基于seq2seq算法的電子顯微鏡機時計算方法技術

本發明專利技術公開了一種基于seq2seq算法的電子顯微鏡機時計算方法，首先篩選出典型的掃描電子顯微鏡和透射電子顯微鏡的電流數據作為樣本集，通過seq2seq算法結構訓練模型，模型通過Encoder

【技術實現步驟摘要】
基于seq2seq算法的電子顯微鏡機時計算方法


[0001]本專利技術屬于數據分析
，具體設計一種基于seq2seq算法的電子顯微鏡機時計算方法。

技術介紹

[0002]如今社會正在進入大數據時代，隨著數據采集技術的不斷提高以及數據采集產品越來越多，可提供給人們進行分析處理的數據也在不斷增多。同時，隨著高校科研的進一步發展，儀器的數量以及種類越來越多，而實驗技術人員有限，這些大型儀器普遍存在著儀器閑置率高、儀器使用時長不清晰等問題，而儀器機時(關機機時、待機機時、工作機時)可以清晰地反映儀器的工作狀態，對于儀器管理有著重要作用。利用大數據分析及挖掘技術等，通過傳感器采集大型儀器的電流并且通過大數據分析算法提取儀器的機時信息的需求亟待解決。
[0003]對于此類問題，通常是提取一臺儀器的特征值，通過機器學習中的聚類或者分類算法來對數據點進行分類，例如文獻[胡鋒,朱承治,汪志華.基于改進K
?
means算法的電力負荷分類研究[J].電子測量技術,2018]提出了一種基于改進K
?
means算法的電力負荷分類方法，對電力負荷的特性進行了聚類，但是這種方式如果數據的類型不平衡，比如數據量嚴重失衡或者類別的方差不同，則聚類效果不佳。又如文獻[劉永梅,杜松懷,盛萬興.基于AdaBoost算法的剩余電流分類方法[J].電子技術應用,2018]提出一種利用AdaBoost算法的剩余電流分類方法，該方法首先通過提取實驗獲取不同類型剩余電流分量的特征分量，而后將這些分量特征映射到AdaBoost的算法之中，利用AdaBoost算法檢測出總剩余電流中的觸電電流分量類型，但是這種方法需要先提取特征值，根據電流區間的特征值對區間進行分類，這對于特征值的選取要求較為苛刻。
[0004]上述兩種方法忽視了電流數據的序列特性，無法挖掘序列中的規律性，電流數據是在相等間隔的時間段內按照指定的采樣率對儀器電流進行采樣的結果，具有數據連續性強、時間點緊密、相關變量多等特點，每個變量的變化不僅僅取決于它的歷史數據值，還依賴于其它相關變量對它的影響。因此同一類型儀器的電流可能存在相同的規律，對同一類儀器的電流進行訓練，就可以得到該類儀器的通用模型。

技術實現思路

[0005]鑒于上述，本專利技術提供了一種基于seq2seq算法的電子顯微鏡機時計算方法，整合了同類型科學儀器的電流信息，通過這些電流信息訓練出同類型儀器的通用模型，對同一類科學儀器的機時進行較為準確的預測，具有較大的工程價值。
[0006]一種基于seq2seq算法的電子顯微鏡機時計算方法，包括如下步驟：（1）針對電子顯微鏡類的科學儀器，建立關于其運行電流的數據集；（2）對數據集進行預處理，并將整個數據集劃分成訓練集和測試集；（3）構建基于seq2seq算法的狀態預測模型，其由編碼器、注意力機制層以及解碼
器依次連接組成，編碼器用于對輸入的電流數據進行特征編碼，注意力機制層用于為特征信息中不同的隱層狀態賦予不同的權重，解碼器用于對特征信息進行解碼得到儀器每一時刻的狀態概率分布；（4）利用訓練集的電流數據對上述模型進行訓練；（5）將測試集的電流數據輸入至訓練好的模型中，即可預測得到儀器每一時刻的狀態指示，進而對儀器工作運行狀態的持續時間進行統計。
[0007]進一步地，所述步驟（1）的具體實現方式為：首先從儀器后臺管理系統的數據庫中篩選出多組關于掃描電子顯微鏡和透射電子顯微鏡的運行電流序列，該序列具有完整電流周期(待機、工作、關機)包含周期內各個時刻的電流值；然后為運行電流序列中每個電流值打上標簽得到對應的標簽序列，即對于任一時刻的電流值，若該時刻儀器處于工作運行狀態，對應標簽賦值為2；若該時刻儀器處于待機狀態，對應標簽賦值為1；該時刻儀器處于關機狀態，對應標簽賦值為0；進而將運行電流序列及其對應的標簽序列組合作為一組電流數據，依此得到多組電流數據從而組建構成數據集。
[0008]進一步地，所述步驟（2）中對數據集進行預處理的具體實現方式為：首先對數據集中的運行電流序列進行歸一化處理，然后將運行電流序列轉換分成各個時刻的電流輸入向量，即對于運行電流序列中任一時刻t的電流值i
t
，根據預設窗口大小w取i
t
及其前w個時刻的電流值組成t時刻的電流輸入向量[i
t
?
w
,i
t
?
w+1
,
…
,i
t
?1,i
t
]，若其中的電流值數量不足w+1，則復制i
t
進行補全；依此遍歷運行電流序列中各個時刻的電流值，從而得到各個時刻的電流輸入向量。
[0009]進一步地，所述編碼器采用BiLSTM網絡，其包含了前向和后向兩個LSTM單元，具體計算表達式如下：其中：H為編碼器輸出的編碼特征向量，h
t
為BiLSTM網絡在t時刻的隱層狀態，t為自然數且1≤t≤m，m為運行電流序列的時間長度，x
t
為t時刻的電流輸入向量，和分別為前向LSTM單元在t時刻和t
?
1時刻的隱層狀態，和分別為后向LSTM單元在t時刻和t+1時刻的隱層狀態，BiLSTM
+
( )和BiLSTM
?
( )分別表示前向LSTM單元和后向LSTM單元的內部計算函數。
[0010]進一步地，所述注意力機制層的計算表達式如下：
其中：C
t
為注意力機制層的輸出即t時刻的時序向量，α
t
為隱層狀態h
t
的權重值，v
t
為隱層狀態h
t
的注意力分數，exp( )表示以自然常數e為底的指數函數，tanh( )表示雙曲正切函數，V
e
和W
e
為待學習的權值矩陣，
T
表示轉置，s
t
?1為解碼器在t
?
1時刻的隱層狀態。
[0011]進一步地，所述解碼器采用單向LSTM網絡計算隱層狀態s
t
，進而將隱層狀態s
t
、注意力機制層的輸出C
t
以及t
?
1時刻儀器的狀態概率密度分布向量p
t
?1拼接后通過全連接層降維得到t時刻儀器的狀態概率密度分布向量p
t
作為模型輸出。
[0012]進一步地，所述隱層狀態s
t
的計算表達式如下：其中：s
t
為解碼器在t時刻的隱層狀態，p
t
?1為t
?
1時刻儀器的狀態概率密度分布向量，LSTM( )表示單向LSTM網絡的內部計算函數。
[0013]進一步地，對于初始的隱層狀態s0，其為通過全連接層對隱層狀態h
m
降維后得到。
[0014]進一步地，所述步驟（4）中對模型進行訓練的本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于seq2seq算法的電子顯微鏡機時計算方法，包括如下步驟：（1）針對電子顯微鏡類的科學儀器，建立關于其運行電流的數據集；（2）對數據集進行預處理，并將整個數據集劃分成訓練集和測試集；（3）構建基于seq2seq算法的狀態預測模型，其由編碼器、注意力機制層以及解碼器依次連接組成，編碼器用于對輸入的電流數據進行特征編碼，注意力機制層用于為特征信息中不同的隱層狀態賦予不同的權重，解碼器用于對特征信息進行解碼得到儀器每一時刻的狀態概率分布；（4）利用訓練集的電流數據對狀態預測模型進行訓練；（5）將測試集的電流數據輸入至訓練好的模型中，即可預測得到儀器每一時刻的狀態指示，進而對儀器工作運行狀態的持續時間進行統計。2.根據權利要求1所述的電子顯微鏡機時計算方法，其特征在于：所述步驟（1）的具體實現方式為：首先從儀器后臺管理系統的數據庫中篩選出多組關于掃描電子顯微鏡和透射電子顯微鏡的運行電流序列，該序列具有完整電流周期包含周期內各個時刻的電流值；然后為運行電流序列中每個電流值打上標簽得到對應的標簽序列，即對于任一時刻的電流值，若該時刻儀器處于工作運行狀態，對應標簽賦值為2；若該時刻儀器處于待機狀態，對應標簽賦值為1；該時刻儀器處于關機狀態，對應標簽賦值為0；進而將運行電流序列及其對應的標簽序列組合作為一組電流數據，依此得到多組電流數據從而組建構成數據集。3.根據權利要求2所述的電子顯微鏡機時計算方法，其特征在于：所述步驟（2）中對數據集進行預處理的具體實現方式為：首先對數據集中的運行電流序列進行歸一化處理，然后將運行電流序列轉換分成各個時刻的電流輸入向量，即對于運行電流序列中任一時刻t的電流值i
t
，根據預設窗口大小w取i
t
及其前w個時刻的電流值組成t時刻的電流輸入向量，若其中的電流值數量不足w+1，則復制i
t
進行補全；依此遍歷運行電流序列中各個時刻的電流值，從而得到各個時刻的電流輸入向量。4.根據權利要求3所述的電子顯微鏡機時計算方法，其特征在于：所述編碼器采用BiLSTM網絡，其包含了前向和后向兩個LSTM單元，具體計算表達式如下：其中：H為編碼器輸出的編碼特征向量，h
t
為BiLSTM網絡在t時刻的隱層狀態，t為自然數且1≤t≤m，m為運行電流序列的時間長度，x
t
為t時刻的電流輸入向量，和分別為前向LSTM單元在t時刻和t
?
1時刻的隱層狀態，和分別為后向LSTM單元在t時刻和t+1時刻的隱層狀態，BiLSTM
+
( )和BiLSTM
?
( )分別表示前向LSTM單元和后向LSTM單元的內部計算函數。

【專利技術屬性】
技術研發人員：陳寧，陳盼，何世偉，葉宗昆，陳科明，
申請(專利權)人：杭州軌物科技有限公司，
類型：發明
國別省市：