CN115845428B - 用于诱导六氟磷酸结晶的超声波装置及其控制方法 - Google Patents
用于诱导六氟磷酸结晶的超声波装置及其控制方法 Download PDFInfo
- Publication number
- CN115845428B CN115845428B CN202310173902.4A CN202310173902A CN115845428B CN 115845428 B CN115845428 B CN 115845428B CN 202310173902 A CN202310173902 A CN 202310173902A CN 115845428 B CN115845428 B CN 115845428B
- Authority
- CN
- China
- Prior art keywords
- temperature
- matrix
- training
- scale
- value
- 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
Links
- PNGLEYLFMHGIQO-UHFFFAOYSA-M sodium;3-(n-ethyl-3-methoxyanilino)-2-hydroxypropane-1-sulfonate;dihydrate Chemical compound O.O.[Na+].[O-]S(=O)(=O)CC(O)CN(CC)C1=CC=CC(OC)=C1 PNGLEYLFMHGIQO-UHFFFAOYSA-M 0.000 title claims abstract description 154
- 238000002425 crystallisation Methods 0.000 title claims abstract description 135
- 230000008025 crystallization Effects 0.000 title claims abstract description 135
- 230000001939 inductive effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 331
- 239000013598 vector Substances 0.000 claims abstract description 111
- 230000008859 change Effects 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims description 175
- 238000013527 convolutional neural network Methods 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 21
- 238000011084 recovery Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000002604 ultrasonography Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 4
- 239000000243 solution Substances 0.000 description 87
- 230000006870 function Effects 0.000 description 22
- 230000003068 static effect Effects 0.000 description 14
- 230000007423 decrease Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000001976 improved effect Effects 0.000 description 9
- 238000010899 nucleation Methods 0.000 description 9
- 230000006911 nucleation Effects 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 9
- 239000013078 crystal Substances 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 238000009210 therapy by ultrasound Methods 0.000 description 6
- 239000007864 aqueous solution Substances 0.000 description 5
- 229920006395 saturated elastomer Polymers 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
- -1 saturated hexafluorophosphoric acid Chemical class 0.000 description 4
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 1
- HOPSCVCBEOCPJZ-UHFFFAOYSA-N carboxymethyl(trimethyl)azanium;chloride Chemical compound [Cl-].C[N+](C)(C)CC(O)=O HOPSCVCBEOCPJZ-UHFFFAOYSA-N 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000001953 recrystallisation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000012047 saturated solution Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Saccharide Compounds (AREA)
Abstract
公开了一种用于诱导六氟磷酸结晶的超声波装置及其控制方法。其首先将多个预定时间点的六氟磷酸溶液的温度值排列为温度输入向量并计算其中每相邻两个位置的温度值之间的差值以得到温度变化输入向量，接着，对所述温度输入向量和所述温度变化输入向量进行关联编码并分别输入使用第一空洞卷积核的第一卷积神经网络模型和使用第二空洞卷积核的第二卷积神经网络模型以得到第一尺度温度特征矩阵和第二尺度温度特征矩阵，然后，融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵，最后，将所述温度特征矩阵通过解码器以得到解码值并基于所述解码值，启动所述超声波装置。这样，可以提升六氟磷酸的结晶速率。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种用于诱导六氟磷酸结晶的超声波装置及其控制方法。
背景技术
六氟磷酸主要用于金属去污剂、化学上光剂、催化剂等，也用于金属表面防腐。六氟磷酸通常以水溶液的形式存在，若想得到六氟磷酸晶体，需要对于六氟磷酸水溶液进行诱导结晶。传统的诱导结晶方式通过对饱和六氟磷酸水溶液进行降温重结晶来实现，此方案不仅会生成副产物，结晶物中会存在有其他成分的杂质，难以得到纯度较高的六氟磷酸，而且在重结晶的过程中难以对于温度进行精准控制，造成六氟磷酸的产率较低。
超声结晶是利用超声波的能量控制结晶过程。利用超声波可以对成核和生长过程进行控制，从而使结晶过程更加优化。因此，现有的制备方案中利用超声结晶来代替传统加热结晶，以通过控制超声波有效地控制溶液的过饱和度，并改变溶液中晶体的生长速率，从而诱导六氟磷酸结晶。
在实际制备过程中发现，超声处理可以明显缩短饱和六氟磷酸水溶液开始结晶时间，且细化饱和六氟磷酸水溶液的结晶体晶粒。在难于成核的低过饱和度的六氟磷酸水溶液环境中，利用超声波可有效地促进六氟磷酸结晶成核。但是，随着超声波功率提高,超声处理时间的延长,饱和六氟磷酸水溶液冷却速度减慢,溶液温度降低速率减缓，导致六氟磷酸的结晶速率降低。
因此，期望一种优化的用于诱导六氟磷酸结晶的超声波装置，其能够基于六氟磷酸溶液的温度变化情况选择最优诱导结晶的超声波装置的超声功率值，以优化结晶的效率，提高制备质量。
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用于诱导六氟磷酸结晶的超声波装置及其控制方法。其首先将多个预定时间点的六氟磷酸溶液的温度值排列为温度输入向量并计算其中每相邻两个位置的温度值之间的差值以得到温度变化输入向量，接着，对所述温度输入向量和所述温度变化输入向量进行关联编码并分别输入使用第一空洞卷积核的第一卷积神经网络模型和使用第二空洞卷积核的第二卷积神经网络模型以得到第一尺度温度特征矩阵和第二尺度温度特征矩阵，然后，融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵，最后，将所述温度特征矩阵通过解码器以得到解码值并基于所述解码值，启动所述超声波装置。这样，可以提升六氟磷酸的结晶速率。
根据本申请的一个方面，提供了一种用于诱导六氟磷酸结晶的超声波装置，其包括：温度数据采集模块，用于获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值；相对数据计算模块，用于将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量；关联编码模块，用于对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵；第一尺度关联特征提取模块，用于将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；第二尺度关联特征提取模块，用于将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；特征融合模块，用于融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵；解码模块，用于将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值；以及控制模块，用于基于所述解码值，启动所述超声波装置。
在上述的用于诱导六氟磷酸结晶的超声波装置中，所述关联编码模块，用于：以如下公式对所述温度输入向量和所述温度变化输入向量进行关联编码以得到所述温度静态-动态关联输入矩阵；其中，所述公式为：，其中，表示所述温度输入向量，表示所述温度输入向量的转置向量，表示所述温度变化输入向量，表示所述温度静态-动态关联输入矩阵，表示向量相乘。
在上述的用于诱导六氟磷酸结晶的超声波装置中，所述第一尺度关联特征提取模块，用于：使用所述使用第一空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用第一空洞卷积核的第一卷积神经网络模型的最后一层输出所述第一尺度温度特征矩阵，其中，所述使用第一空洞卷积核的第一卷积神经网络模型的第一层的输入为所述温度静态-动态关联输入矩阵。
在上述的用于诱导六氟磷酸结晶的超声波装置中，所述第二尺度关联特征提取模块，用于：使用所述使用第二空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用第二空洞卷积核的第二卷积神经网络模型的最后一层输出所述第二尺度温度特征矩阵，其中，所述使用第二空洞卷积核的第二卷积神经网络模型的第一层的输入为所述温度静态-动态关联输入矩阵。
在上述的用于诱导六氟磷酸结晶的超声波装置中，所述特征融合模块，用于：计算所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵之间的按位置加权和以得到所述温度特征矩阵，其中，所述第一尺度温度特征矩阵的加权权重值为第一权重值，所述第二尺度温度特征矩阵的加权权重值为第二权重值。
在上述的用于诱导六氟磷酸结晶的超声波装置中，所述解码模块，包括：解码矩阵校正单元，用于基于所述温度特征矩阵通过所述解码器得到的解码回归值，对所述温度特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵；以及再解码单元，用于将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。
在上述的用于诱导六氟磷酸结晶的超声波装置中，还包括用于对所述第一卷积神经网络模型、所述第二卷积神经网络模型、所述第一权重值、所述第二权重值和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据采集单元，用于获取预定时间段内多个预定时间点的六氟磷酸溶液的训练温度值，以及，所述最优诱导结晶的超声波装置的超声功率值的真实值；训练相对数据计算单元，用于将所述多个预定时间点的六氟磷酸溶液的训练温度值按照时间维度排列为训练温度输入向量后，计算所述训练温度输入向量中每相邻两个位置的训练温度值之间的差值以得到训练温度变化输入向量；训练关联编码单元，用于对所述训练温度输入向量和所述训练温度变化输入向量进行关联编码以得到训练温度静态-动态关联输入矩阵；训练第一尺度关联特征提取单元，用于将所述训练温度静态-动态关联输入矩阵输入所述使用第一空洞卷积核的第一卷积神经网络模型以得到训练第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；训练第二尺度关联特征提取单元，用于将所述训练温度静态-动态关联输入矩阵输入所述使用第二空洞卷积核的第二卷积神经网络模型以得到训练第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；权重初始值计算单元，用于计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值和所述第二权重值的初始值；训练特征融合单元，用于基于所述第一权重值和所述第二权重值的初始值，计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵之间的按位置加权和以得到所述训练温度特征矩阵；解码损失单元，用于将所述训练温度特征矩阵通过所述解码器以得到解码损失函数值；以及训练单元，用于以所述解码损失函数值对所述第一卷积神经网络模型、所述第二卷积神经网络模型、所述第一权重值、所述第二权重值和所述解码器进行训练。
在上述的用于诱导六氟磷酸结晶的超声波装置中，所述权重初始值计算单元，包括：第一因数计算子单元，用于以如下公式计算所述训练第一尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值；其中，所述公式为：
，
其中，表示所述训练第一尺度温度特征矩阵的第位置的特征值，和分别是所述训练第一尺度温度特征矩阵的各个位置的特征值集合的均值和方差，且和分别是所述训练第一尺度温度特征矩阵的宽度和高度，表示以2为底的对数函数值，表示自然指数函数值，表示所述第一权重值；以及第二因数计算子单元，用于以如下公式计算所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第二权重值；其中，所述公式为：
，
其中，表示所述训练第二尺度温度特征矩阵的第位置的特征值，和分别是所述训练第二尺度温度特征矩阵的各个位置的特征值集合的均值和方差，且和分别是所述训练第二尺度温度特征矩阵的宽度和高度，表示以2为底的对数函数值，表示自然指数函数值，表示所述第二权重值。
在上述的用于诱导六氟磷酸结晶的超声波装置中，所述解码损失单元，用于：使用所述解码器以如下公式对所述训练温度特征矩阵进行解码回归以获得训练解码值；其中，所述公式为：，其中是所述训练温度特征矩阵，是所述训练解码值，是权重矩阵，表示矩阵乘；以及计算所述训练解码值和所述训练数据中所述最优诱导结晶的超声波装置的超声功率值的真实值之间的方差作为所述解码损失函数值。
根据本申请的另一个方面，提供了一种用于诱导六氟磷酸结晶的超声波装置的控制方法，其包括：获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值；将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量；对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵；将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵；将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值；以及基于所述解码值，启动所述超声波装置。
与现有技术相比，本申请提供的用于诱导六氟磷酸结晶的超声波装置及其控制方法，其首先将多个预定时间点的六氟磷酸溶液的温度值排列为温度输入向量并计算其中每相邻两个位置的温度值之间的差值以得到温度变化输入向量，接着，对所述温度输入向量和所述温度变化输入向量进行关联编码并分别输入使用第一空洞卷积核的第一卷积神经网络模型和使用第二空洞卷积核的第二卷积神经网络模型以得到第一尺度温度特征矩阵和第二尺度温度特征矩阵，然后，融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵，最后，将所述温度特征矩阵通过解码器以得到解码值并基于所述解码值，启动所述超声波装置。这样，可以提升六氟磷酸的结晶速率。
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用于诱导六氟磷酸结晶的超声波装置的应用场景图。
图2为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置的框图示意图。
图3为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置中的所述解码模块的框图示意图。
图4为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置中的所述训练模块的框图示意图。
图5为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置中的所述权重初始值计算模块的框图示意图。
图6为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置的控制方法的流程图。
图7为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置的控制方法的***架构的示意图。
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***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***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***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。
如上所述，由于超声处理可以明显缩短饱和六氟磷酸水溶液开始结晶时间，且细化饱和六氟磷酸水溶液的结晶体晶粒。在难于成核的低过饱和度的六氟磷酸水溶液环境中，利用超声波可有效地促进六氟磷酸结晶成核。但是，随着超声波功率提高,超声处理时间的延长,饱和六氟磷酸水溶液冷却速度减慢,溶液温度降低速率减缓，导致六氟磷酸的结晶速率降低。因此，期望一种优化的用于诱导六氟磷酸结晶的超声波装置，其能够基于六氟磷酸溶液的温度变化情况选择最优诱导结晶的超声波装置的超声功率值，以优化结晶的效率，提高制备质量。
相应地，在本申请的技术方案中，考虑到强度较大的超声波可以有效代替晶种，在难于成核的低过饱和度的环境中，利用超声波可有效地促进成核。在物系中引入超声波可有效减小介稳区的宽度。具体地，已二烯酸醋酸(HDA)在甲醇溶剂中的冷冻结晶试验中，当40℃的饱和溶液以0.5K/min的冷冻速率冷却时,若物系中不引入超声波,则当冷却至33.2℃时溶液中才开始出现晶核若引入超声波则晶核可在36.8℃析出。超声的引入可以使介稳区的宽度由6.8K下降为3.2K。因此，通过控制超声波可以有效控制溶液的过饱和度，并改变溶液中晶体的生长速率。超声结晶是利用超声波的能量控制结晶过程。利用超声波可以对成核和生长过程进行控制，从而使结晶过程更加优化。
基于此，在本申请的技术方案中，考虑到在实际进行超声处理来诱导六氟磷酸结晶的过程中，由于溶液冷却温度的变化和超声波的功率变化都会影响结晶的效率，并且所述溶液冷却温度的时序动态特征和所述超声功率的时序动态特征间具有着时序关联性。因此，为了选择最优诱导结晶的超声波装置的超声功率值来优化结晶的效率，就需要对于六氟磷酸溶液的温度值的时序变化特征进行有效地提取。但是，考虑到由于六氟磷酸溶液的温度值在时间维度上的动态变化信息相对于温度参数数值来说为小尺度的变化特征信息，难以进行精准地捕捉提取，导致对于最优诱导结晶的超声波装置的超声功率值的判断精度降低。因此，在此过程中，难点在于如何准确地对于所述六氟磷酸溶液的温度值的时序动态变化特征信息进行挖掘，以此来选择最优诱导结晶的超声功率值，以优化结晶效率。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。
深度学习以及神经网络的发展为挖掘所述六氟磷酸溶液的温度值的时序动态变化特征信息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六氟磷酸溶液的温度值。接着，为了选择最优诱导结晶的超声波装置的超声功率值，需要对于所述六氟磷酸溶液的温度值的变化特征进行提取，考虑到若以绝对静态变化信息来进行所述六氟磷酸溶液的温度时序变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得溶液温度时序变化的小尺度的细微变化特征难以被察觉，进而影响后续解码的精准度。因此，在本申请的技术方案中，期望采用所述六氟磷酸溶液温度的相对时序动态变化特征和绝对静态时序变化特征来进行所述最优诱导结晶的超声波装置的超声功率值的选择。具体地，首先，将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量。
进一步地，为了建立所述六氟磷酸溶液的温度值在时间维度上的相对动态时序变化信息和绝对静态时序变化信息间的关联关系，以准确地对于所述六氟磷酸溶液温度的时序动态特征进行提取，在本申请的技术方案中，进一步对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵。
然后，考虑到所述六氟磷酸溶液的温度值在时间维度上具有着波动性，其在不同时间周期跨度下具有着不同的变化特征信息，并且由于不同温度值和不同超声功率值下的六氟磷酸的结晶效率不同，使得所述六氟磷酸溶液的温度值的时序相对动态变化特征和时序绝对静态变化特征间在不同的时间点下具有着不同程度的关联性。因此，为了能够充分且准确地提取出所述六氟磷酸溶液的温度值在时序上的动态变化规律，以此来进行最优诱导结晶的超声功率值选择，在本申请的技术方案中，使用具有不同空洞率的卷积核的卷积神经网络模型来进行所述温度静态-动态关联输入矩阵的特征挖掘，以提取出所述温度静态-动态关联输入矩阵中关于所述六氟磷酸溶液的温度相对时序动态特征和绝对时序静态特征间的多尺度关联特征分布信息，即所述六氟磷酸溶液的温度值在时间维度上的多尺度动态变化特征，从而得到第一尺度温度特征矩阵和第二尺度温度特征矩阵。
接着，进一步再融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵，以此来融合不同时间跨度下的关于溶液温度的时序动态变化和静态变化的多尺度关联特征信息，从而得到温度特征矩阵。然后，将所述温度特征矩阵作为解码特征矩阵通过解码器中进行解码回归，以得到用于表示最优诱导结晶的超声波装置的超声功率值的解码值。这样，能够基于六氟磷酸溶液的温度变化情况选择最优诱导结晶的超声波装置的超声功率值，再基于该所述超声功率值，启动所述超声波装置，以优化结晶的效率，提高制备质量。
特别地，在本申请的技术方案中，这里，在例如通过加权点加的方式融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵得到所述温度特征矩阵时，需要基于所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵的整体特征表达来设置其初始权重，这通常可以采用分别计算所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵的全局特征均值的方式来实现。
但是，考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的特征空间分布信息，即不同尺度的温度静态和动态关联特征信息，因此期望对于所述特征矩阵的全局特征均值表示进行优化，以尽量恢复所述特征矩阵由其整体特征空间分布所表达的区别性信息，从而提升所述初始权重的准确度，提升模型的训练速度和解码结果的准确性。
基于此，分别计算所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数，表示为：
，
和是特征集合的均值和方差，为特征矩阵的第位置的特征值，且和分别是特征矩阵的宽度和高度。
这里，所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题，在特征矩阵所表达的通道实例的空间分布特征的实例归一化（Instance Normalization：IN）的基础上，通过从类概率的统计残差特征中蒸馏一致性相关（identity-relevant）的特征，来将统计信息中的一致性相关的相干性恢复到特征值表示中，该因数可以实现由特征矩阵的空间分布引起的因果关系约束（causalityconstraint）的恢复。这样，通过以分别基于所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵计算的因数来作为初始权重值来进行训练，就可以提升模型的训练速度和训练得到的所述温度特征矩阵的解码结果的准确性。这样，能够准确地基于六氟磷酸溶液的温度变化情况选择最优诱导结晶的超声波装置的超声功率值，以优化结晶的效率，提高制备质量。
图1为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值（例如，图1中所示意的D），然后，将所述多个预定时间点的六氟磷酸溶液的温度值输入至部署有用于诱导六氟磷酸结晶的超声波装置的控制算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述用于诱导六氟磷酸结晶的超声波装置的控制算法对所述多个预定时间点的六氟磷酸溶液的温度值进行处理以得到用于表示最优诱导结晶的超声波装置的超声功率值的解码值，并基于所述解码值，启动所述超声波装置。
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2为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置的框图示意图。如图2所示，根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置100，包括：温度数据采集模块110，用于获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值；相对数据计算模块120，用于将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量；关联编码模块130，用于对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵；第一尺度关联特征提取模块140，用于将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；第二尺度关联特征提取模块150，用于将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；特征融合模块160，用于融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵；解码模块170，用于将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值；以及，控制模块180，用于基于所述解码值，启动所述超声波装置。
更具体地，在本申请实施例中，所述温度数据采集模块110，用于获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值。在难于成核的低过饱和度的六氟磷酸水溶液环境中，利用超声波可有效地促进六氟磷酸结晶成核。但是，随着超声波功率提高,超声处理时间的延长,饱和六氟磷酸水溶液冷却速度减慢,溶液温度降低速率减缓，导致六氟磷酸的结晶速率降低。因此，基于六氟磷酸溶液的温度变化情况选择最优诱导结晶的超声波装置的超声功率值，可以优化结晶的效率，提高制备质量。
更具体地，在本申请实施例中，所述相对数据计算模块120，用于将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量。为了选择最优诱导结晶的超声波装置的超声功率值，需要对于所述六氟磷酸溶液的温度值的变化特征进行提取，考虑到若以绝对静态变化信息来进行所述六氟磷酸溶液的温度时序变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得溶液温度时序变化的小尺度的细微变化特征难以被察觉，进而影响后续解码的精准度。因此，在本申请的技术方案中，期望采用所述六氟磷酸溶液温度的相对时序动态变化特征和绝对静态时序变化特征来进行所述最优诱导结晶的超声波装置的超声功率值的选择。
更具体地，在本申请实施例中，所述关联编码模块130，用于对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵。这样，可以建立所述六氟磷酸溶液的温度值在时间维度上的相对动态时序变化信息和绝对静态时序变化信息间的关联关系，以准确地对于所述六氟磷酸溶液温度的时序动态特征进行提取。
相应地，在一个具体示例中，所述关联编码模块130，用于：以如下公式对所述温度输入向量和所述温度变化输入向量进行关联编码以得到所述温度静态-动态关联输入矩阵；其中，所述公式为：，其中，表示所述温度输入向量，表示所述温度输入向量的转置向量，表示所述温度变化输入向量，表示所述温度静态-动态关联输入矩阵，表示向量相乘。
然后，考虑到所述六氟磷酸溶液的温度值在时间维度上具有着波动性，其在不同时间周期跨度下具有着不同的变化特征信息，并且由于不同温度值和不同超声功率值下的六氟磷酸的结晶效率不同，使得所述六氟磷酸溶液的温度值的时序相对动态变化特征和时序绝对静态变化特征间在不同的时间点下具有着不同程度的关联性。因此，为了能够充分且准确地提取出所述六氟磷酸溶液的温度值在时序上的动态变化规律，以此来进行最优诱导结晶的超声功率值选择，在本申请的技术方案中，使用具有不同空洞率的卷积核的卷积神经网络模型来进行所述温度静态-动态关联输入矩阵的特征挖掘，以提取出所述温度静态-动态关联输入矩阵中关于所述六氟磷酸溶液的温度相对时序动态特征和绝对时序静态特征间的多尺度关联特征分布信息，即所述六氟磷酸溶液的温度值在时间维度上的多尺度动态变化特征。
更具体地，在本申请实施例中，所述第一尺度关联特征提取模块140，用于将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率。
相应地，在一个具体示例中，所述第一尺度关联特征提取模块140，用于：使用所述使用第一空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用第一空洞卷积核的第一卷积神经网络模型的最后一层输出所述第一尺度温度特征矩阵，其中，所述使用第一空洞卷积核的第一卷积神经网络模型的第一层的输入为所述温度静态-动态关联输入矩阵。
更具体地，在本申请实施例中，所述第二尺度关联特征提取模块150，用于将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率。
相应地，在一个具体示例中，所述第二尺度关联特征提取模块150，用于：使用所述使用第二空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用第二空洞卷积核的第二卷积神经网络模型的最后一层输出所述第二尺度温度特征矩阵，其中，所述使用第二空洞卷积核的第二卷积神经网络模型的第一层的输入为所述温度静态-动态关联输入矩阵。
应可以理解，卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
更具体地，在本申请实施例中，所述特征融合模块160，用于融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵。以此来融合不同时间跨度下的关于溶液温度的时序动态变化和静态变化的多尺度关联特征信息，从而得到温度特征矩阵。
相应地，在一个具体示例中，所述特征融合模块160，用于：计算所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵之间的按位置加权和以得到所述温度特征矩阵，其中，所述第一尺度温度特征矩阵的加权权重值为第一权重值，所述第二尺度温度特征矩阵的加权权重值为第二权重值。特别地，在本申请的技术方案中，在例如通过加权点加的方式融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵得到所述温度特征矩阵时，需要基于所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵的整体特征表达来设置其初始权重，这通常可以采用分别计算所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵的全局特征均值的方式来实现。
更具体地，在本申请实施例中，所述解码模块170，用于将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值。这样，能够基于六氟磷酸溶液的温度变化情况选择最优诱导结晶的超声波装置的超声功率值，再基于该所述超声功率值，启动所述超声波装置，以优化结晶的效率，提高制备质量。
相应地，在一个具体示例中，如图3所示，所述解码模块170，包括：解码矩阵校正单元171，用于基于所述温度特征矩阵通过所述解码器得到的解码回归值，对所述温度特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵；以及，再解码单元172，用于将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。
更具体地，在本申请实施例中，所述控制模块180，用于基于所述解码值，启动所述超声波装置。
相应地，在一个具体示例中，如图4所示，所述用于诱导六氟磷酸结晶的超声波装置，还包括用于对所述第一卷积神经网络模型、所述第二卷积神经网络模型、所述第一权重值、所述第二权重值和所述解码器进行训练的训练模块200；其中，所述训练模块200，包括：训练数据采集单元210，用于获取预定时间段内多个预定时间点的六氟磷酸溶液的训练温度值，以及，所述最优诱导结晶的超声波装置的超声功率值的真实值；训练相对数据计算单元220，用于将所述多个预定时间点的六氟磷酸溶液的训练温度值按照时间维度排列为训练温度输入向量后，计算所述训练温度输入向量中每相邻两个位置的训练温度值之间的差值以得到训练温度变化输入向量；训练关联编码单元230，用于对所述训练温度输入向量和所述训练温度变化输入向量进行关联编码以得到训练温度静态-动态关联输入矩阵；训练第一尺度关联特征提取单元240，用于将所述训练温度静态-动态关联输入矩阵输入所述使用第一空洞卷积核的第一卷积神经网络模型以得到训练第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；训练第二尺度关联特征提取单元250，用于将所述训练温度静态-动态关联输入矩阵输入所述使用第二空洞卷积核的第二卷积神经网络模型以得到训练第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；权重初始值计算单元260，用于计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值和所述第二权重值的初始值；训练特征融合单元270，用于基于所述第一权重值和所述第二权重值的初始值，计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵之间的按位置加权和以得到所述训练温度特征矩阵；解码损失单元280，用于将所述训练温度特征矩阵通过所述解码器以得到解码损失函数值；以及，训练单元290，用于以所述解码损失函数值对所述第一卷积神经网络模型、所述第二卷积神经网络模型、所述第一权重值、所述第二权重值和所述解码器进行训练。
考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的特征空间分布信息，即不同尺度的温度静态和动态关联特征信息，因此期望对于所述特征矩阵的全局特征均值表示进行优化，以尽量恢复所述特征矩阵由其整体特征空间分布所表达的区别性信息，从而提升所述初始权重的准确度，提升模型的训练速度和解码结果的准确性。基于此，分别计算所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数。
相应地，在一个具体示例中，如图5所示，所述权重初始值计算单元260，包括：第一因数计算子单元261，用于以如下公式计算所述训练第一尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值；其中，所述公式为：
，
其中，表示所述训练第一尺度温度特征矩阵的第位置的特征值，和分别是所述训练第一尺度温度特征矩阵的各个位置的特征值集合的均值和方差，且和分别是所述训练第一尺度温度特征矩阵的宽度和高度，表示以2为底的对数函数值，表示自然指数函数值，表示所述第一权重值；以及，第二因数计算子单元262，用于以如下公式计算所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第二权重值；其中，所述公式为：
，
其中，表示所述训练第二尺度温度特征矩阵的第位置的特征值，和分别是所述训练第二尺度温度特征矩阵的各个位置的特征值集合的均值和方差，且和分别是所述训练第二尺度温度特征矩阵的宽度和高度，表示以2为底的对数函数值，表示自然指数函数值，表示所述第二权重值。
这里，所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题，在特征矩阵所表达的通道实例的空间分布特征的实例归一化（Instance Normalization：IN）的基础上，通过从类概率的统计残差特征中蒸馏一致性相关（identity-relevant）的特征，来将统计信息中的一致性相关的相干性恢复到特征值表示中，该因数可以实现由特征矩阵的空间分布引起的因果关系约束（causalityconstraint）的恢复。这样，通过以分别基于所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵计算的因数来作为初始权重值来进行训练，就可以提升模型的训练速度和训练得到的所述温度特征矩阵的解码结果的准确性。这样，能够准确地基于六氟磷酸溶液的温度变化情况选择最优诱导结晶的超声波装置的超声功率值，以优化结晶的效率，提高制备质量。
相应地，在一个具体示例中，所述解码损失单元280，用于：使用所述解码器以如下公式对所述训练温度特征矩阵进行解码回归以获得训练解码值；其中，所述公式为：，其中是所述训练温度特征矩阵，是所述训练解码值，是权重矩阵，表示矩阵乘；以及，计算所述训练解码值和所述训练数据中所述最优诱导结晶的超声波装置的超声功率值的真实值之间的方差作为所述解码损失函数值。
综上，基于本申请实施例的用于诱导六氟磷酸结晶的超声波装置100被阐明，其首先将多个预定时间点的六氟磷酸溶液的温度值排列为温度输入向量并计算其中每相邻两个位置的温度值之间的差值以得到温度变化输入向量，接着，对所述温度输入向量和所述温度变化输入向量进行关联编码并分别输入使用第一空洞卷积核的第一卷积神经网络模型和使用第二空洞卷积核的第二卷积神经网络模型以得到第一尺度温度特征矩阵和第二尺度温度特征矩阵，然后，融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵，最后，将所述温度特征矩阵通过解码器以得到解码值并基于所述解码值，启动所述超声波装置。这样，可以提升六氟磷酸的结晶速率。
如上所述，根据本申请实施例的所述用于诱导六氟磷酸结晶的超声波装置100可以实现在各种终端设备中，例如具有用于诱导六氟磷酸结晶的超声波装置的控制算法的服务器等。在一个示例中，用于诱导六氟磷酸结晶的超声波装置100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于诱导六氟磷酸结晶的超声波装置100可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于诱导六氟磷酸结晶的超声波装置100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于诱导六氟磷酸结晶的超声波装置100与该终端设备也可以是分立的设备，并且该用于诱导六氟磷酸结晶的超声波装置100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置的控制方法的流程图。如图6所示，根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置的控制方法，其包括：S110，获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值；S120，将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量；S130，对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵；S140，将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；S150，将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；S160，融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵；S170，将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值；以及，S180，基于所述解码值，启动所述超声波装置。
图7为根据本申请实施例的用于诱导六氟磷酸结晶的超声波装置的控制方法的***架构的示意图。如图7所示，在所述用于诱导六氟磷酸结晶的超声波装置的控制方法的***架构中，首先，获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值；接着，将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量；然后，对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵；接着，将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；然后，将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；接着，融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵；然后，将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值；最后，基于所述解码值，启动所述超声波装置。
在一个具体示例中，在上述用于诱导六氟磷酸结晶的超声波装置的控制方法中，对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵，包括：以如下公式对所述温度输入向量和所述温度变化输入向量进行关联编码以得到所述温度静态-动态关联输入矩阵；其中，所述公式为：，其中，表示所述温度输入向量，表示所述温度输入向量的转置向量，表示所述温度变化输入向量，表示所述温度静态-动态关联输入矩阵，表示向量相乘。
在一个具体示例中，在上述用于诱导六氟磷酸结晶的超声波装置的控制方法中，将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率，包括：使用所述使用第一空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用第一空洞卷积核的第一卷积神经网络模型的最后一层输出所述第一尺度温度特征矩阵，其中，所述使用第一空洞卷积核的第一卷积神经网络模型的第一层的输入为所述温度静态-动态关联输入矩阵。
在一个具体示例中，在上述用于诱导六氟磷酸结晶的超声波装置的控制方法中，将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率，包括：使用所述使用第二空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用第二空洞卷积核的第二卷积神经网络模型的最后一层输出所述第二尺度温度特征矩阵，其中，所述使用第二空洞卷积核的第二卷积神经网络模型的第一层的输入为所述温度静态-动态关联输入矩阵。
在一个具体示例中，在上述用于诱导六氟磷酸结晶的超声波装置的控制方法中，融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵，包括：计算所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵之间的按位置加权和以得到所述温度特征矩阵，其中，所述第一尺度温度特征矩阵的加权权重值为第一权重值，所述第二尺度温度特征矩阵的加权权重值为第二权重值。
在一个具体示例中，在上述用于诱导六氟磷酸结晶的超声波装置的控制方法中，将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值，包括：基于所述温度特征矩阵通过所述解码器得到的解码回归值，对所述温度特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵；以及，将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。
在一个具体示例中，在上述用于诱导六氟磷酸结晶的超声波装置的控制方法中，还包括用于对所述第一卷积神经网络模型、所述第二卷积神经网络模型、所述第一权重值、所述第二权重值和所述解码器进行训练的训练步骤；其中，所述训练步骤，包括：获取预定时间段内多个预定时间点的六氟磷酸溶液的训练温度值，以及，所述最优诱导结晶的超声波装置的超声功率值的真实值；将所述多个预定时间点的六氟磷酸溶液的训练温度值按照时间维度排列为训练温度输入向量后，计算所述训练温度输入向量中每相邻两个位置的训练温度值之间的差值以得到训练温度变化输入向量；对所述训练温度输入向量和所述训练温度变化输入向量进行关联编码以得到训练温度静态-动态关联输入矩阵；将所述训练温度静态-动态关联输入矩阵输入所述使用第一空洞卷积核的第一卷积神经网络模型以得到训练第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；将所述训练温度静态-动态关联输入矩阵输入所述使用第二空洞卷积核的第二卷积神经网络模型以得到训练第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值和所述第二权重值的初始值；基于所述第一权重值和所述第二权重值的初始值，计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵之间的按位置加权和以得到所述训练温度特征矩阵；将所述训练温度特征矩阵通过所述解码器以得到解码损失函数值；以及，以所述解码损失函数值对所述第一卷积神经网络模型、所述第二卷积神经网络模型、所述第一权重值、所述第二权重值和所述解码器进行训练。
在一个具体示例中，在上述用于诱导六氟磷酸结晶的超声波装置的控制方法中，计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值和所述第二权重值的初始值，包括：以如下公式计算所述训练第一尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值；其中，所述公式为：
，
其中，表示所述训练第一尺度温度特征矩阵的第位置的特征值，和分别是所述训练第一尺度温度特征矩阵的各个位置的特征值集合的均值和方差，且和分别是所述训练第一尺度温度特征矩阵的宽度和高度，表示以2为底的对数函数值，表示自然指数函数值，表示所述第一权重值；以及，以如下公式计算所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第二权重值；其中，所述公式为：
，
其中，表示所述训练第二尺度温度特征矩阵的第位置的特征值，和分别是所述训练第二尺度温度特征矩阵的各个位置的特征值集合的均值和方差，且和分别是所述训练第二尺度温度特征矩阵的宽度和高度，表示以2为底的对数函数值，表示自然指数函数值，表示所述第二权重值。
在一个具体示例中，在上述用于诱导六氟磷酸结晶的超声波装置的控制方法中，将所述训练温度特征矩阵通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下公式对所述训练温度特征矩阵进行解码回归以获得训练解码值；其中，所述公式为：，其中是所述训练温度特征矩阵，是所述训练解码值，是权重矩阵，表示矩阵乘；以及，计算所述训练解码值和所述训练数据中所述最优诱导结晶的超声波装置的超声功率值的真实值之间的方差作为所述解码损失函数值。
这里，本领域技术人员可以理解，上述用于诱导六氟磷酸结晶的超声波装置的控制方法中的各个步骤的具体操作已经在上面参考图1到图5的用于诱导六氟磷酸结晶的超声波装置的描述中得到了详细介绍，并因此，将省略其重复描述。
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***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***。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“***”。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)
1.一种用于诱导六氟磷酸结晶的超声波装置，其特征在于，包括：温度数据采集模块，用于获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值；相对数据计算模块，用于将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量；关联编码模块，用于对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵；第一尺度关联特征提取模块，用于将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；第二尺度关联特征提取模块，用于将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；特征融合模块，用于融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵；解码模块，用于将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值；以及控制模块，用于基于所述解码值，启动所述超声波装置。
2.根据权利要求1所述的用于诱导六氟磷酸结晶的超声波装置，其特征在于，所述关联编码模块，用于：以如下公式对所述温度输入向量和所述温度变化输入向量进行关联编码以得到所述温度静态-动态关联输入矩阵；其中，所述公式为： ，其中，表示所述温度输入向量，表示所述温度输入向量的转置向量，表示所述温度变化输入向量，表示所述温度静态-动态关联输入矩阵，表示向量相乘。
3.根据权利要求2所述的用于诱导六氟磷酸结晶的超声波装置，其特征在于，所述第一尺度关联特征提取模块，用于：使用所述使用第一空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用第一空洞卷积核的第一卷积神经网络模型的最后一层输出所述第一尺度温度特征矩阵，其中，所述使用第一空洞卷积核的第一卷积神经网络模型的第一层的输入为所述温度静态-动态关联输入矩阵。
4.根据权利要求3所述的用于诱导六氟磷酸结晶的超声波装置，其特征在于，所述第二尺度关联特征提取模块，用于：使用所述使用第二空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用第二空洞卷积核的第二卷积神经网络模型的最后一层输出所述第二尺度温度特征矩阵，其中，所述使用第二空洞卷积核的第二卷积神经网络模型的第一层的输入为所述温度静态-动态关联输入矩阵。
5.根据权利要求4所述的用于诱导六氟磷酸结晶的超声波装置，其特征在于，所述特征融合模块，用于：计算所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵之间的按位置加权和以得到所述温度特征矩阵，其中，所述第一尺度温度特征矩阵的加权权重值为第一权重值，所述第二尺度温度特征矩阵的加权权重值为第二权重值。
6.根据权利要求5所述的用于诱导六氟磷酸结晶的超声波装置，其特征在于，所述解码模块，包括：解码矩阵校正单元，用于基于所述温度特征矩阵通过所述解码器得到的解码回归值，对所述温度特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵；以及再解码单元，用于将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。
7.根据权利要求6所述的用于诱导六氟磷酸结晶的超声波装置，其特征在于，还包括用于对所述第一卷积神经网络模型、所述第二卷积神经网络模型、所述第一权重值、所述第二权重值和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据采集单元，用于获取预定时间段内多个预定时间点的六氟磷酸溶液的训练温度值，以及，所述最优诱导结晶的超声波装置的超声功率值的真实值；训练相对数据计算单元，用于将所述多个预定时间点的六氟磷酸溶液的训练温度值按照时间维度排列为训练温度输入向量后，计算所述训练温度输入向量中每相邻两个位置的训练温度值之间的差值以得到训练温度变化输入向量；训练关联编码单元，用于对所述训练温度输入向量和所述训练温度变化输入向量进行关联编码以得到训练温度静态-动态关联输入矩阵；训练第一尺度关联特征提取单元，用于将所述训练温度静态-动态关联输入矩阵输入所述使用第一空洞卷积核的第一卷积神经网络模型以得到训练第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；训练第二尺度关联特征提取单元，用于将所述训练温度静态-动态关联输入矩阵输入所述使用第二空洞卷积核的第二卷积神经网络模型以得到训练第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；权重初始值计算单元，用于计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值和所述第二权重值的初始值；训练特征融合单元，用于基于所述第一权重值和所述第二权重值的初始值，计算所述训练第一尺度温度特征矩阵和所述训练第二尺度温度特征矩阵之间的按位置加权和以得到所述训练温度特征矩阵；解码损失单元，用于将所述训练温度特征矩阵通过所述解码器以得到解码损失函数值；以及训练单元，用于以所述解码损失函数值对所述第一卷积神经网络模型、所述第二卷积神经网络模型、所述第一权重值、所述第二权重值和所述解码器进行训练。
8.根据权利要求7所述的用于诱导六氟磷酸结晶的超声波装置，其特征在于，所述权重初始值计算单元，包括：第一因数计算子单元，用于以如下公式计算所述训练第一尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第一权重值；其中，所述公式为：
，
其中，表示所述训练第一尺度温度特征矩阵的第位置的特征值，和分别是所述训练第一尺度温度特征矩阵的各个位置的特征值集合的均值和方差，且和分别是所述训练第一尺度温度特征矩阵的宽度和高度，表示以2为底的对数函数值，表示自然指数函数值，表示所述第一权重值；以及第二因数计算子单元，用于以如下公式计算所述训练第二尺度温度特征矩阵的实例归一化和一致性相关恢复因数作为所述第二权重值；其中，所述公式为：
，
其中，表示所述训练第二尺度温度特征矩阵的第位置的特征值，和分别是所述训练第二尺度温度特征矩阵的各个位置的特征值集合的均值和方差，且和分别是所述训练第二尺度温度特征矩阵的宽度和高度，表示以2为底的对数函数值，表示自然指数函数值，表示所述第二权重值。
9.根据权利要求8所述的用于诱导六氟磷酸结晶的超声波装置，其特征在于，所述解码损失单元，用于：使用所述解码器以如下公式对所述训练温度特征矩阵进行解码回归以获得训练解码值；其中，所述公式为：，其中是所述训练温度特征矩阵，是所述训练解码值，是权重矩阵，表示矩阵乘；以及计算所述训练解码值和所述训练数据中所述最优诱导结晶的超声波装置的超声功率值的真实值之间的方差作为所述解码损失函数值。
10.一种用于诱导六氟磷酸结晶的超声波装置的控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的六氟磷酸溶液的温度值；将所述多个预定时间点的六氟磷酸溶液的温度值按照时间维度排列为温度输入向量后，计算所述温度输入向量中每相邻两个位置的温度值之间的差值以得到温度变化输入向量；对所述温度输入向量和所述温度变化输入向量进行关联编码以得到温度静态-动态关联输入矩阵；将所述温度静态-动态关联输入矩阵输入使用第一空洞卷积核的第一卷积神经网络模型以得到第一尺度温度特征矩阵，其中，所述第一空洞卷积核具有第一空洞率；将所述温度静态-动态关联输入矩阵输入使用第二空洞卷积核的第二卷积神经网络模型以得到第二尺度温度特征矩阵，其中，所述第二空洞卷积核具有第二空洞率；融合所述第一尺度温度特征矩阵和所述第二尺度温度特征矩阵以得到温度特征矩阵；将所述温度特征矩阵通过解码器以得到解码值，所述解码值用于表示最优诱导结晶的超声波装置的超声功率值；以及基于所述解码值，启动所述超声波装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310173902.4A CN115845428B (zh) | 2023-02-28 | 2023-02-28 | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310173902.4A CN115845428B (zh) | 2023-02-28 | 2023-02-28 | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115845428A CN115845428A (zh) | 2023-03-28 |
| CN115845428B true CN115845428B (zh) | 2023-04-25 |
Family
ID=85659230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310173902.4A Active CN115845428B (zh) | 2023-02-28 | 2023-02-28 | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115845428B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116819957B (zh) * | 2023-03-29 | 2024-03-08 | 福建省龙德新能源有限公司 | 电子级六氟磷酸锂的尾气处理***及其方法 |
| CN116149397B (zh) * | 2023-04-20 | 2023-06-23 | 福建天甫电子材料有限公司 | 电子级双氧水存储的温度自适应控制*** |
| CN116842344A (zh) * | 2023-07-07 | 2023-10-03 | 东莞市艺辉实业投资有限公司 | 用于点胶设备的控制方法及其*** |
| CN116624977B (zh) * | 2023-07-21 | 2023-09-29 | 烟台业达智慧城市运营科技有限公司 | 一种基于人工智能的楼宇自控***及其方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6519500B1 (en) * | 1999-09-16 | 2003-02-11 | Solidica, Inc. | Ultrasonic object consolidation |
| CN101605723A (zh) * | 2007-02-08 | 2009-12-16 | 斯泰拉化工公司 | 六氟磷酸盐的制造方法 |
| CN102460113A (zh) * | 2009-05-11 | 2012-05-16 | 西安大略大学 | 监测介质的颗粒尺寸分布的超声法方法 |
| CN105600809A (zh) * | 2016-02-25 | 2016-05-25 | 多氟多化工股份有限公司 | 一种动态结晶制备六氟磷酸锂的方法和装置 |
| CN105802729A (zh) * | 2014-12-29 | 2016-07-27 | 丰益(上海)生物技术研发中心有限公司 | 一种脂肪酸或其酯的结晶分离方法及设备 |
| KR20190076783A (ko) * | 2017-12-22 | 2019-07-02 | 주식회사 포스코 | 열연코일 냉각온도 예측 방법, 열연코일 냉각 제어 장치 및 방법 |
| CN113485261A (zh) * | 2021-06-29 | 2021-10-08 | 西北师范大学 | 一种基于CAEs-ACNN的软测量建模方法 |
| CN113658188A (zh) * | 2021-08-18 | 2021-11-16 | 北京石油化工学院 | 一种基于改进Unet模型的溶液结晶过程图像语义分割方法 |
| CN115007820A (zh) * | 2022-07-28 | 2022-09-06 | 西北工业大学 | 一种消减球状石墨组织壁厚敏感性的超声连铸方法及*** |
| CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制***及其控制方法 |
| CN115586755A (zh) * | 2022-10-28 | 2023-01-10 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的生产管理控制***及其方法 |
| CN115586757A (zh) * | 2022-11-09 | 2023-01-10 | 广东金柳信息科技有限公司 | 机械设备的智能控制***及其方法 |
-
2023
- 2023-02-28 CN CN202310173902.4A patent/CN115845428B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6519500B1 (en) * | 1999-09-16 | 2003-02-11 | Solidica, Inc. | Ultrasonic object consolidation |
| CN101605723A (zh) * | 2007-02-08 | 2009-12-16 | 斯泰拉化工公司 | 六氟磷酸盐的制造方法 |
| CN102460113A (zh) * | 2009-05-11 | 2012-05-16 | 西安大略大学 | 监测介质的颗粒尺寸分布的超声法方法 |
| CN105802729A (zh) * | 2014-12-29 | 2016-07-27 | 丰益(上海)生物技术研发中心有限公司 | 一种脂肪酸或其酯的结晶分离方法及设备 |
| CN105600809A (zh) * | 2016-02-25 | 2016-05-25 | 多氟多化工股份有限公司 | 一种动态结晶制备六氟磷酸锂的方法和装置 |
| KR20190076783A (ko) * | 2017-12-22 | 2019-07-02 | 주식회사 포스코 | 열연코일 냉각온도 예측 방법, 열연코일 냉각 제어 장치 및 방법 |
| CN113485261A (zh) * | 2021-06-29 | 2021-10-08 | 西北师范大学 | 一种基于CAEs-ACNN的软测量建模方法 |
| CN113658188A (zh) * | 2021-08-18 | 2021-11-16 | 北京石油化工学院 | 一种基于改进Unet模型的溶液结晶过程图像语义分割方法 |
| CN115007820A (zh) * | 2022-07-28 | 2022-09-06 | 西北工业大学 | 一种消减球状石墨组织壁厚敏感性的超声连铸方法及*** |
| CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制***及其控制方法 |
| CN115586755A (zh) * | 2022-10-28 | 2023-01-10 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的生产管理控制***及其方法 |
| CN115586757A (zh) * | 2022-11-09 | 2023-01-10 | 广东金柳信息科技有限公司 | 机械设备的智能控制***及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115845428A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115845428B (zh) | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 | |
| US11354538B2 (en) | Lookup-based convolutional neural network | |
| US10691909B2 (en) | User authentication method using fingerprint image and method of generating coded model for user authentication | |
| CN111859023B (zh) | 视频分类方法、装置、设备及计算机可读存储介质 | |
| CN110532884B (zh) | 行人重识别方法、装置及计算机可读存储介质 | |
| CN116036639B (zh) | 超声波诱导六氟磷酸盐结晶的控制***及其方法 | |
| CN108701210A (zh) | 用于cnn网络适配和对象在线追踪的方法和*** | |
| US20210026887A1 (en) | Retrieval device, training device, retrieval system, and recording medium | |
| CN111161254A (zh) | 一种骨龄预测方法 | |
| CN116563302B (zh) | 智慧医疗信息管理***及其方法 | |
| CN116166072A (zh) | 电子级六氟丙烯裂解温度控制*** | |
| CN112052890A (zh) | 给水泵振动预测方法及装置 | |
| CN116164497A (zh) | 液氧制备过程中的精馏控制***及其方法 | |
| CN115147935B (zh) | 一种基于关节点的行为识别方法、电子设备及存储介质 | |
| CN116185099A (zh) | 用于电子级双氧水制备的温度自动控制*** | |
| CN116363750A (zh) | 人体姿态预测方法、装置、设备及可读存储介质 | |
| CN115797818A (zh) | 视频时序动作提名生成方法及*** | |
| CN112149060A (zh) | 一种汽轮机低压末级温度场预测方法及装置 | |
| CN116149280A (zh) | 电子级氢氧化钾的智能生产*** | |
| Liu et al. | A band selection method with masked convolutional autoencoder for hyperspectral image | |
| CN116059681B (zh) | 用于控制结晶成核的超声控制方法及其*** | |
| CN116624977B (zh) | 一种基于人工智能的楼宇自控***及其方法 | |
| CN112906586A (zh) | 时序动作提名生成方法和相关产品 | |
| CN116631619A (zh) | 术后弯腿训练监控***及其方法 | |
| CN116524402A (zh) | 基于多头自注意力的多时间跨度上下文建模动作识别方法 |
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 |