低聚异麦芽糖铁配合物的智能化生产系统及其方法

技术领域

本申请涉及智能化生产技术领域，且更为具体地，涉及一种低聚异麦芽糖铁配合物的智能化生产系统及其方法。

背景技术

铁是人体内必需的微量元素之一，体内铁缺乏就会导致缺铁性贫血。长期以来，一直选用亚铁盐来治疗缺铁性贫血，但其化学性质不稳定，生物利用度差，消化道刺激作用显著，并且易在体内产生内源性自由基造成细胞膜损伤。因此，亚铁盐并不是理想的补铁剂。

有研究表明，多糖铁配合物作为新型补铁剂具有合适的稳定性，对胃肠道无或极少刺激作用，且配体多糖具有多方面的生物活性，释放后可被机体吸收利用，无毒副作用。因此，多糖铁作为一种较为理想的补铁剂成为近年来的研究热点。

低聚异麦芽糖又称异麦芽寡糖、异麦芽低聚糖、分支低聚糖，是一种功能性低聚糖，具有低甜度、难发酵、耐热、耐酸、保湿性好和风味优良等特性。由于低聚异麦芽糖已实现工业化生产且生理功能良好，将其作为原料制成的多糖铁能同时发挥补铁作用和多糖自身的多种功效。

但是，目前用于低聚异麦芽糖铁配合物的生产产线对于低聚异麦芽糖铁配合物的制备效率和制备成本都达不到预期的要求。现有没有成型的用于低聚异麦芽糖铁配合物的生产产线，以具有相对较高的制备效率且具有相对较低的制备成本。

因此，期望一种优化的低聚异麦芽糖铁配合物的智能化生产方案。

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低聚异麦芽糖铁配合物的智能化生产系统及其方法，其首先获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频，然后，通过深度神经网络模型模拟并建立反应液的状态变化与反应温度变化之间的复杂映射关系以得到优化分类特征矩阵，最后，对所述优化分类特征矩阵进行解码以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现实时精准地基于反应液的状态变化来自适应地调整反应温度，以提高反应效率和制备质量。

根据本申请的一个方面，提供了一种低聚异麦芽糖铁配合物的智能化生产方法，其包括：将低聚异麦芽糖溶于蒸馏水中以得到低聚异麦芽糖溶液；在所述低聚异麦芽糖溶液加入Na

在上述低聚异麦芽糖铁配合物的智能化生产方法中，所述在预定温度控制策略下，使得所述反应混合液发生反应以得到反应后溶液，包括：获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频；从所述反应液状态监控视频提取所述多个预定时间点的反应液状态监控关键帧；将所述多个预定时间点的反应液状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个反应液状态特征向量；将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量；将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到温度特征向量；基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；基于所述反应液状态上下文语义特征向量和所述温度特征向量，对所述分类特征矩阵进行向量粒度特征分布优化以得到优化分类特征矩阵；以及，将所述优化分类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时间点的反应温度值应增大或应减小。

在上述低聚异麦芽糖铁配合物的智能化生产方法中，所述将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量，包括：将所述多个反应液状态特征向量通过所述基于转化器的上下文编码器以得到多个上下文反应液状态特征向量；以及，将所述多个上下文反应液状态特征向量进行级联以得到所述反应液状态上下文语义特征向量。

在上述低聚异麦芽糖铁配合物的智能化生产方法中，基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵，包括：

使用高斯密度图以如下公式来构造所述反应液状态上下文语义特征向量和所述温度特征向量的高斯密度图以得到响应性估计高斯密度图；

其中，所述公式为：

f

其中，μ(f

对所述响应性估计高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

在上述低聚异麦芽糖铁配合物的智能化生产方法中，所述基于所述反应液状态上下文语义特征向量和所述温度特征向量，对所述分类特征矩阵进行向量粒度特征分布优化以得到优化分类特征矩阵，包括：以如下公式计算所述反应液状态上下文语义特征向量和所述温度特征向量之间的图核游走节点分布融合特征矩阵；

其中，所述公式为：

其中，V

在上述低聚异麦芽糖铁配合物的智能化生产方法中，所述将所述分类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时间点的反应温度值应增大或应减小，包括：将所述分类特征矩阵投影为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到归属于当前时间点的反应温度值应增大的第一概率以及归属于当前时间点的反应温度值应减小的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。

根据本申请的另一方面，提供了一种低聚异麦芽糖铁配合物的智能化生产系统，其包括：数据获取模块，用于获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频；关键帧提取模块，用于从所述反应液状态监控视频提取所述多个预定时间点的反应液状态监控关键帧；第一卷积编码模块，用于将所述多个预定时间点的反应液状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个反应液状态特征向量；上下文编码模块，用于将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量；第二卷积编码模块，用于将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到温度特征向量；分类特征矩阵获取模块，用于基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；特征分布优化模块，用于基于所述反应液状态上下文语义特征向量和所述温度特征向量，对所述分类特征矩阵进行向量粒度特征分布优化以得到优化分类特征矩阵；以及，分类模块，用于将所述优化分类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时间点的反应温度值应增大或应减小。

与现有技术相比，本申请提供的一种低聚异麦芽糖铁配合物的智能化生产系统及其方法，其首先获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频，然后，通过深度神经网络模型模拟并建立反应液的状态变化与反应温度变化之间的复杂映射关系以得到优化分类特征矩阵，最后，对所述优化分类特征矩阵进行解码以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现实时精准地基于反应液的状态变化来自适应地调整反应温度，以提高反应效率和制备质量。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的低聚异麦芽糖铁配合物的智能化生产方法的流程图。

图2为根据本申请实施例的低聚异麦芽糖铁配合物的智能化生产方法中，在预定温度控制策略下，使得所述反应混合液发生反应以得到反应后溶液的流程图。

图3为根据本申请实施例的低聚异麦芽糖铁配合物的智能化生产方法中，在预定温度控制策略下，使得所述反应混合液发生反应以得到反应后溶液的系统架构的示意图。

图4为根据本申请实施例的低聚异麦芽糖铁配合物的智能化生产系统的框图示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，目前用于低聚异麦芽糖铁配合物的生产产线对于低聚异麦芽糖铁配合物的制备效率和制备成本都达不到预期的要求。现有没有成型的用于低聚异麦芽糖铁配合物的生产产线，以具有相对较高的制备效率且具有相对较低的制备成本。因此，期望一种优化的低聚异麦芽糖铁配合物的智能化生产方案。

具体地，在本申请的技术方案中，提出了一种低聚异麦芽糖铁配合物的智能化生产方法，其包括：将低聚异麦芽糖溶于蒸馏水中以得到低聚异麦芽糖溶液；在所述低聚异麦芽糖溶液加入Na

相应地，在实际进行低聚异麦芽糖铁配合物的制备过程中发现制备出的低聚异麦芽糖铁配合物效果并不理想，这是由于在预定的温度控制策略下，反应后的制备溶液反应效果欠佳，其反应效率和反应质量都难以到预期的效果。也就是说，在实际使用所述反应混合液来制得反应后溶液的过程中，温度的控制应适配于反应液的反应状态，即应基于反应液的反应状态变化特征来自适应地调整反应温度的变化。难点在于如何建立反应液的状态变化与反应温度之间的映射关系，以使得基于所述反应液的状态变化来自适应地调整所述反应温度以实现提高反应效率和制备质量的目的。

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。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为挖掘反应液的状态变化与反应温度变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立反应液的状态变化与反应温度变化之间的复杂映射关系。

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反应温度值以及所述预定时间段的反应液状态监控视频。接着，考虑到在所述反应液状态监控视频中，反应液的状态变化特征可以通过所述反应液状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示反应液状态的变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述反应液状态监控视频进行关键帧采样，以从所述反应液状态监控视频提取所述多个预定时间点的反应液状态监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。

然后，使用在图像的局部隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来进行所述多个预定时间点的反应液状态监控关键帧的特征挖掘，以分别提取出所述各个反应液状态监控关键帧中关于反应液状态的隐含特征分布信息，从而得到多个反应液状态特征向量。

接着，考虑到在所述反应液状态监控视频中，关于所述反应液的状态变化特征在时间维度上的各个预定时间点下是具有着关联性的，也就是说，所述反应液的状态在时序上有着动态性的变化特征分布信息。因此，在本申请的技术方案中，将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个反应液状态特征向量进行基于全局的上下文语义编码以得到以所述多个反应液状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述反应液状态上下文语义特征向量。应可以理解，在本申请的技术方案中，通过所述基于转化器的上下文编码器可以捕捉所述各个关键帧中关于反应液的状态隐含特征相对于预定时间段内整体的上下文语义动态关联特征表示。

进一步地，对于所述反应温度值，考虑到其在时间维度上也具有着动态性的规律，为了能够充分且准确地提取出所述反应温度值在时序上的动态关联特征分布信息，将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型中进行处理，以提取出所述反应温度在时序上的动态关联特征，从而得到温度特征向量。

然后，计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以此来融合表示所述反应液的状态变化与所述温度变化间在高维空间中的关联性特征分布信息，从而得到分类特征矩阵。特别地，考虑到所述反应液状态上下文语义特征向量和所述温度特征向量在高维特征空间中都各自对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述反应液状态上下文语义特征向量和所述温度特征向量级联来表示两者的关联性特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，需要进一步地对所述反应液状态上下文语义特征向量和所述温度特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛。

应可以理解，考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本申请的技术方案中，首先，基于高斯分布构造所述反应液状态上下文语义特征向量和所述温度特征向量的高斯密度图。然后，对所述高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征矩阵。

接着，进一步再将所述优化分类特征矩阵通过分类器以得到用于表示当前时间点的反应温度值应增大或应减小分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的反应温度值应增大或应减小，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为反应温度值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述反应温度值，以此来实现提高反应效率和制备质量的目的。

特别地，在本申请的技术方案中，基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计得到所述分类特征矩阵时，是基于所述反应液状态上下文语义特征向量和所述温度特征向量的各个位置的特征值经由高斯密度图得到所述分类特征矩阵，因此可以使得所述分类特征矩阵表达所述反应液状态上下文语义特征向量和所述温度特征向量的特征值粒度的响应性估计特征，但同时，仍然期望所述分类特征矩阵能够表达所述反应液状态上下文语义特征向量和所述温度特征向量的向量粒度的响应性估计特征。

因此，优选地，进一步计算所述反应液状态上下文语义特征向量V

D(V

所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述反应液状态上下文语义特征向量V

进一步地，将所述图核游走节点分布融合特征矩阵与所述分类特征矩阵进行矩阵相乘，以将所述分类特征矩阵映射到关联性响应特征空间内，以使得所述分类特征矩阵进一步表达所述反应液状态上下文语义特征向量和所述温度特征向量的向量粒度的响应性估计特征，从而所述优化分类特征矩阵。然后，再将所述优化分类特征矩阵通过分类器进行当前时间点的反应温度值的分类控制。这样，能够实时精准地基于反应液的状态变化来自适应地调整反应温度，以提高反应效率和制备质量。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

如上所述，目前用于低聚异麦芽糖铁配合物的生产产线对于低聚异麦芽糖铁配合物的制备效率和制备成本都达不到预期的要求。现有没有成型的用于低聚异麦芽糖铁配合物的生产产线，以具有相对较高的制备效率且具有相对较低的制备成本。因此，期望一种优化的低聚异麦芽糖铁配合物的智能化生产方案。具体地，在本申请的技术方案中，提出了一种低聚异麦芽糖铁配合物的智能化生产方法。图1为根据本申请实施例的低聚异麦芽糖铁配合物的智能化生产方法的流程图。如图1所示，根据本申请实施例的所述低聚异麦芽糖铁配合物的智能化生产方法，其包括：S110，将低聚异麦芽糖溶于蒸馏水中以得到低聚异麦芽糖溶液；S120，在所述低聚异麦芽糖溶液加入Na

更进一步，考虑到实际进行低聚异麦芽糖铁配合物的制备过程中发现制备出的低聚异麦芽糖铁配合物效果并不理想，这是由于在预定的温度控制策略下，反应后的制备溶液反应效果欠佳，其反应效率和反应质量都难以到预期的效果。也就是说，在实际使用所述反应混合液来制得反应后溶液的过程中，温度的控制应适配于反应液的反应状态，即应基于反应液的反应状态变化特征来自适应地调整反应温度的变化。因此，如果能够基于反应液的反应状态变化特征来自适应地调整反应温度的变化，无疑是能够提高反应效率和制备质量，因此，在上述低聚异麦芽糖铁配合物的智能化生产方法的基础上，对步骤S140进行改进，更具体地，对所述温度控制策略进行改进，使得基于反应液的反应状态变化特征来自适应地调整反应温度的变化，从而提高反应效率和制备质量。

图2为根据本申请实施例的低聚异麦芽糖铁配合物的智能化生产方法中，在预定温度控制策略下，使得所述反应混合液发生反应以得到反应后溶液的流程图。如图2所示，根据本申请实施例的所述在预定温度控制策略下，使得所述反应混合液发生反应以得到反应后溶液，包括：S210，获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频；S220，从所述反应液状态监控视频提取所述多个预定时间点的反应液状态监控关键帧；S230，将所述多个预定时间点的反应液状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个反应液状态特征向量；S240，将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量；S250，将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到温度特征向量；S260，基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；S270，基于所述反应液状态上下文语义特征向量和所述温度特征向量，对所述分类特征矩阵进行向量粒度特征分布优化以得到优化分类特征矩阵；以及，S280，将所述优化分类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时间点的反应温度值应增大或应减小。

图3为根据本申请实施例的低聚异麦芽糖铁配合物的智能化生产方法中，在预定温度控制策略下，使得所述反应混合液发生反应以得到反应后溶液的系统架构的示意图。如图3所示，在本申请实施例的所述在预定温度控制策略下，使得所述反应混合液发生反应以得到反应后溶液的系统架构中，首先，获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频。然后，从所述反应液状态监控视频提取所述多个预定时间点的反应液状态监控关键帧，并将所述多个预定时间点的反应液状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个反应液状态特征向量。接着，将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量。同时，将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到温度特征向量。再然后，基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵。再接着，基于所述反应液状态上下文语义特征向量和所述温度特征向量，对所述分类特征矩阵进行向量粒度特征分布优化以得到优化分类特征矩阵。最后，将所述优化分类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时间点的反应温度值应增大或应减小。

在步骤S210中，获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频。应可以理解，基于反应液的反应状态变化特征来自适应地调整反应温度的变化地难点在于如何建立反应液的状态变化与反应温度之间的映射关系，以使得基于所述反应液的状态变化来自适应地调整所述反应温度以实现提高反应效率和制备质量的目的。而深度学习以及神经网络的发展为挖掘反应液的状态变化与反应温度变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立反应液的状态变化与反应温度变化之间的复杂映射关系。

在本申请一个具体的示例中，通过温度传感器获取预定时间段内多个预定时间点的反应温度值，通过摄像头采集所述预定时间段的反应液状态监控视频。其中，所述预定时间段内多个预定时间点的反应温度值包含有过往的温度控制策略。所述预定时间段的反应液状态监控视频包含有反应液的状态变化特征信息。

在步骤S220中，从所述反应液状态监控视频提取所述多个预定时间点的反应液状态监控关键帧。应可以理解，考虑到在所述反应液状态监控视频中，反应液的状态变化特征可以通过所述反应液状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示反应液状态的变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，从所述反应液状态监控视频提取所述多个预定时间点的反应液状态监控关键帧。这里，所述反应液状态监控关键帧的多个预定时间点与所述反应温度值的多个预定时间点相同，而多个预定时间点可根据实际应用场景设置。

在步骤S230中，将所述多个预定时间点的反应液状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个反应液状态特征向量。应可以理解，考虑所述多个预定时间点的反应液状态监控关键帧中蕴含有丰富的隐含特征信息，而第一卷积神经网络模型在图像的局部隐含特征提取方面具有优异表现，因此通过作为过滤器的第一卷积神经网络模型来进行所述多个预定时间点的反应液状态监控关键帧的特征挖掘，以分别提取出所述各个反应液状态监控关键帧中关于反应液状态的隐含特征分布信息，从而得到多个反应液状态特征向量。

在本申请一个具体的示例中，所述将所述多个预定时间点的反应液状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个反应液状态特征向量，包括：所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述第一卷积神经网络模型的输入分别为所述多个预定时间点的反应液状态监控关键帧中的各个关键帧，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出分别为所述多个反应液状态特征向量中的各个反应液状态特征向量。

在步骤S240中，将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量。应可以理解，考虑到在所述反应液状态监控视频中，关于所述反应液的状态变化特征在时间维度上的各个预定时间点下是具有着关联性的，也就是说，所述反应液的状态在时序上有着动态性的变化特征分布信息。因此，在本申请的技术方案中，将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个反应液状态特征向量进行基于全局的上下文语义编码以得到以所述多个反应液状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述反应液状态上下文语义特征向量。应可以理解，在本申请的技术方案中，通过所述基于转化器的上下文编码器可以捕捉所述各个关键帧中关于反应液的状态隐含特征相对于预定时间段内整体的上下文语义动态关联特征表示。

在本申请一个具体的示例中，所述将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量，包括：将所述多个反应液状态特征向量通过所述基于转化器的上下文编码器以得到多个上下文反应液状态特征向量；以及，将所述多个上下文反应液状态特征向量进行级联以得到所述反应液状态上下文语义特征向量。

在本申请一个具体的示例中，所述将所述多个反应液状态特征向量通过所述基于转化器的上下文编码器以得到多个上下文反应液状态特征向量，包括：使用所述上下文编码器的基于转换器的Bert模型对所述多个反应液状态特征向量中各个反应液状态特征向量进行基于全局的上下文语义编码以得到以所述多个反应液状态特征向量的整体语义关联为上下文背景的多个上下文反应液状态特征向量。

在步骤S250中，将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到温度特征向量。应可以理解，对于所述反应温度值，考虑到其在时间维度上也具有着动态性的规律，为了能够充分且准确地提取出所述反应温度值在时序上的动态关联特征分布信息，将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型中进行处理，以提取出所述反应温度在时序上的动态关联特征，从而得到温度特征向量。

在本申请一个具体的示例中，所述将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到温度特征向量，包括：所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于一维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述第二卷积神经网络模型的输入为所述温度输入向量，所述第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络模型的最后一层的输出为所述温度特征向量。

在步骤S260中，基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵。应可以理解，计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以此来融合表示所述反应液的状态变化与所述温度变化间在高维空间中的关联性特征分布信息，从而得到分类特征矩阵。特别地，考虑到所述反应液状态上下文语义特征向量和所述温度特征向量在高维特征空间中都各自对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述反应液状态上下文语义特征向量和所述温度特征向量级联来表示两者的关联性特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，需要进一步地对所述反应液状态上下文语义特征向量和所述温度特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛。

应可以理解，考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本申请的技术方案中，首先，基于高斯分布构造所述反应液状态上下文语义特征向量和所述温度特征向量的高斯密度图。然后，对所述高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征矩阵。

在本申请一个具体的示例中，基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵，包括：使用高斯密度图以如下公式来构造所述反应液状态上下文语义特征向量和所述温度特征向量的高斯密度图以得到响应性估计高斯密度图；

其中，所述公式为：

f

其中，μ(f

在步骤S270中，基于所述反应液状态上下文语义特征向量和所述温度特征向量，对所述分类特征矩阵进行向量粒度特征分布优化以得到优化分类特征矩阵。特别地，在本申请的技术方案中，基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计得到所述分类特征矩阵时，是基于所述反应液状态上下文语义特征向量和所述温度特征向量的各个位置的特征值经由高斯密度图得到所述分类特征矩阵，因此可以使得所述分类特征矩阵表达所述反应液状态上下文语义特征向量和所述温度特征向量的特征值粒度的响应性估计特征，但同时，仍然期望所述分类特征矩阵能够表达所述反应液状态上下文语义特征向量和所述温度特征向量的向量粒度的响应性估计特征。因此，优选地，进一步计算所述反应液状态上下文语义特征向量V

在本申请一个具体的示例中，所述基于所述反应液状态上下文语义特征向量和所述温度特征向量，对所述分类特征矩阵进行向量粒度特征分布优化以得到优化分类特征矩阵，包括：以如下公式计算所述反应液状态上下文语义特征向量和所述温度特征向量之间的图核游走节点分布融合特征矩阵；其中，所述公式为：

其中，V

所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述反应液状态上下文语义特征向量V

进一步地，将所述图核游走节点分布融合特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述优化分类特征矩阵。也就是，以将所述分类特征矩阵映射到关联性响应特征空间内，以使得所述分类特征矩阵进一步表达所述反应液状态上下文语义特征向量和所述温度特征向量的向量粒度的响应性估计特征，从而所述优化分类特征矩阵。然后，再将所述优化分类特征矩阵通过分类器进行当前时间点的反应温度值的分类控制。这样，能够实时精准地基于反应液的状态变化来自适应地调整反应温度，以提高反应效率和制备质量。

在步骤S280中，将所述优化分类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时间点的反应温度值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的反应温度值应增大或应减小，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为反应温度值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述反应温度值，以此来实现提高反应效率和制备质量的目的。

在本申请一个具体的示例中，所述将所述分类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时间点的反应温度值应增大或应减小，包括：将所述分类特征矩阵投影为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到归属于当前时间点的反应温度值应增大的第一概率以及归属于当前时间点的反应温度值应减小的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。

更具体地，可以设置所述反应温度增大或减小的预定值，例如0.5度，当然，实际变化的预定值应当基于实际场景的应用需求做出调整，当所述第一概率大于所述第二概率，所述反应温度值控制策略标签为当前时间点的反应温度值应增大，此时，控制反应温度值增大预定值。反之，当所述第一概率小于所述第二概率，所述反应温度值控制策略标签为当前时间点的反应温度值应减小，此时，控制反应温度值减小预定值。然后，循环往复最终实现实时精准地基于反应液的状态变化来自适应地调整反应温度，以提高反应效率和制备质量。

综上，本申请实施例的低聚异麦芽糖铁配合物的智能化生产方法已被阐明，其首先获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频，然后，通过深度神经网络模型模拟并建立反应液的状态变化与反应温度变化之间的复杂映射关系以得到优化分类特征矩阵，最后，对所述优化分类特征矩阵进行解码以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现实时精准地基于反应液的状态变化来自适应地调整反应温度，以提高反应效率和制备质量。

示例性系统

图4为根据本申请实施例的低聚异麦芽糖铁配合物的智能化生产系统的框图示意图。如图4所示，根据本申请实施例的所述低聚异麦芽糖铁配合物的智能化生产系统100，包括：数据获取模块110，用于获取预定时间段内多个预定时间点的反应温度值以及所述预定时间段的反应液状态监控视频；关键帧提取模块120，用于从所述反应液状态监控视频提取所述多个预定时间点的反应液状态监控关键帧；第一卷积编码模块130，用于将所述多个预定时间点的反应液状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个反应液状态特征向量；上下文编码模块140，用于将所述多个反应液状态特征向量通过基于转化器的上下文编码器以得到反应液状态上下文语义特征向量；第二卷积编码模块150，用于将所述多个预定时间点的反应温度值按照时间维度排列为温度输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到温度特征向量；分类特征矩阵获取模块160，用于基于高斯密度图计算所述反应液状态上下文语义特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；特征分布优化模块170，用于基于所述反应液状态上下文语义特征向量和所述温度特征向量，对所述分类特征矩阵进行向量粒度特征分布优化以得到优化分类特征矩阵；以及，分类模块180，用于将所述优化分类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时间点的反应温度值应增大或应减小。

这里，本领域技术人员可以理解，上述低聚异麦芽糖铁配合物的智能化生产系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的低聚异麦芽糖铁配合物的智能化生产方法的描述中得到了详细介绍，并因此，将省略其重复描述。