全自动干粉试剂复溶系统技术方案

本申请涉及智能控制领域，其具体公开了一种全自动干粉试剂复溶系统，其使用基于深度神经网络的人工智能技术来对复溶时的搅拌速度和温度进行特征编码与提取，以得到表示当前混合时间是否需要延长的分类标签

【技术实现步骤摘要】
全自动干粉试剂复溶系统


[0001]本申请涉及智能控制领域，且更为具体的涉及一种全自动干粉试剂复溶系统
。

技术介绍

[0002]全自动干粉试剂复溶系统是一种用于实验室或工业生产中的设备，用于将干粉试剂快速
、
准确地复溶成溶液的系统
。
在将干粉试剂与溶剂混合并复溶成溶液的过程中，通常需要控制搅拌速度
、
温度和混合时间，以确保试剂充分溶解
。
传统的控制混合时间的方法是人工根据经验来控制混合时间
。
然而，这种方法存在的误差可能较大，且耗费人力和时间成本
。
[0003]因此，期待一种优化的全自动干粉试剂复溶方案
。

技术实现思路

[0004]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全自动干粉试剂复溶系统，其使用基于深度神经网络的人工智能技术来对复溶时的搅拌速度和温度进行特征编码与提取，以得到表示当前混合时间是否需要延长的分类标签
。
这样，通过智能控制混合时间，提高了控制精度，降低了时间和人力成本
。
[0005]根据本申请的一个方面，提供了一种全自动干粉试剂复溶系统，其包括：
[0006]数据获取模块，用于获取多个预定时间点的复溶时的搅拌速度值和多个预定时间点的温度值；
[0007]第一时序编码模块，用于将所述多个预定时间点的复溶时的搅拌速度值通过第一时序编码器以得到速度特征向量；
[0008]第二时序编码模块，用于将所述多个预定时间点的温度值通过第二时序编码器以得到温度特征向量；
[0009]融合模块，用于对所述速度特征向量和所述温度特征向量进行联合编码以生成融合特征矩阵；
[0010]空间增强模块，用于将所述融合特征矩阵通过使用空间注意力机制的卷积神经网络模型以得到增强融合特征矩阵；
[0011]优化模块，用于对所述增强融合特征矩阵进行低维密度域映射以得到优化增强融合特征矩阵；
[0012]分类结果生成模块，用于将所述优化增强融合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前混合时间是否需要延长
。
[0013]在上述的全自动干粉试剂复溶系统中，所述第一时序编码模块，包括：
[0014]第一输入向量构造单元，用于将所述多个预定时间点的复溶时的搅拌速度值按照时间维度排列为第一输入向量；
[0015]第一归一化映射单元，用于将所述第一输入向量进行基于最大值的归一化处理以得到归一化后第一输入向量；
[0016]第一全连接编码单元，用于使用所述时序编码器的全连接层对所述归一化后第一输入向量进行全连接编码以提取所述归一化后第一输入向量中各个位置的特征值的高维隐含特征；
[0017]第一一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后第一输入向量进行一维编码以提取所述归一化后第一输入向量中各个位置的特征值间的关联的高维隐含关联特征
。
[0018]在上述的全自动干粉试剂复溶系统中，所述第二时序编码模块，包括：
[0019]第二输入向量构造单元，用于将所述多个预定时间点的温度值按照时间维度排列为第二输入向量；
[0020]第二归一化映射单元，用于将所述第二输入向量进行基于最大值的归一化处理以得到归一化后第二输入向量；
[0021]第二全连接编码单元，用于使用所述时序编码器的全连接层对所述归一化后第二输入向量进行全连接编码以提取所述归一化后第二输入向量中各个位置的特征值的高维隐含特征；
[0022]第二一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后第二输入向量进行一维编码以提取所述归一化后第二输入向量中各个位置的特征值间的关联的高维隐含关联特征
。
[0023]在上述的全自动干粉试剂复溶系统中，所述融合模块，用于：
[0024]使用联合编码器以如下联合公式对所述速度特征向量和所述温度特征向量进行联合编码以生成所述融合特征矩阵；
[0025]其中，所述联合公式为：
[0026][0027]其中表示向量相乘，
M
表示所述融合特征矩阵，
F1表示所述速度特征向量，
F2表示所述温度特征向量，表示所述温度特征向量的转置
。
[0028]在上述的全自动干粉试剂复溶系统中，所述空间增强模块，包括：
[0029]使用所述卷积神经网络模型的各个单元在层的正向传递中对输入数据分别进行：
[0030]卷积单元，用于基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；
[0031]空间注意力单元，用于将所述卷积特征图通过空间注意力模块以得到所述空间注意力得分矩阵；
[0032]按位置点乘单元，用于将所述空间注意力得分矩阵与所述差分特征图沿通道维度的各个特征矩阵进行按位置点乘以所述空间注意力特征图；
[0033]池化单元，用于对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图；
[0034]激活单元，用于对所述池化特征图进行非线性激活以得到激活特征图；
[0035]其中，所述卷积神经网络模型的第一层的输入为所述融合特征矩阵，卷积神经网络模型的最后一层的输出为所述增强融合特征矩阵
。
[0036]在上述的全自动干粉试剂复溶系统中，所述空间注意力单元，包括：
[0037]池化子单元，用于对所述卷积特征图分别进行沿通道维度的平均池化和最大值池
化以得到平均特征矩阵和最大值特征矩阵；
[0038]级联子单元，用于将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；
[0039]卷积编码子单元，用于使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；
[0040]得分矩阵获取子单元，用于将所述卷积特征矩阵通过
Softmax
函数以得到空间注意力得分矩阵
。
[0041]在上述的全自动干粉试剂复溶系统中，所述优化模块，包括：
[0042]特征展开单元，用于将所述增强融合特征矩阵的各个行向量进行特征展开处理以得到多个分类局部特征向量；
[0043]特征域密度值计算单元，用于针对于所述多个分类局部特征向量中各个分类局部特征向量，计算所述各个分类局部特征向量的特征域密度值，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类局部特征向量的距离值中最小距离值的倒数，其中，所述各个分类局部特征向量的特征域密度值为所述各个分类局部特征向量与所述多个分类局部特征向量中其他分类特征向量的距离值为两者之间的欧式距离；
[0044]特征激活单元，用于将所述各个分类局部特征向量的特征域密度值排列为特征域密度输入向量后通过
Sigmoi d<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种全自动干粉试剂复溶系统，其特征在于，包括：数据获取模块，用于获取多个预定时间点的复溶时的搅拌速度值和多个预定时间点的温度值；第一时序编码模块，用于将所述多个预定时间点的复溶时的搅拌速度值通过第一时序编码器以得到速度特征向量；第二时序编码模块，用于将所述多个预定时间点的温度值通过第二时序编码器以得到温度特征向量；融合模块，用于对所述速度特征向量和所述温度特征向量进行联合编码以生成融合特征矩阵；空间增强模块，用于将所述融合特征矩阵通过使用空间注意力机制的卷积神经网络模型以得到增强融合特征矩阵；优化模块，用于对所述增强融合特征矩阵进行低维密度域映射以得到优化增强融合特征矩阵；分类结果生成模块，用于将所述优化增强融合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前混合时间是否需要延长
。2.
根据权利要求1所述的全自动干粉试剂复溶系统，其特征在于，所述第一时序编码模块，包括：第一输入向量构造单元，用于将所述多个预定时间点的复溶时的搅拌速度值按照时间维度排列为第一输入向量；第一归一化映射单元，用于将所述第一输入向量进行基于最大值的归一化处理以得到归一化后第一输入向量；第一全连接编码单元，用于使用所述时序编码器的全连接层对所述归一化后第一输入向量进行全连接编码以提取所述归一化后第一输入向量中各个位置的特征值的高维隐含特征；第一一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后第一输入向量进行一维编码以提取所述归一化后第一输入向量中各个位置的特征值间的关联的高维隐含关联特征
。3.
根据权利要求2所述的全自动干粉试剂复溶系统，其特征在于，所述第二时序编码模块，包括：第二输入向量构造单元，用于将所述多个预定时间点的温度值按照时间维度排列为第二输入向量；第二归一化映射单元，用于将所述第二输入向量进行基于最大值的归一化处理以得到归一化后第二输入向量；第二全连接编码单元，用于使用所述时序编码器的全连接层对所述归一化后第二输入向量进行全连接编码以提取所述归一化后第二输入向量中各个位置的特征值的高维隐含特征；第二一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后第二输入向量进行一维编码以提取所述归一化后第二输入向量中各个位置的特征值间的关联的高维隐含关联特征
。
4.
根据权利要求3所述的全自动干粉试剂复溶系统，其特征在于，所述融合模块，用于：使用联合编码器以如下联合公式对所述速度特征向量和所述温度特征向量进行联合编码以生成所述融合特征矩阵；其中，所述联合公式为：其中表示向量相乘，
M
表示所述融合特征矩阵，
F1表示所述速度特征向量，
F2表示所述温度特征向量，表示所述温度特征向量的转置
。5.
根据权利要求4所述的全自动干粉试剂复溶系统，其特征在于，所述空间增强模块，包括：使用所述卷积神经网络模型的各个单元...

【专利技术属性】
技术研发人员：廖丽平，宋娇，蒲荣，辛青松，
申请(专利权)人：东莞常安医院有限公司，
类型：发明
国别省市：