CN101551374B - 预测洗涤产品的抗菌性能或关键成分含量的方法及装置 - Google Patents

预测洗涤产品的抗菌性能或关键成分含量的方法及装置 Download PDF

Info

Publication number
CN101551374B
CN101551374B CN 200910084237 CN200910084237A CN101551374B CN 101551374 B CN101551374 B CN 101551374B CN 200910084237 CN200910084237 CN 200910084237 CN 200910084237 A CN200910084237 A CN 200910084237A CN 101551374 B CN101551374 B CN 101551374B
Authority
CN
China
Prior art keywords
cleaning
microbial property
predicted
ingredient content
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN 200910084237
Other languages
English (en)
Other versions
CN101551374A (zh
Inventor
徐华
崔安颀
大谷庆彦
井内文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN 200910084237 priority Critical patent/CN101551374B/zh
Publication of CN101551374A publication Critical patent/CN101551374A/zh
Application granted granted Critical
Publication of CN101551374B publication Critical patent/CN101551374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种预测洗涤产品的抗菌性能或关键成分含量的方法及装置,属于日用化工产品领域。所述方法包括:获取并存储洗涤产品在各关键成分含量比例不同的条件下的抗菌性能,形成实验数据集;对实验数据集中的每组实验数据进行预处理;将经过预处理的实验数据集作为神经网络的输入,对神经网络进行训练,得到适合待预测洗涤产品的神经网络预测模型;根据输入的相应参数及适合所述洗涤产品的神经网络预测模型,对所述洗涤产品的抗菌性能或关键成分含量进行预测。本发明通过训练得到适合洗涤产品的神经网络预测模型,并通过神经网络预测模型实现预测洗涤产品的抗菌性能或关键成分含量,具有降低预测误差,减少洗涤产品的研发周期及成本的效果。

Description

预测洗涤产品的抗菌性能或关键成分含量的方法及装置技术领域[0001] 本发明涉及日用化工产品领域,特别涉及一种预测洗涤产品的抗菌性能或关键成 分含量的方法及装置。背景技术[0002] 人们日常用到的洗涤产品多种多样,种类不同的洗涤产品对应的关键成分也有所 不同。在研发洗涤产品时,除了要掌握洗涤产品的关键成分外,为了满足人们对该洗涤产品 的使用要求,还要使洗涤产品的抗菌性能达到期望值。[0003] 在判断洗涤产品的抗菌性能是否达到期望值时,现有一种测试方法:首先按照适 宜条件预先培养一定数量的受试菌株,并在添加待测试的洗涤产品后,进行模拟洗涤,以细 菌数量前后变化倍数的对数来表示抗菌性能,即用细菌的对数减少量代表待测试洗涤产品 的抗菌性能。[0004] 在实现本发明的过程中,发明人发现现有测试方法存在以下缺点:[0005] 在测试洗涤产品的抗菌性能时,需要针对不同种类的洗涤产品分别进行测试实 验,每次实验的结果有时会存在较大误差,从而导致实验结果的参考性有偏差;除此之外, 由于每进行一次实验测试都将需要一段时间,因此,不能满足快速研发洗涤产品的需求。发明内容[0006] 为了降低对洗涤产品的抗菌性能或关键成分含量的预测误差,减少洗涤产品的研 发周期及成本,本发明实施例提供了一种预测洗涤产品的抗菌性能或关键成分含量的方法 及装置。所述技术方案如下:[0007] —方面,提供了一种预测洗涤产品的抗菌性能或关键成分含量的方法,所述方法 包括:[0008] 获取并存储洗涤产品在各关键成分含量比例不同的条件下的抗菌性能,得到含有 所述各关键成分含量及对应的抗菌性能的多组实验数据,形成实验数据集;[0009] 对所述实验数据集中的每组实验数据进行预处理;[0010] 将所述经过预处理的实验数据集作为神经网络的输入,对所述神经网络进行训 练,得到适合待预测洗涤产品的神经网络预测模型,所述待预测洗涤产品与所述洗涤产品类型一致;[0011] 根据输入的相应参数及适合所述待预测洗涤产品的神经网络预测模型,对所述待 预测洗涤产品的抗菌性能或关键成分含量进行预测。[0012] 另一方面,提供了一种预测洗涤产品的抗菌性能或关键成分含量的装置,所述装 置包括:[0013] 数据存储模块,用于获取并存储洗涤产品在各关键成分含量比例不同的条件下的 抗菌性能,得到含有所述各关键成分含量及对应的抗菌性能的多组实验数据,形成实验数 据集;[0014] 预处理模块,用于对所述实验数据集中的每组实验数据进行预处理;[0015] 训练模块,用于将所述经过预处理的实验数据集作为神经网络的输入,对所述神 经网络进行训练,得到适合待预测洗涤产品的神经网络预测模型;[0016] 预测模块,用于根据输入的相应参数及适合所述待预测洗涤产品的神经网络预测 模型,对所述待预测洗涤产品的抗菌性能或关键成分含量进行预测。[0017] 本发明实施例提供的技术方案的有益效果是:[0018] 通过将被预处理之后的洗涤产品的多组实验数据作为神经网络的输入,对神经网 络进行训练,得到适合待预测洗涤产品的神经网络预测模型,并根据输入的相应参数及适 合待预测洗涤产品的神经网络预测模型,实现对该待预测洗涤产品的抗菌性能或关键成分 含量的预测,不仅有效降低了预测误差,还能够缩短洗涤产品的研发周期,同时还可降低洗 涤产品的研发成本。附图说明[0019] 为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使 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发明的一些实施例,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。[0020] 图1是本发明实施例1提供的预测洗涤产品的抗菌性能或关键成分含量的方法流 程图;[0021] 图2是本发明实施例2提供的预测洗涤产品的抗菌性能或关键成分含量的方法流 程图;[0022] 图3是本发明实施例2提供的典型迭代神经网络结构示意图;[0023] 图4是本发明实施例2提供的神经网络工作流程示意图;[0024] 图5是本发明实施例2提供的神经网络预测模型示意图;[0025] 图6是本发明实施例3提供的预测洗涤产品的抗菌性能或关键成分含量的方法流 程图;[0026] 图7是本发明实施例3提供的神经网络预测模型示意图;[0027] 图8是本发明实施例4提供的预测洗涤产品的抗菌性能或关键成分含量的方法流 程图;[0028] 图9是本发明实施例5提供的预测洗涤产品的抗菌性能或关键成分含量的装置结 构示意图;[0029] 图10是本发明实施例5提供的预测模块结构示意图;[0030] 图11是本发明实施例5提供的第二预测单元结构示意图;[0031] 图12是本发明实施例5提供的另一种预测洗涤产品的抗菌性能或关键成分含量 的装置结构示意图;[0032] 图13是本发明实施例5提供的预测洗涤产品的抗菌性能或关键成分含量的装置 运行支撑环境示意图。具体实施方式[0033] 为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。[0034] 实施例1[0035] 参见图1,本实施例提供了一种预测洗涤产品的抗菌性能或关键成分含量的方法, 方法流程如下:[0036] 101 :获取并存储洗涤产品在各关键成分含量比例不同的条件下的抗菌性能,得到含有所述各关键成分含量及对应的抗菌性能的多组实验数据,形成实验数据集;[0037] 102 :对所述实验数据集中的每组实验数据进行预处理;[0038] 103 :将所述经过预处理的实验数据集作为神经网络的输入,对所述神经网络进行训练,得到适合待预测洗涤产品的神经网络预测模型,所述待预测洗涤产品与所述洗涤产品类型一致;[0039] 104 :根据输入的相应参数及适合所述待预测洗涤产品的神经网络预测模型,对所述待预测洗涤产品的抗菌性能或关键成分含量进行预测。[0040] 通过将被预处理之后的洗涤产品的多组实验数据作为神经网络的输入,对神经网络进行训练,得到适合待预测洗涤产品的神经网络预测模型,并根据输入的相应参数及适合待预测洗涤产品的神经网络预测模型,实现对待预测洗涤产品的抗菌性能或关键成分含量的预测,不仅能够缩短洗涤产品的研发周期,有效降低预测误差,同时还可降低洗涤产品的研发成本。 [0041] 实施例2 [0042] 本实施例提供了一种预测洗涤产品的抗菌性能或关键成分含量的方法,本实施例以根据洗涤产品的关键成分含量预测其抗菌性能为例,对本实施例提供的方法进行详细说明。其中,若两种洗涤产品中的关键成分相同,则认为这两种洗涤产品的类型相同。具体地,洗涤产品包括但不限于洗衣粉和洗涤液这两种类型,本实施例以洗涤产品中的洗衣粉为例,并对预测洗衣粉的抗菌性能的方法进行说明。其中,洗衣粉中的关键成分包括但不限于 LAS (LinearAlkylbenzene Sulfonate,阴离子表面活性剂)、NOBS (Sodium Nonanoyl OxyBenzene Sulfonate,壬酸基苯横酸钠)和 SPC (Sodium Percarbonate,过碳酸钠);参见图2,方法流程如下:[0043] 201 :获取并存储洗衣粉在各关键成分含量比例不同的条件下的抗菌性能,得到多组实验数据,形成实验数据集;[0044] 针对该步骤,获取洗衣粉在各关键成分含量比例不同的条件下的抗菌性能时,主要分为以下几步:[0045] (a)将受试菌株(金黄色葡萄球菌和大肠杆菌,109cfu/mL)于马血清(体积分数 5% )中接种,每样本20 μ L。[0046] (b)在一定条件下烘干,环境条件:相对湿度80% RH (Relative humidity,相对湿度);温度条件:35±2°C ;烘干时间:20分钟(min)。[0047] (C)将加入培养好的细菌的织物与洗衣粉一起进行离心。[0048] (d)在翻滚装置中进行模拟洗涤,以实现除菌。水与织物比为17,环境温度:25°C; 洗涤时间10分钟;模拟洗涤过程翻滚装置的转速:60转/分(rpm)。[0049] (e)从洗涤结果中提取试验液体样本(中和)。[0050] (f)对试验液体样本中的细菌总数进行测试计数。[0051] 完成上述实验步骤后,采用细菌数量前后变化倍数的对数表示抗菌性能。检测范围为0-51og,大于51og表明细菌总数低于可检测的低限。数据误差在±0. 51og之间。在工业生产中,大于21og即视为实验成功。[0052] 因洗涤产品的抗菌性能主要依赖于其配方中不同关键成分的含量,该步骤中的实验数据包括但不限于洗衣粉配方中的上述3种不同关键成分含量及细菌总数的对数减少量(即对应的抗菌性能)。其中,本实施例仅以洗衣粉对金黄色葡萄球菌和大肠杆菌这两种细菌的抗菌性能进行测试,当然,还可以预先培养其它种类的细菌,通过同样方法,实现对其它种类细菌的抗菌性能进行测试,本实施例不对具体的细菌种类进行限定,也不对具体测试哪种细菌的抗菌性能进行限定,同样也不对获取实验数据的方式进行具体限定。[0053] 202 :对存储的实验数据集中的每组实验数据进行预处理;[0054] 具体地,对于实验数据集中的每组实验数据,可能存在关键成分相同,却对应多个抗菌性能的情况,例如:设抗菌性能为P,则对于t组实验数据:[0055] LAS1, NOBS1, SPC1 =P1[0056] LAS2, NOBS2, SPC2 :P2[0057] LAS3, NOBS3, SPC3 :P3[0058] ......[0059] LASt, NOBSt, SPCt :Pt[0060]若 LAS1 = LAS2 = L = LASt, NOBS1 = NOBS2 = L = NOBSt, SPC1 = SPC2 = L = SPCt,则为了使实验数据·更加合理,则将上述t组数据由LAS1, NOBS1, SPC1孑代替,其中,P =紅、八。k=\[0061 ] 除此之外,对于每种洗涤产品,还存在一个自然规律:即关键成分含量越多,抗菌性能应该越强,即灭菌效果越好(至少不坏)。例如:对于某两组数据:[0062] LAS1, NOBS1, SPC1 =P1[0063] LAS2, NOBS2, SPC2 :P2[0064]若存在 LAS1 ( LAS2, NOBS1 ( NOBS2, SPC1 ( SPC2,则 P1 彡 P2,如果出现 P1 > P2,则认为这种情形不符合自然规律,即不满足单调性,应对这种情况进行消除,即需要对实验数据进行单调性检测,对存在单调性冲突的实验数据进行单调性修正,具体方式如下:对于t 组数据:[0065] LAS1, NOBS1, SPC1 =P1[0066] LAS2, NOBS2, SPC2 :P2[0067] LAS3, NOBS3, SPC3 :P3[0068] ......[0069] LASt, NOBSt, SPCt :Pt[0070]若 LAS1 ( LAS2 彡 L 彡 LASt, NOBS1 ( NOBS2 彡 L 彡 NOBSt, SPC1 ( SPC2 彡 L 彡 SPCt, 但P1 > P2, P1 > P3,…,P1 > Pt,则采用以P代替P1, P2, P3,· · ·,Pt的方式,消除存在的单调性冲突。其中,戶八。[0071] 消除存在的单调性冲突之后,因本实施例提供的方法在后续步骤需要应用神经网络,为了便于神经网络计算,从而使预测结果更加合理,还需按预测范围,将输入的各关键成分含量归一化处理,使每种关键成分含量的取值均在-1到I之间。对每组实验数据进行上述几个步骤之后,即可完成对实验数据集的预处理。[0072] 203 :使用经过预处理的实验数据集,对神经网络进行训练,自动调整神经网络的权重,得到适合待预测洗衣粉的神经网络预测模型;[0073] 其中,神经网络是仿照大脑神经突连接的结构而设计的一种数学模型,这种数学模型可以比较通用地进行信息处理。参见图3,以典型的迭代神经网络结构为例,一个神经网络包含大量的节点,即仿照大脑中的“神经元”,节点一般分层排布,之间相互连接,每个节点有一些输入和一个输出,节点间的连接代表一个对通过该连接信号的加权值,称为神经网络的权重,相当于人工神经网络的记忆,通过节点间的连接,前一层节点的输出在加权后,成为后一层节点的输入。如图3所示,中间层的两个节点Z1 (k)和z2(k)通过有延迟的反馈,连接到了输入层的两个节Az1(Ic-1)和220^-1)中。神经网络的输入输出均为实数, 因此,人工神经网络可用于处理多种实际问题,神经网络工作流程可如图4所示,经过该步骤进行训练之后,得到的适合于洗衣粉的抗菌性能的神经网络预测模型,如图5所示。[0074] 对于本步骤,以存储的实验数据集作为神经网络的输入,对神经网络进行训练,基于梯度下降的反馈学习原理,使神经网络对实验数据集的多组实验数据进行学习后,掌握到该实验数据集的规律,从而自动调整权重,最终形成适合该洗衣粉的神经网络预测模型, 该神经网络预测模型的权重将保存,供以后多次预测使用。需要说明的是,在形成适合该洗衣粉的神经网络预测模型后,与该洗衣粉具有相同关键成分的洗涤产品,均可应用该神经网络预测模型进行抗菌性能或关键成分含量的预测,而不必重复形成神经网络预测模型, 由此可以看出,通过本实施例提供的方法得出的神经网络预测模型的应用价值比较高,在研发洗涤产品时,只需输入对应的关键成分含量,即可通过对应的神经网络预测模型得出抗菌性能,不仅减少了研发洗涤产品的 周期,因无需进行多次测试实验,从而可以减少研发成本。[0075] 204:根据输入的相应参数,使用适合于洗衣粉的神经网络预测模型,对待预测洗衣粉进行抗菌性能预测,得到待预测洗衣粉对应的抗菌性能;[0076] 具体地,因对应的神经网络预测模型为训练成功的神经网络,该神经网络在预测洗衣粉的抗菌性能时,已经产生了确定的权重值。此时输入的相应参数,为洗衣粉的各个关键成分含量,将待预测的洗衣粉的各个关键成分含量作为适合洗衣粉的神经网络预测模型的输入,即可通过神经网络输出对应的抗菌性能(值)。[0077] 205 :对神经网络输出的抗菌性能进行后处理,以符合实际数据范围。[0078] 具体地,对神经网络输出的抗菌性能进行后处理,主要是在对实验数据进行预处理时,将实验数据进行了归一化处理,使实验数据范围缩小了,因此,此时神经网络输出的抗菌性能在-1到I之间,为了得到实际数据,应将输出的数据进行缩放处理,对于本实施例的实验数据,选择将其放大至O到6之间。具体地放大倍数,应结合需求进行确定,不同的洗涤产品,对应的放大倍数也会有所不同。[0079] 综上所述,本实施例通过预先存储洗衣粉在各关键成分含量比例不同的条件下的抗菌性能的实验数据,形成实验数据集,并对该实验数据集进行预处理后,作为神经网络的输入,对神经网络进行训练,得到适合于洗衣粉的神经网络预测模型。通过利用该神经网络预测模型,在输入相应的所有关键成分含量后,即可由神经网络预测模型输出对应的抗菌性能,从而实现对洗衣粉的抗菌性能的预测,该种预测方法不仅能够缩短洗衣粉产品的研发周期,同时,由于在对神经网络进行训练时,使用的实验数据均经过了预处理,因此,该神经网络预测模型输出的预测结果更为合理,误差较小。[0080] 实施例3[0081] 本实施例提供了一种预测洗涤产品的抗菌性能或关键成分含量的方法,以洗涤产品中的洗涤液为例,对本实施例提供的方法进行说明。其中,洗涤液的关键成分包括但不限 ψ AES (Alcohol Ether Sulfate,醇醚硫酸盐,也称阴离子表面活性剂)、AO (Amine Oxide, 氧化胺)、SCS(Sodium Cumene Sulfonate,硫酸异丙苯钠),Ethanol (乙醇)和 Citric acid(柠檬酸)。参见图6,方法流程如下:[0082] 601 :获取并存储洗涤液在各关键成分含量比例不同的条件下的抗菌性能,得到多组实验数据,形成实验数据集;[0083] 针对该步骤,获取洗涤液在各关键成分含量比例不同的条件下的抗菌性能时,主要分为以下几步:[0084] (a)将测试用海绵装袋,并放入螺旋封口的瓶中,容积110mL。[0085] (b)制备细菌悬浮液(含金黄色葡萄球菌和大肠杆菌)。振荡,并调整培养基(NB, Nutrient Broth)与水质硬度。之后向瓶中添加细菌悬浮液(0. 5mL)。[0086] (c)用直径20mm、长15cm的灭菌玻璃棒扎破封袋使细菌悬浮液穿透海绵。重复10 次 。[0087] (d)静置封口瓶Ih,环境温度25 °C,使细菌沉降至海绵中。[0088] (e)添加测试洗涤液样本(0. 5mL)。[0089] (f)仍用玻璃棒使测试样本渗入海绵,重复100次。[0090] (g)带封盖将瓶静置18h,环境温度25°C。[0091] (h)添加20mL中和剂、提取测试洗涤液样本。[0092] (i)对测试洗涤液样本中的细菌总数计数。[0093] 完成上述实验步骤后,仍采用细菌数量前后变化倍数的对数减少量表示抗菌性能。检测范围为0-71og,大于71og表明结果细菌总数低于可检测的低限。数据误差在 ±0. 51og之间。在工业生产中,大于21og即视为成功。[0094] 因洗涤产品的抗菌性能主要依赖于其配方中不同关键成分的含量,该步骤中的实验数据包括但不限于洗涤液配方中的上述5种不同关键成分的含量及细菌总数的对数减少量(抗菌性能值)。其中,本实施例仅以洗涤液对金黄色葡萄球菌和大肠杆菌这两种细菌的抗菌性能进行测试。当然,还可以预先培养其它种类的细菌,通过同样方法,实现对其它种类细菌的抗菌性能进行测试,本实施例不对具体的细菌种类进行限定,也不对具体测试哪种细菌的抗菌性能进行限定,同样也不对获取实验数据的方式进行具体限定。[0095] 602 :对存储的实验数据集中的每组实验数据进行预处理;[0096] 具体地,对于实验数据集中的每组实验数据,可能存在关键成分含量相同,却对应多个抗菌性能的情况,例如:设抗菌性能为P,则对于以下t组实验数据:[0097] AES1, AO1, SCS1, Ethanol1, Citrate1 =P1[0098] AES2,A02,SC02,Ethanol2,Citrate2 :P2
[0099] AES3,A03,SCS3,Ethanol3,Citrate3 :P3
[0100] ......
[0101] AESt,A0t,SCSt,Ethanolt,Citratet :Pt
[0102]若 AES! = AES2 = L = AESt,A0l = A02 = L = A0t,SCSX = SCS2 = L = SCSt,Ethano 1 x
=Ethanol2 = L = Ethanolt, Citrate! = Citrate2 = L = Citratet,为了使实验数据更加合
理,则上述t组数据可由AESpAOpSCSpEthanolpCitratei孑代替,其中,
Figure CN101551374BD00101
[0103] 除此之外,对于每种洗涤产品,还存在一个自然规律:即关键成分含量越多,抗菌 性能越强,即灭菌效果越好(至少不坏)。例如:对于某两组数据:
[0104] AESp AOp SCSp Ethanol^, Citrate! :Pi
[0105] AES2, A02, SCS2, Ethanol2, Citrate2 :P2
[0106]若 AESi ( AES2, A0i ( A02, SCS! ( SCS2, Ethanol! ( Ethanol2, Citrate! ( Citrate2,贝丨J P: ( P2,如果出现P1 > P2,则认为这种情形不符合自然规律,即不 满足单调性,应对这种情况进行消除,即需要对实验数据进行单调性检测,对存在单调性冲 突的实验数据进行单调性修正,具体方式如下:对于t组数据:
[0107] AESp AOp SCSp Ethanol^, Citrate! :Pi
[0108] AES2, A02, SCS2, Ethanol2, Citrate2 :P2
[0109] AES3, A03, SCS3, Ethanolg, Citrate3 :P3
[0110] ......
[0111] AESt, AOp SCSt, Ethanolt, Citratet :Pt
[0112]若
Figure CN101551374BD00102
,则采用以F代替Pp P2,P3,. . .,Pt的方式,消除存在的单调性冲突。
其中,
Figure CN101551374BD00103
[0113] 由于本实施例以洗涤液中含有的5种关键成分作为神经网络的输入为例,对于 神经网络而言,输入向量的维数越高,实验数据中存在隐含冲突的可能性越大,因此,在对 实验数据的单调性进行修正之后,为了进一步消除实验数据中可能存在的隐含冲突,本实 施例采取对输入向量进行变换,针对洗涤液的一组实验数据:AESi,AOp SCSp Ethanol^ Citratei :Pi,对其进行变换之后,得到如下数据:
[0114]
Figure CN101551374BD00104
[0115]其中,若 AO: = 0,则定义 AES/AOi = 0。
[0116] 进一步地,为了使预测结果更加合理,同实施例2,仍需按预测范围,将输入的各关 键成分含量归一化处理,使每种关键成分含量的取值均在-1到1之间。
[0117] 通过上述几个步骤后,完成了对实验数据集的预处理。
[0118] 603 :使用经过预处理的实验数据集,对神经网络进行训练,自动调整神经网络的 权重,得到适合待预测洗涤液的神经网络预测模型;
[0119] 对于本步骤,以存储的实验数据集作为神经网络的输入,对神经网络进行训练,基于梯度下降的反馈学习原理,使神经网络经过学习后,自动调整权重,完成对神经网络的训 练,最终形成适合该洗涤液的神经网络预测模型,该神经网络预测模型的权重将保存,供以 后多次预测使用。需要说明的是,在形成适合该洗涤液的神经网络预测模型后,与该洗涤液 具有相同关键成分的洗涤产品,均可应用该神经网络预测模型进行抗菌性能或关键成分含 量的预测,而不必重复形成神经网络预测模型。[0120] 604:根据输入的相应参数,使用对应的神经网络预测模型,对待预测的洗涤液进 行抗菌性能的预测,得到对应的抗菌性能;[0121] 具体地,因对应的神经网络预测模型为训练成功的神经网络,该神经网络在预测 洗涤液的抗菌性能时,已经产生了确定的权重值。针对本步骤,输入的相应参数包括洗涤液 的各个关键成分含量,因此,将待预测的洗涤液的关键成分含量作为适应于洗涤液的神经 网络预测模型的输入,即可通过神经网络输出对应的抗菌性能。本实施例以洗涤液中包含5 种关键成分为例,神经网络工作流程仍如图4所示,经过该步骤进行训练之后,得到适应于 洗涤液的抗菌性能的神经网络预测模型,如图7所示。[0122] 605 :对神经网络输出的抗菌性能进行后处理,以符合实际数据范围。[0123] 具体地,对神经网络输出的抗菌性能进行后处理,主要是在对实验数据进行预处 理时,将实验数据进行了归一化处理,使实验数据范围缩小了,因此,此时神经网络输出的 抗菌性能在-1到I之间,为了得到实际数据,应将输出的数据进行缩放处理。对于本实施 例得到的神经网络输出的抗菌性能,选择将其放大至O到8之间。具体地放大倍数,应结合 需求进行确定,不同的洗涤产品,对应的放大倍数也会有所不同。[0124] 进一步地,根据本实施例提供的方法,不仅可以得出适应于洗涤液的神经网络预 测模型,在研发其它洗涤产品时,应用本实施例提供的方法,还可以训练得到适应于多种洗 涤产品的神经网络预测模型,在形成神经网络预测模型后,只需输入对应的关键成分含量, 即可通过对应的神经网络预测模型得出抗菌性能,不仅减少了研发洗涤产品的周期,因该 种预测方法无需进行多次测试实验,从而可以减少研发成本。[0125] 综上所述,本实施例通过预先存储洗涤液在各关键成分含量比例不同的条件下的 抗菌性能,得到多组实验数据,形成实验数据集,并对该实验数据集进行预处理后,作为神 经网络的输入,对神经网络进行训练,得到适应于洗涤液的神经网络预测模型。通过利用该 神经网络预测模型,在输入相应的关键成分含量后,即可由神经网络预测模型输出对应的 抗菌性能,从而实现对洗涤液的抗菌性能的预测,该种预测方法不仅能够缩短洗涤液产品 的研发周期,同时,由于在对神经网络进行训练时,使用的实验数据均经过了预处理,因此, 该神经网络预测模型输出的预测结果更为合理,误差较小。[0126] 实施例4[0127] 参见图8,本实施例提供了一种预测洗涤产品的抗菌性能或关键成分含量的方法, 通过该方法,可以实现在给定期望的抗菌性能,即在已知期望的抗菌性能时,预测出未知关 键成分含量的最小值。本实施例仍以洗衣粉的关键成分LAS、NOBS和SPC为例;基于实施 例2已经训练好的适应于洗衣粉的神经网络预测模型,对洗衣粉的未知关键成分含量进行 预测,具体方法流程如下所示:[0128] 801 :根据输入的待预测洗衣粉的部分关键成分含量及对该待预测洗衣粉期望的 抗菌性能,预先设定待预测洗衣粉的未知关键成分含量的初始值,并设定调整该初始值的最小步长;[0129] 具体地,由于各种关键成分含量之间的关系不定,在实际预测时,本实施例仅以预测洗衣粉中的一种关键成分含量的最小值为例,因此,针对洗衣粉,输入的部分关键成分含量给定了洗衣粉中的两种关键成分含量,而另一种未给定的关键成分含量即为待预测的关键成分含量。[0130] 802 :将输入的部分关键成分含量进行归一化处理,并将归一化处理之后的部分关键成分含量,及预先设定的未知关键成分含量的初始值作为适应于该洗衣粉的神经网络预测模型的输入,使神经网络预测模型进行抗菌性能预测,判断神经网络预测模型预测出的抗菌性能是否达到期望的抗菌性能,如果预测出的抗菌性能未达到期望的抗菌性能,则执行803,如果预测出的抗菌性能达到期望的抗菌性能,则执行804 ;[0131] 针对该步骤,为了便于神经网络预测模型的计算,因此,仍采取将输入的部分关键成分含量进行归一化处理,同理,预先设定的未知关键成分含量的初始值也为经过归一化处理的值。[0132] 803:根据预先设定的最小步长,调整初始值,通过神经网络预测模型重新进行抗菌性能预测,直至预测出的抗菌性能达到期望的抗菌性能,得到对应的未知关键成分含量的最小值; [0133] 针对本步骤,可采用梯度下降和折半查找结合的方法,对关键成分含量的最小值进行预测,同时,为了保证预测结果的实用性,不会预测出无限大的关键成分含量,所以还需预先设定未知关键成分含量的 最大值。神经网络根据给定的两种关键成分含量及设定的初始值,每预测一次抗菌性能,如果预测出的抗菌性能未达到期望的抗菌性能,则以设定的最小步长调整初始值,其中,最小步长能够体现出神经网络预测模型预测结果的精度,但调整之后的初始值不会超出设定的最大值。具体地,此预测步骤可通过以下一段伪代码进行描述:[0134] while (step > minimumStepMlevel < maximumLevel)[0135] nextLevel = level+step ;[0136] if (predict (nextLevel) < target)[0137] level = nextLevel ;[0138] else[0139] step = step/2 ;[0140] end_if[0141] end_while[0142] if (level > maximumLevel)[0143] Output ( “Prediction failed. ”);[0144] else[0145] Output(level+step*2);[0146] end_if[0147] 其中,level为预先设定的初始值,maximumLevel为最大预测值,minimumStep为最小步长,step为调整的实际步长。以上伪代码仅为本实施例提供的一种实现预测的方式,根据本实施例提供的方法,还可以存在其它的实现预测的方式,本实施例不对实现预测的方式做具体限定。[0148] 804 :对得到的预测结果,即得到的未知关键成分含量的最小值进行修正;[0149] 具体地,神经网络预测模型在进行抗菌性能预测时,以保证单调性为前提,但在实 际数据预测时,单调性条件未必一定满足,例如:设期望的抗菌性能为Ptl,神经网络预测模 型预测出较Po略低的抗菌性能Pp P2,其中,P2 < P1 < P。,对应三种抗菌性能W2的未 知关键成分含量的预测结果记为U,L1, L2。如果这三个预测结果满足单调性原理(L2 < L1 < L0),则输出结果Ltl ;如果这三个预测结果存在L2 > L1或L1 > L0,则要在三个预测结果组 成的两个相邻区间中,递归查找抗菌性能的最大值,并以查找到的抗菌性能的最大值对应 的未知关键成分含量的最小值作为最终的输出。这样可以保证关键成分含量增加时,抗菌 性能更好或至少不坏。[0150] 805 :对修正过的未知关键成分含量的最小值进行后处理,以符合实际数据范围。[0151] 具体地,因神经网络预测模型的输入为经过归一化处理的值,使实验数据范围缩 小了,因此,修正之后的未知关键成分含量的最小值也在-1到I之间,为了得到实际数据, 应将修正之后的最小值进行缩放处理,对于本实施例得到的未知关键成分含量的最小值, 选择将其放大至O到6之间。具体地放大倍数,应结合需求进行确定,不同的洗涤产品,对 应的放大倍数也会有所不同。[0152] 进一步地,利用本实施例提供的方法,应用实施例3提供的适合于洗涤液的神经 网络预测模型,也可实现对洗涤产品中的洗涤液进行关键成分含量的预测,方法与本实施 例提供的对洗衣粉的关键成分含量的预测方法类似,此处不再赘述。[0153] 综上所述,本实施例提供的方法,在已知部分关键成分含量及期望的抗菌性能的 条件下,设定未知关键成分含量的初始值,并应用已经训练好的适合待预测洗涤液的神经 网络预测模型,预测洗涤液中的未知关键成分含量的最小值,从而实现对洗涤液关键成分 含量的预测,不仅能够缩短洗涤液产品的研发周期,同时,由于本实施例提供的方法,还对 预测出的未知关键成分含量的最小值进行了修正,从而使预测结果更为合理,减小了误差。[0154] 实施例5[0155] 参见图9,本实施例提供了 一种预测洗涤产品的抗菌性能或关键成分含量的装置, 该装置包括:[0156] 数据存储模块901,用于获取并存储洗涤产品在各关键成分含量比例不同的条件 下的抗菌性能,得到含有各关键成分含量及对应的抗菌性能的多组实验数据,形成实验数 据集;[0157] 预处理模块902,用于对实验数据集中的每组实验数据进行预处理;[0158] 训练模块903,用于将经过预处理的实验数据集作为神经网络的输入,对神经网络 进行训练,得到适合待预测洗涤产品的神经网络预测模型,该待预测洗涤产品与数据存储 模块901中获取的实验数据对应的洗涤产品类型一致;[0159] 预测模块904,用于根据输入的相应参数及适合待预测洗涤产品的神经网络预测 模型,对待预测洗涤产品的抗菌性能或关键成分含量进行预测。[0160] 其中,参见图10,上述预测模块904具体包括:[0161] 第一预测单元904a,用于根据输入的待预测洗涤产品的各个关键成分含量及适合 待预测洗涤产品的神经网络预测模型,对待预测洗涤产品的抗菌性能进行预测;[0162] 第二预测单元904b,用于根据输入的待预测洗涤产品的部分关键成分含量及对待 预测洗涤产品期望的抗菌性能,对待预测洗涤产品的未知关键成分含量进行预测。[0163] 进一步地,参见图11,第二预测单元904b,具体包括:[0164] 初始值设定子单元904bl,用于根据输入的待预测洗涤产品的部分关键成分含量 及对待预测洗涤产品期望的抗菌性能,预先设定待预测洗涤产品的未知关键成分含量的初 始值及调整初始值的最小步长;[0165] 预测子单元904b2,用于将部分关键成分含量及预先设定的未知关键成分含量的 初始值作为神经网络预测模型的输入,得到神经网络预测模型预测出的抗菌性能;[0166] 判断子单元904b3,用于判断神经网络预测模型预测出的抗菌性能是否达到对待 预测洗涤产品期望的抗菌性能;[0167] 第一处理子单元904b4,用于在判断出神经网络预测模型预测出的抗菌性能未达 到期望的抗菌性能时,则根据预先设定的最小步长,调整未知关键成分含量的初始值,通过 神经网络预测模型重新进行抗菌性能预测,直至神经网络预测模型预测出的抗菌性能达到 期望的抗菌性能;[0168] 第二处理子单元904b5,用于在判断出神经网络预测模型预测出的抗菌性能达到 期望的抗菌性能时,则根据神经网络预测模型预测出的抗菌性能,得到未知关键成分含量 的最小值。[0169] 具体地,上述预处理模块902,具体用于在存在关键成分含量相同、抗菌性能不同 的多组实验数据时,则对多组实验数据中的抗菌性能求平均值,并将求得的抗菌性能的平 均值代替所述多组实验数据中的抗菌性能,得到多组相同的实验数据,将所述多组相同的 实验数据合并成一组实验数据;消除实验数据中存在的单调性冲突;对实验数据进行归一 化处理。[0170] 参见图12,该装置还包括:[0171] 后处理模块905,用于对预测的抗菌性能或关键成分含量进行符合实际数据范围 的缩放处理。[0172] 综上,参见图13,针对本实施例提供的预测洗涤产品的抗菌性能或关键成分含量 的装置,可采用基于三层迭代神经网络的预测算法、梯度下降算法、数据预处理算法等核心 算法,且这些算法均在MATLAB7. 7数学软件平台上开发实现;除此之外,还可以图形用户界 面为用户操作该装置提供方便,其中,图形用户界面及装置的各个功能模块均可在Visual Studio 2005平台上采用C#. Net语言开发实现。当然,还可以存在其它实现方式,本实施例 不对具体实现方式进行限定。[0173] 进一步地,基于上述开发平台,该装置的运行需要几个层次运行环境的支撑。首先 在操作系统层,该装置需要在Windows XP (含SP2补丁程序)或其兼容的操作系统平台之 上运行;同时还需要安装两类程序运行支撑环境,一类是MCR7. 7运行支撑环境,主要支持 相关核心算法的执行;另一类是.Net 2. O运行支撑环境主要支持图形用户界面等程序的 执行。在具备了上述几层运行支撑环境后,该装置可正常地运行。当然,本实施例不对支撑 该装置的具体运行环境进行限定。[0174] 综上所述,本实施例通过将被预处理之后的洗涤产品的多组实验数据作为神经网 络的输入,对神经网络进行训练,得到适合于待预测洗涤产品的神经网络预测模型,并根据输入的相应参数及得到的适合待预测洗涤产品的神经网络预测模型,实现对待预测洗涤产 品的抗菌性能或关键成分含量的预测,不仅降低了预测误差,同时,还能够缩短洗涤产品的 研发周期及研发成本。[0175] 上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。[0176] 本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可 读取的存储介质中,如光盘或硬盘等。[0177] 以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和 原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (6)

1. 一种预测洗涤产品的抗菌性能或关键成分含量的方法,其特征在于,所述方法包括: 获取并存储洗涤产品在各关键成分含量比例不同的条件下的抗菌性能,得到含有所述各关键成分含量及对应的抗菌性能的多组实验数据,形成实验数据集; 对所述实验数据集中的每组实验数据进行预处理;其中,对所述实验数据集中的每组实验数据进行预处理,具体包括:若存在关键成分含量相同、抗菌性能不同的多组实验数据,则对所述多组实验数据中的抗菌性能求平均值,将求得的抗菌性能的平均值代替所述多组实验数据中的抗菌性能,得到多组相同的实验数据,将所述多组相同的实验数据合并成一组实验数据;消除所述实验数据集中存在的单调性冲突;对所述实验数据集中的每组实验数据进行归一化处理; 将所述经过预处理的实验数据集作为神经网络的输入,对所述神经网络进行训练,得到适合待预测洗涤产品的神经网络预测模型,所述待预测洗涤产品与所述洗涤产品类型一致; 根据输入的相应参数及适合所述待预测洗涤产品的神经网络预测模型,对所述待预测洗涤产品的抗菌性能或关键成分含量进行预测; 对预测的抗菌性能或关键成分含量进行符合实际数据范围的缩放处理。
2.根据权利要求1所述的方法,其特征在于,所述输入的相应参数,具体包括: 所述待预测洗涤产品的各个关键成分含量; 相应地,根据输入的所述待预测洗涤产品的各个关键成分含量及适合所述待预测洗涤产品的神经网络预测模型,对所述待预测洗涤产品的抗菌性能进行预测; 或,所述输入的相应参数,具体包括: 所述待预测洗涤产品的部分关键成分含量及对所述待预测洗涤产品期望的抗菌性 相应地,根据输入的所述待预测洗涤产品的部分关键成分含量及对所述待预测洗涤产品期望的抗菌性能,对所述待预测洗涤产品的未知关键成分含量进行预测。
3.根据权利要求2所述的方法,其特征在于,所述根据输入的所述待预测洗涤产品的部分关键成分含量及对所述待预测洗涤产品期望的抗菌性能,对所述待预测洗涤产品的未知关键成分含量进行预测,具体包括: 根据输入的所述待预测洗涤产品的部分关键成分含量及对所述待预测洗涤产品期望的抗菌性能,预先设定所述待预测洗涤产品的未知关键成分含量的初始值及调整所述初始值的最小步长; 将所述部分关键成分含量及预先设定的未知关键成分含量的初始值作为所述神经网络预测模型的输入,得到所述神经网络预测模型预测出的抗菌性能; 判断所述神经网络预测模型预测出的抗菌性能是否达到对所述待预测洗涤产品期望的抗菌性能; 如果未达到所述期望的抗菌性能,则根据预先设定的最小步长,调整所述未知关键成分含量的初始值,通过所述神经网络预测模型重新进行抗菌性能预测,直至所述神经网络预测模型预测出的抗菌性能达到所述期望的抗菌性能; 如果达到所述期望的抗菌性能,则根据所述神经网络预测模型预测出的抗菌性能,得到所述未知关键成分含量的最小值。
4. 一种预测洗涤产品的抗菌性能或关键成分含量的装置,其特征在于,所述装置包括: 数据存储模块,用于获取并存储洗涤产品在各关键成分含量比例不同的条件下的抗菌性能,得到含有所述各关键成分含量及对应的抗菌性能的多组实验数据,形成实验数据集; 预处理模块,用于对所述实验数据集中的每组实验数据进行预处理;其中,对所述实验数据集中的每组实验数据进行预处理,具体包括:若存在关键成分含量相同、抗菌性能不同的多组实验数据,则对所述多组实验数据中的抗菌性能求平均值,将求得的抗菌性能的平均值代替所述多组实验数据中的抗菌性能,得到多组相同的实验数据,将所述多组相同的实验数据合并成一组实验数据;消除所述实验数据集中存在的单调性冲突;对所述实验数据集中的每组实验数据进行归一化处理; 训练模块,用于将所述经过预处理的实验数据集作为神经网络的输入,对所述神经网络进行训练,得到适合待预测洗涤产品的神经网络预测模型,所述待预测洗涤产品与所述洗涤产品类型一致; 预测模块,用于根据输入的相应参数及适合所述待预测洗涤产品的神经网络预测模型,对所述待预测洗涤产品的抗菌性能或关键成分含量进行预测; 后处理模块,用于对预测的抗菌性能或关键成分含量进行符合实际数据范围的缩放处理。
5.根据权利要求4所述的装置,其特征在于,所述预测模块具体包括: 第一预测单元,用于根据输入的所述待预测洗涤产品的各个关键成分含量及适合所述待预测洗涤产品的神经网络预测模型,对所述待预测洗涤产品的抗菌性能进行预测; 第二预测单元,用于根据输入的所述待预测洗涤产品的部分关键成分含量及对所述待预测洗涤产品期望的抗菌性能,对所述待预测洗涤产品的未知关键成分含量进行预测。
6.根据权利要求5所述的装置,其特征在于,所述第二预测单元,具体包括: 初始值设定子单元,用于根据输入的所述待预测洗涤产品的部分关键成分含量及对所述待预测洗涤产品期望的抗菌性能,预先设定所述待预测洗涤产品的未知关键成分含量的初始值及调整所述初始值的最小步长; 预测子单元,用于将所述部分关键成分含量及预先设定的未知关键成分含量的初始值作为所述神经网络预测模型的输入,得到所述神经网络预测模型预测出的抗菌性能; 判断子单元,用于判断所述神经网络预测模型预测出的抗菌性能是否达到对所述待预测洗涤产品期望的抗菌性能; 第一处理子单元,用于在判断出所述神经网络预测模型预测出的抗菌性能未达到所述期望的抗菌性能时,则根据预先设定的最小步长,调整所述未知关键成分含量的初始值,通过所述神经网络预测模型重新进行抗菌性能预测,直至所述神经网络预测模型预测出的抗菌性能达到所述期望的抗菌性能; 第二处理子单元,用于在判断出所述神经网络预测模型预测出的抗菌性能达到所述期望的抗菌性能时,则根据所述神经网络预测模型预测出的抗菌性能,得到所述未知关键成分含量的最小值。
CN 200910084237 2009-05-14 2009-05-14 预测洗涤产品的抗菌性能或关键成分含量的方法及装置 Active CN101551374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 200910084237 CN101551374B (zh) 2009-05-14 2009-05-14 预测洗涤产品的抗菌性能或关键成分含量的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 200910084237 CN101551374B (zh) 2009-05-14 2009-05-14 预测洗涤产品的抗菌性能或关键成分含量的方法及装置

Publications (2)

Publication Number Publication Date
CN101551374A CN101551374A (zh) 2009-10-07
CN101551374B true CN101551374B (zh) 2013-03-27

Family

ID=41155731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 200910084237 Active CN101551374B (zh) 2009-05-14 2009-05-14 预测洗涤产品的抗菌性能或关键成分含量的方法及装置

Country Status (1)

Country Link
CN (1) CN101551374B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960493A (zh) * 2018-06-22 2018-12-07 中材科技股份有限公司 玻璃材料性能的预测模型建立及预测方法、装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2399422Y (zh) * 1999-12-07 2000-10-04 中国日用化学工业研究所 测定洗涤剂去污力的装置
CN101419207A (zh) * 2008-10-27 2009-04-29 川渝中烟工业公司 烤烟烟气主要指标的预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2399422Y (zh) * 1999-12-07 2000-10-04 中国日用化学工业研究所 测定洗涤剂去污力的装置
CN101419207A (zh) * 2008-10-27 2009-04-29 川渝中烟工业公司 烤烟烟气主要指标的预测方法

Also Published As

Publication number Publication date
CN101551374A (zh) 2009-10-07

Similar Documents

Publication Publication Date Title
Kang et al. Policy optimization with demonstrations
Cuayáhuitl Simpleds: A simple deep reinforcement learning dialogue system
CN105184366B (zh) 一种时分复用的通用神经网络处理器
Felin et al. Economic opportunity and evolution: Beyond landscapes and bounded rationality
Jeong et al. Mining student behavior models in learning-by-teaching environments
Knox et al. Reinforcement learning from simultaneous human and MDP reward.
Han et al. Hierarchical extreme learning machine for feedforward neural network
Simutis et al. Exploratory analysis of bioprocesses using artificial neural network‐based methods
Arviv et al. Collaborative reinforcement learning for a two-robot job transfer flow-shop scheduling problem
CN101551374B (zh) 预测洗涤产品的抗菌性能或关键成分含量的方法及装置
Shennan Darwinian cultural evolution
Skrynnik et al. Hierarchical deep q-network from imperfect demonstrations in minecraft
Cobb Is the genetic algorithm a cooperative learner?
Baumann et al. Complexity and competitive advantage
Filipic et al. A combined machine learning and genetic algorithm approach to controller design
Petsagkourakis et al. Reinforcement learning for batch-to-batch bioprocess optimisation
Sokolova et al. Causal discovery from medical data: dealing with missing values and a mixture of discrete and continuous data
Gatto et al. Modeling deep reinforcement learning based architectures for cyber-physical systems
CN109858574A (zh) 面向人机协同工作的智能体的自主学习方法和系统
Haines Biology and social theory: Parsons's evolutionary theme
Butz et al. Efficient examination of soil bacteria using probabilistic graphical models
Ecoffet et al. Open questions in creating safe open-ended AI: tensions between control and creativity
Trumpower et al. Goal specificity and knowledge acquisition in statistics problem solving: Evidence for attentional focus
Silveira et al. A Problem-solving Agent to Test Rational Agents
Medigue et al. Cooperative computer system for genome sequence analysis.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant