS图谱和所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数，其中所述K为正整数；将所述一组目标模型参数配置到所述第一图谱解析模型，得到目标图谱解析模型。
可以看出，在本实施方式中，所述2D SAXS图谱解析模型训练装置基于所述M个第二2D SAXS图谱、所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数，将所述一组目标模型参数配置到所述第一图谱解析模型中，得到所述目标图谱解析模型，以使得所述目标图谱解析模型相对于所述第一图谱解析模型具有更高的准确性和解析速度。
结合第一方面，在一个可行的实施方式中，所述根据所述M个第二2D SAXS图谱和所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数，包括：针对所述K组第二模型参数中的每组第二模型参数执行以下步骤，以得到K个第一曲线图：将当前处理的一组第二模型参数配置到所述第一图谱解析模型，得到第二图谱解析模型；从所述M个第二2D SAXS图谱中随机调用P个第二2D SAXS图谱输入到所述第二图谱解析模型中，得到所述第二图谱解析模型的P个第二预测分布参数，根据所述P个第二预测分布参数和所述P个第二2D SAXS图谱对应的第二分布参数，确定所述第二图谱解析模型的所述第一曲线图，其中，所述K为正整数，所述P为小于M的正整数。比较所述K个第一曲线图，确定目标第一曲线图，并将所述目标第一曲线图对应的一组第二模型参数确定为所述一组目标模型参数。
可以看出，在本实施方式中，针对所述当前第二图谱解析模型，所述2D SAXS图谱解析模型训练装置通过随机从所述M个第二2D SAXS图谱中调用P个第二2D SAXS图谱输入到所述当前第二图谱解析模型中，得到所述当前第二图谱解析模型的所述第一曲线图，执行K次上述操作，得到K个第一曲线图，比较所述K个第一曲线图，确定一个目标第一曲线图，所述目标第一曲线图对应的第二模型参数确定为所述一组目标模型参数，所述一组目标模型参数即为最适合所述深度学习模型的第二模型参数，因而配置有所述一组目标模型参数的所述目标图谱解析模型相对于所述第一图谱解析模型具有更高的准确性和解析速度。
结合第一方面，在一个可行的实施方式中，所述方法还包括：获取H个第三2D SAXS图谱，其中，所述H个第三2D SAXS图谱中的每个第三2D SAXS图谱包括一组第三分布参数，所述H为正整数；将所述H个第三2D SAXS图谱输入到所述目标图谱解析模型中，得到H组第三预测分布参数，其中，所述H组第三预测分布参数与所述H个第三2D SAXS图谱一一对应；将所述H组第三预测分布参数中每组第三预测分布参数和与其对应的第三2D SAXS图谱中的第三分布参数进行比对，以对所述目标图谱解析模型进行评估。
可以看出，在本实施方式中，所述图谱解析模型训练装置基于所述测试集对所述目标图谱解析模型进行评估，以分析所述目标图谱解析模型的有效性和适用范围。
结合第一方面，在一个可行的实施方式中，所述方法还包括：获取金属纳米棒的第四2D SAXS图谱；将所述第四2D SAXS图谱输入到所述目标图谱解析模型，得到所述第四分布参数；将所述第四分布参数与预设分布参数进行比较，以对所述目标图谱解析模型进行验证，其中，所述预设分布参数基于透射电子显微镜TEM对所述金属纳米棒进行处理得到。
可以看出，在本实施方式中，所述图谱解析模型训练装置基于所述目标图谱解析模型对所述金纳米棒的第四2D SAXS图谱进行解析，得到所述金纳米棒的第四分布参数；将所述金纳米棒的第四分布参数与基于透射电子显微镜TEM确定的所述金纳米棒预设分布参数进行比较，从而有效地验证所述目标图谱解析模型的准确性。
第二方面，本申请实施例提供了一种用于实现第一方面所述方法的装置，包括：获取模块，用于获取N个第一2D SAXS图谱，其中，所述N为正整数；输入模块，用于将所述N个第一2D SAXS图谱输入到深度学习模型中，得到第一模型参数，其中，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立；配置模块，用于将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。
结合第二方面，在一个可行的实施方式中，所述获取模块还用于：获取N组第一分布参数，并根据所述N组第一分布参数确定N个第一2D SAXS图谱，其中，所述N组第一分布参数与所述N个第一2D SAXS图谱一一对应。
第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器；所述处理器和存储器相连，其中，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如上述第一方面中任一项所述的方法。
第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如上述第一方面中任一项所述的方法。
附图说明
以下对本申请实施例用到的附图进行介绍。
图1是本申请实施例提供的一种2D SAXS图谱解析模型的训练方法流程图；
图2是本申请实施例提供的另一种2D SAXS图谱解析模型的训练方法示意图；
图3是本申请实施例提供的所述目标图谱解析模型对散射体进行短轴均值参数解析的效果图；
图4是本申请实施例提供的所述目标图谱解析模型对散射体进行短轴方差参数解析的效果图；
图5是本申请实施例提供的所述目标图谱解析模型对散射体进行长轴均值参数解析的效果图；
图6是本申请实施例提供的所述目标图谱解析模型对散射体进行长轴方差参数解析的效果图；
图7是本申请实施例提供的所述目标图谱解析模型对散射体进行天顶角均值参数解析的效果图；
图8是本申请实施例提供的所述目标图谱解析模型对散射体进行天顶角方差参数解析的效果图；
图9是本申请实施例提供的一种2D SAXS图谱解析模型的训练装置结构示意图；
图10是本申请实施例提供的另一种2D SAXS图谱解析模型的训练装置结构示意图；
图11是本申请实施例提供的一种用于2D SAXS图谱解析模型训练电子设备的结构示意图。
具体实施方式
本申请实施例提供了一种基于深度学习的2D SAXS图谱解析模型训练方法及装置，应用于电子设备，该图谱解析模型的训练方法应用于电子设备中，根据2D SAXS图谱对所述深度学习模型进行训练，从而得到能够快速准确解析具有各向异性2D SAXS图谱的图谱解析模型。
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清楚、完整地描述。
请参阅图1，图1是本申请提供的一种2D SAXS图谱解析模型的训练方法流程图；所述图谱解析模型的训练方法包括：
步骤S101：获取N个第一2D SAXS图谱，其中，所述N为正整数。
具体地，根据随机均匀分布函数产生所述N组第一分布参数，根据所述N组第一分布参数确定N个第一2D SAXS图谱，所述N个第一2D SAXS图谱构成所述深度学习模型的训练集，其中，所述N个第一2D SAXS图谱与所述N组第一分布参数一一对应，所述N个第一2DSAXS图谱中的每个第一2D SAXS图谱对应多个散射体，所述多个散射体中的每个散射体有自身特定的形状、尺寸和角度，所述第一分布参数即是从统计学角度描述所述多个散射体的形状、尺寸和角度的一组参数，也即是说，所述N组第一分布参数中的每组第一分布参数对应所述多个散射体。
针对所述N组第一分布参数中的每组第一分布参数，分别执行以下步骤，以得到所述N个第一2D SAXS图谱：将当前处理的一组第一分布参数中的尺寸和角度分布参数分别输入到对应的分布函数中，得到所述一组第一分布参数对应的所述多个散射体的尺寸分布和角度分布，将所述多个散射体的形状、尺寸分布和角度分布代入第一计算模型，并基于GPU多线程并行计算，得到所述多个散射体的第一2D SAXS图谱，其中，所述分布函数的类型和数量具体由所述一组第一分布参数中的形状、尺寸和角度分布参数确定，此处不做具体限定。
举例来说，若所述一组第一分布参数描述的多个散射体为椭球体，所述多个散射体中的每个散射体的尺寸包括长轴和短轴，此时，所述一组第一分布参数中的尺寸分布参数包括长轴参数和短轴参数，所述长轴参数包括长轴均值和长轴方差，所述短轴参数包括短轴均值和短轴方差；所述长轴和所述短轴对应的所述分布函数为对数正态分布函数，将所述长轴参数和所述短轴参数分别代入所述对数正态分布函数中，得到所述多个散射体的长轴分布和短轴分布，所述长轴分布和所述短轴分布构成所述多个散射体的尺寸分布；所述多个散射体中的每个散射体的角度包括天顶角和空间方位角，此时，所述一组第一分布参数中的角度分布参数包括天顶角参数，所述天顶角参数包括天顶角均值和天顶角方差；所述天顶角对应的所述分布函数为圆形分布函数，将所述天顶角均值和天顶角方差代入所述圆形分布函数中，得到所述多个散射体的天顶角分布；所述空间方位角根据所述随机均匀分布函数随机生成，符合随机均匀分布，无分布参数。
不难理解，所述第一分布参数的数量和类型由其所描述的所述多个散射体的形状确定，所述分布函数根据所述第一分布参数的类型确定，当所述多个散射体为椭球体时，描述所述多个散射体的所述第一分布参数的类型包括：长轴均值、长轴方差、短轴均值、短轴方差、天顶角均值和天顶角方差；应当理解，此处仅以所述多个散射体的形状为椭球体进行举例说明，当所述多个散射体的形状为非椭球体时，描述所述多个散射体的所述第一分布参数的类型和数量也不相同，因而与所述第一分布参数对应的所述分布函数也不相同，此处对所述多个散射体的形状不做具体限定。
其中，所述随机均匀分布函数可以是数值计算函数库NUMPY中的RANDOM.RAND函数或其它函数库中与所述NUMPY中RANDOM.RAND函数功能类似的函数；其中所述N组第一分布参数中的每组分布参数包括所述散射体的形状、尺寸和角度。
其中，所述第一计算模型用于根据散射体的分布参数计算所述散射体对应的2DSAXS图谱，所述第一计算模型包括双模型和单模型两种，所述双模型适用于同时存在取向散射体和各向同性散射体的散射体系，采用球体和椭球体模型进行拟合计算得到；所述单模型适用于仅存在取向散射体的散射体系，采用椭球体模型进行拟合计算得到，所述第一计算模型的具体类型依据实际情况而定，此处不做具体限定。
步骤S102：将所述N个第一2D SAXS图谱输入到深度学习模型中，得到第一模型参数。
具体地，根据深度学习框架和深度卷积人工神经网络，分别创建输入层、卷积层、池化层、全连接层和输出层，建立所述深度学习模型；所述N个第一2D SAXS图谱构成所述深度学习模型的训练集，循环从所述N个第一2D SAXS图谱中随机调用一定数量的第一2DSAXS图谱并输入到所述深度学习模型中，以对所述深度学习模型的第一模型参数进行迭代，直到当前迭代得到的第一模型参数与上一次迭代得到的第一模型参数的差值的绝对值小于或等于阈值A时，结束所述第一模型参数迭代过程，并将所述当前迭代得到的第一模型参数确定为所述第一模型参数；所述深度学习框架可以是TensorFlow或PyTorch或其它功能类似的深度学习框架，所述N为正整数，所述A为正数。
其中，所述第一模型参数的单次迭代过程具体为：随机从所述N个第一2D SAXS图谱中调用L个第一2D SAXS图谱，将所述L个第一2D SAXS图谱和所述上一次迭代得到的第一模型参数经过卷积、池化和全连接层运算，得到L组第一预测分布参数；根据所述L组第一预测分布参数和所述L个第一2D SAXS图谱对应的L组第一分布参数确定所述当前迭代得到的第一模型参数的下降梯度；若是首次对所述第一模型参数进行迭代，所述第一模型参数的初始值基于所述随机均匀分布函数确定；根据所述下降梯度和反向传播算法(BP算法)确定所述当前迭代得到的第一模型参数；当所述当前迭代得到的第一模型参数与所述上一次迭代得到的第一模型参数的差值的绝对值小于或等于阈值A时，结束所述第一模型参数迭代过程，并将所述当前迭代得到的第一模型参数确定为所述第一模型参数；否则，进入下一次所述第一模型参数的迭代过程；其中，所述L为小于所述N的正整数。
其中，所述第一模型参数包括神经网络的权重和偏置，所述权重和偏置的数目根据所述深度卷积人工神经网络的参数确定，所述深度卷积人工神经网络的参数依据实际情况而定，此处不做具体限定，其中，所述神经网络的参数包括神经网络的层数、神经元的个数。
步骤S103：将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。
具体地，将步骤S102中迭代得到的所述第一模型参数配置到所述深度学习模型中，得到所述第一图谱解析模型。
可以看出，在本实施方式中，所述2D SAXS图谱解析模型训练方法通过所述随机均匀分布函数确定均匀分布的所述第一分布参数，从而到所述多个散射体的所述第一2DSAXS图谱，利用所述第一2D SAXS图谱对基于深度学习框架和人工神经网络确定的所述深度学习模型进行训练和优化，得到第一图谱解析模型，所述第一图谱解析模型对具有各向异性的2D SAXS图谱能够进行快速且准备地解析，可以满足海量2D SAXS图谱的解析需求。
在一种可行的实施方式中，所述2D SAXS图谱解析模型的训练方法还包括：获取M个第二2D SAXS图谱，其中，所述M个第二2D SAXS图谱中的每个第二2D SAXS图谱包括一组第二分布参数；获取K组第二模型参数，根据所述M个第二2D SAXS图谱和所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数；将所述一组目标模型参数配置到所述第一图谱解析模型，得到目标图谱解析模型，其中，所述M和所述K为正整数。
具体地，所述M个第二2D SAXS图谱的获取方式与步骤S101中所述N个第一2D SAXS图谱的获取方式相同，此处不再赘述，所述M个第二2D SAXS图谱构成所述深度学习模型的验证集；所述K组第二模型参数根据所述随机均匀分布函数确定，所述K组第二模型参数中的每组第二模型参数包括学习率、卷积层参数、优化器、激活函数、神经网络层数和神经元数量。
针对所述K组第二模型参数中的每组第二模型参数执行以下步骤，得到K个第一曲线图：将当前处理的一组第二模型参数配置到所述第一图谱解析模型，得到一个第二图谱解析模型，从所述验证集中随机调用P个第二2D SAXS图谱输入到所述一个第二图谱解析模型中，通过卷积、池化和全连接层运算确定所述一个第二图谱解析模型的P个第二预测分布参数，根据所述P个第二预测分布参数和所述P个第二2D SAXS图谱对应的第二分布参数，得到所述一个第二图谱解析模型的所述第一曲线图。
不难理解，所述K组第二模型参数与所述K个第一曲线图一一对应，所述K个第一曲线图对应K个第二图谱解析模型；比较所述K个第一曲线图，以确定目标第一曲线图，将所述目标第一曲线图对应的一组第二模型参数确定为所述一组目标模型参数，将所述一组目标模型参数配置到所述第一图谱解析模型，得到所述目标图谱解析模型，其中，所述K为正整数，所述P为小于M的正整数。
可以看出，在本实施方式中，所述2D SAXS图谱解析模型训练方法基于所述验证集、所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数，将所述一组目标模型参数配置到所述第一图谱解析模型中，得到所述目标图谱解析模型，以使得所述目标图谱解析模型相对于所述第一图谱解析模型具有更高的准确性和解析速度。
在一种可行的实施方式中，所述2D SAXS图谱解析模型的训练方法还包括：获取H个第三2D SAXS图谱，所述H个第三2D SAXS图谱构成所述深度学习模型的测试集，其中，所述H个第三2D SAXS图谱中的每个第三2D SAXS图谱包括一组第三分布参数；将所述H个第三2D SAXS图谱输入到所述目标图谱解析模型中，通过卷积、池化和全连接运算确定H个第三预测分布参数，所述H组第三预测分布参数与所述H个第三2D SAXS图谱一一对应；将H组第三预测分布参数中每组第三预测分布参数和与其对应的第三2D SAXS图谱中的第三分布参数进行比对，以对所述目标图谱解析模型进行评估，其中，所述H为正整数。
可以看出，在本实施方式中，所述2D SAXS图谱解析模型训练方法基于所述测试集对所述目标图谱解析模型进行评估，以分析所述目标图谱解析模型的有效性和适用范围。
在一种可行的实施方式中，所述2D SAXS图谱解析模型的训练方法还包括：获取金属纳米棒的第四2D SAXS图谱；将所述金属纳米棒的第四2D SAXS图谱输入到所述目标图谱解析模型，得到所述金属纳米棒的第四分布参数；将所述金属纳米棒的第四分布参数与预设分布参数进行比较，以对所述目标图谱解析模型进行验证，其中，所述预设分布参数基于透射电子显微镜TEM对所述金属纳米棒进行处理得到。
具体地，所述金属纳米棒所使用的金属类型可根据实际情况进行选择，此处以金为例进行详细说明：首先，以金纳米棒作为散射体，并将其混入超高弹性的聚氨酯中，通过聚合物的牵伸进行取向，制成取向可控的标准样品；然后使用同步辐射小角X射线散射实验站对金纳米棒进行原位SAXS测试，得到所述第四2D SAXS图谱；将所述第四2D SAXS图谱输入到所述目标图谱解析模型，根据卷积、池化和全连接层运算确定所述金属纳米棒的第四分布参数；最后，比较所述金属纳米棒的第四分布参数与基于透射电子显微镜TEM获得的所述金属纳米棒的分布参数，以对所述目标图谱解析模型进行验证。
不难理解，所选取的金属类型不同，实验过程中以所述金属纳米棒作散射体制备所述标准样品的过程、所述制备过程中使用的材料，以及所述原位SAXS测试的过程也会相应发生变化，此处不做具体限定。
可以看出，在本实施方式中，所述2D SAXS图谱解析模型训练方法基于所述目标图谱解析模型对所述金纳米棒的第四2D SAXS图谱进行解析，得到所述金纳米棒的第四分布参数；将所述金纳米棒的第四分布参数与基于透射电子显微镜TEM确定的所述金纳米棒预设分布参数进行比较，从而有效地验证所述目标图谱解析模型的准确性。
请参阅图2，图2是本申请提供的另一种2D SAXS图谱解析模型的训练方法示意图，如图2所示，所述图谱解析模型训练方法包括如下步骤：
步骤S201：建立样本数据库，所述样本数据库包括训练集、验证集和测试集。
具体地，所述深度学习模型的样本数据库包括所述训练集、所述验证集和所述测试集。所述训练集由图1方法实施例中的N个第一2D SAXS图谱构成，所述N个第一2D SAXS图谱中每个第一2D SAXS图谱包括一组第一分布参数；所述验证集由图1方法实施例中的M个第二2D SAXS图谱构成，所述M个第二2D SAXS图谱中的每个第二2D SAXS图谱包括一组第二分布参数；所述测试集由图1方法实施例中的H个第二2D SAXS图谱构成，所述H个第三2DSAXS图谱中的每个第三2D SAXS图谱包括一组第三分布参数。所述N个第一2D SAXS图谱中的每个第一2D SAXS图谱对应多个散射体，所述多个散射体中的每个散射体有自身特定的形状、尺寸和角度，所述一组第一分布参数即是从统计学角度描述所述多个散射体的形状、尺寸和角度的一组参数，也即是说，所述N组第一分布参数中的每组第一分布参数对应所述多个散射体。所述验证集和所述测试集中2D SAXS图谱所具有的性质和所述训练集中的第一2D SAXS图谱的性质一致，此处不再赘述。
下面以所述训练集为例，详细说明所述样本数据库的建立过程，首先，根据所述随机均匀分布函数产生所述训练集中的N组第一分布参数，针对所述N组第一分布参数中的每组第一分布参数，分别执行以下步骤，以得到所述N个第一2D SAXS图谱：将当前处理的一组第一分布参数中的尺寸和角度分布参数分别输入到对应的分布函数中，得到所述一组第一分布参数对应的所述多个散射体的尺寸分布和角度分布，将所述多个散射体的形状、尺寸分布和角度分布代入理论2D SAXS模型，并基于GPU多线程并行计算，得到所述多个散射体的第一2D SAXS图谱。所述验证集和所述测试集中的所述2D SAXS图谱的获取方法与所述训练集中的第一2D SAXS图谱的获取过程一致，此处不再赘述。
其中，所述理论2D SAXS模型对应图1方法实施例中的所述第一计算模型，所述随机均匀分布函数和所述理论2D SAXS模型请参见图1方法实施例中的描述，此处不再赘述；所述分布函数的类型和数量由所述样本数据库中每个2D SAXS图谱对应的分布参数中的形状、尺寸和角度分布参数确定，此处不做具体限定，图1所示的方法实施例中以所述多个散射体的形状为椭球体进行举例，详细说明了该情况下所述多个散射体对应的所述一组第一分布参数，以及所述一组第一分布参数对应具体的所述分布函数，此处不再赘述。
步骤S202：建立深度学习模型。
具体地，根据深度学习框架和深度卷积人工神经网络，分别创建输入层、卷积层、池化层、全连接层和输出层，建立所述深度学习模型；所述深度学习模型包括待确定的所述第一模型参数和所述目标模型参数，所述第一模型参数基于所述样本数据库对所述深度学习模型进行训练确定，所述目标模型参数基于所述样本数据库对所述深度学习模型进行优化确定。
其中，所述深度学习框架可以是TensorFlow或PyTorch或其它功能类似的深度学习框架，此处不做具体限定；所述第一模型参数包括神经网络的权重和偏置，所述权重和偏置的数目根据所述深度卷积人工神经网络的参数确定，所述深度卷积人工神经网络的参数依据实际情况而定，此处不做具体限定，所述神经网络的参数包括神经网络的层数、神经元的个数；所述第二模型参数包括学习率、卷积层参数、优化器、激活函数、神经网络层数和神经元数量。
步骤S203：利用所述训练集对所述深度学习模型进行训练，确定第一模型参数，将所述第一模型参数配置到所述深度学习模型，得到所述第一图谱解析模型。
具体地，循环从所述训练集中随机调用一定数量的第一2D SAXS图谱并输入到所述深度学习模型中，以对所述深度学习模型的第一模型参数进行迭代，直到当前迭代得到的第一模型参数与上一次迭代得到的第一模型参数的差值的绝对值小于或等于阈值A时，结束所述第一模型参数迭代过程，并将所述当前迭代得到的第一模型参数确定为所述第一模型参数；所述A为正数。
其中，所述第一模型参数的单次迭代过程具体为：随机从所述训练集中调用L个第一2D SAXS图谱，将所述L个第一2D SAXS图谱和所述上一次迭代得到的第一模型参数经过卷积、池化和全连接层运算，得到L组第一预测分布参数；根据所述L组第一预测分布参数和所述L个第一2D SAXS图谱对应的L组第一分布参数确定所述当前迭代得到的第一模型参数的下降梯度；若是首次对所述第一模型参数进行迭代，所述第一模型参数的初始值基于所述随机均匀分布函数确定；根据所述下降梯度和反向传播算法(BP算法)确定所述当前迭代得到的第一模型参数；当所述当前迭代得到的第一模型参数与所述上一次迭代得到的第一模型参数的差值的绝对值小于或等于阈值A时，结束所述第一模型参数迭代过程，并将所述当前迭代得到的第一模型参数确定为所述第一模型参数；否则，进入下一次所述第一模型参数的迭代过程；其中，所述L为小于所述N的正整数。
步骤S204：利用所述验证集对所述第一图谱解析模型进行优化，确定一组目标模型参数，将所述一组目标模型参数配置到所述第一图谱解析模型，得到目标图谱解析模型。
具体地，所述验证集由所述M个第二2D SAXS图谱构成，所述M个第二2D SAXS图谱中的每个第二2D SAXS图谱包括一组第二分布参数；根据所述随机均匀分布函数确定K组第二模型参数，所述K组第二模型参数中的每组第二模型参数包括学习率、卷积层参数、优化器、激活函数、神经网络层数和神经元数量。
针对所述K组第二模型参数中的每组第二模型参数执行以下步骤，得到K个第一曲线图：将当前处理的一组第二模型参数配置到所述第一图谱解析模型，得到一个第二图谱解析模型，从所述验证集中随机调用P个第二2D SAXS图谱输入到所述一个第二图谱解析模型中，通过卷积、池化和全连接层运算确定所述一个第二图谱解析模型的P个第二预测分布参数，根据所述P个第二预测分布参数和所述P个第二2D SAXS图谱对应的第二分布参数，得到所述一个第二图谱解析模型的所述第一曲线图。
不难理解，所述K组第二模型参数与所述K个第一曲线图一一对应，所述K个第一曲线图对应K个第二图谱解析模型；比较所述K个第一曲线图，以确定目标第一曲线图，将所述目标第一曲线图对应的一组第二模型参数确定为所述一组目标模型参数，将所述一组目标模型参数配置到所述第一图谱解析模型，得到所述目标图谱解析模型，其中，所述K为正整数，所述P为小于M的正整数。
步骤S205：利用所述测试集对所述目标图谱解析模型进行评价。
具体地，所述测试集由所述H个第二2D SAXS图谱构成，所述H个第三2D SAXS图谱中的每个第三2D SAXS图谱包括一组第三分布参数，将所述H个第三2D SAXS图谱输入到所述目标图谱解析模型中，通过卷积、池化和全连接运算确定H个第三预测分布参数，所述H组第三预测分布参数与所述H个第三2D SAXS图谱一一对应；将H组第三预测分布参数中每组第三预测分布参数和与其对应的第三2D SAXS图谱中的第三分布参数进行比对，以对所述目标图谱解析模型进行评估，其中，所述H为正整数。
步骤S206：获取金属纳米棒的第四2D SAXS图谱，将所述第四2D SAXS图谱输入到所述目标图谱解析模型，以对所述目标图谱解析模型进行实验验证。
具体地，所述金属纳米棒所使用的金属类型可根据实际情况进行选择，此处以金为例进行详细说明：首先，以金纳米棒作为散射体，并将其混入超高弹性的聚氨酯中，通过聚合物的牵伸进行取向，制成取向可控的标准样品；然后使用同步辐射小角X射线散射实验站对金纳米棒进行原位SAXS测试，得到所述第四2D SAXS图谱；将所述第四2D SAXS图谱输入到所述目标图谱解析模型，根据卷积、池化和全连接层运算确定所述金属纳米棒的第四分布参数；最后，比较所述金属纳米棒的第四分布参数与基于透射电子显微镜TEM获得的所述金属纳米棒的分布参数，以对所述目标图谱解析模型进行验证。
不难理解，所选取的金属类型不同，实验过程中以所述金属纳米棒作散射体制备所述标准样品的过程、所述制备过程中使用的材料，以及所述原位SAXS测试的过程也会相应发生变化，此处不做具体限定。
请参阅图3-图8，图3-图8是利用本申请所提出的图谱解析模型训练方法训练得到的图谱解析模型对椭球体的2D SAXS图谱进行解析，得到的所述椭球体的预测分布参数与所述散射体的实际分布参数的散点图，同时给出了统计分布参数和解析时间，所述椭球体的分布参数包括长轴均值、长轴方差、短轴均值、短轴方差、天顶角均值和天顶角方差。
请参阅图3，图3为根据所述目标图谱解析模型对200张400×400像素2D SAXS图像进行短轴均值参数解析，并将解析得到的短轴均值参数的预测值与所述椭球体的标记值(即实际短轴均值参数)进行比较得到的散点图，所述短轴均值参数的统计均方根误差(Root Mean Squard Error，RMSE)为0.190nm，平均绝对误差(Mean Absolute Error，MAE)为0.146nm，R2值为0.9997，总计解析时间为304微秒。
请参阅图4，图4根据所述目标图谱解析模型对200张400×400像素2D SAXS图像进行短轴方差参数解析，并将解析得到的短轴方差参数的预测值与所述椭球体的标记值(即实际短轴方差参数)进行比较得到的散点图，所述短轴方差参数的统计均方根误差为1.656nm，平均绝对误差为1.204nm，R2值为0.9991，总计解析时间为310微秒。
请参阅图5，图5为根据所述目标图谱解析模型对200张400×400像素2D SAXS图像进行长轴均值参数解析，并将解析得到的长轴均值参数的预测值与所述椭球体的标记值(即实际长轴均值参数)进行比较得到的散点图，所述长轴均值参数的统计均方根误差为0.764nm，平均绝对误差为0.594nm，R2值为0.9998，总计解析时间为306微秒。
请参阅图6，图6为根据所述目标图谱解析模型对200张400×400像素2D SAXS图像进行长轴方差参数解析，并将解析得到的长轴方差参数的预测值与所述椭球体的标记值(即实际长轴方差参数)进行比较得到的散点图，所述长轴方差参数的统计均方根误差为7.729nm，平均绝对误差为5.952nm，R2值为0.9799，总计解析时间为340微秒。
请参阅图7，图7为根据所述目标图谱解析模型对200张400×400像素2D SAXS图像进行天顶角均值参数解析，并将解析得到的天顶角均值参数的预测值与所述椭球体的标记值(即实际天顶角均值参数)进行比较得到的散点图，所述天顶角均值参数的统计均方根误差为0.550°，平均绝对误差为0.384°，R2值为0.9995，总计解析时间为300微秒。
请参阅图8，图8为根据所述目标图谱解析模型对200张400×400像素2D SAXS图像进行天顶角方差参数解析，并将解析得到的天顶角方差参数的预测值与所述椭球体的标记值(即实际天顶角方差参数)进行比较得到的散点图，所述天顶角方差参数的统计均方根误差为1.231°，平均绝对误差为0.905°，R2值为0.9982，总计解析时间为301微秒。
综上可知，由于本申请提供的2D SAXS图谱解析模型训练方法基于深度学习框架和深度卷积人工神经网络建立所述深度学习模型，并基于所述随机均匀分布函数建立所述深度学习模型的样本数据库，因而所述样本数据库范围广，根据所述样本数据库对所述深度学习模型进行训练、优化得到所述目标图谱解析模型，使得所述目标图谱解析模型对所述散射体的2D SAXS进行分布参数解析时的准确度高，解析速度快，能够满足海量实验数据的解析需求。
请参阅图9，图9是本申请提供的一种2D SAXS图谱解析模型的训练装置示意图；如图9所示，所述图谱解析模型训练装置包括如下模块。
获取模块901，用于获取N个第一2D SAXS图谱，其中，所述N为正整数；
输入模块902，用于将所述N个第一2D SAXS图谱输入到所述深度学习模型中，得到第一模型参数，以及将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型，其中，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立。
配置模块903，用于将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。
可以看出，在本实施方式中，所述2D SAXS图谱解析模型训练装置将多个2D SAXS图谱输入到基于深度学习框架和人工神经网络确定的所述深度学习模型进行训练，最终得到的所述第一图谱解析模型能够快速准确地解析具有各向异性的2D SAXS图谱，满足海量2D SAXS图谱的解析需求。
可选地，作为一种实施方式，所述获取模块901具体用于获取所述N组第一分布参数，并根据所述N组第一分布参数确定N个第一2D SAXS图谱，其中，所述N组第一分布参数与所述N个第一2D SAXS图谱一一对应。
可选地，作为一种实施方式，所述获取模块901具体于获取M个第二2D SAXS图谱，以及获取K组第二模型参数，其中，所述M个第二2D SAXS图谱中的每个第二2D SAXS图谱包括一组第二分布参数，所述K为正整数，所述M为正整数；所述输入模块902具体用于根据所述M个第二2D SAXS图谱和所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数；所述配置模块903具体用于将所述一组目标模型参数配置到所述第一图谱解析模型，得到目标图谱解析模型。
可选地，作为一种实施方式，所述获取模块901具体用于针对所述K组第二模型参数中的每组第二模型参数执行以下步骤，以得到K个第一曲线图：将当前处理的一组第二模型参数配置到所述第一图谱解析模型，得到第二图谱解析模型；从所述M个第二2D SAXS图谱中随机调用P个第二2D SAXS图谱输入到所述第二图谱解析模型中，得到所述第二图谱解析模型的P个第二预测分布参数，根据所述P个第二预测分布参数和所述P个第二2D SAXS图谱对应的第二分布参数，确定所述第二图谱解析模型的所述第一曲线图，其中，所述K为正整数，所述P为小于M的正整数；所述输入模块902具体用于比较所述K个第一曲线图，确定目标第一曲线图，并将所述目标第一曲线图对应的一组第二模型参数确定为所述一组目标模型参数。
可选地，作为一种实施方式，所述获取模块901具体用于获取H个第三2D SAXS图谱，其中，所述H个第三2D SAXS图谱中的每个第三2D SAXS图谱包括一组第三分布参数，所述H为正整数；所述输入模块902具体用于将所述H个第三2D SAXS图谱输入到所述目标图谱解析模型中，得到H组第三预测分布参数，其中，所述H组第三预测分布参数与所述H个第三2D SAXS图谱一一对应；所述配置模块903具体用于将所述H组第三预测分布参数中每个第三预测分布参数和与其对应的第三2D SAXS图谱中的第三分布参数进行比对，以对所述目标图谱解析模型进行评估。
可选地，作为一种实施方式，所述获取模块901具体用于获取金属纳米棒的第四2DSAXS图谱；所述输入模块902具体用于将所述第四2D SAXS图谱输入到所述目标图谱解析模型，得到第四分布参数；所述配置模块903具体用于将所述第四分布参数与预设分布参数进行比较，以对所述目标图谱解析模型进行验证，其中，所述预设分布参数基于透射电子显微镜TEM对所述金属纳米棒进行处理得到。
需要说明的是，各个模块操作的实现还可以对应参照上述图1所示方法实施例中相应的描述。
请参阅图10，图10是本申请提供的另一种2D SAXS图谱解析模型的训练装置示意图；如图10所示，所述图谱解析模型训练装置1000包括如下模块。
样本数据库建立模块1001，用于根据所述随机均匀分布函数产生所述N组第一分布参数，并根据所述N组第一分布参数确定所述N个第一2D SAXS图谱，所述N个第一2D SAXS图谱构成所述深度学习模型的训练集；用于根据所述随机均匀分布函数产生所述M组第二分布参数，并根据所述M组第二分布参数确定所述M个第二2D SAXS图谱，所述M个第二2DSAXS图谱构成所述深度学习模型的验证集；用于根据所述随机均匀分布函数产生所述H组第三分布参数，并根据所述H组第三分布参数确定所述H个第三2D SAXS图谱，所述H个第三2D SAXS图谱构成所述深度学习模型的测试集；所述训练集、所述验证集和所述测试集构成所述深度学习模型的样本数据库，其中，所述N、所述M和所述H为正整数。
深度学习模型建立模块1002，用于根据深度学习框架和深度卷积人工神经网络，分别创建输入层、卷积层、池化层、全连接层和输出层，建立所述深度学习模型；所述深度学习模型包括待确定的所述第一模型参数和所述目标模型参数，所述第一模型参数基于所述样本数据库对所述深度学习模型进行训练确定，所述目标模型参数基于所述样本数据库对所述深度学习模型进行优化确定。
深度学习模型训练模块1003，用于从所述样本数据库建立模块1001中获取所述训练集，循环从所述训练集随机中调用一定数量的第一2D SAXS图谱并输入到所述深度学习模型中，以对所述深度学习模型的第一模型参数进行迭代，直到当前迭代得到的第一模型参数与上一次迭代得到的第一模型参数的差值的绝对值小于或等于阈值A时，结束所述第一模型参数迭代过程，并将所述当前迭代得到的第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型，其中，所述A为正数。
深度学习模型优化模块1004，用于从所述样本数据库建立模块1001中获取所述验证集，根据所述随机均匀分布函数确定K组第二模型参数；根据所述验证集和所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数；将所述一组目标模型参数配置到所述第一图谱解析模型，得到所述目标图谱解析模型，其中，所述K为正整数。
深度学习模型评价模块1005，用于从所述样本数据库建立模块1001中获取所述测试集，将所述测试集中的H个第三2D SAXS图谱输入到所述目标图谱解析模型中，得到H组第三预测分布参数，所述H组第三预测分布参数与所述H个第三2D SAXS图谱一一对应；将H组第三预测分布参数中每个第三预测分布参数和与其对应的第三2D SAXS图谱中的第三分布参数进行比对，以对所述目标图谱解析模型进行评估。
深度学习模型验证模块1006，用于获取金属纳米棒的第四2D SAXS图谱；将所述第四2D SAXS图谱输入到所述目标图谱解析模型，得到所述第四分布参数；将所述第四分布参数与预设分布参数进行比较，以对所述目标图谱解析模型进行验证，其中，所述预设分布参数基于透射电子显微镜TEM对所述金属纳米棒进行处理得到。
需要说明的是，各个模块操作的实现还可以对应参照上述图2所示方法实施例中相应的描述。
请参阅图11，图11是本申请实施例提供的一种电子设备1100的结构示意图，如图11所示，所述电子设备1100包括通信接口1101、处理器1102、存储器1103和至少一个用于连接所述通信接口1101、所述处理器1102、所述存储器1103的通信总线1104。
存储器1103包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasable programmableread only memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器1103用于相关指令及数据。
通信接口1101用于接收和发送数据。
处理器1102可以是一个或多个中央处理器(central processing unit，CPU)，在处理器1102是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。
该电子设备1100中的处理器1102用于读取所述存储器1103中存储的一个或多个程序代码，执行以下操作：获取N个第一2D SAXS图谱，并将所述N个第一2D SAXS图谱输入到深度学习模型中，得到第一模型参数；将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型，其中，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立，所述N为正整数。
需要说明的是，所述电子设备1100各操作的实现还可以对应参照上述图1中方法实施例中相应的描述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在终端上运行时，上述方法实施例中所示的方法流程得以实现。
本申请实施例还提供一种计算机程序产品，当所述计算机程序产品在终端上运行时，上述方法实施例中所示的方法流程得以实现。
应理解，本申请实施例中提及的处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
需要说明的是，当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)集成在处理器中。
应注意，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种二维小角X射线散射2D SAXS图谱解析模型训练方法，应用于电子设备，其特征在于，所述图谱解析模型训练方法包括：
获取N个第一2D SAXS图谱，其中，所述N为正整数；
将所述N个第一2D SAXS图谱输入到深度学习模型中，得到第一模型参数；其中，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立；
将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。
2.根据权利要求1所述方法，其特征在于，所述获取N个第一2D SAXS图谱，包括：
获取N组第一分布参数；
根据所述N组第一分布参数确定N个第一2D SAXS图谱，其中，所述N组第一分布参数与所述N个第一2D SAXS图谱一一对应。
3.根据权利要求1或2中任一所述方法，其特征在于，所述方法还包括：
获取M个第二2D SAXS图谱，其中，所述M个第二2D SAXS图谱中的每个第二2D SAXS图谱包括一组第二分布参数，所述M为正整数；
获取K组第二模型参数，其中，所述K为正整数；
根据所述M个第二2D SAXS图谱和所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数；
将所述一组目标模型参数配置到所述第一图谱解析模型，得到目标图谱解析模型。
4.根据权利要求3中所述方法，其特征在于，所述根据所述M个第二2D SAXS图谱和所述第一图谱解析模型，从所述K组第二模型参数中确定一组目标模型参数，包括：
针对所述K组第二模型参数中的每组第二模型参数执行以下步骤，以得到K个第一曲线图：将当前处理的一组第二模型参数配置到所述第一图谱解析模型，得到第二图谱解析模型；从所述M个第二2D SAXS图谱中随机调用P个第二2D SAXS图谱输入到所述第二图谱解析模型中，得到所述第二图谱解析模型的P个第二预测分布参数，根据所述P个第二预测分布参数和所述P个第二2D SAXS图谱对应的第二分布参数，确定所述第二图谱解析模型的所述第一曲线图，其中，所述K为正整数，所述P为小于M的正整数；
比较所述K个第一曲线图，确定目标第一曲线图；
将所述目标第一曲线图对应的一组第二模型参数确定为所述一组目标模型参数。
5.根据权利要求3中所述方法，其特征在于，所述方法还包括：
获取H个第三2D SAXS图谱，其中，所述H个第三2D SAXS图谱中的每个第三2D SAXS图谱包括一组第三分布参数，所述H为正整数；
将所述H个第三2D SAXS图谱输入到所述目标图谱解析模型中，得到H组第三预测分布参数，其中，所述H组第三预测分布参数与所述H个第三2D SAXS图谱一一对应；
将所述H组第三预测分布参数中每组第三预测分布参数和与其对应的第三2D SAXS图谱中的第三分布参数进行比对，以对所述目标图谱解析模型进行评估。
6.根据权利要求3中所述方法，其特征在于，所述方法还包括：
获取金属纳米棒的第四2D SAXS图谱；
将所述第四2D SAXS图谱输入到所述目标图谱解析模型，得到第四分布参数；
将所述第四分布参数与预设分布参数进行比较，以对所述目标图谱解析模型进行验证，其中，所述预设分布参数基于透射电子显微镜TEM对所述金属纳米棒进行处理得到。
7.一种2D SAXS图谱解析模型训练装置，其特征在于，所述装置包括：
获取模块，用于获取N个第一2D SAXS图谱，其中，所述N为正整数；
输入模块，用于将所述N个第一2D SAXS图谱输入到深度学习模型中，得到第一模型参数，其中，所述深度学习模型基于深度学习框架和深度卷积人工神经网络建立；
配置模块，用于将所述第一模型参数配置到所述深度学习模型中，得到第一图谱解析模型。
8.根据权利要求7所述装置，其特征在于，所述获取模块用于：
获取N组第一分布参数；
根据所述N组第一分布参数确定N个第一2D SAXS图谱，其中，所述N组第一分布参数与所述N个第一2D SAXS图谱一一对应。
9.一种电子设备，其特征在于，包括：处理器和存储器；
所述处理器和所述存储器相连，其中，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如权利要求1-6任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被所述处理器执行时，所述处理器执行如权利要求1-6任一项所述方法。
CN202010808889.1A 2020-08-12 2020-08-12 2d saxs图谱解析模型训练方法及装置 Active CN112037181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010808889.1A CN112037181B (zh) 2020-08-12 2020-08-12 2d saxs图谱解析模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010808889.1A CN112037181B (zh) 2020-08-12 2020-08-12 2d saxs图谱解析模型训练方法及装置

Publications (2)

Publication Number Publication Date
CN112037181A true CN112037181A (zh) 2020-12-04
CN112037181B CN112037181B (zh) 2023-09-08

Family

ID=73576958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010808889.1A Active CN112037181B (zh) 2020-08-12 2020-08-12 2d saxs图谱解析模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN112037181B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112579969A (zh) * 2020-12-21 2021-03-30 深圳大学 二维小角x射线散射图谱计算方法和装置
EP4339602A1 (en) * 2022-09-14 2024-03-20 Xenocs SAS Method of performing machine learning of a small angle x-ray scattering measurement data analysis model

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158353A (zh) * 2015-07-29 2015-12-16 北华航天工业学院 土壤中多环芳烃污染源解析的方法
CN107590296A (zh) * 2016-07-08 2018-01-16 深圳大学 一种小角x射线散射的全谱拟合方法及***
CN107589133A (zh) * 2016-07-08 2018-01-16 中国科学院化学研究所 一种利用saxs分析高性能纤维的方法和***
CN109460479A (zh) * 2018-11-19 2019-03-12 广州合摩计算机科技有限公司 一种基于事理图谱的预测方法、装置和***
CN109857845A (zh) * 2019-01-03 2019-06-07 北京奇艺世纪科技有限公司 模型训练及数据检索方法、装置、终端及计算机可读存储介质
CN110852227A (zh) * 2019-11-04 2020-02-28 中国科学院遥感与数字地球研究所 高光谱图像深度学习分类方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158353A (zh) * 2015-07-29 2015-12-16 北华航天工业学院 土壤中多环芳烃污染源解析的方法
CN107590296A (zh) * 2016-07-08 2018-01-16 深圳大学 一种小角x射线散射的全谱拟合方法及***
CN107589133A (zh) * 2016-07-08 2018-01-16 中国科学院化学研究所 一种利用saxs分析高性能纤维的方法和***
CN109460479A (zh) * 2018-11-19 2019-03-12 广州合摩计算机科技有限公司 一种基于事理图谱的预测方法、装置和***
CN109857845A (zh) * 2019-01-03 2019-06-07 北京奇艺世纪科技有限公司 模型训练及数据检索方法、装置、终端及计算机可读存储介质
CN110852227A (zh) * 2019-11-04 2020-02-28 中国科学院遥感与数字地球研究所 高光谱图像深度学习分类方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112579969A (zh) * 2020-12-21 2021-03-30 深圳大学 二维小角x射线散射图谱计算方法和装置
CN112579969B (zh) * 2020-12-21 2022-06-17 深圳大学 二维小角x射线散射图谱计算方法和装置
EP4339602A1 (en) * 2022-09-14 2024-03-20 Xenocs SAS Method of performing machine learning of a small angle x-ray scattering measurement data analysis model
WO2024056707A1 (en) * 2022-09-14 2024-03-21 Xenocs Method of performing machine learning of a small angle x-ray scattering measurement data analysis model

Also Published As

Publication number Publication date
CN112037181B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Hanaor et al. 3D printable geomaterials
Mollon et al. Fourier–Voronoi-based generation of realistic samples for discrete modelling of granular materials
CN112037181B (zh) 2d saxs图谱解析模型训练方法及装置
Wu et al. From SEM images to elastic responses: A stochastic multiscale analysis of UD fiber reinforced composites
US10289769B2 (en) Method for identifying stochastic information of heterogeneous materials
Richert et al. Skeletonization, geometrical analysis, and finite element modeling of nanoporous gold based on 3D tomography data
CN112560966B (zh) 基于散射图卷积网络的极化sar图像分类方法、介质及设备
CN109241646B (zh) 基于椭圆堆叠和随机场的多因素二维土石混合体生成方法
JP2021093154A (ja) ホログラフィー量子力学シミュレーション
CN111783338B (zh) 基于人工智能的微观组织金属强度分布预测方法及装置
Jerves et al. A geometry-based algorithm for cloning real grains
Wang et al. Three-dimensional reconstruction of realistic stone-based materials with controllable stone inclusion geometries
Pagan et al. Graph neural network modeling of grain-scale anisotropic elastic behavior using simulated and measured microscale data
Ogoke et al. Deep-learned generators of porosity distributions produced during metal Additive Manufacturing
Zhang et al. Three‐dimensional quantitative analysis on granular particle shape using convolutional neural network
Cheng et al. A machine learning-based strategy for experimentally estimating force chains of granular materials using X-ray micro-tomography
US11081212B2 (en) System and method for computing drug controlled release performance using images
DeMille et al. Convolutional neural networks for expediting the determination of minimum volume requirements for studies of microstructurally small cracks, Part I: Model implementation and predictions
CN112037183B (zh) 2d saxs图谱计算方法及装置
Akkoyun et al. Consistent empirical physical formulas for potential energy curves of 38–66 Ti isotopes by using neural networks
Heller ELLSTAT: shape modeling for solution small-angle scattering of proteins and protein complexes with automated statistical characterization
Vlassis et al. Synthesizing realistic sand assemblies with denoising diffusion in latent space
CN115295098A (zh) 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及***
Saseendran et al. Unlocking the potential: analyzing 3D microstructure of small-scale cement samples from space using deep learning
Ueda Applicable scope of estimation of three-dimensional particle size distribution by the Goldsmith-Cruz-Orive and improved methods

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