本發(fā)明屬于計算機，尤其是涉及一種用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集構建方法。

背景技術：

1、顆粒一般指尺寸在納米到毫米范圍、具有特定形狀的幾何體。顆粒最重要的物理特性之一是粒徑分布，與燃燒、消防、冶金、石油、化工、材料、醫(yī)藥、環(huán)保等眾多領域關系密切，因此對顆粒粒徑分布進行測量非常重要。激光粒度儀是基于光散射原理的顆粒粒徑測量儀器，需要從多環(huán)光電探測器測量得到的散射光能分布反演出顆粒粒徑分布，本質(zhì)上是求解第一類fredholm積分，屬于典型的不適定問題，表現(xiàn)為抗噪性差。常用的反演算法有非線性迭代算法、最小二乘迭代算法、奇異值分解算法、bp神經(jīng)網(wǎng)絡算法等。目前，常用算法存在反演精度不高、計算時間長、計算不穩(wěn)定等問題。隨著人工智能技術的快速發(fā)展，深度學習網(wǎng)絡模型具有極強的非線性回歸能力、泛化能力以及并行計算能力，已經(jīng)得到了廣泛應用。若將神經(jīng)網(wǎng)絡模型應用于顆粒粒徑反演，需采用包含大量粒徑分布和對應光能分布的數(shù)據(jù)集對網(wǎng)絡模型進行有監(jiān)督地訓練和測試。數(shù)據(jù)集應具有測量范圍的全覆蓋性，可擴展性以及支持網(wǎng)絡模型強泛化能力等特點。為了解決上述問題并促進該研究領域的發(fā)展，構建一個用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集具有重要意義。

技術實現(xiàn)思路

1、為解決上述技術問題，本發(fā)明提供一種用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集構建方法，尤其適合根據(jù)激光粒度儀原理、結構參數(shù)和特定粒徑分布函數(shù)構建用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集。

2、本發(fā)明采用的技術方案是：第一方面，提供一種用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集構建方法，包括：

3、獲取激光粒度儀得到激光波長、傅里葉透鏡焦距和多元光電探測器各環(huán)的內(nèi)外半徑；

4、根據(jù)獲取的數(shù)據(jù)計算得到多元光電探測器各環(huán)對應的粒徑測量范圍上下限和中心粒徑，并基于結果進一步計算得到激光粒度儀光能分布系數(shù)矩陣；

5、假設顆粒粒徑滿足rosin-rammler分布，結合探測器各環(huán)對應的中心粒徑確定特征參數(shù)的上限和下限，并且在其區(qū)間內(nèi)生成特征參數(shù)的第一序列；

6、根據(jù)特征參數(shù)的第一序列和探測器各環(huán)對應的粒徑測量范圍上下限計算得到第一粒徑分布向量，并基于結果進一步計算得到對應的第一光能分布向量，從而生成單峰分布數(shù)據(jù)集；

7、在特征參數(shù)的上限和下限內(nèi)按均勻分布方式生成特征參數(shù)的第二序列；

8、根據(jù)特征參數(shù)的第二序列和探測器各環(huán)對應的粒徑測量范圍上下限計算得到第二粒徑分布向量和第三粒徑分布向量，并基于結果進一步計算得到對應的第二光能分布向量和第三光能分布向量；

9、設定混合比例因子，生成多峰分布數(shù)據(jù)集后與轉換成混合分布數(shù)據(jù)集。

10、進一步地，多元光電探測器各環(huán)對應的粒徑測量范圍上下限和中心粒徑分別通過式j＝1,2,…,k；l＝1,2和進行求解，式中dj,l代表探測器各環(huán)對應的粒徑測量范圍上下限，dj代表探測器各環(huán)對應的中心粒徑，λ代表激光粒度儀的激光波長，f代表傅里葉透鏡焦距，(ri,1,ri,2),i＝1,2,…,k代表多元光電探測器各環(huán)的內(nèi)外半徑。

11、進一步地，激光粒度儀光能分布系數(shù)矩陣根據(jù)式j＝1,2,…,k進行求解，式中ti,j代表激光粒度儀光能分布系數(shù)矩陣中的各元素，j0、j1是0階、1階貝塞爾函數(shù)；xj,i,1＝πdjri,1/λf，xj,i,2＝πdjri,2/λf。

12、進一步地，特征參數(shù)的第一序列包括第一粒徑尺寸序列和第一分布參數(shù)序列，其中第一粒徑尺寸序列和第一分布參數(shù)序列之間需要滿足等差數(shù)列規(guī)律或拋物線函數(shù)規(guī)律。

13、進一步地，第一粒徑分布向量和第一光能分布向量分別通過式和進行求解，式中代表第一粒徑分布向量，代表第一光能分布向量,dem代表第一粒徑尺寸序列中的任意值，nm代表第一分布參數(shù)序列中的任意值。

14、進一步地，特征參數(shù)的第二序列包括第二粒徑尺寸序列、第三粒徑尺寸序列、第二分布參數(shù)序列和第三分布參數(shù)序列，其中第二粒徑尺寸序列和第三粒徑尺寸序列中沒有相同數(shù)值，第二分布參數(shù)序列和第三分布參數(shù)序列中沒有相同數(shù)值。

15、進一步地，多峰分布數(shù)據(jù)集通過式l＝(m-1)×p+p,p＝1,2,…,p進行求解，式中μp代表混合比例因子，代表第二粒徑分布向量，代表第三粒徑分布向量，代表第二光能分布向量，代表第三光能分布向量；為多峰分布數(shù)據(jù)集，(wm,em)+(w1,e1)+(w2,e2)為混合分布數(shù)據(jù)集。

16、第三方面，提供一種電子設備，包括：至少一個處理器；以及與至少一個處理器通信連接的存儲器；其中，存儲器存儲有可被至少一個處理器執(zhí)行的指令，指令被至少一個處理器執(zhí)行，以使至少一個處理器能夠執(zhí)行本公開提供的用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集構建方法。

17、第四方面，提供一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，其中，計算機指令用于使計算機執(zhí)行本公開提供的用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集構建方法。

18、第五方面，提供一種計算機程序產(chǎn)品，包括計算機程序/指令，計算機程序/指令在被處理器執(zhí)行本公開提供的用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集構建方法。

19、本發(fā)明具有的優(yōu)點和積極效果是：由于采用上述技術方案，通過精確計算和合理的參數(shù)設置，生成的數(shù)據(jù)集能夠更準確地反映真實顆粒粒徑分布情況，有助于提高神經(jīng)網(wǎng)絡模型的學習效率和預測精度；通過生成單峰、多峰和混合分布數(shù)據(jù)集，使得訓練模型能夠處理更為復雜的顆粒粒徑分布場景，增強了模型的泛化能力和實用性；定義了特征參數(shù)序列的設計規(guī)則，以確保生成的數(shù)據(jù)具有一定的多樣性和合理性。

技術特征：

1.用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集構建方法，其特征在于，包括：

2.根據(jù)權利要求1所述的構建方法，其特征在于：多元光電探測器各環(huán)對應的粒徑測量范圍上下限和中心粒徑分別通過式和進行求解，式中dj,l代表探測器各環(huán)對應的粒徑測量范圍上下限，dj代表探測器各環(huán)對應的中心粒徑，λ代表激光粒度儀的激光波長，f代表傅里葉透鏡焦距，(ri,1,ri,2),i＝1,2,…,k代表多元光電探測器各環(huán)的內(nèi)外半徑。

3.根據(jù)權利要求2所述的構建方法，其特征在于：激光粒度儀光能分布系數(shù)矩陣根據(jù)式進行求解，式中ti,j代表激光粒度儀光能分布系數(shù)矩陣中的各元素，j0、j1是0階、1階貝塞爾函數(shù)；xj,i,1＝πdjri,1/λf，xj,i,2＝πdjri,2/λf。

4.根據(jù)權利要求1所述的構建方法，其特征在于：特征參數(shù)的第一序列包括第一粒徑尺寸序列和第一分布參數(shù)序列，其中第一粒徑尺寸序列和第一分布參數(shù)序列之間需要滿足等差數(shù)列規(guī)律或拋物線函數(shù)規(guī)律。

5.根據(jù)權利要求4所述的構建方法，其特征在于：第一粒徑分布向量和第一光能分布向量分別通過式和進行求解，式中代表第一粒徑分布向量，代表第一光能分布向量,dem代表第一粒徑尺寸序列中的任意值，nm代表第一分布參數(shù)序列中的任意值。

6.根據(jù)權利要求1所述的構建方法，其特征在于：特征參數(shù)的第二序列包括第二粒徑尺寸序列、第三粒徑尺寸序列、第二分布參數(shù)序列和第三分布參數(shù)序列，其中第二粒徑尺寸序列和第三粒徑尺寸序列中沒有相同數(shù)值，第二分布參數(shù)序列和第三分布參數(shù)序列中沒有相同數(shù)值。

7.根據(jù)權利要求6所述的構建方法，其特征在于：多峰分布數(shù)據(jù)集通過式l＝(m-1)×p+p,p＝1,2,…,p進行求解，式中μp代表混合比例因子，代表第二粒徑分布向量，代表第三粒徑分布向量，代表第二光能分布向量，代表第三光能分布向量；為多峰分布數(shù)據(jù)集，為混合分布數(shù)據(jù)集。

8.一種電子設備，包括：

9.一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，其中，計算機指令用于使計算機執(zhí)行根據(jù)權利要求1～7中任一項所述的方法。

10.一種計算機程序產(chǎn)品，包括計算機程序/指令，計算機程序/指令在被處理器執(zhí)行時實現(xiàn)根據(jù)權利要求1～7中任一項所述方法的步驟。

技術總結
本發(fā)明提供用于顆粒粒徑分布神經(jīng)網(wǎng)絡反演算法的數(shù)據(jù)集構建方法，包括獲取部分基礎數(shù)據(jù)；計算得到粒徑測量范圍上下限和中心粒徑，進一步得到光能分布系數(shù)矩陣；假設顆粒粒徑滿足Rosin?Rammler分布，確定特征參數(shù)的上下限，生成特征參數(shù)的第一序列；計算得到第一粒徑分布向量和第一光能分布向量，從而生成單峰分布數(shù)據(jù)集；在特征參數(shù)的上下限內(nèi)按均勻分布方式生成特征參數(shù)的第二序列；得到第二、三粒徑分布向量，進一步得到第二、三光能分布向量；在特征參數(shù)的上下限內(nèi)按均勻分布方式生成特征參數(shù)的第二序列。本發(fā)明的有益效果是通過精確計算和合理的參數(shù)設置，生成的數(shù)據(jù)集能夠準確地反映真實顆粒粒徑分布情況，有助于提高神經(jīng)網(wǎng)絡模型的學習效率和預測精度。

技術研發(fā)人員：葛寶臻,田慶國,孫夢怡
受保護的技術使用者：天津大學
技術研發(fā)日：
技術公布日：2025/1/6