1.本技术涉及智能化制备技术领域，并且更具体地，涉及一种制备高纯五氟化磷的方法。
背景技术：
2.五氟化磷（pf5）在常态下是一种无色无味的气体，在潮湿空气中剧烈发烟，作为一种氟化剂，五氟化磷可以进行离子转移，被广泛地应用于电子工业、电池制造、高分子材料和催化剂等领域。在半导体制造上，五氟化磷在微波作用下变为等离子气体进行掺杂可以显著改善半导体性能。
3.目前，主要制备高纯五氟化磷的方法大致可分为直接法、间接法。直接法一般采用氟化氢和氟气等为原料，通过一步反应制备高纯五氟化磷。但是该方法的制备过程采用的氟气和氟化氢，是具有强腐蚀性和有毒的原料，对反应器要求较高，而且反应剧烈放热，难于控制，容易产生三氟化磷等副产物，影响产品纯度。间接生产方法是使适量反应物先生成中间产物（主要是pof3和hpf6），再对中间产物进行处理生成五氟化磷。这类方法反应的步骤多，连续化生产困难，且工艺步骤复杂，生产成本高。
4.因此，期望一种优化的制备高纯五氟化磷的方案。
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制备高纯五氟化磷的方法，其获取预定时间段内多个预定时间点的反应温度值和反应器压力值；采用基于深度学习的人工智能技术，建立反应温度值的时序变化和反应器压力值的时序协同关联特征之间的映射关系，基于两者的时序协同关联关系对于反应温度值进行实时准确地控制，进而优化反应效率和反应充分度。
6.第一方面，提供了一种制备高纯五氟化磷的方法，其包括：获取预定时间段内多个预定时间点的反应温度值和反应器压力值；将所述多个预定时间点的反应温度值和反应器压力值分别按照时间维度排列为反应温度输入向量和反应压力输入向量；将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量；基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵；计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的反应温度值应增大或应减小。
7.在上述制备高纯五氟化磷的方法中，将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量，包括：使用所述时序编码器的全连接层以如下第一全连接公式分别对所述反应温度输入向量进行全连接编码以分别提取出所述反应温度输入向量中各
个位置的特征值的高维隐含特征，其中，所述第一全连接公式为：，其中是所述反应温度输入向量， 是反应温度输出向量， 是权重矩阵， 是偏置向量，表示矩阵乘；以及使用所述时序编码器的一维卷积层以如下第一一维公式分别对所述反应温度输入向量进行一维卷积编码以分别提取出所述反应温度输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述第一一维公式为：其中，为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为卷积核的尺寸，示所述反应温度输入向量。
8.在上述制备高纯五氟化磷的方法中，基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵，包括：使用高斯密度图以如下高斯公式对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵；其中，所述高斯公式为：其中，表示所述反应压力时序特征向量的按位置均值向量，且的每个位置的值表示所述反应压力时序特征向量中相应两个位置的特征值之间的方差。
9.在上述制备高纯五氟化磷的方法中，计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量以得到分类特征向量，包括：计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量作为初始分类特征向量；计算所述初始分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵；基于所述响应性估计特征矩阵对于所述反应压力时序特征矩阵进行卷积式字典对照响应学习以得到优化反应压力时序特征矩阵；以及，计算反应温度时序特征向量相对于所述优化反应压力时序特征矩阵的转移向量以得到所述分类特征向量。
10.在上述制备高纯五氟化磷的方法中，计算所述初始分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵，包括：以如下响应性公式计算所述初始分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵；其中，所述响应性公式为：其中，表示所述初始分类特征向量，表示所述反应温度时序特征向量，表示所述响应性估计特征矩阵，表示矩阵相乘。
11.在上述制备高纯五氟化磷的方法中，基于所述响应性估计特征矩阵对于所述反应压力时序特征矩阵进行卷积式字典对照响应学习以得到优化反应压力时序特征矩阵，包括：基于所述响应性估计特征矩阵以如下优化公式对于所述反应压力时序特征矩阵进行卷积式字典对照响应学习以得到所述优化反应压力时序特征矩阵；其中，所述优化公式为：其中，和分别是所述响应性估计特征矩阵和所述反应压力时序特征矩阵，且表示矩阵的frobenius范数，表示矩
阵减法，表示矩阵乘法，表示所述优化反应压力时序特征矩阵，表示所述反应压力时序特征矩阵的转置矩阵。
12.在上述制备高纯五氟化磷的方法中，计算所述反应温度时序特征向量相对于所述优化反应压力时序特征矩阵的转移向量以得到所述分类特征向量，包括：以如下转移公式计算所述反应温度时序特征向量相对于所述优化反应压力时序特征矩阵的转移向量以得到所述分类特征向量；其中，所述转移公式为：其中，表示所述优化反应压力时序特征矩阵，表示所述反应温度时序特征向量，表示所述分类特征向量，表示向量相乘。
13.在上述制备高纯五氟化磷的方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的反应温度值应增大或应减小，包括：使用所述分类器的多个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，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
14.与现有技术相比，本技术提供的制备高纯五氟化磷的方法，其获取预定时间段内多个预定时间点的反应温度值和反应器压力值；采用基于深度学习的人工智能技术，建立反应温度值的时序变化和反应器压力值的时序协同关联特征之间的映射关系，基于两者的时序协同关联关系对于反应温度值进行实时准确地控制，进而优化反应效率和反应充分度。
附图说明
15.为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1为根据本技术实施例的制备高纯五氟化磷的方法的场景示意图。
17.图2为根据本技术实施例的制备高纯五氟化磷的方法的流程图。
18.图3为根据本技术实施例的制备高纯五氟化磷的方法的架构示意图。
19.图4为根据本技术实施例的制备高纯五氟化磷的方法中步骤150的子步骤的流程图。
20.图5为根据本技术实施例的制备高纯五氟化磷的方法中步骤160的子步骤的流程图。
21.图6为根据本技术实施例的制备高纯五氟化磷的系统的框图。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
23.除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
24.在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
25.需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
26.如上所述，目前，主要制备高纯五氟化磷的方法大致可分为直接法、间接法。直接法一般采用氟化氢和氟气等为原料，通过一步反应制备高纯五氟化磷。但是该方法的制备过程采用的氟气和氟化氢，是具有强腐蚀性和有毒的原料，对反应器要求较高，而且反应剧烈放热，难于控制，容易产生三氟化磷等副产物，影响产品纯度。间接生产方法是使适量反应物先生成中间产物（主要是pof3和hpf6），再对中间产物进行处理生成五氟化磷。这类方法反应的步骤多，连续化生产困难，且工艺步骤复杂，生产成本高。因此，期望一种优化的制备高纯五氟化磷的方案。
27.具体地，在本技术的技术方案中，提出了一种制备高纯五氟化磷的方法，其包括：1、在干燥的环境和惰性气体的保护下，将加热后的固体粉末五氯化磷和固体粉末氟化钙迅速的加入到反应器内；2、封闭反应器，并抽空反应器；3、给反应器加热，并以预定反应温度值和预定反应压力值进行反应，以得到五氟化磷气体粗品；4、对所述五氟化磷气体粗品进行冷却除去o2、n2、co2杂质，得到高纯度的五氟化磷。
28.相应地，在上述步骤3中，反应器内的反应温度值和反应压力值是保证反应效率和充分性的关键，但是，在实际进行高纯五氟化磷的制备过程中，通常都是将反应温度值和反应压力值控制在固定的范围内，并没有关注到两者的适配性。也就是说，所述反应温度值和反应器压力值不仅都在时间维度上具有着时序的动态变化规律，而且这两者之间相互影响，还存在着时序动态协同关联特征信息。因此，在本技术的技术方案中，期望通过反应温度和反应器压力的时序协同关联特征分布信息来优化控制精度，以此来优化反应效率和反应充分度。在此过程中，难点在于如何建立所述反应温度值的时序变化和所述反应器压力值的时序变化之间的映射关系，以此来基于两者的时序协同关联关系来对于反应温度值进行实时准确地控制，进而优化反应效率和反应充分度。
29.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。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。
30.深度学习以及神经网络的发展为挖掘所述反应温度值的时序变化和所述反应器压力值的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的
非线性关联，而这显然适合于模拟并建立所述反应温度值的时序变化和所述反应器压力值的时序变化之间的复杂映射关系。
31.具体地，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的反应温度值和反应器压力值。接着，考虑到由于所述反应温度值和所述反应器压力值在时间维度上都具有着时序的变化特征信息，为了探究所述反应温度值和所述反应器压力值在时序上的变化关联性，需要分别对于这两者在时间维度上的动态变化特征进行提取。具体地，将所述多个预定时间点的反应温度值和反应器压力值分别按照时间维度排列为反应温度输入向量和反应压力输入向量，以此来分别整合所述反应温度值和所述反应器压力值在时间维度上的数据分布信息。
32.然后，为了能够充分挖掘出所述反应温度值和所述反应器压力值分别在时序上的动态变化特征，以提高所述反应温度值和所述反应器压力值的时序动态变化特征的表达能力，在本技术的技术方案中，将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量。特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积层进行一维卷积编码来分别提取出所述反应温度值和所述反应器压力值在时序维度上的关联特征，以及通过全连接层进行全连接编码来分别提取所述反应温度值和所述反应器压力值的高维隐含特征。
33.进一步地，考虑到由于所述反应器的压力值在之间维度上的变化信息较为微弱，并不明显，难以进行有效地捕捉提取，因此，在本技术的技术方案中，在得到压力时序特征表达后，需要对于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。
34.基于此，在本技术的技术方案中，可以通过所述反应器的压力值的先验分布，即高斯分布，来对于所述反应器的压力时序动态关联特征进行数据增强，也就是，基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵。具体地，构造所述反应压力时序特征向量的高斯密度图，特别地，这里，所述高斯密度图的均值向量为所述反应压力时序特征向量，所述高斯密度图的协方差矩阵中各个位置的特征值为所述反应压力时序特征向量中相应两个位置的特征值之间的方差。然后，将所述高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到特征表达强化后的所述反应压力时序特征矩阵。
35.然后，计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量，以此来表示所述反应温度值的时序动态关联特征与所述反应器压力值的时序动态关联特征之间的关联性特征分布信息，即在所述反应器压力值的时序变化特征和所述反应温度值的时序变化特征间的协同关联特征信息，并以此作为分类特征向量通过分类器中进行分类处理，从而得到用于表示当前时间点的反应温度值应增大或应减小的分类结果。
36.也就是，在本技术的技术方案中，所述分类器的标签包括当前时间点的反应温度值应增大(第一标签)，以及，当前时间点的反应温度值应减小(第二标签)，其中，所述分类
器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的反应温度值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，当前时间点的反应温度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的反应温度值应增大或应减小”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述当前时间点的反应温度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的反应温度值，以此来优化反应效率和反应充分度。
37.特别地，在本技术的技术方案中，这里，在基于高斯密度图对所述反应压力时序特征向量进行特征表达强化得到所述反应压力时序特征矩阵时，由于高斯离散化过程当中的随机性，如果能够对于所述反应压力时序特征矩阵的特征表示进行约束，则可以进一步提升所述反应压力时序特征矩阵的特征表达效果。
38.基于此，本技术的申请人考虑可以使用所述分类特征向量相对于所述反应温度时序特征向量的响应性来作为对所述反应压力时序特征矩阵的特征表示的约束。具体地，首先计算所述分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵，例如记为，再基于所述响应性估计特征矩阵对于所述反应压力时序特征矩阵，例如记为进行卷积式字典对照响应学习以优化所述反应压力时序特征矩阵，例如记为，具体为：其中表示矩阵的frobenius范数。也就是，基于所述响应性估计特征矩阵的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应特征之间的差分特征流的卷积式字典对照学习，来对于所述反应压力时序特征矩阵的特征值的n级（n-hop）邻居进行本征先验结构的特征表达，并将低秩表示下的先验知识作为高维特征分布的特征响应参照，从而学习到特征间的可解释性响应，这样，就提高了优化后的所述反应压力时序特征矩阵的特征表达效果，从而提升了计算所述反应温度时序特征向量相对于优化后的所述反应压力时序特征矩阵的转移向量得到的所述分类特征向量的分类结果的准确性。基于实际的反应温度值和反应器压力值的实时变化情况来自适应地对于反应温度值进行准确地控制，以优化反应效率和反应充分度。
39.图1为根据本技术实施例的制备高纯五氟化磷的方法的场景示意图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的反应温度值（例如，如图1中所示意的c1）和反应器压力值（例如，如图1中所示意的c2）；然后，将获取的反应温度值和反应器压力值输入至部署有制备高纯五氟化磷的算法的服务器（例如，如图1中所示意的s）中，其中所述服务器能够基于制备高纯五氟化磷的算法对所述反应温度值和所述反应器压力值进行处理，以生成用于表示当前时间点的反应温度值应增大或应减小的分类结果。
40.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。
41.在本技术的一个实施例中，图2为根据本技术实施例的制备高纯五氟化磷的方法的流程图。如图2所示，根据本技术实施例的制备高纯五氟化磷的方法100，包括：110,获取预定时间段内多个预定时间点的反应温度值和反应器压力值；120,将所述多个预定时间点的反应温度值和反应器压力值分别按照时间维度排列为反应温度输入向量和反应压力输入向量；130,将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量；140,基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵；150,计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量以得到分类特征向量；以及，160,将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的反应温度值应增大或应减小。
42.图3为根据本技术实施例的制备高纯五氟化磷的方法的架构示意图。如图3所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的反应温度值和反应器压力值；然后,将所述多个预定时间点的反应温度值和反应器压力值分别按照时间维度排列为反应温度输入向量和反应压力输入向量；接着,将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量；然后,基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵；接着,计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量以得到分类特征向量；以及，最后,将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的反应温度值应增大或应减小。
43.具体地，在步骤110中，获取预定时间段内多个预定时间点的反应温度值和反应器压力值。如上所述，目前，主要制备高纯五氟化磷的方法大致可分为直接法、间接法。直接法一般采用氟化氢和氟气等为原料，通过一步反应制备高纯五氟化磷。但是该方法的制备过程采用的氟气和氟化氢，是具有强腐蚀性和有毒的原料，对反应器要求较高，而且反应剧烈放热，难于控制，容易产生三氟化磷等副产物，影响产品纯度。间接生产方法是使适量反应物先生成中间产物（主要是pof3和hpf6），再对中间产物进行处理生成五氟化磷。这类方法反应的步骤多，连续化生产困难，且工艺步骤复杂，生产成本高。因此，期望一种优化的制备高纯五氟化磷的方案。
44.具体地，在本技术的技术方案中，提出了一种制备高纯五氟化磷的方法，其包括：1、在干燥的环境和惰性气体的保护下，将加热后的固体粉末五氯化磷和固体粉末氟化钙迅速的加入到反应器内；2、封闭反应器，并抽空反应器；3、给反应器加热，并以预定反应温度值和预定反应压力值进行反应，以得到五氟化磷气体粗品；4、对所述五氟化磷气体粗品进行冷却除去o2、n2、co2杂质，得到高纯度的五氟化磷。
45.相应地，在上述步骤3中，反应器内的反应温度值和反应压力值是保证反应效率和充分性的关键，但是，在实际进行高纯五氟化磷的制备过程中，通常都是将反应温度值和反应压力值控制在固定的范围内，并没有关注到两者的适配性。也就是说，所述反应温度值和反应器压力值不仅都在时间维度上具有着时序的动态变化规律，而且这两者之间相互影响，还存在着时序动态协同关联特征信息。因此，在本技术的技术方案中，期望通过反应温度和反应器压力的时序协同关联特征分布信息来优化控制精度，以此来优化反应效率和反
应充分度。在此过程中，难点在于如何建立所述反应温度值的时序变化和所述反应器压力值的时序变化之间的映射关系，以此来基于两者的时序协同关联关系来对于反应温度值进行实时准确地控制，进而优化反应效率和反应充分度。
46.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。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。
47.深度学习以及神经网络的发展为挖掘所述反应温度值的时序变化和所述反应器压力值的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述反应温度值的时序变化和所述反应器压力值的时序变化之间的复杂映射关系。
48.具体地，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的反应温度值和反应器压力值。
49.具体地，在步骤120中，将所述多个预定时间点的反应温度值和反应器压力值分别按照时间维度排列为反应温度输入向量和反应压力输入向量。接着，考虑到由于所述反应温度值和所述反应器压力值在时间维度上都具有着时序的变化特征信息，为了探究所述反应温度值和所述反应器压力值在时序上的变化关联性，需要分别对于这两者在时间维度上的动态变化特征进行提取。具体地，将所述多个预定时间点的反应温度值和反应器压力值分别按照时间维度排列为反应温度输入向量和反应压力输入向量，以此来分别整合所述反应温度值和所述反应器压力值在时间维度上的数据分布信息。
50.具体地，在步骤130中，将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量。然后，为了能够充分挖掘出所述反应温度值和所述反应器压力值分别在时序上的动态变化特征，以提高所述反应温度值和所述反应器压力值的时序动态变化特征的表达能力。
51.在本技术的技术方案中，将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量。特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积层进行一维卷积编码来分别提取出所述反应温度值和所述反应器压力值在时序维度上的关联特征，以及通过全连接层进行全连接编码来分别提取所述反应温度值和所述反应器压力值的高维隐含特征。
52.其中，将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量，包括：使用所述时序编码器的全连接层以如下第一全连接公式分别对所述反应温度输入向量进行全连接编码以分别提取出所述反应温度输入向量中各个位置的特征值的高维隐含特征，其中，所述第一全连接公式为：，其中是所述反应温度输入向量， 是反应温度输出向量， 是权重矩阵， 是偏置向量，表示矩阵乘；以及，使用所
述时序编码器的一维卷积层以如下第一一维公式分别对所述反应温度输入向量进行一维卷积编码以分别提取出所述反应温度输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述第一一维公式为：其中，为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为卷积核的尺寸，示所述反应温度输入向量。
53.进一步地，将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量，包括：使用所述时序编码器的全连接层以如下第二全连接公式分别对所述反应压力输入向量进行全连接编码以分别提取出所述反应压力输入向量中各个位置的特征值的高维隐含特征，其中，所述第二全连接公式为：，其中是所述反应压力输入向量，是反应压力输出向量，是权重矩阵，是偏置向量，表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下一维公式分别对所述反应压力输入向量进行第二一维卷积编码以分别提取出所述反应压力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述第二一维公式为：其中，为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为卷积核的尺寸，示所述反应温度输入向量。具体地，在步骤140中，基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵。进一步地，考虑到由于所述反应器的压力值在之间维度上的变化信息较为微弱，并不明显，难以进行有效地捕捉提取，因此，在本技术的技术方案中，在得到压力时序特征表达后，需要对于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。
54.基于此，在本技术的技术方案中，可以通过所述反应器的压力值的先验分布，即高斯分布，来对于所述反应器的压力时序动态关联特征进行数据增强，也就是，基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵。具体地，构造所述反应压力时序特征向量的高斯密度图，特别地，这里，所述高斯密度图的均值向量为所述反应压力时序特征向量，所述高斯密度图的协方差矩阵中各个位置的特征值为所述反应压力时序特征向量中相应两个位置的特征值之间的方差。然后，将所述高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到特征表达强化后的所述反应压力时序特征矩阵。
55.其中，基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵，包括：使用高斯密度图以如下高斯公式对所述反应压力时序特征向
量进行特征表达强化以得到反应压力时序特征矩阵；其中，所述高斯公式为：其中，表示所述反应压力时序特征向量的按位置均值向量，且的每个位置的值表示所述反应压力时序特征向量中相应两个位置的特征值之间的方差。
56.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。
57.具体地，在步骤150中，计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量以得到分类特征向量。然后，计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量，以此来表示所述反应温度值的时序动态关联特征与所述反应器压力值的时序动态关联特征之间的关联性特征分布信息，即在所述反应器压力值的时序变化特征和所述反应温度值的时序变化特征间的协同关联特征信息，并以此作为分类特征向量通过分类器中进行分类处理，从而得到用于表示当前时间点的反应温度值应增大或应减小的分类结果。
58.图4为根据本技术实施例的制备高纯五氟化磷的方法中步骤150的子步骤的流程图，如图4所示，计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量以得到分类特征向量，包括：151,计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量作为初始分类特征向量；152,计算所述初始分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵；153,基于所述响应性估计特征矩阵对于所述反应压力时序特征矩阵进行卷积式字典对照响应学习以得到优化反应压力时序特征矩阵；以及，154,计算反应温度时序特征向量相对于所述优化反应压力时序特征矩阵的转移向量以得到所述分类特征向量。
59.其中，计算所述初始分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵，包括：以如下响应性公式计算所述初始分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵；其中，所述响应性公式为：其中，表示所述初始分类特征向量，表示所述反应温度时序特征向量，表示所述响应性估计特征矩阵，表示矩阵相乘。
60.特别地，在本技术的技术方案中，这里，在基于高斯密度图对所述反应压力时序特征向量进行特征表达强化得到所述反应压力时序特征矩阵时，由于高斯离散化过程当中的随机性，如果能够对于所述反应压力时序特征矩阵的特征表示进行约束，则可以进一步提升所述反应压力时序特征矩阵的特征表达效果。
61.基于此，本技术的申请人考虑可以使用所述分类特征向量相对于所述反应温度时序特征向量的响应性来作为对所述反应压力时序特征矩阵的特征表示的约束。具体地，首先计算所述分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵，例如记为，再基于所述响应性估计特征矩阵对于所述反应压力时序特征矩阵，例如记为进行卷积式字典对照响应学习以优化所述反应压力时序特征矩阵，例如记为，具体为：基于所述响应性估计特征矩阵以如下优化公式对于所述反应压力
时序特征矩阵进行卷积式字典对照响应学习以得到所述优化反应压力时序特征矩阵；其中，所述优化公式为：其中，和分别是所述响应性估计特征矩阵和所述反应压力时序特征矩阵，且表示矩阵的frobenius范数，表示矩阵减法，表示矩阵乘法，表示所述优化反应压力时序特征矩阵，表示所述反应压力时序特征矩阵的转置矩阵。
62.也就是，基于所述响应性估计特征矩阵的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应特征之间的差分特征流的卷积式字典对照学习，来对于所述反应压力时序特征矩阵的特征值的n级（n-hop）邻居进行本征先验结构的特征表达，并将低秩表示下的先验知识作为高维特征分布的特征响应参照，从而学习到特征间的可解释性响应，这样，就提高了优化后的所述反应压力时序特征矩阵的特征表达效果，从而提升了计算所述反应温度时序特征向量相对于优化后的所述反应压力时序特征矩阵的转移向量得到的所述分类特征向量的分类结果的准确性。基于实际的反应温度值和反应器压力值的实时变化情况来自适应地对于反应温度值进行准确地控制，以优化反应效率和反应充分度。
63.进一步地，计算所述反应温度时序特征向量相对于所述优化反应压力时序特征矩阵的转移向量以得到所述分类特征向量，包括：以如下转移公式计算所述反应温度时序特征向量相对于所述优化反应压力时序特征矩阵的转移向量以得到所述分类特征向量；其中，所述转移公式为：其中，表示所述优化反应压力时序特征矩阵，表示所述反应温度时序特征向量，表示所述分类特征向量，表示向量相乘。
64.具体地，在步骤160中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的反应温度值应增大或应减小。也就是，在本技术的技术方案中，所述分类器的标签包括当前时间点的反应温度值应增大(第一标签)，以及，当前时间点的反应温度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。
65.值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的反应温度值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，当前时间点的反应温度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的反应温度值应增大或应减小”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述当前时间点的反应温度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的反应温度值，以此来优化反应效率和反应充分度。
66.图5为根据本技术实施例的制备高纯五氟化磷的方法中步骤160的子步骤的流程图，如图5所示，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示
当前时间点的反应温度值应增大或应减小，包括：161，使用所述分类器的多个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,162，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
67.在本技术一具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
68.综上，基于本技术实施例的制备高纯五氟化磷的方法100被阐明，其获取预定时间段内多个预定时间点的反应温度值和反应器压力值；采用基于深度学习的人工智能技术，建立反应温度值的时序变化和反应器压力值的时序协同关联特征之间的映射关系，基于两者的时序协同关联关系对于反应温度值进行实时准确地控制，进而优化反应效率和反应充分度。
69.在本技术的一个实施例中，图6为根据本技术实施例的制备高纯五氟化磷的系统的框图。如图5所示，根据本技术实施例的制备高纯五氟化磷的系统200，包括：数据获取模块210，用于获取预定时间段内多个预定时间点的反应温度值和反应器压力值；向量排列模块220，用于将所述多个预定时间点的反应温度值和反应器压力值分别按照时间维度排列为反应温度输入向量和反应压力输入向量；时序编码模块230，用于将所述反应温度输入向量和所述反应压力输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到反应温度时序特征向量和反应压力时序特征向量；强化模块240，用于基于高斯密度图对所述反应压力时序特征向量进行特征表达强化以得到反应压力时序特征矩阵；转移向量计算模块250，用于计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量以得到分类特征向量；以及,反应温度值控制模块260，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的反应温度值应增大或应减小。
70.在一个具体示例中，在上述制备高纯五氟化磷的系统中,所述时序编码模块，包括：全连接单元，用于使用所述时序编码器的全连接层以如下第一全连接公式分别对所述反应温度输入向量进行全连接编码以分别提取出所述反应温度输入向量中各个位置的特征值的高维隐含特征，其中，所述第一全连接公式为：，其中是所述反应温度输入向量， 是反应温度输出向量， 是权重矩阵， 是偏置向量，表示矩阵乘；以及，一维卷积单元，用于使用所述时序编码器的一维卷积层以如下第一一维公式分别对所述反应温度输入向量进行一维卷积编码以分别提取出所述反应温度输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述第一一维公式为：其中，为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为卷积核的尺寸，示所述反应温度输入向量。
71.在一个具体示例中，在上述制备高纯五氟化磷的系统中,所述强化模块，用于：使用高斯密度图以如下高斯公式对所述反应压力时序特征向量进行特征表达强化以得到反
应压力时序特征矩阵；其中，所述高斯公式为：其中，表示所述反应压力时序特征向量的按位置均值向量，且的每个位置的值表示所述反应压力时序特征向量中相应两个位置的特征值之间的方差。
72.在一个具体示例中，在上述制备高纯五氟化磷的系统中,所述转移向量计算模块，包括：向量计算单元,用于计算所述反应温度时序特征向量相对于所述反应压力时序特征矩阵的转移向量作为初始分类特征向量；响应性估计单元,用于计算所述初始分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵；优化单元,用于基于所述响应性估计特征矩阵对于所述反应压力时序特征矩阵进行卷积式字典对照响应学习以得到优化反应压力时序特征矩阵；以及，分类计算单元,用于计算反应温度时序特征向量相对于所述优化反应压力时序特征矩阵的转移向量以得到所述分类特征向量。
73.在一个具体示例中，在上述制备高纯五氟化磷的系统中,所述响应性估计单元，用于：以如下响应性公式计算所述初始分类特征向量相对于所述反应温度时序特征向量的响应性估计以得到响应性估计特征矩阵；其中，所述响应性公式为：其中，表示所述初始分类特征向量，表示所述反应温度时序特征向量，表示所述响应性估计特征矩阵，表示矩阵相乘。
74.在一个具体示例中，在上述制备高纯五氟化磷的系统中,所述优化单元，用于：基于所述响应性估计特征矩阵以如下优化公式对于所述反应压力时序特征矩阵进行卷积式字典对照响应学习以得到所述优化反应压力时序特征矩阵；其中，所述优化公式为：其中，和分别是所述响应性估计特征矩阵和所述反应压力时序特征矩阵，且表示矩阵的frobenius范数，表示矩阵减法，表示矩阵乘法，表示所述优化反应压力时序特征矩阵，表示所述反应压力时序特征矩阵的转置矩阵。
75.在一个具体示例中，在上述制备高纯五氟化磷的系统中,所述分类计算单元，用于：以如下转移公式计算所述反应温度时序特征向量相对于所述优化反应压力时序特征矩阵的转移向量以得到所述分类特征向量；其中，所述转移公式为：其中，表示所述优化反应压力时序特征矩阵，表示所述反应温度时序特征向量，表示所述分类特征向量，表示向量相乘。
76.在一个具体示例中，在上述制备高纯五氟化磷的系统中,所述反应温度值控制模块，包括:全连接编码单元，用于使用所述分类器的多个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，分类结果单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
77.这里，本领域技术人员可以理解，上述制备高纯五氟化磷的系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的制备高纯五氟化磷的方法的描述中得到了详细介绍，并因此，将省略其重复描述。
78.如上所述，根据本技术实施例的制备高纯五氟化磷的系统200可以实现在各种终端设备中，例如用于制备高纯五氟化磷的服务器等。在一个示例中，根据本技术实施例的制备高纯五氟化磷的系统200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，该制备高纯五氟化磷的系统200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，该制备高纯五氟化磷的系统200同样可以是该终端设备的众多硬件模块之一。
79.替换地，在另一示例中，该制备高纯五氟化磷的系统200与该终端设备也可以是分立的设备，并且制备高纯五氟化磷的系统200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。
80.本技术还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
81.在本技术的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
82.应可以理解，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等) 上实施的计算机程序产品的形式。
83.本技术实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
84.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
85.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
86.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。
87.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。
88.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。
89.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。
90.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
91.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。