全自动干粉试剂复溶系统

技术领域

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。

背景技术

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。

因此，期待一种优化的全自动干粉试剂复溶方案。

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。

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：

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。

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：

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。

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：

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。

在上述的全自动干粉试剂复溶系统中，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

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：

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：

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；

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；

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；

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；

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；

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。

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：

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；

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；

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；

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。

在上述的全自动干粉试剂复溶系统中，所述优化模块，包括：

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；

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；

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激活函数以得到特征域密度映射特征向量；

映射单元，用于将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强融合特征矩阵。

与现有技术相比，本申请提供的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。

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图示了根据本申请实施例的全自动干粉试剂复溶系统的框图。

图2图示了根据本申请实施例的全自动干粉试剂复溶系统的系统架构图。

图3图示了根据本申请实施例的全自动干粉试剂复溶系统中第一时序编码模块的框图。

图4图示了根据本申请实施例的全自动干粉试剂复溶系统中第二时序编码模块的框图。

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。

申请概述

如上述背景技术所言，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。因此，期待一种优化的全自动干粉试剂复溶方案。

针对上述技术问题，提出了一种优化的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

目前，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、语音信号处理等领域。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。

近年来，深度学习以及神经网络的发展为全自动干粉试剂复溶方案提供了新的解决思路和方案。

具体地，首先，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。干粉试剂的复溶过程是一个动态的过程，搅拌速度和温度在不同时间点会有不同的变化。通过获取多个时间点的数据，可以全面了解复溶过程的动态特征。

然后，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。考虑到复溶过程中的搅拌速度数据是一个时间序列，包含大量的数据点，通过第一时序编码器，可以将这个高维的时间序列数据转换为一个低维的速度特征向量，实现数据的降维和特征提取。这样可以减少数据的存储和计算成本，并且可以更好地捕捉搅拌速度的重要特征。原始的时间序列数据通常需要较大的存储空间和计算资源。通过使用速度特征向量，可以大大减少数据的存储需求，并加快计算速度。

接着，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。与复溶时的搅拌速度值相似，温度数据也是一个时间序列，包含了大量的数据点。通过第二时序编码器，可以将这个高维的时间序列数据转换为一个低维的温度特征向量，实现数据的降维和提取关键特征。这有助于减少数据的存储和计算成本，并更好地捕捉温度变化中的重要信息。通过将温度数据转换为温度特征向量，可以更好地适应不同的模型训练和预测任务。特征向量的维度通常较低，有助于减少模型的复杂性和计算需求。此外，温度特征向量的提取还可以减轻数据的噪音和冗余问题，提高模型的鲁棒性和泛化能力。

然后，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。速度特征向量和温度特征向量分别捕捉了搅拌速度和温度在复溶过程中的关键特征。通过将它们进行联合编码，可以综合利用这两个信息源，融合它们的特征表示，从而获得更全面、更准确的特征矩阵。这有助于提高对复溶过程的理解和建模能力。考虑到复溶过程中的搅拌速度和温度往往是相互关联的，它们的变化可能会相互影响。通过将速度特征向量和温度特征向量进行联合编码，可以捕捉它们之间的时序关系和相互作用。这有助于更好地理解搅拌速度和温度之间的动态变化模式，以及它们对复溶过程的影响。联合编码可以将速度特征向量和温度特征向量的维度进行组合，形成一个更高维度的融合特征矩阵。这样的特征矩阵可以提供更丰富、更复杂的特征表达能力，有助于更好地描述复溶过程中的变化和特征。

接着，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。复溶过程中的搅拌速度和温度往往在空间上存在一定的相关性。通过使用空间注意力机制，可以在卷积神经网络中引入对空间相关性的建模。这样的注意力机制能够自动学习和强调融合特征矩阵中不同位置的重要性，从而增强特征的空间相关性。这有助于更好地捕捉复溶过程中的空间变化模式和关联信息。空间注意力机制可以引入非线性变换和自适应权重，从而提高特征的表达能力。通过卷积神经网络模型，可以利用多层卷积和非线性激活函数来提取更高级的特征表示。这有助于捕捉复溶过程中更复杂的空间模式和特征，使得增强融合特征矩阵具有更强的判别力和泛化能力。

具体地，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，包括：使用所述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：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；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；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；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；对所述池化特征图进行非线性激活以得到激活特征图；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。

进而，将所述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。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。

特别地，考虑到所述增强融合特征矩阵通常由多个特征组成，每个特征可能具有高维度。通过低维密度域映射，可以将高维特征映射到低维空间，从而减少特征的维度。这有助于降低计算复杂度、减少存储空间，并且可以更好地可视化和理解数据。同时，在增强融合特征矩阵中，可能存在一些噪声或异常值，这些噪声可能会干扰分类算法的性能。通过低维密度域映射，我们可以将噪声数据点映射到低密度区域，从而过滤掉这些噪声。这有助于提高分类算法的鲁棒性和准确性。并且，低维密度域映射的方法可以保持数据的分布结构，并且尽量保持数据点之间的局部关系。这意味着在低维空间中，相似的数据点仍然保持较近的距离，不相似的数据点之间保持较远的距离。这有助于保留数据的重要特征，同时减少不相关的特征对分类结果的影响。通过对增强融合特征矩阵进行低维密度域映射，可以获得更加紧凑和优化的特征表示，这有助于提高分类算法的性能和效果。

具体地，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，包括：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；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；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S igmoid激活函数以得到特征域密度映射特征向量；将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强融合特征矩阵。

在本申请的技术方案中，所述增强融合特征矩阵为各个行向量的特征集合，为了提高所述增强融合特征矩阵的各个分类局部特征间的类内一致性和强化各个分类局部特征之间的类间异质性，在本申请的技术方案中，通过计算所述各个分类局部特征向量的特征域密度值来基于所述增强融合特征矩阵的全局分类局部特征之间的特征分布特性来构造低维的特征单应映射域(即，所述特征域密度映射特征向量)，进而，将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强融合特征矩阵，也就是，将所述增强融合特征矩阵的各个分类局部特征从高维的特征空间映射到低维的密度域以实现数据降维和聚类，这样，可以保证数据的分布结构不被破坏，同时也可以减少数据的维数和噪声。

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。

示例性系统

图1图示了根据本申请实施例的全自动干粉试剂复溶系统的框图。如图1所示，根据本申请实施例的全自动干粉试剂复溶系统100，包括：数据获取模块110，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120，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130，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140，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150，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160，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；以及分类结果生成模块170，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。

图2图示了根据本申请实施例的全自动干粉试剂复溶系统的系统架构图。如图2所示，在该系统架构中，首先，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。然后，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。接着，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。然后，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。接着，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。然后，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。进而，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。

在上述的全自动干粉试剂复溶系统100中，所述数据获取模块110，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。如上述背景技术所言，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。因此，期待一种优化的全自动干粉试剂复溶方案。

针对上述技术问题，提出了一种优化的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

目前，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、语音信号处理等领域。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。

近年来，深度学习以及神经网络的发展为全自动干粉试剂复溶方案提供了新的解决思路和方案。

具体地，首先，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。干粉试剂的复溶过程是一个动态的过程，搅拌速度和温度在不同时间点会有不同的变化。通过获取多个时间点的数据，可以全面了解复溶过程的动态特征

在上述的全自动干粉试剂复溶系统100中，所述第一时序编码模块120，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。考虑到复溶过程中的搅拌速度数据是一个时间序列，包含大量的数据点，通过第一时序编码器，可以将这个高维的时间序列数据转换为一个低维的速度特征向量，实现数据的降维和特征提取。这样可以减少数据的存储和计算成本，并且可以更好地捕捉搅拌速度的重要特征。原始的时间序列数据通常需要较大的存储空间和计算资源。通过使用速度特征向量，可以大大减少数据的存储需求，并加快计算速度。

图3图示了根据本申请实施例的全自动干粉试剂复溶系统中第一时序编码模块的框图。如图3所示，所述第一时序编码模块120，包括：第一输入向量构造单元121，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122，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123，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124，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。

在上述的全自动干粉试剂复溶系统100中，所述第二时序编码模块130，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。与复溶时的搅拌速度值相似，温度数据也是一个时间序列，包含了大量的数据点。通过第二时序编码器，可以将这个高维的时间序列数据转换为一个低维的温度特征向量，实现数据的降维和提取关键特征。这有助于减少数据的存储和计算成本，并更好地捕捉温度变化中的重要信息。通过将温度数据转换为温度特征向量，可以更好地适应不同的模型训练和预测任务。特征向量的维度通常较低，有助于减少模型的复杂性和计算需求。此外，温度特征向量的提取还可以减轻数据的噪音和冗余问题，提高模型的鲁棒性和泛化能力。

图4图示了根据本申请实施例的全自动干粉试剂复溶系统中第二时序编码模块的框图。如图4所示，所述第二时序编码模块130，包括：第二输入向量构造单元131，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132，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133，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134，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。

在上述的全自动干粉试剂复溶系统100中，所述融合模块140，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。速度特征向量和温度特征向量分别捕捉了搅拌速度和温度在复溶过程中的关键特征。通过将它们进行联合编码，可以综合利用这两个信息源，融合它们的特征表示，从而获得更全面、更准确的特征矩阵。这有助于提高对复溶过程的理解和建模能力。考虑到复溶过程中的搅拌速度和温度往往是相互关联的，它们的变化可能会相互影响。通过将速度特征向量和温度特征向量进行联合编码，可以捕捉它们之间的时序关系和相互作用。这有助于更好地理解搅拌速度和温度之间的动态变化模式，以及它们对复溶过程的影响。联合编码可以将速度特征向量和温度特征向量的维度进行组合，形成一个更高维度的融合特征矩阵。这样的特征矩阵可以提供更丰富、更复杂的特征表达能力，有助于更好地描述复溶过程中的变化和特征。

具体地，在本申请实施例中，所述融合模块140，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

在上述的全自动干粉试剂复溶系统100中，所述空间增强模块150，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。复溶过程中的搅拌速度和温度往往在空间上存在一定的相关性。通过使用空间注意力机制，可以在卷积神经网络中引入对空间相关性的建模。这样的注意力机制能够自动学习和强调融合特征矩阵中不同位置的重要性，从而增强特征的空间相关性。这有助于更好地捕捉复溶过程中的空间变化模式和关联信息。空间注意力机制可以引入非线性变换和自适应权重，从而提高特征的表达能力。通过卷积神经网络模型，可以利用多层卷积和非线性激活函数来提取更高级的特征表示。这有助于捕捉复溶过程中更复杂的空间模式和特征，使得增强融合特征矩阵具有更强的判别力和泛化能力。

具体地，在本申请实施例中，所述空间增强模块150，包括：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：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；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；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；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；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；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。

具体地，在本申请实施例中，所述空间注意力单元，包括：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；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；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；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。

在上述的全自动干粉试剂复溶系统100中，所述优化模块160，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。考虑到所述增强融合特征矩阵通常由多个特征组成，每个特征可能具有高维度。通过低维密度域映射，可以将高维特征映射到低维空间，从而减少特征的维度。这有助于降低计算复杂度、减少存储空间，并且可以更好地可视化和理解数据。同时，在增强融合特征矩阵中，可能存在一些噪声或异常值，这些噪声可能会干扰分类算法的性能。通过低维密度域映射，我们可以将噪声数据点映射到低密度区域，从而过滤掉这些噪声。这有助于提高分类算法的鲁棒性和准确性。并且，低维密度域映射的方法可以保持数据的分布结构，并且尽量保持数据点之间的局部关系。这意味着在低维空间中，相似的数据点仍然保持较近的距离，不相似的数据点之间保持较远的距离。这有助于保留数据的重要特征，同时减少不相关的特征对分类结果的影响。通过对增强融合特征矩阵进行低维密度域映射，可以获得更加紧凑和优化的特征表示，这有助于提高分类算法的性能和效果。

具体地，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，包括：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；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；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S igmoid激活函数以得到特征域密度映射特征向量；将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强融合特征矩阵。

在本申请的技术方案中，所述增强融合特征矩阵为各个行向量的特征集合，为了提高所述增强融合特征矩阵的各个分类局部特征间的类内一致性和强化各个分类局部特征之间的类间异质性，在本申请的技术方案中，通过计算所述各个分类局部特征向量的特征域密度值来基于所述增强融合特征矩阵的全局分类局部特征之间的特征分布特性来构造低维的特征单应映射域(即，所述特征域密度映射特征向量)，进而，将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强融合特征矩阵，也就是，将所述增强融合特征矩阵的各个分类局部特征从高维的特征空间映射到低维的密度域以实现数据降维和聚类，这样，可以保证数据的分布结构不被破坏，同时也可以减少数据的维数和噪声。

具体地，在本申请实施例中，所述优化模块160，包括：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；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；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S igmoid激活函数以得到特征域密度映射特征向量；映射单元，用于将所述特征域密度映射特征向量分别与所述多个分类局部特征向量进行矩阵相乘以将所述多个分类局部特征向量分别映射到所述特征域密度映射特征向量所在的高维特征空间中以得到所述优化增强融合特征矩阵。

在上述的全自动干粉试剂复溶系统100中，所述分类结果生成模块170，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。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。

具体地，在本申请实施例中，所述分类结果生成模块170，包括：展开单元，用于将所述优化增强融合特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于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；以及分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

综上，根据本申请实施例的全自动干粉试剂复溶系统已被阐明，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。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。