【技術實現步驟摘要】
本專利技術涉及人工智能，尤其涉及一種基于對抗網絡的化工原料檢測方法、系統、介質及設備。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、在化工生產過程中，通過對原料的實時檢測，確保生產的穩定性和產品的質量。在傳統的化工原料檢測中，依賴于高精度的傳感器和檢測設備，對原料的物理和化學參數進行監測和記錄。然而，化工原料數據的復雜性和多維度性，給后續的化工原料數據處理和分析帶來了很大的挑戰。為了提高檢測效率，通常需要構建智能化的分析系統，利用機器學習和人工智能技術對檢測化工原料數據進行分析和分類。
3、公開號為cn118324239a，公開日為2024年7月12日的中國專利技術專利一種可實時監測含油量的化工廢水分類回收系統和方法，公開了其化工廢水分類回收系統包括設置有進水管道的廢水儲罐，根據將經過深度處理的化工廢水區分為高油廢水和低油廢水，分別輸送至高油廢水暫存罐和低油廢水接收罐中，便于進行不同的后續處理；無需分批次取樣檢測，提高化工廢水的分類回收效率。
4、公開號為cn117726978a，公開日為2024年3月19日的中國專利技術專利基于化工區域排放廢水的水體檢測方法及裝置，包括圖像分割、特征提取等步驟，并且利用水體分類模型對化工區域的水體區域進行分類和計算，最終得到廢水水體集中區域的水體類型，可以提高化工區域進行水體檢測時的效率。
5、公開號為cn117113220a，公開日為2023年11月24日的中國專利技術專利提出一種基于群體學習
6、然而無論是上述專利還是其他現有技術，在化工原料識別過程均存在著以下幾個問題：
7、1、在化工原料數據擴充方面，現有技術大多依賴于傳統的化工原料數據生成方法，無法有效生成具有高多樣性和真實性的化工原料數據的樣本，容易導致模型泛化能力不足，從而影響化工原料檢測模型的精度。
8、2、特征提取模型常常使用固定進化規則的傳統神經網絡，容易出現梯度消失、梯度爆炸以及陷入局部最優解的問題，導致特征提取模型在訓練過程中效率低下，且適應性差。
9、3、特征降維模型中，現有技術無法對特征權重進行動態調整，導致冗余特征和噪聲特征無法被有效削弱，影響了化工原料數據降維的簡潔性和信息保留能力。
10、4、分類器算法多基于線性分類方法，難以準確處理高維非線性的化工原料數據，導致分類精度不足，尤其在化工原料數據復雜性較高的情況下，無法有效區分不同類別的原料。
技術實現思路
1、針對現有技術存在的不足，本專利技術的目的是提供一種基于對抗網絡的化工原料檢測方法、系統、介質及設備，通過基于多重量子疊加態的生成對抗網絡擴充化工原料數據，有效解決了由于訓練樣本不足導致模型泛化能力差的問題，提高了檢測結果的準確性。
2、為了實現上述目的，本專利技術是通過如下的技術方案來實現：
3、本專利技術第一方面提供了一種基于對抗網絡的化工原料檢測方法，包括以下步驟：
4、獲取待檢測的化工原料數據；
5、構建化工原料檢測模型，并對化工原料檢測模型進行訓練，其中，訓練步驟包括：獲取已知的化工原料數據集，并對化工原料數據集中化工原料數據進行標注；基于量子比特的疊加態對化工原料數據進行學習構建隱空間，利用帶有隱空間的對抗網絡對化工原料數據集進行擴充；利用擴充的化工原料數據集對化工原料檢測模型進行訓練；
6、利用訓練好的化工原料檢測模型對待檢測的化工原料數據進行檢測，得到化工原料識別結果。
7、進一步的，基于量子比特的疊加態對化工原料數據進行學習構建隱空間的具體步驟為：
8、計算量子態以及量子態能量；
9、基于量子態能量和歸一化因子計算量子態的概率幅；
10、利用量子態映射函數基于量子態的概率幅對量子疊加態進行測量模擬，將量子態的概率幅映射到實數域并進行疊加，得到隱空間。
11、進一步的，利用帶有隱空間的對抗網絡對化工原料數據集進行擴充的具體步驟為：
12、利用生成器從隱空間中采樣由多個量子態的疊加形成的噪聲向量，生成模擬的化工原料數據；
13、利用判別器接收真實的化工原料數據和生成器生成的化工原料數據，對不同化工原料數據的真實性進行判別；
14、判別器根據判別結果與生成器進行動態的對抗博弈訓練，得到擴充的化工原料數據。
15、更進一步的，判別器根據判別結果與生成器進行動態的對抗博弈訓練的具體步驟為：
16、生成器以最小化生成的化工原料數據被判別器識別為假的概率為目標不斷優化參數；
17、判別器以最大化正確識別真實和生成的化工原料數據的概率為目標不斷優化參數；
18、經過不斷迭代訓練生成器和判別器，直到模型收斂，生成的化工原料數據質量達到預期要求。
19、更進一步的，在動態對抗博弈訓練過程中，生成器的損失函數中采用梯度懲罰，判別器的損失函數中的特征解耦正則化項采用特征相關性的懲罰。
20、進一步的，化工原料檢測模型包括：
21、特征提取模型，用于對化工原料數據進行特征提取；
22、特征降維模型，用于對提取得到的特征進行降維；
23、分類器模型，用于對降維后的化工原料數據進行分類識別。
24、更進一步的，利用擴充的化工原料數據集對化工原料檢測模型進行訓練的具體步驟為：
25、利用擴充后的化工原料數據集基于動態群體優化算法對特征提取模型進行訓練，得到提取的化工原料數據特征；
26、利用提取的化工原料數據特征基于特征細化的自編碼神經網絡算法對特征降維模型進行訓練，得到降維后的化工原料數據；
27、利用降維后的化工原料數據基于黎曼幾何優化的支持向量機算法對分類器模型進行訓練，得到分類識別結果。
28、本專利技術第二方面提供了一種基于對抗網絡的化工原料檢測系統，包括：
29、化工原料數據獲取模塊，被配置為獲取待檢測的化工原料數據；
30、模型構建模塊，被配置為構建化工原料檢測模型，并對化工原料檢測模型進行訓練，其中，訓練步驟包括：獲取已知的化工原料數據集，并對化工原料數據集中化工原料數據進行標注；基于量子比特的疊加態對化工原料數據進行學習構建隱空間，利用帶有隱空間的對抗網絡對化工原料數據集進行擴充；利用擴充的化工原料數據集對化工原料檢測模型進行訓練；
31、化工原料數據檢測模塊，被配置為利用訓練好的化工原料檢測模型對待檢測的化工原料數據進行檢測，得到化工原料識別結果。
32、本專利技術第三方面提供了一種介質，其上存儲有程序，該程序被處理器執行時實現如本專利技術第一方面所述的基于對抗網絡的化工原料檢測方法中的步本文檔來自技高網...
【技術保護點】
1.一種基于對抗網絡的化工原料檢測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于對抗網絡的化工原料檢測方法，其特征在于，基于量子比特的疊加態對化工原料數據進行學習構建隱空間的具體步驟為：
3.如權利要求1所述的基于對抗網絡的化工原料檢測方法，其特征在于，利用帶有隱空間的對抗網絡對化工原料數據集進行擴充的具體步驟為：
4.如權利要求3所述的基于對抗網絡的化工原料檢測方法，其特征在于，判別器根據判別結果與生成器進行動態的對抗博弈訓練的具體步驟為：
5.如權利要求4所述的基于對抗網絡的化工原料檢測方法，其特征在于，在動態對抗博弈訓練過程中，生成器的損失函數中采用梯度懲罰，判別器的損失函數中的特征解耦正則化項采用特征相關性的懲罰。
6.如權利要求1所述的基于對抗網絡的化工原料檢測方法，其特征在于，化工原料檢測模型包括：
7.如權利要求6所述的基于對抗網絡的化工原料檢測方法，其特征在于，利用擴充的化工原料數據集對化工原料檢測模型進行訓練的具體步驟為：
8.一種基于對抗網絡的化工原料檢測系統，其
9.一種計算機可讀存儲介質，其特征在于，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行權利要求1-7中任一項所述的基于對抗網絡的化工原料檢測方法。
10.一種終端設備，其特征在于，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行權利要求1-7中任一項所述的基于對抗網絡的化工原料檢測方法。
...【技術特征摘要】
1.一種基于對抗網絡的化工原料檢測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于對抗網絡的化工原料檢測方法，其特征在于，基于量子比特的疊加態對化工原料數據進行學習構建隱空間的具體步驟為：
3.如權利要求1所述的基于對抗網絡的化工原料檢測方法，其特征在于，利用帶有隱空間的對抗網絡對化工原料數據集進行擴充的具體步驟為：
4.如權利要求3所述的基于對抗網絡的化工原料檢測方法，其特征在于，判別器根據判別結果與生成器進行動態的對抗博弈訓練的具體步驟為：
5.如權利要求4所述的基于對抗網絡的化工原料檢測方法，其特征在于，在動態對抗博弈訓練過程中，生成器的損失函數中采用梯度懲罰，判別器的損失函數中的特征解耦正則化項采用特征相關性的懲罰。
...
【專利技術屬性】
技術研發人員：王淇，張愛，邵薈薈，馬慧，趙卓，周海濤，尹旭，
申請(專利權)人：山東省產品質量檢驗研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。