CN107958695B - 一种基于机器学习的高精度药物定量方法 - Google Patents
一种基于机器学习的高精度药物定量方法 Download PDFInfo
- Publication number
- CN107958695B CN107958695B CN201711146179.1A CN201711146179A CN107958695B CN 107958695 B CN107958695 B CN 107958695B CN 201711146179 A CN201711146179 A CN 201711146179A CN 107958695 B CN107958695 B CN 107958695B
- Authority
- CN
- China
- Prior art keywords
- neural network
- blanking amount
- result
- training set
- machine learning
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
Abstract
本发明公开了一种基于机器学习的高精度药物定量方法,通过获取定量系统单次落料量的历史数据;将单次落料量的历史数据进行统计学分析,获取训练集;以单次落料量的训练集作为自适应神经网络的输入值,并对自适应神经网络进行学习,得到神经网络模型;输出模型结果;将模型输出响应和期望响应进行对比,输出误差信号;判断累计落料量是否达到目标值;若达到目标值,则完成药物的定量。该方法效率高,对环境适应能力强,定量精度高,操作简单,定量误差小。
Description
技术领域
本发明涉及药物定量技术领域,具体是一种基于机器学习的高精度药物定量方法。
背景技术
医疗健康产业以维护和促进人民群众身心健康为目标,有国外学者指出,医疗健康产业将会成为继IT产业之后的“全球第五波财富”。部分发达国家经济增长的主要动力就来自于医疗健康产业,然而我国医疗健康产业远远落后于美国、加拿大以及日本等发达国家,甚至落后于部分发展中国家。在我国,很多大型制药企业依然使用普通的自动化仪器进行药物的定量称重,但是由于药物的硬度、湿度、粒径等参数的不确定性,很难实现药物定量设备的高精度定量。
有鉴于此,本发明提供了一种基于机器学习的高精度药物定量方法。本方法使用计算方法直接从数据中“学习”信息,而不依赖于预定的方程模型。当可用于学习的样本数量增加时,这些算法可自适应提高性能,不断缩短定量的时间、提高定重的精度。
发明内容
本发明的目的在于克服现有技术的不足,而提供一种基于机器学习的高精度药物定量方法,该方法效率高,对环境适应能力强,定量精度高,操作简单,定量误差小。
实现本发明目的的技术方案是:
一种基于机器学习的高精度药物定量方法,具体包括如下步骤:
1)获取定量设备单次落料量的历史数据;
2)将单次落料量的历史数据进行统计学分析,获取训练集,从训练集中抽取最优期望,并根据实际环境参数建立期望响应;
3)以单次落料量的训练集作为自适应神经网络的输入值,根据输入值和误差信号及时调整自适应神经网络的参数,并对自适应神经网络进行学习,得到神经网络模型;
4)神经网络模型输出结果;
5)设期望响应与神经网络模型结果输出响应的误差为差ε(i),预测结果θTx(i)和真实结果y(i)满足下式:
y(i)=θTx(i)+ε(i) (1)
误差满足平均值为0的高斯分布,则x和y的条件概率为:
该条件概率为最大似然估计,当最大似然估计最大时,确定θ,对最大似然估计公司进行求导,将求导结果作为误差信号,对期望响应和模型结果输出响应进行对比;所述的求导结果为:
6)判断累计落料量是否到达目标值,若未到达,将误差信号返回到步骤3),继续学习;若到达目标值,则本次定量完成。
步骤3)中,所述的自适应神经网络分为四成,分别是源节点输入层、第一隐藏层、第二隐藏层和神经元输出层。
步骤3)中,所述的自适应神经网络的学习算法,采用梯度下降算法,梯度下降函数为:
梯度下降算法是按下面的流程进行的:
a)首先对θ赋值,这个值可以是随机的,也可以让θ是一个全为零的向量;
b)改变θ的值,使得J(θ)按梯度下降的方向进行减少;
梯度方向由J(θ)对θ的偏导数确定,由于求的是极小值,因此梯度方向是偏导数的反方向。
有益效果:本发明解决了长期以来药物定量设备效率低、对环境适应能力差等问题。本系统具有较强的自学能力,使用机器学习方法直接从数据中“学习”信息,而不依赖于预定的方程模型。当可用于学习的样本数量增加时,这些算法可自适应提高性能,不断缩短定量的时间、提高定量的精度。本系统可在规定时间内精确完成定量控制。相对于传统的定量控制设备,本系统可及时控制单次落料量,以保证单次落料量在期望的范围内,从而保证整体落料的精度。本系统适应环境能力强,可根据定量系统单次落料量的历史数据和误差信号及时调整神经网络参数,从而保证系统的整体稳定性。
附图说明
图1为一种基于机器学习的高精度药物定量方法的流程图;
图2为自适应神经网络结构的示意图;
图3为基于MATLAB的利用梯度下降算法获得最优路径。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述,但不是对本发明的限定。
实施例:
如图1所示,一种基于机器学习的高精度药物定量方法,具体包括如下步骤:
以定量50mg为例:
1)获取定量设备单次落料量的历史数据;
2)将单次落料量的历史数据进行统计学分析,获取训练集,从训练集中抽取最优期望,并根据实际环境参数建立期望响应,假设期望响应为2mg,即期望单次落料量为2mg;
3)以单次落料量的训练集作为自适应神经网络的输入值,根据输入值和误差信号及时调整自适应神经网络的参数,并对自适应神经网络进行学习,得到神经网络模型;
4)神经网络模型输出结果;
5)设期望响应与神经网络模型结果输出响应的误差为差ε(i),预测结果θTx(i)和真实结果y(i)满足下式:
y(i)=θTx(i)+ε(i) (1)
误差满足平均值为0的高斯分布,则x和y的条件概率为:
该条件概率为最大似然估计,当最大似然估计最大时,确定θ,对最大似然估计公司进行求导,将求导结果作为误差信号,对期望响应和模型结果输出响应进行对比;所述的求导结果为:
经过计算,本次误差信号为0.01mg;
6)判断累计落料量是否到达目标值的50mg,若未到达,将误差信号0.01mg返回到步骤3),继续学习;若到达目标值,则本次定量完成。
步骤3)中,如图2所示,所述的自适应神经网络分为四成,分别是源节点输入层、第一隐藏层、第二隐藏层和神经元输出层。
步骤3)中,所述的自适应神经网络的学习算法,采用梯度下降算法,如图3所示,基于MATLAB的利用梯度下降算法获得的最优路径,梯度下降函数为:
梯度下降算法是按下面的流程进行的:
a)首先对θ赋值,这个值可以是随机的,也可以让θ是一个全为零的向量;
b)改变θ的值,使得J(θ)按梯度下降的方向进行减少;
梯度方向由J(θ)对θ的偏导数确定,由于求的是极小值,因此梯度方向是偏导数的反方向。
Claims (2)
1.一种基于机器学习的高精度药物定量方法,其特征在于,具体包括如下步骤:
1)获取定量设备单次落料量的历史数据;
2)将单次落料量的历史数据进行统计学分析,获取训练集,从训练集中抽取最优期望,并根据实际环境参数建立期望响应;
3)以单次落料量的训练集作为自适应神经网络的输入值,并以单次落料量的训练集对自适应神经网络进行学习,得到神经网络模型;
4)神经网络模型输出结果;
5)设期望响应与神经网络模型输出结果的误差信号ε(i),预测结果θTx(i)和真实结果y(i)满足下式:
y(i)=θTx(i)+ε(i) (1)
误差满足平均值为0的高斯分布,则x和y的条件概率为:
该条件概率为最大似然估计,当最大似然估计最大时,确定θ,对最大似然估计公式进行求导,将求导结果作为误差信号,对期望响应和神经网络模型输出结果进行对比;所述的求导结果为:
6)判断累计落料量是否到达目标值,若未到达,将误差信号ε(i)返回到步骤3)作为网络输入数据,继续学习;若到达目标值,则本次定量完成。
2.根据权利要求1所述的一种基于机器学习的高精度药物定量方法,其特征在于,步骤3)中,所述的自适应神经网络分为四层,分别是源节点输入层、第一隐藏层、第二隐藏层和神经元输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711146179.1A CN107958695B (zh) | 2017-11-17 | 2017-11-17 | 一种基于机器学习的高精度药物定量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711146179.1A CN107958695B (zh) | 2017-11-17 | 2017-11-17 | 一种基于机器学习的高精度药物定量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958695A CN107958695A (zh) | 2018-04-24 |
CN107958695B true CN107958695B (zh) | 2021-12-14 |
Family
ID=61964875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711146179.1A Active CN107958695B (zh) | 2017-11-17 | 2017-11-17 | 一种基于机器学习的高精度药物定量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958695B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112747813A (zh) * | 2019-10-29 | 2021-05-04 | 杭州壬辰科技有限公司 | 一种零件自动称重计数系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046683A (zh) * | 2006-03-27 | 2007-10-03 | 株式会社日立制作所 | 具有燃烧装置的控制对象物的控制装置及具有锅炉的成套设备的控制装置 |
US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
CN101634995A (zh) * | 2009-08-13 | 2010-01-27 | 浙江大学 | 一种基于机器学习的网络连接速度预测方法 |
CN104598972A (zh) * | 2015-01-22 | 2015-05-06 | 清华大学 | 一种大规模数据回归神经网络快速训练方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6954744B2 (en) * | 2001-08-29 | 2005-10-11 | Honeywell International, Inc. | Combinatorial approach for supervised neural network learning |
-
2017
- 2017-11-17 CN CN201711146179.1A patent/CN107958695B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
CN101046683A (zh) * | 2006-03-27 | 2007-10-03 | 株式会社日立制作所 | 具有燃烧装置的控制对象物的控制装置及具有锅炉的成套设备的控制装置 |
CN101634995A (zh) * | 2009-08-13 | 2010-01-27 | 浙江大学 | 一种基于机器学习的网络连接速度预测方法 |
CN104598972A (zh) * | 2015-01-22 | 2015-05-06 | 清华大学 | 一种大规模数据回归神经网络快速训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107958695A (zh) | 2018-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929603B (zh) | 一种基于轻量级卷积神经网络的天气图像识别方法 | |
CN113505205B (zh) | 一种人机对话的系统和方法 | |
US10096121B2 (en) | Human-shape image segmentation method | |
EP3500985A1 (en) | Systems and methods for distributed training of deep learning models | |
US11488067B2 (en) | Training machine learning models using teacher annealing | |
US10885620B2 (en) | Neural network image processing system | |
TW200949596A (en) | Server and system and method for automatic virtual metrology | |
CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
CN107958695B (zh) | 一种基于机器学习的高精度药物定量方法 | |
US20220188636A1 (en) | Meta pseudo-labels | |
CN111783336A (zh) | 一种基于深度学习理论的不确定性结构频响动力学模型修正方法 | |
CN109814101B (zh) | 一种航空器位置预测的方法及装置 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN114091652A (zh) | 脉冲神经网络模型训练方法、处理芯片以及电子设备 | |
CN113406623A (zh) | 基于雷达高分辨距离像的目标识别方法、装置及介质 | |
CN108573275B (zh) | 一种在线分类微服务的构建方法 | |
CN109541729B (zh) | 一种基于narx的中国北方草原地区生长季降雨量的预测方法 | |
CN110008972B (zh) | 用于数据增强的方法和装置 | |
CN107220710B (zh) | 稀缺样本数据集条件下bn模型参数的计算方法 | |
Zhao | The water potability prediction based on active support vector machine and artificial neural network | |
Sarikabuta et al. | Impacts of layer sizes in deep residual-learning convolutional neural network on flower image classification with different class sizes | |
CN107229944B (zh) | 基于认知信息粒子的半监督主动识别方法 | |
CN112149351B (zh) | 一种基于深度学习的微波电路物理尺寸估算方法 | |
CN110852451B (zh) | 基于核函数的递归核自适应滤波方法 | |
Kashyap et al. | A novel use of deep learning to optimize solution space exploration for signal integrity analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |