电子级氢氟酸中砷的去除的方法

技术领域

本申请涉及智能控制领域，且更为具体地，涉及一种电子级氢氟酸中砷的去除的方法。

背景技术

电子级氢氟酸又称高纯氢氟酸。电子级氢氟酸作为集成电路制造的关键性基础化工材料之一，主要用于芯片的清洗和腐蚀，它的纯度和洁净度对集成电路的成品率、电性能及可靠性都有着十分重要的影响。

现有诸多电子级氢氟酸的制备方案，例如，中国专利CN103991847A、CN103830926B、CN101570318B。但在上述制备方案的实施中，氟化氢含有源自原料萤石矿的砷和其他金属杂质，电子级氟化氢与氢氟酸中的这些杂质对电子器件性能有严重影响。

其他金属杂质的去除一般采用精馏的方法去除，砷的去除采用的方法有双氧水氧化法，高锰酸钾氧化法和电化学氧化法，其中双氧水氧化法的副产物水会加重HF的腐蚀性，高锰酸钾法的副产物二氧化锰会导致二次金属污染，电化学氧化法的反应扩散性与均匀性有限，都存在各种缺点和限制。

针对上述技术问题，中国专利CN113401874B提出了一种电子级氢氟酸中砷的去除的方法，其通过冷冻结晶、超重力分离、滤膜分离和超纯水吸收等步骤来去除电子级氢氟酸中砷杂质。在该方案的实施中，在超重力分离的步骤中，超重力离心分离机的分离因数值的设定会影响冷冻结晶完后的氟化氢液体的离心分离效率，而且如果分离因数值设置不当会使得部分氟化氢液体也随晶体被分离出去。

因此，期待一种更为优化的电子级氢氟酸中砷的去除的方法。

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电子级氢氟酸中砷的去除的方法。其首先从离心分离监控视频提取多个离心分离监控关键帧，接着，将所述多个离心分离监控关键帧分别通过卷积神经网络模型以得到多个离心分离时序特征向量并计算其中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到分离效果时序特征向量，然后，将多个预定时间点的超重力离心分离机的分离因数值排列为输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量，最后，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码后通过分类器以得到用于表示当前时间点的分离因数值应增大或应减小的分类结果。这样，可以提升电子级氢氟酸中砷杂质的去除效率。

根据本申请的一个方面，提供了一种电子级氢氟酸中砷的去除的方法，其包括：获取预定时间段内多个预定时间点的超重力离心分离机的分离因数值，以及，所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频；从所述离心分离监控视频提取所述多个预定时间点对应的图像帧作为多个离心分离监控关键帧；将所述多个离心分离监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个离心分离时序特征向量；计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量；将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量；对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码以得到分类特征矩阵；以及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分离因数值应增大或应减小。

在上述的电子级氢氟酸中砷的去除的方法中，将所述多个离心分离监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个离心分离时序特征向量，包括：

使用所述作为过滤器的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作为过滤器的卷积神经网络模型的最后一层输出所述多个离心分离时序特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个离心分离监控关键帧。

在上述的电子级氢氟酸中砷的去除的方法中，计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量，包括：以如下公式计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量；其中，所述公式为：

其中，

在上述的电子级氢氟酸中砷的去除的方法中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在上述的电子级氢氟酸中砷的去除的方法中，将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量，包括：使用所述多尺度邻域特征提取模块的所述第一卷积层对所述分离因数输入向量进行一维卷积编码以得到第一尺度分离因数时序特征向量；其中，所述公式为：

其中，

其中，

在上述的电子级氢氟酸中砷的去除的方法中，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码以得到分类特征矩阵，包括：计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重分别对所述分离因数时序特征向量和所述分离效果时序特征向量进行加权以得到修正后分离因数时序特征向量和修正后分离效果时序特征向量；以及计算所述修正后分离因数时序特征向量的转置向量与所述修正后分离效果时序特征向量之间的乘积以得到所述分类特征矩阵。

在上述的电子级氢氟酸中砷的去除的方法中，计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数，包括：以如下公式计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数；其中，所述公式为：

/>

其中，

在上述的电子级氢氟酸中砷的去除的方法中，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分离因数值应增大或应减小，包括：将所述分类特征矩阵按照行向量或列向量进行展开为分类特征向量；使用所述分类器的多个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；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

与现有技术相比，本申请提供的电子级氢氟酸中砷的去除的方法，其首先从离心分离监控视频提取多个离心分离监控关键帧，接着，将所述多个离心分离监控关键帧分别通过卷积神经网络模型以得到多个离心分离时序特征向量并计算其中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到分离效果时序特征向量，然后，将多个预定时间点的超重力离心分离机的分离因数值排列为输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量，最后，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码后通过分类器以得到用于表示当前时间点的分离因数值应增大或应减小的分类结果。这样，可以提升电子级氢氟酸中砷杂质的去除效率。

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电子级氢氟酸中砷的去除的方法的场景示意图。

图2为根据本申请实施例的电子级氢氟酸中砷的去除的方法的流程图。

图3为根据本申请实施例的电子级氢氟酸中砷的去除的方法的架构示意图。

图4为根据本申请实施例的电子级氢氟酸中砷的去除的方法的子步骤S160的流程图。

图5为根据本申请实施例的电子级氢氟酸中砷的去除的方法的子步骤S170的流程图。

图6为根据本申请实施例的电子级氢氟酸中砷的去除的系统的框图。

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系统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，并且所述系统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系统所执行的操作。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，中国专利CN113401874B提出了一种电子级氢氟酸中砷的去除的方法，其通过冷冻结晶、超重力分离、滤膜分离和超纯水吸收等步骤来去除电子级氢氟酸中砷杂质。在该方案的实施中，在超重力分离的步骤中，超重力离心分离机的分离因数值的设定会影响冷冻结晶完后的氟化氢液体的离心分离效率，而且如果分离因数值设置不当会使得部分氟化氢液体也随晶体被分离出去。因此，在本申请的技术方案中，在电子级氢氟酸的制备过程中，期待能够通过优化超重力分离控制来优化电子级氢氟酸中砷的去除。

相应地，在本申请的技术方案中，冷冻结晶完后的氟化氢液体的离心分离实时状态可通过所述冷冻结晶完后的氟化氢液体的离心分离监控视频来表示，且所述超重力离心分离机的分离系数可通过所述超重力离心分离机的分离因数值来表示。关键在于建立两者之间的关联模型以此来自适应地调整当前时间点的超重力离心分离机的分离因数值。

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建立两者之间的关联模型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超重力离心分离机的分离因数值，以及，所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频。

考虑到虽然所述冷冻结晶完后的氟化氢液体的离心分离监控视频中蕴含离心分离实时状态特征，但是在所述离心分离监控视频的连续图像帧中存在诸多高度近似甚至重复的图像帧，这会引入大量的信息冗余影响特征提取的难易度和精准度。因此，在本申请的技术方案中，首先对所述离心分离监控视频进行离散化采样，具体地，在本申请一个具体的技术方案中，从所述离心分离监控视频提取所述多个预定时间点对应的图像帧作为多个离心分离监控关键帧，这样一方面能够降低数据冗余，另一方面，所述多个离心分离监控关键帧在时序分布上能够与所述多个预定时间点的超重力离心分离机的分离因数值相对齐。

接着，将所述多个离心分离监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个离心分离时序特征向量。也就是，在本申请的技术方案中，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个离心分离监控关键帧的高维图像隐向量表示以得到所述多个离心分离时序特征向量。在本申请一个具体的技术方案中，所述作为过滤器的卷积神经网络模型为深度残差网络模型，本领域普通技术人员应知晓，深度残差网络模型本质上是卷积神经网络模型加上了残差块的结构改进得到。

这里，在本申请的技术方案中，所述多个离心分离时序特征向量是所述多个离心分离监控关键帧的高维特征表示。应可以理解，随着时间的推进，冷冻结晶完后的氟化氢液体的晶体被分离，而这部分被分离的晶体也在所述多个离心分离时序特征向量之间得以体现。在本申请的技术方案中，计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以此来表示来相邻两个预定时间点的被分离的晶体的高维特征表示。

具体地，信息增益是指信息熵的有效减少量,假设第一离心分离时序特征向量为：

相应地，在本申请的技术方案中，以两个离心分离时序特征向量之间的信息增益来量化评估离心分离效果，以得到由多个信息增益组成的分离效果时序特征向量。

针对所述多个预定时间点的超重力离心分离机的分离因数值的离散分布，在本申请的技术方案中，首先将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量；然后，使用多尺度邻域特征提取模块对所述分离因数输入向量进行多尺度一维卷积编码以得到所述超重力离心分离机的分离因数值的时序分布模式特征以得到分离因数时序特征向量。

具体地，在本申请的技术方案中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

在得到所述分离因数时序特征向量和所述分离效果时序特征向量后，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码以得到两者之间的关联模型以得到分类特征矩阵。继而，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分离因数值应增大或应减小。也就是，使用所述分类器确定所述分类特征矩阵所属的类概率标签，所述类概率标签包括当前时间点的分离因数值应增大（第一标签），以及，当前时间点的分离因数值应减小（第二标签）。这里，应注意到所述类概率标签为所述超重力离心分离机的控制策略标签，这样基于所述分类结果能够自适应地调整当前时间点的超重力离心分离机的分离因数值，以优化超重力分离控制来优化电子级氢氟酸中砷的去除。

这里，在对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码得到所述分类特征矩阵时，考虑到在对所述分离因数时序特征向量和所述分离效果时序特征向量进行逐位置关联的同时，如果能够进一步提升所述分离因数时序特征向量和所述分离效果时序特征向量整体在分类器的分类概率密度下的向量级关联性，则能够提升所述分类特征矩阵的分类结果的准确性。

因此，本申请的申请人分别计算所述分离因数时序特征向量，例如记为

为特征向量/>

也就是，通过构造所述分离因数时序特征向量

图1为根据本申请实施例的电子级氢氟酸中砷的去除的方法的应用场景图。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超重力离心分离机的分离因数值（例如，图1中所示意的D1），以及，所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频（例如，图1中所示意的D2），然后，将预定时间段内多个预定时间点的超重力离心分离机的分离因数值以及所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频输入至部署有电子级氢氟酸中砷的去除的算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述电子级氢氟酸中砷的去除的算法对预定时间段内多个预定时间点的超重力离心分离机的分离因数值以及所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频进行处理以得到用于表示当前时间点的分离因数值应增大或应减小的分类结果。

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电子级氢氟酸中砷的去除的方法的流程图。如图2所示，根据本申请实施例的电子级氢氟酸中砷的去除的方法，包括步骤：S110，获取预定时间段内多个预定时间点的超重力离心分离机的分离因数值，以及，所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频；S120，从所述离心分离监控视频提取所述多个预定时间点对应的图像帧作为多个离心分离监控关键帧；S130，将所述多个离心分离监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个离心分离时序特征向量；S140，计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量；S150，将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量；S160，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码以得到分类特征矩阵；以及，S170，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分离因数值应增大或应减小。

图3为根据本申请实施例的电子级氢氟酸中砷的去除的方法的架构示意图。如图3所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的超重力离心分离机的分离因数值，以及，所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频；接着，从所述离心分离监控视频提取所述多个预定时间点对应的图像帧作为多个离心分离监控关键帧；然后，将所述多个离心分离监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个离心分离时序特征向量；接着，计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量；然后，将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量；接着，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码以得到分类特征矩阵；最后，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分离因数值应增大或应减小。

更具体地，在步骤S110中，获取预定时间段内多个预定时间点的超重力离心分离机的分离因数值，以及，所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频。冷冻结晶完后的氟化氢液体的离心分离实时状态可通过所述冷冻结晶完后的氟化氢液体的离心分离监控视频来表示，且所述超重力离心分离机的分离系数可通过所述超重力离心分离机的分离因数值来表示。因此，可以通过建立两者之间的关联模型以此来自适应地调整当前时间点的超重力离心分离机的分离因数值。

更具体地，在步骤S120中，从所述离心分离监控视频提取所述多个预定时间点对应的图像帧作为多个离心分离监控关键帧。考虑到虽然所述冷冻结晶完后的氟化氢液体的离心分离监控视频中蕴含离心分离实时状态特征，但是在所述离心分离监控视频的连续图像帧中存在诸多高度近似甚至重复的图像帧，这会引入大量的信息冗余影响特征提取的难易度和精准度。因此，在本申请的技术方案中，首先对所述离心分离监控视频进行离散化采样，具体地，在本申请一个具体的技术方案中，从所述离心分离监控视频提取所述多个预定时间点对应的图像帧作为多个离心分离监控关键帧，这样一方面能够降低数据冗余，另一方面，所述多个离心分离监控关键帧在时序分布上能够与所述多个预定时间点的超重力离心分离机的分离因数值相对齐。

更具体地，在步骤S130中，将所述多个离心分离监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个离心分离时序特征向量。使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个离心分离监控关键帧的高维图像隐向量表示以得到所述多个离心分离时序特征向量。在本申请一个具体的技术方案中，所述作为过滤器的卷积神经网络模型为深度残差网络模型，本领域普通技术人员应知晓，深度残差网络模型本质上是卷积神经网络模型加上了残差块的结构改进得到。

特别地，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。

相应地，在一个具体示例中，将所述多个离心分离监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个离心分离时序特征向量，包括：使用所述作为过滤器的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作为过滤器的卷积神经网络模型的最后一层输出所述多个离心分离时序特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个离心分离监控关键帧。

更具体地，在步骤S140中，计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量。所述多个离心分离时序特征向量是所述多个离心分离监控关键帧的高维特征表示。应可以理解，随着时间的推进，冷冻结晶完后的氟化氢液体的晶体被分离，而这部分被分离的晶体也在所述多个离心分离时序特征向量之间得以体现。在本申请的技术方案中，计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以此来表示来相邻两个预定时间点的被分离的晶体的高维特征表示。

相应地，在一个具体示例中，计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量，包括：以如下公式计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量；其中，所述公式为：

/>

其中，

相应地，在本申请的技术方案中，以两个离心分离时序特征向量之间的信息增益来量化评估离心分离效果，以得到由多个信息增益组成的分离效果时序特征向量。

更具体地，在步骤S150中，将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量。由于所述多个预定时间点的超重力离心分离机的分离因数值是离散分布佛如，在本申请的技术方案中，将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量后，使用多尺度邻域特征提取模块对所述分离因数输入向量进行多尺度一维卷积编码以得到所述超重力离心分离机的分离因数值的时序分布模式特征以得到分离因数时序特征向量。

相应地，在一个具体示例中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

相应地，在一个具体示例中，将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量，包括：使用所述多尺度邻域特征提取模块的所述第一卷积层对所述分离因数输入向量进行一维卷积编码以得到第一尺度分离因数时序特征向量；其中，所述公式为：

其中，

其中，

更具体地，在步骤S160中，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码以得到分类特征矩阵。

相应地，在一个具体示例中，如图4所示，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码以得到分类特征矩阵，包括：S161，计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；S162，以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重分别对所述分离因数时序特征向量和所述分离效果时序特征向量进行加权以得到修正后分离因数时序特征向量和修正后分离效果时序特征向量；以及，S163，计算所述修正后分离因数时序特征向量的转置向量与所述修正后分离效果时序特征向量之间的乘积以得到所述分类特征矩阵。

这里，在对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码得到所述分类特征矩阵时，考虑到在对所述分离因数时序特征向量和所述分离效果时序特征向量进行逐位置关联的同时，如果能够进一步提升所述分离因数时序特征向量和所述分离效果时序特征向量整体在分类器的分类概率密度下的向量级关联性，则能够提升所述分类特征矩阵的分类结果的准确性。因此，本申请的申请人分别计算所述分离因数时序特征向量，例如记为

相应地，在一个具体示例中，计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数，包括：以如下公式计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数；其中，所述公式为：

其中，

也就是，通过构造所述分离因数时序特征向量

更具体地，在步骤S170中，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分离因数值应增大或应减小。也就是，使用所述分类器确定所述分类特征矩阵所属的类概率标签，所述类概率标签包括当前时间点的分离因数值应增大（第一标签），以及，当前时间点的分离因数值应减小（第二标签）。这里，应注意到所述类概率标签为所述超重力离心分离机的控制策略标签，这样基于所述分类结果能够自适应地调整当前时间点的超重力离心分离机的分离因数值，以优化超重力分离控制来优化电子级氢氟酸中砷的去除。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一个具体示例中，如图5所示，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分离因数值应增大或应减小，包括：S171，将所述分类特征矩阵按照行向量或列向量进行展开为分类特征向量；S172，使用所述分类器的多个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；以及，S173，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的电子级氢氟酸中砷的去除的方法，其首先从离心分离监控视频提取多个离心分离监控关键帧，接着，将所述多个离心分离监控关键帧分别通过卷积神经网络模型以得到多个离心分离时序特征向量并计算其中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到分离效果时序特征向量，然后，将多个预定时间点的超重力离心分离机的分离因数值排列为输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量，最后，对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码后通过分类器以得到用于表示当前时间点的分离因数值应增大或应减小的分类结果。这样，可以提升电子级氢氟酸中砷杂质的去除效率。

图6为根据本申请实施例的电子级氢氟酸中砷的去除的系统100的框图。如图6所示，根据本申请实施例的电子级氢氟酸中砷的去除的系统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超重力离心分离机的分离因数值，以及，所述预定时间段的冷冻结晶完后的氟化氢液体的离心分离监控视频；关键帧提取模块120，用于从所述离心分离监控视频提取所述多个预定时间点对应的图像帧作为多个离心分离监控关键帧；卷积编码模块130，用于将所述多个离心分离监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个离心分离时序特征向量；信息增益计算模块140，用于计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量；多尺度编码模块150，用于将所述多个预定时间点的超重力离心分离机的分离因数值按照时间维度排列为分离因数输入向量后通过多尺度邻域特征提取模块以得到分离因数时序特征向量；关联编码模块160，用于对所述分离因数时序特征向量和所述分离效果时序特征向量进行关联编码以得到分类特征矩阵；以及，分类模块170，用于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分离因数值应增大或应减小。

在一个示例中，在上述电子级氢氟酸中砷的去除的系统100中，所述卷积编码模块130，用于：使用所述作为过滤器的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作为过滤器的卷积神经网络模型的最后一层输出所述多个离心分离时序特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个离心分离监控关键帧。

在一个示例中，在上述电子级氢氟酸中砷的去除的系统100中，所述信息增益计算模块140，用于：以如下公式计算所述多个离心分离时序特征向量中每相邻两个预定时间点的离心分离时序特征向量之间的信息增益以得到由多个信息增益组成的分离效果时序特征向量；其中，所述公式为：

其中，

在一个示例中，在上述电子级氢氟酸中砷的去除的系统100中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在一个示例中，在上述电子级氢氟酸中砷的去除的系统100中，所述多尺度编码模块150，用于：使用所述多尺度邻域特征提取模块的所述第一卷积层对所述分离因数输入向量进行一维卷积编码以得到第一尺度分离因数时序特征向量；其中，所述公式为：

其中，

其中，

在一个示例中，在上述电子级氢氟酸中砷的去除的系统100中，所述关联编码模块160，用于：计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重分别对所述分离因数时序特征向量和所述分离效果时序特征向量进行加权以得到修正后分离因数时序特征向量和修正后分离效果时序特征向量；以及，计算所述修正后分离因数时序特征向量的转置向量与所述修正后分离效果时序特征向量之间的乘积以得到所述分类特征矩阵。

在一个示例中，在上述电子级氢氟酸中砷的去除的系统100中，计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数，包括：以如下公式计算所述分离因数时序特征向量和所述分离效果时序特征向量之间的关联-概率密度分布仿射映射因数以得到所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数；其中，所述公式为：

/>

其中，

在一个示例中，在上述电子级氢氟酸中砷的去除的系统100中，所述分类模块170，用于：将所述分类特征矩阵按照行向量或列向量进行展开为分类特征向量；使用所述分类器的多个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；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述电子级氢氟酸中砷的去除的系统100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5的电子级氢氟酸中砷的去除的方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的电子级氢氟酸中砷的去除的系统100可以实现在各种无线终端中，例如具有电子级氢氟酸中砷的去除的算法的服务器等。在一个示例中，根据本申请实施例的电子级氢氟酸中砷的去除的系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该电子级氢氟酸中砷的去除的系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该电子级氢氟酸中砷的去除的系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该电子级氢氟酸中砷的去除的系统100与该无线终端也可以是分立的设备，并且该电子级氢氟酸中砷的去除的系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

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，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。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“系统”。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。