船舶尾气处理系统及其方法与流程

1.本技术涉及废气处理领域，且更为具体地，涉及一种船舶尾气处理系统及其方法。


背景技术：

2.海运是全球公认的大气污染物的主要来源。近年来，随着国际海事贸易的快速发展，越来越多的人开始关心大气污染物对全球的影响，由于船舶尾气排放很容易在大气中长距离传输，从海洋到陆地，甚至从一个大陆向另一个大陆，所以船舶尾气排放会对地方和区域范围内的空气质量产生重大影响。此外，部分船舶排放发生在沿海地区，尾气污染物会直接扩散到大陆，造成影响人类健康和生态系统的环境问题。
3.在废气处理领域中，采用等离子放电技术对尾气（主要指发动机尾气）进行净化，是近年来一种比较高效的废气处理方式。等离子放电处理的原理即是依靠电离产生的等离子体，使得尾气中的污染物被分解，从而达到降解污染物的目的。但是，现有尾气处理装置多为汽车尾气处理，其处理效率难以适用于船舶尾气处理需求。
4.因此，期望一种优化的船舶尾气处理方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种船舶尾气处理系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出船舶尾气的流速值的时序动态变化特征，以此基于实际的船舶尾气流速变化情况来实时精准地进行等离子放电设备电流值的自适应控制，从而提高电离放电的效率和效果，以对船舶尾气中有害成分进行有效降解。
6.根据本技术的一个方面，提供了一种船舶尾气处理方法，其包括：通过供气管道来接收船舶尾气；以及对所述船舶尾气进行电离放电，以依靠所述电离放电生成的等离子体电离粒子实现对船舶尾气中有害成分的降解。
7.在上述船舶尾气处理方法中，对所述船舶尾气进行电离放电，包括：获取预定时间段内多个预定时间点的船舶尾气的流速值；将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量；计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量；将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量；将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量；使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵；对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵；以及，将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值。
8.在上述船舶尾气处理方法中，将所述流速值动-静多维度输入向量通过包含第一
卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量，包括：使用所述双流模型的第一卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第一尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述第一尺度流速值动-静特征向量；使用所述双流模型的第二卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第二尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度流速值动-静特征向量，其中，所述第一尺度不等于所述第二尺度；以及，将所述第一尺度流速值动-静特征向量和所述第二尺度流速值动-静特征向量进行级联以得到所述流速值动-静特征向量。
9.在上述船舶尾气处理方法中，使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵，包括：构造所述流速值动-静特征向量的高斯密度图以得到高斯密度图。其中，所述高斯密度图的均值向量为所述流速值动-静特征向量，所述高斯密度图的协方差矩阵为所述流速值动-静特征向量中相应两个位置的特征值之间的方差；以及，对所述高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述解码特征矩阵。
10.在上述船舶尾气处理方法中，对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵，包括：以如下优化公式对所述解码特征矩阵进行特征亲和性空间仿射学习优化以得到所述优化解码特征矩阵；其中，所述优化公式为：其中，表示所述解码特征矩阵通过线性变换得到的对角矩阵，表示所述解码特征矩阵的二范数，表示所述解码特征矩阵的核范数，且是所述解码特征矩阵的尺度，表示以2为底的对数函数值，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示按位置点乘，表示所述优化解码特征矩阵。
11.在上述船舶尾气处理方法中，将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值，包括：使用所述解码器以如下公式将所述优化解码特征矩阵进行解码回归以获得用于表示推荐的等离子放电设备的电流值的解码值；其中，所述公式为：，其中表示所述优化解码特征矩阵，是所述解码值，是权重矩阵，表示矩阵相乘。
12.根据本技术的另一方面，提供了一种船舶尾气处理系统，其包括：数据采集单元，用于获取预定时间段内多个预定时间点的船舶尾气的流速值；排列单元，用于将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量；差值计算单元，用于计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量；级联单元，用于将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量；
多尺度卷积单元，用于将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量；高斯增强单元，用于使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵；特征分布优化单元，用于对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵；以及解码单元，用于将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值。
13.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于船舶尾气处理方法。
14.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的船舶尾气处理方法。
15.与现有技术相比，本技术提供的一种船舶尾气处理系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出船舶尾气的流速值的时序动态变化特征，以此基于实际的船舶尾气流速变化情况来实时精准地进行等离子放电设备电流值的自适应控制，从而提高电离放电的效率和效果，以对船舶尾气中有害成分进行有效降解。
附图说明
16.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
17.图1为根据本技术实施例的船舶尾气处理方法的应用场景图；图2为根据本技术实施例的船舶尾气处理方法的流程图；图3为根据本技术实施例的船舶尾气处理方法中对船舶尾气进行电离放电过程的流程图；图4为根据本技术实施例的船舶尾气处理方法的架构示意图；图5为根据本技术实施例的船舶尾气处理方法中双流模型编码的流程图；图6为根据本技术实施例的船舶尾气处理方法中高斯强的流程图；图7为根据本技术实施例的船舶尾气处理系统的框图；图8为根据本技术实施例的电子设备的框图。
具体实施方式
18.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
19.场景概述
如上所述，在废气处理领域中，采用等离子放电技术对尾气（主要指发动机尾气）进行净化，是近年来一种比较高效的废气处理方式。但是，现有尾气处理装置多为汽车尾气处理，其处理效率难以适用于船舶尾气处理需求。因此，期望一种优化的船舶尾气处理方案。
20.具体地，在本技术的技术方案中，提出一种船舶尾气处理方法，其包括：通过供气管道来接收船舶尾气；以及，对所述船舶尾气进行电离放电，以依靠所述电离放电生成的等离子体电离粒子实现对船舶尾气中有害成分的降解。
21.相应地，在实际进行船舶尾气处理的过程中，通过采用对所述船舶尾气进行电离放电，虽然依靠电离放电生成的等离子体电离粒子能够实现对船舶尾气中有害成分的降解，从而能够满足船舶尾气的处理需求，但是其处理效果和处理效率难以满足要求。这是由于在实际对所述船舶尾气进行电离放电的过程中，只是将等离子放电设备的电流值固定在某一范围内，忽略了其与船舶尾气的流速值间的适配性关系，导致实际的等离子放电设备的电流并不能够有效地处理船舶尾气，降低了处理的效率和效果。
22.基于此，在本技术的技术方案中，期望基于实际船舶尾气的流速时序变化情况来自适应地调控等离子放电设备的电流值，从而提高对所述船舶尾气进行电离放电的效率和效果。但是，由于船舶尾气的流速值在时间维度上的变化信息为小尺度的隐含信息，难以通过传统的方式进行变化规律的捕捉，导致对于等离子放电设备的电流控制精准度较低。因此，在此过程中，难点在于如何进行所述船舶尾气的流速值的时序动态变化特征信息的充分表达，以此基于实际的船舶尾气流速变化情况来实时精准地进行等离子放电设备电流值的自适应控制，从而提高电离放电的效率和效果，以对船舶尾气中有害成分进行有效降解。
23.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。深度学习以及神经网络的发展为挖掘所述船舶尾气的流速值的时序动态变化特征信息提供了新的解决思路和方案。
24.具体地，在本技术的技术方案中，获取预定时间段内多个预定时间点的船舶尾气的流速值。接着，考虑到由于所述船舶尾气的流速值在时间维度上具有着动态性的变化规律，因此，为了能够对于所述船舶尾气的流速值在时间维度上的变化特征信息进行提取，在本技术的技术方案中，将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量，以此来整合所述船舶尾气的流速值在时序上的分布信息。
25.进一步地，为了对于等离子放电设备的电流值进行自适应地精准控制，需要对于所述船舶尾气的流速值在时间维度上的动态变化特征进行提取，考虑到由于所述船舶尾气的流速值在时序上的变化信息是微弱的，这种微弱的变化特征相对于所述船舶尾气的流速值整体来说为小尺度的变化特征信息，若以绝对静态变化信息来进行所述船舶尾气的流速值的时序动态变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得所述船舶尾气的流速值在时间维度上的小尺度微弱变化特征难以被察觉，进而影响后续解码的精准度。
26.基于此，在本技术的技术方案中，采用所述船舶尾气的流速值的时序相对动态变化特征和绝对静态变化特征来综合进行所述船舶尾气的流速值的动态特征提取。具体地，首先，计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量。接着，考虑到由于所述船舶尾气的流速值的时序相对动态变化特征与时
序绝对静态变化特征间具有着关于所述船舶尾气的流速时序变化的关联关系。因此，为了充分地探究所述船舶尾气的流速值在时间维度上的时序变化规律，以准确地进行所述等离子放电设备的电流控制，在本技术的技术方案中，将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量，以建立所述船舶尾气的流速值的时序相对动态变化信息和绝对静态变化信息间的关联关系。
27.然后，考虑到由于所述船舶尾气的流速值在时间维度上具有着波动性和不确定性，导致其在所述预定时间段内的不同时间周期跨度下呈现出不同的模式变化特征信息。因此，为了能够对于所述船舶尾气的流速值的时序动态变化特征进行充分表达，在本技术的技术方案中，进一步将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量。特别地，这里，所述第一卷积层和所述第二卷积层具有不同的特征感受野，也就是说，所述第一卷积神经网络模型使用具有第一尺度的一维卷积核，所述第二卷积神经网络模型使用具有第二尺度的一维卷积核，且所述第一尺度不等于所述第二尺度。这样，能够提取出所述船舶尾气的流速值在不同时间跨度下的时序多尺度关联特征信息。
28.进一步地，还考虑到由于所述船舶尾气的流速值的时序变化在实际监测的过程中并不明显，因此，在得到所述船舶尾气的流速的时序多尺度动态变化特征后，期望对其进行特征表达强化。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本技术的技术方案中，可以通过所述船舶尾气的流速值的先验分布，即高斯分布，来对于所述船舶尾气的流速的时序多尺度关联特征进行数据增强，也就是，基于高斯密度图对所述流速值动-静特征向量进行特征表达强化以得到解码特征矩阵。
29.接着，进一步再将所述解码特征矩阵通过解码器进行解码回归以得到用于表示推荐的等离子放电设备的电流值解码值。也就是说，以特征增强后的关于所述船舶尾气的流速的时序多尺度关联特征来进行解码回归，从而对于船舶尾气的流速值的时序变化情况进行充分刻画，以此来进行等离子放电设备电流值的自适应控制，提高电离放电的效率和效果。
30.特别地，在本技术的技术方案中，这里，在使用高斯密度图对所述流速值动-静特征向量进行特征增强得到所述解码特征矩阵时，尽管所述高斯密度图使用特征向量的每两个相应特征值之间的方差来作为方差矩阵，但考虑到所述流速值动-静多维度输入向量同时包括流速值和流速变换值，而在级联过程中，在时域中具有远程分布的流速值和流速变换值之间的相关性较低，并且，在高斯离散化过程中也会引入随机性，就导致所述解码特征矩阵的局部分布之间可能存在关联性不足的问题，影响所述解码特征矩阵通过解码器得到的解码值的准确性。
31.基于此，在本技术的技术方案中，优选地对所述解码特征矩阵进行特征亲和性空间仿射学习以进行优化，表示为：
其中，是所述解码特征矩阵通过线性变换得到的对角矩阵，或者也可以控制高斯离散化的采样频率以使得所述解码特征矩阵直接为对角矩阵，表示矩阵的二范数，即的最大本征值，表示矩阵的核范数，即矩阵的本征值之和，且是矩阵的尺度，即宽度乘以高度，是优化后的对角矩阵。
32.这里，所述特征亲和性空间仿射学习通过对所述解码特征矩阵的特征分布空间内的高分辨率信息表征进行低维本征子空间内的详细的结构化信息表达，来以相对低分辨率的信息表征进行基于空间变换的仿射迁移，从而基于高斯概率密度增强的表征之间的亲和性（affinity）稠密模拟来实现特征分布在全局矩阵特征分布的各个局部的（即，逐特征值的或者逐特征片段的）超分辨率激活。这样，再通过与所述线性变换对应的逆变换将所述优化后的对角矩阵还原为所述解码特征矩阵，就可以提升所述优化后的所述解码特征矩阵的各个局部特征分布之间的关联性，从而提升所述解码特征矩阵通过解码器得到的解码值的准确性。这样，能够基于实际的船舶尾气流速变化情况来实时精准地进行等离子放电设备电流值的自适应控制，从而提高电离放电的效率和效果，以对船舶尾气中有害成分进行有效降解。
33.基于此，本技术提出了一种船舶尾气处理方法，其包括：通过供气管道来接收船舶尾气；以及，对所述船舶尾气进行电离放电，以依靠所述电离放电生成的等离子体电离粒子实现对船舶尾气中有害成分的降解。
34.图1为根据本技术实施例的船舶尾气处理方法的应用场景图。如图1所示，在该应用场景中，船舶尾气通过管道（例如，如图1中所示意的p）被传输至等离子放电设备（例如，如图1中所示意的e）来进行尾气处理，其中，通过流速传感器（例如，如图1中所示意的v）来采集预定时间段内多个预定时间点的船舶尾气的流速值。接着，将上述多个预定时间点的船舶尾气的流速值输入至部署有用于船舶尾气处理算法的服务器（例如，图1中的s）中，其中，所述服务器能够以所述船舶尾气处理算法对上述输入的信息进行处理，以生成解码值，所述解码值用于表示推荐的等离子放电设备的电流值。
35.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
36.示例性方法图2为根据本技术实施例的船舶尾气处理方法的流程图。如图2所示，根据本技术实施例的船舶尾气处理方法，包括步骤：s110，通过供气管道来接收船舶尾气；以及，对所述船舶尾气进行电离放电，以依靠所述电离放电生成的等离子体电离粒子实现对船舶尾气中有害成分的降解。
37.具体地，在步骤s110中，通过供气管道来接收船舶尾气。应可以理解，在实际进行船舶尾气处理的过程中，通过采用对所述船舶尾气进行电离放电，而在此之前，需要将船舶尾气通过管道传输至等离子放电设备。
38.具体地，在步骤s120中，对所述船舶尾气进行电离放电，以依靠所述电离放电生成的等离子体电离粒子实现对船舶尾气中有害成分的降解。特别地，其中，等离子放电原理是依靠电离产生的等离子体来分解所述船舶尾气中的污染物，从而达到降解尾气中有害成分的目的。该方式能够适用于多种有害气体，且降解率高。
39.图3为根据本技术实施例的船舶尾气处理方法中对船舶尾气进行电离放电过程的流程图。如图3所示，在所述电离放电的过程中，包括：s210，获取预定时间段内多个预定时间点的船舶尾气的流速值；s220，将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量；s230，计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量；s240，将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量；s250，将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量；s260，使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵；s270，对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵；以及，s280，将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值。
40.图4为根据本技术实施例的船舶尾气处理方法的架构示意图。如图4所示，在该网络结构中，首先，获取预定时间段内多个预定时间点的船舶尾气的流速值；再将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量；接着，计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量；将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量；将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量；然后，使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵；对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵；进而，将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值。
41.更具体地，在步骤s210中，获取预定时间段内多个预定时间点的船舶尾气的流速值。在本技术的技术方案中，在本技术的技术方案中，期望基于实际船舶尾气的流速时序变化情况来自适应地调控等离子放电设备的电流值，从而提高对所述船舶尾气进行电离放电的效率和效果。因此，在本技术的一个具体示例中，首先，将船舶尾气通过管道被传输至等离子放电设备来进行尾气处理，其中，通过流速传感器来采集预定时间段内多个预定时间点的船舶尾气的流速值。
42.更具体地，在步骤s220中，将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量。考虑到由于所述船舶尾气的流速值在时间维度上具有着动态性的变化规律，因此，为了能够对于所述船舶尾气的流速值在时间维度上的变化特征信息进行提取，在本技术的技术方案中，将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量，以此来整合所述船舶尾气的流速值在时序上的分布信息。
43.更具体地，在步骤s230和步骤s240中，计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量，继而将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量。考虑到由于所述船舶尾气的流速值在时间维度上具有不同的变化特征，因此需要对于所述船舶尾气的流速值在时间维度上的动态变化特征进行提取，但由于所述船舶尾气的流速值在时序上的变化信息是微弱的，且这种微弱的变化特征相对于所
述船舶尾气的流速值整体来说为小尺度的变化特征信息，因此，在本技术的技术方案中，可通过采用所述船舶尾气的流速值的时序相对动态变化特征和绝对静态变化特征来综合进行所述船舶尾气的流速值的动态特征提取。具体地，首先，可通过计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量。接着，考虑到由于所述船舶尾气的流速值的时序相对动态变化特征与时序绝对静态变化特征间具有着关于所述船舶尾气的流速时序变化的关联关系。因此，在本技术的技术方案中，将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量以此来提取出所述船舶尾气的流速值在时间维度上的时序变化规律，进而准确地进行所述等离子放电设备的电流控制。
44.更具体地，在步骤s250中，将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量。考虑到由于所述船舶尾气的流速值在时间维度上具有着波动性和不确定性，导致其在所述预定时间段内的不同时间周期跨度下呈现出不同的模式变化特征信息。因此，为了能够对于所述船舶尾气的流速值的时序动态变化特征进行充分表达，在本技术的技术方案中，进一步将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量。特别地，这里，所述第一卷积层和所述第二卷积层具有不同的特征感受野，也就是说，所述第一卷积神经网络模型使用具有第一尺度的一维卷积核，所述第二卷积神经网络模型使用具有第二尺度的一维卷积核，且所述第一尺度不等于所述第二尺度。在一个示例中，即所述卷积核决定所述卷积神经网络模型的局部特征感受野。这样，能够提取出所述船舶尾气的流速值在不同时间跨度下的时序多尺度关联特征信息。在一个实例中，所述第一卷积神经网络和所述第二卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述第一卷积神经网络和所述第二卷积神经网络的编码过程中，所述第一卷积神经网络和所述第二卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
45.图5为根据本技术实施例的船舶尾气处理方法中双流模型编码的流程图。如图5所示，在所述双流模型编码的过程中，包括：s310，使用所述双流模型的第一卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第一尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述第一尺度流速值动-静特征向量；s320，使用所述双流模型的第二卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第二尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度流速值动-静特征向量，其中，所述第一尺度不等于所述第二尺度；以及，s330，将所述第一尺度流速值动-静特征向量和所述第二尺度流速值动-静特征向量进行级联以得到所述流速值动-静特征向量。
46.更具体地，在步骤s260中，使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵。考虑到由于所述船舶尾气的流速值的时序变化在实际监测的过程中并不明显，因此，在得到所述船舶尾气的流速的时序多尺度动态变化特征后，期望对其
进行特征表达强化。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本技术的技术方案中，可以通过所述船舶尾气的流速值的先验分布，即高斯分布，来对于所述船舶尾气的流速的时序多尺度关联特征进行数据增强，也就是，基于高斯密度图对所述流速值动-静特征向量进行特征表达强化以得到解码特征矩阵。具体地，首先，构造所述流速值动-静特征向量的高斯密度图，具体地，以如下公式构造所述流速值动-静特征向量的高斯密度图；其中，所述公式为：，其中表示所述流速值动-静特征向量，且的每个位置的值表示所述所述流速值动-静特征向量中相应两个位置的特征值之间的方差；然后，再对所述高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述解码特征矩阵。
47.图6为根据本技术实施例的船舶尾气处理方法中高斯强的流程图。如图6所示，在所述高斯增强的过程中，包括：s410，构造所述流速值动-静特征向量的高斯密度图以得到高斯密度图。其中，所述高斯密度图的均值向量为所述流速值动-静特征向量，所述高斯密度图的协方差矩阵为所述流速值动-静特征向量中相应两个位置的特征值之间的方差；以及，s420，对所述高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述解码特征矩阵。
48.更具体地，在步骤s270中，对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵。特别地，在本技术的技术方案中，这里，在使用高斯密度图对所述流速值动-静特征向量进行特征增强得到所述解码特征矩阵时，尽管所述高斯密度图使用特征向量的每两个相应特征值之间的方差来作为方差矩阵，但考虑到所述流速值动-静多维度输入向量同时包括流速值和流速变换值，而在级联过程中，在时域中具有远程分布的流速值和流速变换值之间的相关性较低，并且，在高斯离散化过程中也会引入随机性，就导致所述解码特征矩阵的局部分布之间可能存在关联性不足的问题，影响所述解码特征矩阵通过解码器得到的解码值的准确性。基于此，在本技术的技术方案中，优选地对所述解码特征矩阵进行特征亲和性空间仿射学习以进行优化，表示为：其中，表示所述解码特征矩阵通过线性变换得到的对角矩阵，表示所述解码特征矩阵的二范数，表示所述解码特征矩阵的核范数，且是所述解码特征矩阵的尺度，表示以2为底的对数函数值，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示按位置点乘，表示所述优化解码特征矩阵。这里，所述特征亲和性空间仿射学习通过对所述解码特征矩阵的特征分布空间内的高分辨率信息表征进行低维本征子空间内的详细的结构化信息表达，来以相对低分辨率的信息表征进行基于空间变换的仿射迁移，从而基于高斯概率密度增强的表征之间的亲和性（affinity）稠密模拟来实现特征分布在全局矩阵特征分布的
各个局部的（即，逐特征值的或者逐特征片段的）超分辨率激活。这样，再通过与所述线性变换对应的逆变换将所述优化后的对角矩阵还原为所述解码特征矩阵，就可以提升所述优化后的所述解码特征矩阵的各个局部特征分布之间的关联性，从而提升所述解码特征矩阵通过解码器得到的解码值的准确性。这样，能够基于实际的船舶尾气流速变化情况来实时精准地进行等离子放电设备电流值的自适应控制，从而提高电离放电的效率和效果，以对船舶尾气中有害成分进行有效降解。
49.更具体地，在步骤s280中，将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值。也就是，在得到所述优化解码特征矩阵后，将所述优化解码特征矩阵作为解码特征矩阵通过解码器进行解码回归以得到用于表示推荐的等离子放电设备的电流值的解码值，特别地，以特征增强后的关于所述船舶尾气的流速的时序多尺度关联特征来进行解码回归，从而对于船舶尾气的流速值的时序变化情况进行充分刻画，以此来进行等离子放电设备电流值的自适应控制，提高电离放电的效率和效果。具体地，使用所述解码器以如下公式将所述优化解码特征矩阵进行解码回归以获得用于表示推荐的等离子放电设备的电流值的解码值；其中，所述公式为：，其中表示所述优化解码特征矩阵，是所述解码值，是权重矩阵，表示矩阵相乘。
50.综上，根据本技术实施例的船舶尾气处理方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出船舶尾气的流速值的时序动态变化特征，以此基于实际的船舶尾气流速变化情况来实时精准地进行等离子放电设备电流值的自适应控制，从而提高电离放电的效率和效果，以对船舶尾气中有害成分进行有效降解。
51.示例性系统图7为根据本技术实施例的船舶尾气处理系统的框图。如图7所示，根据本技术实施例的船舶尾气处理系统300，包括：数据采集单元310；排列单元320；差值计算单元330；级联单元340；多尺度卷积单元350；高斯增强单元360；特征分布优化单元370；以及，解码单元380。
52.其中，所述数据采集单元310，用于获取预定时间段内多个预定时间点的船舶尾气的流速值；所述排列单元320，用于将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量；所述差值计算单元330，用于计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量；所述级联单元340，用于将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量；所述多尺度卷积单元350，用于将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量；所述高斯增强单元360，用于使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵；所述特征分布优化单元370，用于对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵；以及，所述解码单元380，用于将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值。
53.在一个示例中，在上述船舶尾气处理系统300中，所述多尺度卷积单元350，用于：
使用所述双流模型的第一卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第一尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述第一尺度流速值动-静特征向量；使用所述双流模型的第二卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第二尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度流速值动-静特征向量，其中，所述第一尺度不等于所述第二尺度；以及，将所述第一尺度流速值动-静特征向量和所述第二尺度流速值动-静特征向量进行级联以得到所述流速值动-静特征向量。
54.在一个示例中，在上述船舶尾气处理系统300中，所述高斯增强单元360，用于：构造所述流速值动-静特征向量的高斯密度图以得到高斯密度图。其中，所述高斯密度图的均值向量为所述流速值动-静特征向量，所述高斯密度图的协方差矩阵为所述流速值动-静特征向量中相应两个位置的特征值之间的方差；以及，对所述高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述解码特征矩阵。
55.在一个示例中，在上述船舶尾气处理系统300中，所述特征分布优化单元370，用于：以如下优化公式对所述解码特征矩阵进行特征亲和性空间仿射学习优化以得到所述优化解码特征矩阵；其中，所述优化公式为：其中，表示所述解码特征矩阵通过线性变换得到的对角矩阵，表示所述解码特征矩阵的二范数，表示所述解码特征矩阵的核范数，且是所述解码特征矩阵的尺度，表示以2为底的对数函数值，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示按位置点乘，表示所述优化解码特征矩阵。
56.在一个示例中，在上述船舶尾气处理系统300中，所述解码单元380，用于：使用所述解码器以如下公式将所述优化解码特征矩阵进行解码回归以获得用于表示推荐的等离子放电设备的电流值的解码值；其中，所述公式为：，其中表示所述优化解码特征矩阵，是所述解码值，是权重矩阵，表示矩阵相乘。
57.综上，根据本技术实施例的船舶尾气处理系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出船舶尾气的流速值的时序动态变化特征，以此基于实际的船舶尾气流速变化情况来实时精准地进行等离子放电设备电流值的自适应控制，从而提高电离放电的效率和效果，以对船舶尾气中有害成分进行有效降解。
58.如上所述，根据本技术实施例的船舶尾气处理系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的船舶尾气处理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该船舶尾气处理系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该船舶尾气处理系统300同样可以是该终端设备的众多硬件模块之一。
59.替换地，在另一示例中，该船舶尾气处理系统300与该终端设备也可以是分立的设
备，并且该船舶尾气处理系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
60.示例性电子设备下面，参考图8来描述根据本技术实施例的电子设备。
61.图8图示了根据本技术实施例的电子设备的框图。
62.如图8所示，电子设备10包括一个或多个处理器11和存储器12。
63.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
64.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的船舶尾气处理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征矩阵等各种内容。
65.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
66.该输入装置13可以包括例如键盘、鼠标等等。
67.该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
68.当然，为了简化，图8中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
69.示例性计算机程序产品和计算机可读存储介质除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的船舶尾气处理方法中的功能中的步骤。
70.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
71.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的流速值动-静特征向量中的功能中的步骤。
72.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电
磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
73.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
74.本技术中涉及的器件、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。
75.还需要指出的是，在本技术的装置、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技术的等效方案。
76.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技术。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技术的范围。因此，本技术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。
77.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术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。

技术特征：
1.一种船舶尾气处理方法，其特征在于，包括：通过供气管道来接收船舶尾气；以及对所述船舶尾气进行电离放电，以依靠所述电离放电生成的等离子体电离粒子实现对船舶尾气中有害成分的降解。2.根据权利要求1所述的船舶尾气处理方法，其特征在于，对所述船舶尾气进行电离放电，包括：获取预定时间段内多个预定时间点的船舶尾气的流速值；将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量；计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量；将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量；将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量；使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵；对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵；以及将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值。3.根据权利要求2所述的船舶尾气处理方法，其特征在于，将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量，包括：使用所述双流模型的第一卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第一尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述第一尺度流速值动-静特征向量；使用所述双流模型的第二卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第二尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度流速值动-静特征向量，其中，所述第一尺度不等于所述第二尺度；以及将所述第一尺度流速值动-静特征向量和所述第二尺度流速值动-静特征向量进行级联以得到所述流速值动-静特征向量。4. 根据权利要求3所述的船舶尾气处理方法，其特征在于，使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵，包括：构造所述流速值动-静特征向量的高斯密度图以得到高斯密度图，其中，所述高斯密度图的均值向量为所述流速值动-静特征向量，所述高斯密度图的协方差矩阵为所述流速值动-静特征向量中相应两个位置的特征值之间的方差；以及对所述高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述解码特征矩阵。5.根据权利要求4所述的船舶尾气处理方法，其特征在于，对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵，包括：
以如下优化公式对所述解码特征矩阵进行特征亲和性空间仿射学习优化以得到所述优化解码特征矩阵；其中，所述优化公式为：其中，表示所述解码特征矩阵通过线性变换得到的对角矩阵，表示所述解码特征矩阵的二范数，表示所述解码特征矩阵的核范数，且是所述解码特征矩阵的尺度，表示以2为底的对数函数值，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示按位置点乘，表示所述优化解码特征矩阵。6.根据权利要求5所述的船舶尾气处理方法，其特征在于，将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值，包括：使用所述解码器以如下公式将所述优化解码特征矩阵进行解码回归以获得用于表示推荐的等离子放电设备的电流值的解码值；其中，所述公式为：，其中表示所述优化解码特征矩阵，是所述解码值，是权重矩阵，表示矩阵相乘。7.一种船舶尾气处理系统，其特征在于，包括：数据采集单元，用于获取预定时间段内多个预定时间点的船舶尾气的流速值；排列单元，用于将所述多个预定时间点的船舶尾气的流速值按照时间维度排列为流速值时序输入向量；差值计算单元，用于计算所述流速值时序输入向量中每相邻两个位置的流速值之间的差值以得到流速变化时序输入向量；级联单元，用于将所述流速值时序输入向量和所述流速变化时序输入向量进行级联以得到流速值动-静多维度输入向量；多尺度卷积单元，用于将所述流速值动-静多维度输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流模型以得到流速值动-静特征向量；高斯增强单元，用于使用高斯密度图对所述流速值动-静特征向量进行特征增强以得到解码特征矩阵；特征分布优化单元，用于对所述解码特征矩阵进行特征分布优化以得到优化解码特征矩阵；以及解码单元，用于将所述优化解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的等离子放电设备的电流值。8.根据权利要求7所述的一种船舶尾气处理系统，其特征在于，所述多尺度卷积单元，用于：使用所述双流模型的第一卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第一尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述第一尺度流速值动-静特征向量；
使用所述双流模型的第二卷积神经网络的各层在层的正向传递中分别对所述流速值动-静多维度输入向量进行基于第二尺度的一维卷积核的卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度流速值动-静特征向量，其中，所述第一尺度不等于所述第二尺度；以及将所述第一尺度流速值动-静特征向量和所述第二尺度流速值动-静特征向量进行级联以得到所述流速值动-静特征向量。9.根据权利要求8所述的一种船舶尾气处理系统，其特征在于，所述高斯增强单元，用于：构造所述流速值动-静特征向量的高斯密度图以得到高斯密度图，其中，所述高斯密度图的均值向量为所述流速值动-静特征向量，所述高斯密度图的协方差矩阵为所述流速值动-静特征向量中相应两个位置的特征值之间的方差；以及对所述高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述解码特征矩阵。10.根据权利要求9所述的一种船舶尾气处理系统，其特征在于，所述特征分布优化单元，用于：以如下优化公式对所述解码特征矩阵进行特征亲和性空间仿射学习优化以得到所述优化解码特征矩阵；其中，所述优化公式为：其中，表示所述解码特征矩阵通过线性变换得到的对角矩阵，表示所述解码特征矩阵的二范数，表示所述解码特征矩阵的核范数，且是所述解码特征矩阵的尺度，表示以2为底的对数函数值，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示按位置点乘，表示所述优化解码特征矩阵。

技术总结
本申请涉及废气处理领域，其具体地公开了一种船舶尾气处理系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出船舶尾气的流速值的时序动态变化特征，以此基于实际的船舶尾气流速变化情况来实时精准地进行等离子放电设备电流值的自适应控制，从而提高电离放电的效率和效果，以对船舶尾气中有害成分进行有效降解。有效降解。有效降解。


技术研发人员：沈敏强 姚盛翔 汪成 赵媛媛 龚良丰 王德智 叶慷 王汝能 方丰
受保护的技术使用者：浙江浙能迈领环境科技有限公司
技术研发日：2023.04.23
技术公布日：2023/5/23