CN108564248B - 一种中药生产过程质量控制的模型建立方法 - Google Patents

一种中药生产过程质量控制的模型建立方法 Download PDF

Info

Publication number
CN108564248B
CN108564248B CN201810179494.2A CN201810179494A CN108564248B CN 108564248 B CN108564248 B CN 108564248B CN 201810179494 A CN201810179494 A CN 201810179494A CN 108564248 B CN108564248 B CN 108564248B
Authority
CN
China
Prior art keywords
model
modeling
near infrared
design
traditional chinese
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
CN201810179494.2A
Other languages
English (en)
Other versions
CN108564248A (zh
Inventor
吴志生
杜晨朝
乔延江
马丽娟
黄兴国
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.)
Beijing University of Chinese Medicine
Original Assignee
Beijing University of Chinese Medicine
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 Beijing University of Chinese Medicine filed Critical Beijing University of Chinese Medicine
Priority to CN201810179494.2A priority Critical patent/CN108564248B/zh
Publication of CN108564248A publication Critical patent/CN108564248A/zh
Application granted granted Critical
Publication of CN108564248B publication Critical patent/CN108564248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明包含一种中药生产过程质量控制的模型建立方法，其特征在于，采用在线近红外光谱技术，以栀子和甘草两种中药为研究载体，应用质量源于设计(quality by design,QbD)理念，借助D‑optimal实验设计方法，将近红外建模过程中样本集划分比例(K‑S)，潜变量因子数(LVs)，光谱预处理方法(P)以及变量筛选方法(V)作为实验因素，设计并建立中药生产过程质量控制近红外最优模型。

Description

一种中药生产过程质量控制的模型建立方法
技术领域
本发明属于中药领域，具体涉及中药生产过程质量控制，一种建立中药生产过程质量控制模型的方法。
背景技术
质量源于设计(quality by design,QbD)理念由美国著名质量管理专家JosephM.Juran提出,并最早被应用于汽车工业。2004年美国正式将其扩展至药品的研发、生产和商业应用。该理念的核心思想主要在于通过设计一些关键质量控制参数来实现产品的质量控制。
中药生产过程质量控制一直是当今中药制药行业关注的热点话题，质量控制内容的复杂以及方法的落后使得中药生产过程中质量控制得不到很好地保障，对生产过程中遇到的许多问题也都无法实时监控甚至预测。近些年发展的近红外技术相比传统的中药质量控制方法，具有其自身独特的优势，适用于复杂大样本体系的同时不会对样品造成破坏。应用该方法最关键的问题就是定量模型的建立与优化，但是传统的近红外模型参数的优化多采用分步优化，需要的建模次数较多，而且没有考虑各模型参数组合之间的相互作用。
为保障中药过程的质量控制，本发明基于QbD理念，借助D-optimal实验设计方法，采用在线近红外光谱技术，以栀子和甘草两种中药为研究载体，建立中药生产过程质量控制近红外模型以及模型参数的置信区间设计空间和贝叶斯概率设计空间，并对设计空间进行可靠性评价，将设计的理念成功应用于近红外模型的参数优化与设计并为中药生产过程质量控制提供参考方法。
发明内容
本发明的目的是提供一种中药生产过程质量控制的模型建立方法。
本发明包含一种中药生产过程质量控制的模型设计方法，其特征在于，应用QbD理念，借助D-optimal实验设计方法，采用在线近红外光谱技术，以栀子和甘草两种中药为研究载体，建立中药生产过程质量控制近红外最优模型。
(1)栀子和甘草近红外光谱数据在线采集：
①采用在线近红外光谱技术，光程为2mm，栀子的光纤附件在线采集提取液吸收光谱范围为800～2200nm，每个样品扫描32次，获取栀子的在线近红外光谱数据，共75份样本；
②采用在线近红外光谱技术，光程为2mm，甘草的的光纤附件在线采集提取液吸收光谱范围为800～1900nm，每个样品扫描32次，获取甘草的在线近红外光谱数据，共60份样本；
(2)确定关键建模参数：
通过文献及经验分析确定关键建模参数主要包括样本集划分比例(K-S)，潜变量因子数(LVs)，光谱预处理方法(P)以及变量筛选方法(V)，其中K-S划分比例为数值型连续变量，划分比例范围在1:1到5:1之间；潜变量因子数只能取整数，设置为数值型离散变量，为避免过拟合效应，设置1～10个变量，；光谱预处理方法，变量筛选方法均为分类变量，光谱预处理主要包括原始光谱、SG9、SG11、Baseline和SNV五种预处理方法；变量筛选主要包括SiPLS、iPLS、BiPLS、VIP和CARS五种变量筛选方法；
(3)确定关键模型评价指标：
通过文献及经验分析确定关键模型评价指标为校正集决定系数Rcal 2、校正均方根误差RMSEC、预测集决定系数Rpre 2、预测均方根误差RMSEP、多变量检测限MDL；
(4)D-Optimal实验设计因素及水平的确定：
采用Design expert 8.0软件，基于D-Optimal实验设计，以(2)中的关键建模参数和(3)中的关键模型评价指标为设计因素确定建模的因素和水平；
(5)D-Optimal实验设计方案：
将(4)中确定的建模因素和水平以及(3)中的5个响应变量输入到Design-Export软件中，得到56种建模参数组合；
(6)近红外模型的构建与方差分析：
以(5)中56种建模参数组合，采用MATLAB软件分别构建栀子和甘草的近红外模型，并得到各参数组合下的5个关键模型评价指标值；
采用偏最小二乘法分别对(3)中的5个响应变量进行多变量回归分析，得到拟合模型，根据模型评价参数对其进行方差分析；
(7)设计空间建立及可靠性研究：
根据D-optimal优化实验设计建立的模型，开发近红外模型构建过程的设计空间。
①基于置信区间法的栀子设计空间的构建：根据栀子的数学模型确定优化目标为Rcal 2>0.9、RMSEC<0.1449、Rpre 2>0.9、RMSEP<0.1546、MDL<0.1203；在确定的优化目标范围内，采用置信区间法搜索同时满足近红外定量模型目标的所有空间子集，构成设计空间；
②基于贝叶斯概率法的甘草设计空间的构建：根据优化目标选择Rcal 2、RMSEC、Rpre 2、RMSEP和MDL作为甘草苷和甘草酸定量模型的关键模型评价参数，建立基于贝叶斯概率的甘草苷和甘草酸定量模型的多目标设计空间。多目标设计空间公式表示如下：
Figure GDA0002992768570000031
式中，Pr代表响应变量在可接收范围内概率的估计值；k1，k2，k3，k4和k5分别为五个模型评价参数的可接收阈值；π代表达到质量要求的贝叶斯概率值；E代表概率的数据期望值；θ代表模型评价参数的数据集；
根据贝叶斯概率法多目标设计空间的公式以及甘草的数学模型确定优化目标为，Rcal 2和Rpre 2大于0.9，RMSEC<0.4588，RMSEP<0.5509，MDL<0.4278；在确定的优化目标范围内，采用网格搜索法同时设定蒙特卡洛仿真次数为10000次计算贝叶斯后验预测概率；为建立可靠的设计空间，将π的基本标准设为80％；
(8)最佳近红外定量模型的建立与验证：
①通过(7)①中的分析可得栀子苷最佳的建模参数组合：校正集与验证集划分比例为2:1，采用Baseline预处理方法，选取8个潜变量因子数，经SiPLS变量筛选方法建立栀子苷近红外定量模型；取两个验证点对模型进行验证；
②通过(7)②中的分析对甘草苷和甘草酸NIR建模过程的优化，得到优化的建模参数组合：校正集与验证集划分比例为3.5:1，采用SNV预处理方法，选取7个潜变量因子数，SiPLS变量筛选方法建立甘草的近红外定量模型；取两个验证点对模型进行验证；
本发明提供的是一种中药生产过程质量控制的模型设计方法，该法是发明人基于质量源于设计的理念，结合实验设计方法用于中药生产过程质量控制的近红外模型的构建过程，以栀子和甘草NIR数据为研究对象，将近红外建模过程中样本集划分比例、光谱预处理方法、潜变量因子数和变量筛选方法作为关键建模参数，建立了最优近红外模型及模型参数设计空间。相比传统的近红外模型优化方法，该方法不仅大大减少了传统化学计量学方法的建模次数，同时考虑了各模型参数之间的相互作用关系，且所建模型稳定可靠，为解决中药制药过程微量组分实时定量难和建模方法无指导的问题提供参考方法。
本发明为保证所构建模型的稳健性和最优性，将模型的五个响应变量—校正集决定系数Rcal 2、校正均方根误差RMSEC、预测集决定系数Rpre 2、预测均方根误差RMSEP、多变量检测限MDL作为关键模型评价指标，对所建模型进行评价与分析。
附图说明
图1：栀子苷空间外(a)、空间内(b)和最优点预测及含测值相关关系图
图2：甘草苷(a)最佳建模条件、(b)4.5:1，SNV，4，SiPLS和(c)4.5:1，SNV，6，SiPLS预测及含测值相关关系图
图3：甘草酸(a)最佳建模条件、(b)4.5:1，SNV，4，SiPLS和(c)4.5:1，SNV，6，SiPLS预测及含测值相关关系图
具体实施方式
(1)栀子和甘草近红外光谱数据在线采集：
①采用在线近红外光谱技术，光程为2mm，栀子的光纤附件在线采集提取液吸收光谱范围为800～2200nm，每个样品扫描32次，获取栀子的在线近红外光谱数据，共75份样本；
②采用在线近红外光谱技术，光程为2mm，甘草的的光纤附件在线采集提取液吸收光谱范围为800～1900nm，每个样品扫描32次，获取甘草的在线近红外光谱数据，共60份样本；
(2)确定关键建模参数：
通过文献及经验分析确定关键建模参数主要包括样本集划分比例(K-S)，潜变量因子数(LVs)，光谱预处理方法(P)以及变量筛选方法(V)，其中K-S划分比例为数值型连续变量，划分比例范围在1:1到5:1之间；潜变量因子数只能取整数，因此设置为数值型离散变量，包括1～10个变量，避免过拟合效应；光谱预处理方法，变量筛选方法均为分类变量，光谱预处理主要包括原始光谱、SG9、SG11、Baseline和SNV五种预处理方法；变量筛选主要包括SiPLS、iPLS、BiPLS、VIP和CARS五种变量筛选方法；
(3)确定关键模型评价指标：
通过文献及经验分析确定关键模型评价指标为校正集决定系数Rcal 2、校正均方根误差RMSEC、预测集决定系数Rpre 2、预测均方根误差RMSEP、多变量检测限MDL；
(4)D-Optimal实验设计因素及水平的确定：
采用Design expert 8.0软件，基于D-Optimal实验设计，以(2)中的关键建模参数和(3)中的关键模型评价指标为设计因素确定建模的因素和水平，D-Optimal设计各因素及相应水平如表1所示；
表1：D-Optimal实验因素设计表
Figure GDA0002992768570000051
Figure GDA0002992768570000061
(5)D-Optimal实验设计方案：
将(4)中确定的建模因素和水平以及(3)中的5个响应变量输入到Design-Export软件中，得到56种建模参数组合，结果如表2所示；
表2:56种建模参数组合
Figure GDA0002992768570000062
Figure GDA0002992768570000071
(6)近红外模型的构建与方差分析：
以(5)中56种建模参数组合，采用MATLAB软件分别构建栀子和甘草的近红外模型，并得到各参数组合下的5个关键模型评价指标值；采用偏最小二乘法分别对(3)中的5个响应变量进行多变量回归分析，得到拟合模型，根据模型评价参数对其进行方差分析，结果显示拟合模型的决定系数R2，调整决定系数R2 adj和预测决定系数R2 pre均在0.9左右，表明模型具有统计学意义；
(7)设计空间建立及可靠性研究：
根据D-optimal优化实验设计建立的模型，开发近红外模型构建过程的设计空间，各优化指标范围的确定是设计空间建立的前提。
①基于置信区间法的栀子设计空间的构建：根据栀子的数学模型确定优化目标为Rcal 2>0.9、RMSEC<0.1449、Rpre 2>0.9、RMSEP<0.1546、MDL<0.1203；在确定的优化目标范围内，采用置信区间法搜索同时满足近红外定量模型目标的所有空间子集，构成设计空间；
②基于贝叶斯概率法的甘草设计空间的构建：根据优化目标选择Rcal 2、RMSEC、Rpre 2、RMSEP和MDL作为甘草苷和甘草酸定量模型的关键模型评价参数，建立基于贝叶斯概率的甘草苷和甘草酸定量模型的多目标设计空间。多目标设计空间的公式表示如下：
Figure GDA0002992768570000081
式中，Pr代表响应变量在可接收范围内概率的估计值；k1，k2，k3，k4和k5分别为五个模型评价参数的可接收阈值；π代表达到质量要求的贝叶斯概率值；E代表概率的数据期望值；θ代表模型评价参数的数据集；
根据贝叶斯概率法多目标设计空间的公式以及甘草的数学模型确定优化目标为，Rcal 2和Rpre 2大于0.9，RMSEC<0.4588，RMSEP<0.5509，MDL<0.4278；在确定的优化目标范围内，采用网格搜索法同时设定蒙特卡洛仿真次数为10000次计算贝叶斯后验预测概率；为建立可靠的设计空间，将π的基本标准设为80％；结果如表4所示；
(8)最佳近红外定量模型的建立与验证：
①通过(7)①中的分析可得栀子苷最佳的建模参数组合：校正集与验证集划分比例为2:1，采用Baseline预处理方法，选取8个潜变量因子数，经SiPLS变量筛选方法建立栀子苷近红外定量模型；所建模型的RMSEC和Rcal 2分别为0.005901和0.9983，RMSEP和Rpre 2分别为0.02002和0.9845，MDL为1.143×10-3；取两个验证点对模型进行验证；从表3及图1可以看出最优点栀子苷近红外定量模型的性能明显优于空间外和空间内的验证点；
表3：栀子苷设计空间验证及模型性能评价结果
Figure GDA0002992768570000082
②通过(7)②中的分析对甘草苷和甘草酸NIR建模过程的优化，得到优化的建模参数组合：校正集与验证集划分比例为3.5:1，采用SNV预处理方法，选取7个潜变量因子数，SiPLS变量筛选方法建立甘草的近红外定量模型；取两个验证点对模型进行验证；甘草苷所建模型评价结果如表4及图2所示，表中验证点1为最佳模建模条件下模型评价结果，RMSEC和Rcal 2分别为0.01861和0.9920，RMSEP和Rpre 2分别为0.03414和0.9736，MDL为1.86×10-6，贝叶斯概率为85％，其他两点概率分别为5％和61％；甘草酸相应模型评价结果如表5及图3所示，最佳建模条件下建立的模型评价结果如下：RMSEC和Rcal 2分别为0.01360和0.9993，RMSEP和Rpre 2分别为0.04157和0.9923，MDL为7.59×10-4，贝叶斯概率为86％。
表4：甘草苷设计空间验证及模型性能评价结果
Figure GDA0002992768570000091
表5：甘草酸设计空间验证及模型性能评价结果
Figure GDA0002992768570000092

Claims (5)

1.一种中药生产过程质量控制的模型建立方法，其特征在于，应用QbD理念，借助D-optimal实验设计方法，采用在线近红外光谱技术，以栀子和甘草两种中药为研究载体，建立中药生产过程质量控制近红外模型；具体模型建立过程如下：
(1)栀子和甘草近红外光谱数据在线采集：
采用在线近红外光谱技术，分别获得75份栀子样本的和60份甘草样本的在线近红外光谱数据；
(2)确定关键建模参数：
包括样本集划分比例K-S，潜变量因子数，光谱预处理方法P以及变量筛选方法V；
(3)确定关键模型评价指标：
包括关键模型评价指标为校正集决定系数Rcal 2、校正均方根误差RMSEC、预测集决定系数Rpre 2、预测均方根误差RMSEP、多变量检测限MDL；
(4)D-Optimal实验设计因素及水平的确定：
采用Design expert 8.0软件，基于D-Optimal实验设计，以(2)中的关键建模参数和(3)中的关键模型评价指标为设计因素，确定建模的因素和水平；
(5)D-Optimal实验设计方案：
将(4)中确定的建模因素和水平以及(3)中的5个响应变量输入到Design-Export软件中，得到建模参数组合；
(6)近红外模型的构建与方差分析：
采用MATLAB软件，按(5)中建模参数组合，以(1)中栀子和甘草的在线近红外光谱数据为载体，分别构建栀子和甘草的近红外模型，并得到各参数组合下的关键模型评价指标值；采用偏最小二乘法分别对(3)中的响应变量进行多变量回归分析，得到拟合模型，根据模型评价参数对其进行方差分析；
(7)设计空间建立及可靠性研究：
根据D-optimal实验设计建立的模型，开发近红外模型构建过程的设计空间；
①基于置信区间法的栀子设计空间的构建：根据栀子的数学模型确定各响应变量的优化目标；在确定的优化目标范围内，采用置信区间法搜索同时满足近红外定量模型目标的所有空间子集，构成设计空间；
②基于贝叶斯概率法的甘草设计空间的构建：根据优化目标选择Rcal 2、RMSEC、Rpre 2、RMSEP和MDL作为甘草苷和甘草酸定量模型的关键模型评价参数，建立基于贝叶斯概率的甘草苷和甘草酸定量模型的多目标设计空间，公式表示如下：
Figure FDA0002992768560000021
式中，Pr代表响应变量在可接收范围内概率的估计值；k1，k2，k3，k4和k5分别为五个模型评价参数的可接收阈值；π代表达到质量要求的贝叶斯概率值；E代表概率的数据期望值；θ代表模型评价参数的数据集；
根据贝叶斯概率法多目标设计空间的公式以及甘草的数学模型确定优化目标；在确定的优化目标范围内，采用网格搜索法同时设定蒙特卡洛仿真次数，计算贝叶斯后验预测概率；
(8)最佳近红外定量模型的建立与验证：
①通过(7)①中的分析可得栀子苷最佳的建模参数组合：校正集与验证集划分比例为2:1，采用Baseline预处理方法，选取8个潜变量因子数，经SiPLS变量筛选方法建立栀子苷近红外定量模型；取两个验证点对模型进行验证；
②通过(7)②中的分析对甘草苷和甘草酸NIR建模过程的优化，得到优化的建模参数组合：校正集与验证集划分比例为3.5:1，采用SNV预处理方法，选取7个潜变量因子数，SiPLS变量筛选方法建立甘草的近红外定量模型；取两个验证点对模型进行验证。
2.如权利要求1所述的一种中药生产过程质量控制的模型建立方法，其特征在于：步骤(1)中在线近红外光谱技术的光程为2mm，栀子的光纤附件在线采集提取液吸收光谱范围为800～2200nm，甘草的的光纤附件在线采集提取液吸收光谱范围为800～1900nm。
3.如权利要求1或2所述的一种中药生产过程质量控制的模型建立方法，其特征在于：步骤(2)中K-S划分比例为数值型连续变量，划分比例范围在1:1到5:1之间；潜变量因子数设置为数值型离散变量，为避免过拟合效应，设置1～10个变量；光谱预处理方法和变量筛选方法均为分类变量。
4.如权利要求1所述的一种中药生产过程质量控制的模型建立方法，其特征在于：步骤(5)中建模参数组合为56种。
5.如权利要求1所述的一种中药生产过程质量控制的模型建立方法，其特征在于：步骤(7)①中各响应变量的优化目标为Rcal 2>0.9、RMSEC<0.1449、Rpre 2>0.9、RMSEP<0.1546、MDL<0.1203；(6)②中各响应变量的优化目标为Rcal 2和Rpre 2大于0.9，RMSEC<0.4588，RMSEP<0.5509，MDL<0.4278，蒙特卡洛仿真次数为10000次，π的基本标准设为80％。
CN201810179494.2A 2018-03-05 2018-03-05 一种中药生产过程质量控制的模型建立方法 Active CN108564248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810179494.2A CN108564248B (zh) 2018-03-05 2018-03-05 一种中药生产过程质量控制的模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810179494.2A CN108564248B (zh) 2018-03-05 2018-03-05 一种中药生产过程质量控制的模型建立方法

Publications (2)

Publication Number Publication Date
CN108564248A CN108564248A (zh) 2018-09-21
CN108564248B true CN108564248B (zh) 2021-06-04

Family

ID=63532321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810179494.2A Active CN108564248B (zh) 2018-03-05 2018-03-05 一种中药生产过程质量控制的模型建立方法

Country Status (1)

Country Link
CN (1) CN108564248B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578104B (zh) * 2017-08-31 2018-11-06 江苏康缘药业股份有限公司 一种中药生产过程知识系统
CN110633487B (zh) * 2019-07-03 2023-03-14 北京中医药大学 直接压片的片剂处方的设计方法
CN110580550A (zh) * 2019-09-11 2019-12-17 北京华润高科天然药物有限公司 一种黄芩提取物的生产工艺的预测模型的建立方法及用途
CN112749466B (zh) * 2019-10-30 2023-11-21 北京中医药大学 智能制造测量控制集成模型及其建立方法应用
CN113052437A (zh) * 2021-03-05 2021-06-29 北京中医药大学 一种智能制造多源信息融合方法在中药大蜜丸质量评价中的应用

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021470A (zh) * 2007-03-13 2007-08-22 山东医学高等专科学校 声光可调滤光器近红外光谱技术用于中成药快速定性分析的方法
CN101620178A (zh) * 2009-06-19 2010-01-06 广东省药品检验所 基于近红外光谱技术快速检测中成药、保健食品或食品中添加化学成分的方法
CN101975845A (zh) * 2010-09-21 2011-02-16 成都中医药大学 中药品质自动检测系统
CN103092078A (zh) * 2013-01-07 2013-05-08 北京中医药大学 多阶段间歇生产过程的全程优化方法
WO2014093074A1 (en) * 2012-12-11 2014-06-19 Elc Management Llc Cosmetic compositions with near infra-red (nir) light - emitting material and methods therefor
CN105092519A (zh) * 2015-07-10 2015-11-25 东北大学 基于增量偏最小二乘法的样品成份测定方法
CN105092513A (zh) * 2015-08-18 2015-11-25 中国计量学院 一种测定混合药物中的药物成分的含量的方法
CN107349345A (zh) * 2017-07-18 2017-11-17 北京国医九和医药科技有限公司 一种调节过敏体质的中药及提取工艺

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021470A (zh) * 2007-03-13 2007-08-22 山东医学高等专科学校 声光可调滤光器近红外光谱技术用于中成药快速定性分析的方法
CN101620178A (zh) * 2009-06-19 2010-01-06 广东省药品检验所 基于近红外光谱技术快速检测中成药、保健食品或食品中添加化学成分的方法
CN101975845A (zh) * 2010-09-21 2011-02-16 成都中医药大学 中药品质自动检测系统
WO2014093074A1 (en) * 2012-12-11 2014-06-19 Elc Management Llc Cosmetic compositions with near infra-red (nir) light - emitting material and methods therefor
CN103092078A (zh) * 2013-01-07 2013-05-08 北京中医药大学 多阶段间歇生产过程的全程优化方法
CN105092519A (zh) * 2015-07-10 2015-11-25 东北大学 基于增量偏最小二乘法的样品成份测定方法
CN105092513A (zh) * 2015-08-18 2015-11-25 中国计量学院 一种测定混合药物中的药物成分的含量的方法
CN107349345A (zh) * 2017-07-18 2017-11-17 北京国医九和医药科技有限公司 一种调节过敏体质的中药及提取工艺

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
中药指纹图谱技术的研究进展及应用;刘东方 等;《中草药》;20161128;第4085-4094页 *
厚朴酚近红外光谱的2D-COS 解析及其在藿香正气口服液模型中应用;裴艳玲 等;《光谱学与光谱分析》;20150815;第2119-2123页 *
双波长梯度洗脱法测定栀子柏皮汤制剂中栀子苷,甘草苷的含量;张科卫 等;《中成药》;20081120;第1629-1631页 *
验证性因子分析模型的潜变量得分及其应用;张岩波 等;《现代预防医学》;20050430;第285-286、299页 *

Also Published As

Publication number Publication date
CN108564248A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108564248B (zh) 一种中药生产过程质量控制的模型建立方法
CN106951611B (zh) 一种基于使用者行为的严寒地区建筑节能设计优化方法
CN105334185B (zh) 基于光谱投影判别的近红外模型维护方法
WO2021036546A1 (zh) 基于有偏估计的近红外定量分析模型构建方法
CN112101480A (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN104865827B (zh) 一种基于多工况模型的抽油机采油优化方法
WO2020124779A1 (zh) 一种工况状态建模与修正模型方法
CN110335168A (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
Zanghi et al. Strategies for online inference of model-based clustering in large and growing networks
Zhang et al. Trend-augmented and temporal-featured Transformer network with multi-sensor signals for remaining useful life prediction
Chen et al. A hybrid optimization method for sample partitioning in near-infrared analysis
CN106248621A (zh) 一种评价方法与系统
CN115375127A (zh) 一种工程施工智能精细化管控系统
Liu et al. Predictive model for water absorption in sublayers using a machine learning method
CN108875118A (zh) 一种高炉铁水硅含量预测模型准确度评价方法和设备
CN115659774A (zh) 一种融合机器学习的大坝风险贝叶斯网络模型建模方法
WO2023108514A1 (zh) 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统
Tian et al. Towards tailing grade prediction in zinc flotation via variablewise and temporalwise attention
CN110486008B (zh) 一种径向复合油藏的参数解释方法及系统
CN116825253A (zh) 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN114414524A (zh) 快速检测航空煤油性质的方法
CN113468821B (zh) 一种基于决策回归算法的坡面产流产沙阈值确定方法
CN114863286A (zh) 一种基于多算法协同选优的混合废塑料分类方法
CN107391490A (zh) 一种智能语义分析与文本挖掘方法
CN112183642A (zh) 一种基于随机森林模型的水泥烧成煤耗检测方法与系统

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