Preparation method of polydopamine modified coal gangue based zeolite

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如上所述，目前，将仿生聚多巴胺用于改性无机或有机基底材料可赋予基底材料新的表面性质，并提高材料的吸附性能。然而，在使用多巴胺对煤矸石基沸石进行修饰的过程中，多巴胺的自聚合反应速率和涂层厚度受到多种因素的影响，传统的人工经验控制方式并不能够满足实际的应用需求。因此，期望一种优化的聚多巴胺修饰煤矸石基沸石的制备方案。

具体地，在本申请的技术方案中，提出了一种聚多巴胺修饰煤矸石基沸石的制备方法，该方法采用碱熔-水热法制备得到煤矸石基沸石后，再使用多巴胺在缓存溶液作用下通过自聚合反应形成的聚多巴胺涂层作为修饰剂对煤矸石基沸石进行表面有机修饰，即可得到聚多巴胺修饰煤矸石基沸石。特别地，这里，所制备的聚多巴胺修饰煤矸石基沸石是一种环保、高效的重金属吸附材料；相对于表面未经聚多巴胺修饰的煤矸石基沸石来说，经过聚多巴胺修饰后的聚多巴胺修饰煤矸石基沸石的吸附性能得到极大的提高。即，如图1所示，本申请所述的聚多巴胺修饰煤矸石基沸石的制备方法，其包括：S10，将煤矸石通过使用碱熔-水热法制备得到煤矸石基沸石；S20，将多巴胺在缓存溶液作用下通过自聚合反应形成聚多巴胺涂层以作为修饰剂；S30，使用所述修饰剂对所述煤矸石基沸石进行表面有机修饰以得到聚多巴胺修饰煤矸石基沸石。

相应地，考虑到在实际将多巴胺在缓存溶液作用下通过自聚合反应形成聚多巴胺涂层以作为修饰剂的过程中，反应液的pH值和温度等参数会影响聚多巴胺的自聚合反应速率和涂层厚度，进而影响对煤矸石基沸石表面有机修饰的效果和效率。因此，在本申请的技术方案中，期望基于实际自聚合反应的情况来进行反应参数的自适应控制，但是，考虑到由于所述反应液的pH值和反应温度值不仅都在时间维度上有着各自的动态变化规律，而且所述反应液的pH值和反应温度值之间也具有着相互的影响。也就是说，所述反应液的pH值和反应温度值之间具有着时序的协同关联特征以对于反应速率产生影响。因此，在此过程中，难点在于如何挖掘所述反应液的pH值和反应温度值的时序协同动态关联特征信息，以此来综合所述反应液的pH值和反应温度值的时序协同关联变化情况来实时准确地进行相应地参数控制，从而优化聚多巴胺的自聚合反应速率和涂层厚度，以提高煤矸石基沸石表面有机修饰的效果和效率。

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反应液的pH值和反应温度值的时序协同动态关联特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的反应液的PH值和反应温度值。应可以理解，所述反应液的PH值和所述反应温度值不仅都在时间维度上有着动态变化特征信息，而且所述反应液的PH值和所述反应温度值之间还具有着时序的协同关联特征以对于反应速率产生影响，这是由于反应液的pH值变化会影响反应物和产物的离子态和分布，进而影响反应的速率；同样，反应温度的变化也会影响反应速率，一般来说，反应温度升高会使反应速率加快，因为温度升高会增加反应物的分子动能，从而增强反应物的碰撞频率和反应速率。因此，所述反应液的PH值和所述反应温度值之间的关系是相互作用的，为了能够对于聚多巴胺的自聚合反应的参数进行实时准确地控制，需要进行所述反应液的PH值和所述反应温度值的时序协同动态关联特征的充分表达。具体地，进一步将所述多个预定时间点的反应液的PH值和反应温度值分别按照时间维度排列为PH值时序输入向量和反应温度时序输入向量，以此来整合所述反应液的PH值和所述反应温度值分别在时间维度上的时序分布信息。

然后，考虑到由于所述反应液的PH值和所述反应温度值在时间维度上具有着波动性，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动态变化特征信息，因此，为了能够进行所述反应液的PH值和所述反应温度值的时序动态变化特征的充分表达，在本申请的技术方案中，进一步将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量。特别地，这里，所述多尺度特征提取模块的第一卷积层、第二卷积层和第三卷积层分别采用不同尺度的一维卷积核，以分别提取出所述反应液的PH值和所述反应温度值在不同时间跨度下的多尺度邻域关联特征，即所述反应液的PH值和所述反应温度值分别在时间维度上的时序多尺度动态变化特征信息。

进一步地，由于所述反应液的PH值和所述反应温度值之间存在一定的关系，这是因为所述反应液的PH值和所述反应温度都会影响所述反应液中离子的浓度和分布，从而影响反应速率和产物的形成。因此，在本申请的技术方案中，进一步对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵，并使用在隐含特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述PH值-温度关联矩阵的特征挖掘，以此来刻画出所述反应液的PH值的时序多尺度动态变化特征和所述反应温度值的时序多尺度动态变化特征之间的关联性特征分布信息，即所述反应液的PH值和所述反应温度值的时序协同关联的多尺度变化特征信息，从而得到PH值-温度关联特征矩阵。

接着，在进行反应温度值的实时监测和控制时，以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量。这样，能够将所述反应温度值的时序多尺度动态变化特征信息映射到所述反应液的PH值和所述反应温度值的时序协同关联特征信息中，以所述反应液的PH值和所述反应温度值的时序协同关联特征作为背景来增强所述反应温度值的时序变化特征的表达，有利于提高对于所述反应温度值的实时控制精准度。

然后，将所述分类特征向量通过分类器中进行分类处理，以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。也就是，在本申请的技术方案中，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，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，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的反应温度值应增大或应减小的控制策略标签，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增大或减小，以此来优化聚多巴胺的自聚合反应速率和涂层厚度。

特别地，在本申请的技术方案中，通过以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积得到所述分类特征向量，这里，由于所述PH值-温度关联特征矩阵表示PH值时序多尺度关联特征和温度时序多尺度关联特征的样本间跨时序高阶关联特征，将其以查询式映射到所述多尺度反应温度时序特征向量表示的低阶单样本时序关联特征的特征空间内时，会导致得到的所述分类特征向量的特征分布的不规则化问题，影响所述分类特征向量的分类准确性。

基于此，本申请的申请人对所述分类特征向量V进行流形曲面的高斯概率密度参数二次正则化，具体表示为：

ν'_i＝(μσ)ν_i²+v_iμ+(ν_i-σ)μ²

其中μ和σ是特征值集合ν_i∈V的均值和标准差，且ν'_i是优化后的所述分类特征向量V'的第i个位置的特征值。

具体地，为了解决所述分类特征向量V的特征集合的高维特征分布在查询特征映射的高维特征空间内的分布不规则化的问题，通过特征值针对分类器的类概率分布的高斯概率密度参数的似然性进行所述分类特征向量V的各个特征值的二次正则化，来将基于目标类概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束，以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整，从而提升优化后的所述分类特征向量V'的特征分布的规则性，以提升优化后的所述分类特征向量V'通过分类器的分类准确性。这样，能够基于所述反应液的pH值和反应温度值的时序协同关联变化情况来实时准确地进行反应温度值的自适应控制，从而优化聚多巴胺的自聚合反应速率和涂层厚度，以提高煤矸石基沸石表面有机修饰的效果和效率。

图2为根据本申请实施例的聚多巴胺修饰煤矸石基沸石的制备方法中进一步包括的参数控制步骤的应用场景图。如图2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液的PH值(例如，图2中所示意的D1)和反应温度值(例如，图2中所示意的D2)，然后，将所述多个预定时间点的反应液的PH值和反应温度值输入至部署有聚多巴胺修饰煤矸石基沸石的制备算法的服务器中(例如，图2中所示意的S)，其中，所述服务器能够使用所述聚多巴胺修饰煤矸石基沸石的制备算法对所述多个预定时间点的反应液的PH值和反应温度值进行处理以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。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

图3为根据本申请实施例的聚多巴胺修饰煤矸石基沸石的制备方法中进一步包括的参数控制步骤的流程图，所述参数控制步骤：用于对所述自聚合反应的当前时间点的反应温度值进行控制。如图3所示，根据本申请实施例的聚多巴胺修饰煤矸石基沸石的制备方法，所述参数控制步骤，包括：S110，获取预定时间段内多个预定时间点的反应液的PH值和反应温度值；S120，将所述多个预定时间点的反应液的PH值和反应温度值分别按照时间维度排列为PH值时序输入向量和反应温度时序输入向量；S130，将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量；S140，对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵；S150，将所述PH值-温度关联矩阵通过作为特征提取器的卷积神经网络模型以得到PH值-温度关联特征矩阵；S160，以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量；S170，对所述分类特征向量进行特征分布优化以得到优化后分类特征向量；以及，S180，将所述优化后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。

图4为根据本申请实施例的聚多巴胺修饰煤矸石基沸石的制备方法中进一步包括的参数控制步骤的架构示意图。如图4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液的PH值和反应温度值；接着，将所述多个预定时间点的反应液的PH值和反应温度值分别按照时间维度排列为PH值时序输入向量和反应温度时序输入向量；然后，将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量；接着，对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵；然后，将所述PH值-温度关联矩阵通过作为特征提取器的卷积神经网络模型以得到PH值-温度关联特征矩阵；接着，以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量；然后，对所述分类特征向量进行特征分布优化以得到优化后分类特征向量；最后，将所述优化后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。

更具体地，在步骤S110中，获取预定时间段内多个预定时间点的反应液的PH值和反应温度值。在实际将多巴胺在缓存溶液作用下通过自聚合反应形成聚多巴胺涂层以作为修饰剂的过程中，反应液的pH值和温度等参数会影响聚多巴胺的自聚合反应速率和涂层厚度，进而影响对煤矸石基沸石表面有机修饰的效果和效率。因此，在本申请的技术方案中，基于实际自聚合反应的情况来进行反应参数的自适应控制。

更具体地，在步骤S120中，将所述多个预定时间点的反应液的PH值和反应温度值分别按照时间维度排列为PH值时序输入向量和反应温度时序输入向量。应可以理解，所述反应液的PH值和所述反应温度值不仅都在时间维度上有着动态变化特征信息，而且所述反应液的PH值和所述反应温度值之间还具有着时序的协同关联特征以对于反应速率产生影响，这是由于反应液的pH值变化会影响反应物和产物的离子态和分布，进而影响反应的速率；同样，反应温度的变化也会影响反应速率，一般来说，反应温度升高会使反应速率加快，因为温度升高会增加反应物的分子动能，从而增强反应物的碰撞频率和反应速率。因此，所述反应液的PH值和所述反应温度值之间的关系是相互作用的，为了能够对于聚多巴胺的自聚合反应的参数进行实时准确地控制，需要进行所述反应液的PH值和所述反应温度值的时序协同动态关联特征的充分表达。具体地，进一步将所述多个预定时间点的反应液的PH值和反应温度值分别按照时间维度排列为PH值时序输入向量和反应温度时序输入向量，以此来整合所述反应液的PH值和所述反应温度值分别在时间维度上的时序分布信息。

更具体地，在步骤S130中，将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量。由于所述反应液的PH值和所述反应温度值在时间维度上具有着波动性，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动态变化特征信息，因此，为了能够进行所述反应液的PH值和所述反应温度值的时序动态变化特征的充分表达，在本申请的技术方案中，进一步将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量。

特别地，这里，所述多尺度特征提取模块的第一卷积层、第二卷积层和第三卷积层分别采用不同尺度的一维卷积核，以分别提取出所述反应液的PH值和所述反应温度值在不同时间跨度下的多尺度邻域关联特征，即所述反应液的PH值和所述反应温度值分别在时间维度上的时序多尺度动态变化特征信息。

相应地，在一个具体示例中，如图5所示，将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量，包括：S131，将所述PH值时序输入向量通过所述多尺度特征提取模块的第一卷积层以得到第一尺度PH值特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；S132，将所述PH值时序输入向量通过所述多尺度特征提取模块的第二卷积层以得到第二尺度PH值特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核；S133，将所述PH值时序输入向量通过所述多尺度特征提取模块的第三卷积层以得到第三尺度PH值特征向量，其中，所述第三卷积层具有第三尺度的一维卷积核，所述第一尺度、所述第二尺寸和所述第三尺度均不相同；以及，S134，将所述第一尺度PH值特征向量、所述第二尺度PH值特征向量和所述第三尺度PH值特征向量进行级联以得到所述多尺度PH值时序特征向量。

进一步地，将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量，还包括：将所述反应温度时序输入向量通过所述多尺度特征提取模块的第一卷积层以得到第一尺度反应温度特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；将所述反应温度时序输入向量通过所述多尺度特征提取模块的第二卷积层以得到第二尺度反应温度特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核；将所述反应温度时序输入向量通过所述多尺度特征提取模块的第三卷积层以得到第三尺度反应温度特征向量，其中，所述第三卷积层具有第三尺度的一维卷积核，所述第一尺度、所述第二尺寸和所述第三尺度均不相同；以及，将所述第一尺度反应温度特征向量、所述第二尺度反应温度特征向量和所述第三尺度反应温度特征向量进行级联以得到所述多尺度反应温度时序特征向量。

更具体地，在步骤S140中，对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵。由于所述反应液的PH值和所述反应温度值之间存在一定的关系，这是因为所述反应液的PH值和所述反应温度都会影响所述反应液中离子的浓度和分布，从而影响反应速率和产物的形成。因此，在本申请的技术方案中，进一步对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵。

相应地，在一个具体示例中，对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵，包括：以如下编码公式对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵；其中，所述编码公式为：

其中，V_a表示所述PH值时序输入向量，表示所述PH值时序输入向量的转置向量，V_c表示所述反应温度时序输入向量，M表示所述PH值-温度关联矩阵，表示矩阵相乘。

更具体地，在步骤S150中，将所述PH值-温度关联矩阵通过作为特征提取器的卷积神经网络模型以得到PH值-温度关联特征矩阵。使用在隐含特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述PH值-温度关联矩阵的特征挖掘，以此来刻画出所述反应液的PH值的时序多尺度动态变化特征和所述反应温度值的时序多尺度动态变化特征之间的关联性特征分布信息，即所述反应液的PH值和所述反应温度值的时序协同关联的多尺度变化特征信息，从而得到PH值-温度关联特征矩阵。

应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。

相应地，在一个具体示例中，将所述PH值-温度关联矩阵通过作为特征提取器的卷积神经网络模型以得到PH值-温度关联特征矩阵，包括：所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述PH值-温度关联特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述PH值-温度关联矩阵。

更具体地，在步骤S160中，以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量。这样，能够将所述反应温度值的时序多尺度动态变化特征信息映射到所述反应液的PH值和所述反应温度值的时序协同关联特征信息中，以所述反应液的PH值和所述反应温度值的时序协同关联特征作为背景来增强所述反应温度值的时序变化特征的表达，有利于提高对于所述反应温度值的实时控制精准度。

相应地，在一个具体示例中，以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量，包括：以如下乘积公式计算所述多尺度反应温度时序特征向量与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量；其中，所述乘积公式为：

其中，M₁表示所述PH值-温度关联特征矩阵，V₁表示所述多尺度反应温度时序特征向量，V₂表示所述分类特征向量，表示矩阵相乘。

更具体地，在步骤S170中，对所述分类特征向量进行特征分布优化以得到优化后分类特征向量。

特别地，在本申请的技术方案中，通过以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积得到所述分类特征向量，这里，由于所述PH值-温度关联特征矩阵表示PH值时序多尺度关联特征和温度时序多尺度关联特征的样本间跨时序高阶关联特征，将其以查询式映射到所述多尺度反应温度时序特征向量表示的低阶单样本时序关联特征的特征空间内时，会导致得到的所述分类特征向量的特征分布的不规则化问题，影响所述分类特征向量的分类准确性。基于此，本申请的申请人对所述分类特征向量进行流形曲面的高斯概率密度参数二次正则化。

相应地，在一个具体示例中，对所述分类特征向量进行特征分布优化以得到优化后分类特征向量，包括：以如下优化公式对所述分类特征向量进行流形曲面的高斯概率密度参数二次正则化以得到所述优化后分类特征向量；其中，所述优化公式为：

v'_i＝(μσ)ν_i²+ν_iμ+(ν_i-σ)μ²

其中，v_i是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量中各个位置的特征值集合的均值和标准差，且ν'_i是所述优化后分类特征向量的第i个位置的特征值。

具体地，为了解决所述分类特征向量的特征集合的高维特征分布在查询特征映射的高维特征空间内的分布不规则化的问题，通过特征值针对分类器的类概率分布的高斯概率密度参数的似然性进行所述分类特征向量的各个特征值的二次正则化，来将基于目标类概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束，以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整，从而提升优化后的所述分类特征向量的特征分布的规则性，以提升优化后的所述分类特征向量通过分类器的分类准确性。这样，能够基于所述反应液的pH值和反应温度值的时序协同关联变化情况来实时准确地进行反应温度值的自适应控制，从而优化聚多巴胺的自聚合反应速率和涂层厚度，以提高煤矸石基沸石表面有机修饰的效果和效率。

更具体地，在步骤S180中，将所述优化后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。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增大或减小，以此来优化聚多巴胺的自聚合反应速率和涂层厚度。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一个具体示例中，如图6所示，将所述优化后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：S181，使用所述分类器的多个全连接层对所述优化后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，S182，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。

综上，基于本申请实施例的聚多巴胺修饰煤矸石基沸石的制备方法，所述参数控制步骤，其首先获取预定时间段内多个预定时间点的反应液的PH值和反应温度值，接着，将所述多个预定时间点的反应液的PH值和反应温度值分别按照时间维度排列为PH值时序输入向量和反应温度时序输入向量，然后，将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量，接着，对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵，然后，将所述PH值-温度关联矩阵通过作为特征提取器的卷积神经网络模型以得到PH值-温度关联特征矩阵，接着，以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量，然后，对所述分类特征向量进行特征分布优化以得到优化后分类特征向量，最后，将所述优化后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。

图7为根据本申请实施例的聚多巴胺修饰煤矸石基沸石的制备系统100的框图。如图7所示，根据本申请实施例的聚多巴胺修饰煤矸石基沸石的制备系统100，包括：制备模块10，用于将煤矸石通过使用碱熔-水热法制备得到煤矸石基沸石；自聚合反应模块20，用于将多巴胺在缓存溶液作用下通过自聚合反应形成聚多巴胺涂层以作为修饰剂；以及，有机修饰模块30，用于使用所述修饰剂对所述煤矸石基沸石进行表面有机修饰以得到聚多巴胺修饰煤矸石基沸石。

在一个示例中，在上述聚多巴胺修饰煤矸石基沸石的制备系统100中，还包括：对所述自聚合反应的当前时间点的反应温度值进行控制的参数控制模块；其中，所述参数控制模块，包括：数据获取单元，用于获取预定时间段内多个预定时间点的反应液的PH值和反应温度值；向量排列单元，用于将所述多个预定时间点的反应液的PH值和反应温度值分别按照时间维度排列为PH值时序输入向量和反应温度时序输入向量；多尺度特征提取模块，用于将所述PH值时序输入向量和反应温度时序输入向量分别通过包含第一卷积层、第二卷积层和第三卷积层的多尺度特征提取模块以得到多尺度PH值时序特征向量和多尺度反应温度时序特征向量；关联编码单元，用于对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵；特征提取单元，用于将所述PH值-温度关联矩阵通过作为特征提取器的卷积神经网络模型以得到PH值-温度关联特征矩阵；矩阵乘积单元，用于以所述多尺度反应温度时序特征向量作为查询特征向量，计算其与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量；优化单元，用于对所述分类特征向量进行特征分布优化以得到优化后分类特征向量；以及，反应温度值控制单元，用于将所述优化后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。

在一个示例中，在上述聚多巴胺修饰煤矸石基沸石的制备系统100中，所述多尺度特征提取模块，用于：将所述PH值时序输入向量通过所述多尺度特征提取模块的第一卷积层以得到第一尺度PH值特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；将所述PH值时序输入向量通过所述多尺度特征提取模块的第二卷积层以得到第二尺度PH值特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核；将所述PH值时序输入向量通过所述多尺度特征提取模块的第三卷积层以得到第三尺度PH值特征向量，其中，所述第三卷积层具有第三尺度的一维卷积核，所述第一尺度、所述第二尺寸和所述第三尺度均不相同；以及，将所述第一尺度PH值特征向量、所述第二尺度PH值特征向量和所述第三尺度PH值特征向量进行级联以得到所述多尺度PH值时序特征向量。

在一个示例中，在上述聚多巴胺修饰煤矸石基沸石的制备系统100中，所述关联编码单元，用于：以如下编码公式对所述PH值时序输入向量和所述反应温度时序输入向量进行关联编码以得到PH值-温度关联矩阵；其中，所述编码公式为：

其中，V_a表示所述PH值时序输入向量，表示所述PH值时序输入向量的转置向量，V_c表示所述反应温度时序输入向量，M表示所述PH值-温度关联矩阵，表示矩阵相乘。

在一个示例中，在上述聚多巴胺修饰煤矸石基沸石的制备系统100中，所述特征提取单元，用于：所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述PH值-温度关联特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述PH值-温度关联矩阵。

在一个示例中，在上述聚多巴胺修饰煤矸石基沸石的制备系统100中，所述矩阵乘积单元，用于：以如下乘积公式计算所述多尺度反应温度时序特征向量与所述PH值-温度关联特征矩阵之间的矩阵乘积以得到分类特征向量；其中，所述乘积公式为：

其中，M₁表示所述PH值-温度关联特征矩阵，V₁表示所述多尺度反应温度时序特征向量，V₂表示所述分类特征向量，表示矩阵相乘。

在一个示例中，在上述聚多巴胺修饰煤矸石基沸石的制备系统100中，所述优化单元，用于：以如下优化公式对所述分类特征向量进行流形曲面的高斯概率密度参数二次正则化以得到所述优化后分类特征向量；其中，所述优化公式为：

v'_i＝(μσ)ν_i²+ν_iμ+(ν_i-σ)μ²

其中，ν_i是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量中各个位置的特征值集合的均值和标准差，且ν'_i是所述优化后分类特征向量的第i个位置的特征值。

在一个示例中，在上述聚多巴胺修饰煤矸石基沸石的制备系统100中，所述反应温度值控制单元，用于：使用所述分类器的多个全连接层对所述优化后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。

这里，本领域技术人员可以理解，上述聚多巴胺修饰煤矸石基沸石的制备系统100中的各个模块的具体功能和操作已经在上面参考图2到图6的聚多巴胺修饰煤矸石基沸石的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的聚多巴胺修饰煤矸石基沸石的制备系统100可以实现在各种无线终端中，例如具有聚多巴胺修饰煤矸石基沸石的制备算法的服务器等。在一个示例中，根据本申请实施例的聚多巴胺修饰煤矸石基沸石的制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该聚多巴胺修饰煤矸石基沸石的制备系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该聚多巴胺修饰煤矸石基沸石的制备系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该聚多巴胺修饰煤矸石基沸石的制备系统100与该无线终端也可以是分立的设备，并且该聚多巴胺修饰煤矸石基沸石的制备系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

进一步地，根据本申请的另一方面，聚多巴胺修饰煤矸石基沸石的制备方法采用碱熔-水热法制备得到煤矸石基沸石后，再使用多巴胺在缓存溶液作用下通过自聚合反应形成的聚多巴胺涂层作为修饰剂对煤矸石基沸石进行表面有机修饰，即可得到聚多巴胺修饰煤矸石基沸石。具体步骤为：(1)按1:1.2的质量比将球磨煤矸石与NaOH混合后置于马弗炉进行煅烧，煅烧3小时，煅烧停止后冷却至室温，研磨，制得碱活化煤矸石；

(2)以1：20的固液比将碱活化煤矸石溶入NaOH溶液中，室温持续搅拌12h，使其充分分散得到碱熔煤矸石分散液；然后将上述碱熔煤矸石分散液转移到水热合成反应釜中；最后将水热合成反应釜置于105℃烘箱内持续加热12h，加热停止后冷却至室温，通过分离作用实现固液分离，洗涤干燥后得到煤矸石基沸石；(3)将盐酸多巴胺溶于乙醇水溶液，同时加入Tris-HCl缓冲液得到多巴胺溶液；然后用稀盐酸或稀NaOH溶液将混合液pH调节至8.5；(4)最后将煤矸石基沸石加入到多巴胺溶液中，室温下充分搅拌30min即可得到聚多巴胺修饰煤矸石基沸石。

在本申请的一个示例中，所述的碱熔-水热法制备得到碱活化煤矸石具体步骤为：球磨煤矸石与NaOH混合后置于马弗炉进行煅烧，煅烧3小时，煅烧停止后冷却至室温，研磨，制得碱活化煤矸石。

在本申请的一个示例中，所述的煤矸石基沸石制备具体步骤为：将碱活化煤矸石溶入NaOH溶液中，室温持续搅拌使其充分分散得到碱熔煤矸石分散液；然后将上述碱熔煤矸石分散液转移到水热合成反应釜中；最后将高压反应釜置于105℃烘箱内持续加热12h，加热停止后冷却至室温，通过分离作用实现固液分离，洗涤干燥后得到煤矸石基沸石。

在本申请的一个示例中，将盐酸多巴胺溶于乙醇水溶液，同时加入Tris-HCl缓冲液得到多巴胺溶液；然后用稀盐酸或稀NaOH溶液将混合液pH调节至8.5；最后将煤矸石基沸石加入到多巴胺溶液中，室温下充分搅拌30min即可得到聚多巴胺修饰煤矸石基沸石。

在本申请的一个示例中，所述的球磨煤矸石与NaOH的质量比为1:1.2。所述的碱活化煤矸石与NaOH溶液的固液比为1：20，搅拌时间为12小时。

在本申请的一个示例中，所述的盐酸多巴胺的用量为0.4mg，所述的Tris-HCl缓冲液的摩尔浓度为20mmol/L，体积为10mL。

在本申请的一个示例中，提供一种聚多巴胺修饰煤矸石基沸石，该聚多巴胺修饰煤矸石基沸石的BET比表面积、孔容、BJH孔径分别为52.2348m2/g、0.0784cm3/g、14.7101nm。该聚多巴胺修饰煤矸石基沸石为一种以煤矸石为原料合成沸石，并以多巴胺为聚合单体在缓冲溶液环境下对沸石表面进行有机修饰，从而形成的有机-无机杂化材料。

进一步，对聚多巴胺修饰煤矸石基沸石的材料表征进行说明。在本申请的技术方案中，可以采用X射线衍射光谱分析(XRD、傅立叶变换红外光谱分析(FT-IR)、扫描电镜分析(SEM)等表征分析方法对聚多巴胺修饰煤矸石基沸石的材料表征进行获取。

其中，X射线衍射光谱分析(XRD)方法：将煤矸石原料、沸石、PDA@沸石、TA@沸石粉末样品置于载玻片上，使用X射线衍射仪进行测试，仪器型号为日本Rigaku SmartLab SE，测试范围为5°-80°，扫描速度为5°/min，光源是Cu-Kα射线，管电压是40kV，管电压为30mA。物相结构采用Jade6.0软件进行分析，衍射峰强度表示相对含量的多少。

其中，傅立叶变换红外光谱分析(FT-IR)方法：采用型号为Thermo ScientificNicolet iS20的傅立叶红外光谱仪分析吸附剂改性前后表面官能团的变化。在干燥的环境中，取肉眼可的少量样品和适量干燥的溴化钾粉末加入研钵中，充分研磨多次，然后放入压片机上压片(压成透明薄片)，测试时先采集背景，然后采集样品的红外光谱，分辨率为4cm^-1，扫描次数为32次，测试波数范围为500-4000cm^-1。

其中，扫描电镜分析(SEM)方法：取微量样品直接粘到导电胶上，并使用QuorumSC7620溅射镀膜仪喷金45s，喷金为10mA；随后使用ZEISS Sigma 300扫描电子显微镜拍摄样品形貌。

如图8所示，从GZ和PDA@GZ的XRD图谱可以看出，经PDA改性后，PDA@GZ的衍射峰与矸石基沸石几乎没有差异，这表明PDA没有破坏GZ的晶体结构，原因在于PDA是非晶态物质，为改性材料的表面涂层，不影响沸石的晶形。PDA@GZ中煤矸石基沸石的特征衍射峰增强，可能是PDA与GZ之间的非共价化学键结合一定程度上增加了PDA@GZ结晶度。

如图9所示，在FT-IR光谱图中，PDA@GZ在3000-3600cm^-1之间的吸收峰与GZ相比宽度增加，是由于N-H和O-H的伸缩振动峰叠加而成，在3200cm^-1处有一个肩峰，属于-NH拉伸振动。经PDA涂层改性后，1623cm^-1处的吸收峰强度因苯环的C-C拉伸振动明显增加。在1367、875cm^-1的峰归因于C-N-C、N-H官能团的拉伸振动，这些官能团与PDA内的吲哚结构有关。综上所述，多巴胺在矸石基沸石GZ表面成功自聚合。

图10为GZ和PDA@GZ的电镜扫描图，如图10所示，经PDA涂层修饰后，PDA@GZ表面颗粒增加，多巴胺以形状不规则的聚合体附着于表面，使PDA@GZ的孔隙结构更多，比表面积增加，同时在成功接枝PDA后，PDA中的活性基团如胺基、酚基等的加入，增加PDA@GZ表面的吸附位点，有利于提高GZ吸附重金属的性能。

进一步的，考察以上实例中制备的煤矸石基沸石和聚多巴胺修饰煤矸石基沸石在不同pH下吸附Cd(Ⅱ)性能，结果如图11所示。PDA@GZ对重金属的吸附量在2-7的pH下都远远高于GZ，能更好地吸附重金属Cd(Ⅱ)，PDA修饰是一种能明显提高矸石基沸石吸附Cd(Ⅱ)性能的改性方法。

相应地，通过对样品材料的物理性质和化学性质进行表征分析可知：碱熔水热能有效的制备出具有球状或类球状微孔结构，表面为粗糙且不规则脊状凸起的煤矸石基沸石，多巴胺在矸石基沸石GZ表面成功自聚合，得到了PDA@GZ。本发明方案利用大宗固废(煤矸石)为原料可以获得附加值较高的沸石，实现了煤矸石的综合利用，解决了这种固体废物堆存中的环境问题。经过修饰后的沸石材料，在吸附性能方面都优于未经修饰的煤矸石基沸石，利用煤矸石基沸石及其衍生材料为吸附材料去除重金属废水中Cd，达到“以废治废”的环境和经济效益。

本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。