CN109597006B - 一种磁性纳米粒子测量位置的优化设计方法 - Google Patents
一种磁性纳米粒子测量位置的优化设计方法 Download PDFInfo
- Publication number
- CN109597006B CN109597006B CN201811512239.1A CN201811512239A CN109597006B CN 109597006 B CN109597006 B CN 109597006B CN 201811512239 A CN201811512239 A CN 201811512239A CN 109597006 B CN109597006 B CN 109597006B
- Authority
- CN
- China
- Prior art keywords
- measurement
- magnetic
- group
- magnetic nanoparticle
- positions
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/12—Measuring magnetic properties of articles or specimens of solids or fluids
- G01R33/1276—Measuring magnetic properties of articles or specimens of solids or fluids of magnetic particles, e.g. imaging of magnetic nanoparticles
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Nanotechnology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及磁性纳米粒子测量研究领域,特别是一种磁性纳米粒子测量位置的优化设计方法。确定磁性纳米粒子装置对应的极限测量个数和测量距离;构造样本集并训练和输出,对于每个分组的样本集,以一组测量位置的磁感应强度Bx分量为输入,磁性纳米粒子个数为输出进行训练;磁性纳米粒子个数测量准确率越高,响应磁场强度越大时,该分组的评价值越高,从而构造评价函数并评价,得到最优分组及对应的最优测量位置。对含有不同粒子个数的磁性纳米粒子装置进行均匀磁场仿真实验,探究不同位置的响应磁场强度与磁性纳米粒子个数的关系,从而获得磁性纳米粒子的最优测量位置,用于磁性纳米粒子个数的测量,进而提高了磁性纳米粒子个数测量的精度。
Description
技术领域
本发明涉及磁性纳米粒子测量研究领域,特别是一种磁性纳米粒子测量位置的优化设计方法。
背景技术
磁性纳米粒子是一种发展迅速且应用广泛的新型纳米材料,具有纳米尺寸效应、独特的表面效应、良好的靶向性等多种物理化学特性。与此同时,磁性纳米粒子作为一种磁性材料,具有磁学性质。为了实现对磁性纳米粒子的研究,实现磁性纳米粒子在实际测量中的应用,尤其在需要得到磁性纳米粒子的个数等信息的实验中,取得其最佳(最优)磁性纳米粒子的测量位置尤为重要。
发明内容
本发明的目的是对含有不同粒子个数的磁性纳米粒子装置进行均匀磁场仿真实验,探究不同位置的响应磁场强度与磁性纳米粒子个数的关系,从而获得磁性纳米粒子的最优测量位置,提高磁性纳米粒子个数测量的精度,因此,提供一种磁性纳米粒子测量位置的优化设计方法。
为了确定最佳磁性纳米粒子的测量位置,本发明提供一种磁性纳米粒子测量位置的优化设计方法,步骤如下:
1)测量磁性纳米粒子装置的截面积参数,确定磁性纳米粒子装置对应的极限测量个数N和测量距离L;
2)构造样本集:
在极限测量个数N以内,调整测量个数和粒子分布,分别进行均匀磁场仿真实验;得到多个仿真模型;对每个仿真模型,以L为半径得到一个圆周上均分分布的测量位置,每个测量位置距离仿真模型的距离均为L;每个测量位置得到相应的磁感应强度Bx分量的数据,从而得到整个样本集;上述均匀分布的测量位置,4个对称的测量位置为一组,从而将整个样本集分为若干个分组样本集,每个分组样本集对应一组测量位置;
3)训练和输出:
对于每个分组的样本集,以一组测量位置的磁感应强度Bx分量为输入,磁性纳米粒子个数为输出进行训练;
磁性纳米粒子个数测量准确率越高,响应磁场强度越大时,该分组的评价值越高,从而构造评价函数maxF(x);根据评价函数maxF(x)对各个分组进行评价,得到最优分组和较优分组,以及对应的最优测量位置或较优测量位置。
有益效果是,对含有不同粒子个数的磁性纳米粒子装置进行均匀磁场仿真实验,探究不同位置的响应磁场强度与磁性纳米粒子个数的关系,从而获得磁性纳米粒子的最优测量位置,用于磁性纳米粒子个数的测量,进而提高了磁性纳米粒子个数测量的精度。
针对微纳级磁性纳米粒子装置的测量位置进行了优化设计,充分考虑磁性纳米粒子装置结构、磁性纳米粒子尺寸和实际测量的需要,准确找到了评价测量位置的两个主要指标,有效缩短了磁性纳米粒子测量位置的寻找和测试时间,减小测量误差。
通过机器学习方法,以模拟退火优化的神经网络算法为例,建立磁性纳米粒子个数测量模型,再利用测试集评价每一组位置的磁性纳米粒子个数测量准确率,具体显示不同组测量位置的实际测量效果。
可以广泛适用于各类规则形状的微纳级磁性纳米粒子装置测量位置的选取和优化,为实际测量中传感器的布置提供依据。
通过模拟退火算法对BP神经网络的权值、阈值参数进行优化,克服了BP神经网络在权值选择上的随机性,提高BP神经网络的全局寻优能力和学习能力,改善BP神经网络的性能,提高磁性纳米粒子个数测量的精度和测量位置选取的准确性。
进一步地,为了准确得到极限测量个数,极限测量个数N的计算公式如下:
式中,N表示极限测量个数,S表示磁性纳米粒子装置的截面积,s1表示单个磁性纳米粒子的截面积,m%表示根据磁性纳米粒子的性质和装置的形状,确定的所有磁性纳米粒子占据面积在装置截面积中占据的最大比例。
进一步地,为了准确得到测量距离,使用随机函数模拟达到极限测量个数N时磁性纳米粒子在装置中的分布,生成10个不同的模型,并对这10个模型进行均匀磁场仿真实验,对于每个模型的计算结果,每隔相同的距离均匀取1000个磁感应强度Bx分量,作为一组,对各组依次进行稳定度评价,取第一个达到设定的稳定度指标时的测量距离作为该模型对应的测量距离li,测量距离L的计算公式如下:
式中,L表示该磁性纳米粒子装置对应的测量距离,li(i=1,2,...,10)表示10个仿真模型在稳定度评价后分别得出的测量距离。
进一步地,为了简单实现评价函数的构造,根据磁性纳米粒子个数测量准确率和响应磁场强度,通过线性加权法,构造的评价函数maxF(x),公式如下:
式中,m为指标函数个数,wi为加权因子,gi(x)为指标函数,F(x)为评价函数。
进一步地,为了对训练结果进行评价,选取部分的所述样本集作为测试集,用于对训练结果进行测试。
附图说明
图1是本发明的一种磁性纳米粒子装置的立体视图;
图2是本发明的一种磁性纳米粒子装置的俯视图;
图3是本发明的一种磁性纳米粒子测量位置优化设计方法的主要流程图;
图4是本发明的磁性纳米粒子测量模型的BP神经网络结构示意图;
图5是本发明的BP神经网络建立与磁性纳米粒子个数测量准确率计算的流程图;
图6是本发明的模拟退火算法优化神经网络模型的流程图;
图7是本发明的非圆形磁性纳米粒子装置的测量位置优化设计方法的流程图;
图中,1为磁性纳米粒子,2为玻璃边框结构,3为混合溶液,4为吸附磁性纳米粒子的特殊基底结构。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
本发明提供一种磁性纳米粒子测量位置的优化设计方法适用于圆形磁性纳米粒子装置,但并不局限于此,如图1和图2所示,圆形磁性纳米粒子装置包括磁性纳米粒子1、玻璃边框结构2、混合溶液3和吸附磁性纳米粒子的特殊基底结构4。
本发明的磁性纳米粒子装置是通过微流控技术制造的,厚度为微纳级,微流控技术是使用微纳级管道处理或操控微小流体的相关技术,涉及化学、微电子、流体物理、材料学、生物学等多个领域,具有微型化、集成化等特征。在微流控的通道中,流体表现出层流和液滴的流体现象。
本发明提供一种磁性纳米粒子测量位置的优化设计方法,如图3所示,步骤如下:
1)测量磁性纳米粒子装置的截面积参数,确定磁性纳米粒子装置对应的极限测量个数N和测量距离L。
建立测量距离与微纳级磁性纳米粒子装置尺寸之间的关系,通过测量磁性纳米粒子装置即可获得设定尺寸下磁性纳米粒子的极限测量个数和测量距离。本实施例中结合磁性纳米粒子的相关性质,将占据磁性纳米粒子装置m%截面积时的磁性纳米粒子个数定义为极限测量个数N,m%表示所有磁性纳米粒子占据面积在装置截面积中可以占据的最大比例,对于本实施例中的磁性纳米粒子装置,取m%=45%,则计算方法如公式(1)所示:
公式(1)中,N表示极限测量个数,S表示磁性纳米粒子装置截面积,s1表示单个磁性纳米粒子的截面积。
通过公式(1)获得该磁性纳米粒子装置对应的极限测量个数N,并将N作为磁性纳米粒子测量距离的计算依据。使用随机函数模拟达到极限测量个数时磁性纳米粒子在装置中的分布,生成10个不同的模型,并对这10个模型进行均匀磁场仿真实验。对于每个模型的计算结果,每隔相同的距离均匀取1000个磁感应强度Bx分量。将相同测量距离的1000个数据作为一组,对各组依次进行稳定度评价,取刚好达到设定的稳定度指标时的测量距离作为该模型对应的测量距离。对于生成的10个模型,都进行上述操作,获得每个模型的测量距离,并通过公式(2)确定该装置对应的测量距离L,公式(2)如下所示:
公式(2)中,L表示该磁性纳米粒子装置对应的测量距离,li(i=1,2,...,10)表示10个模型在稳定度评价后分别得出的测量距离。
本发明中N和L的选取并不局限于上述的计算方式,也可以采用直接选取等方式给出。
2)构造样本集:
在极限测量个数N以内,调整测量个数和粒子分布,分别进行均匀磁场仿真实验;得到多个仿真模型;对每个仿真模型,以L为半径得到一个圆周上均分分布的测量位置,每个测量位置距离仿真模型的距离均为L;每个测量位置得到相应的磁感应强度Bx分量的数据,从而得到整个样本集;上述均匀分布的测量位置,4个对称的测量位置为一组,从而将整个样本集分为若干个分组样本集,每个分组样本集对应一组测量位置。
均匀磁场仿真实验为通过有限元仿真软件,对于包含固定粒子个数的图1、图2中的磁性纳米粒子装置,施加如图1所示沿y轴方向的均匀磁场,并进行仿真模型计算,再依次减少粒子个数,每次减少N/20个粒子,再施加均匀磁场并进行仿真模型计算。
图1、图2中以L为半径的圆周上共有均匀分布的360个测量位置,以图2为例,360个测量位置如图2所示,L为外圆周至圆心的长度,其中,4个对称的测量位置为一组的选取过程具体为先在圆周上选定一个测量位置,然后以任一通过圆心的轴做镜像得到一个测量位置,再以通过圆心且垂直与上述轴的轴做镜像得到另外两个测量位置。每个测量位置相应的磁感应强度Bx分量,通过有限元仿真软件的后处理工具从仿真模型的计算结果中进行提取。
对含有不同磁性纳米粒子个数的磁性纳米粒子装置分别进行均匀磁场仿真实验,提取相关数据建立机器学习的样本集(包含训练集和测试集)。将极限测量个数N作为磁性纳米粒子个数变化的依据,每组实验依次减少n个磁性纳米粒子(其中n等于N/20的整数部分),在一组实验中通过随机函数生成10个具有相同磁性纳米粒子个数的不同模型,总共进行10组实验,共包含100个磁性纳米粒子装置的仿真模型。
在仿真计算后,对于每个模型,在确定的测量距离L处,以L为半径,均匀提取360个磁感应强度Bx分量。对100个磁性纳米粒子装置的仿真模型都进行上述操作,从而建立机器学习的样本集,其中70%作为训练集,30%作为测试集;通过选取训练集和测试集的方式进行模型构建和测试属于现有神经网络中常规手段。
3)训练和输出:
对于每个分组的样本集,以一组测量位置的磁感应强度Bx分量为输入,磁性纳米粒子个数为输出进行训练。当然,在进行训练时,可采用除上述4个测量位置构成的一组数据作为输入和输出之外的参数作为输入和输出,例如环境参数等。
磁性纳米粒子个数测量准确率越高,响应磁场强度越大时,该分组的评价值越高,从而构造评价函数maxF(x);根据评价函数maxF(x)对各个分组进行评价,得到最优分组和较优分组,以及对应的最优测量位置或较优测量位置。
在步骤1)获得的测量距离L的基础上,与步骤2)中每个模型均匀提取360个磁感应强度Bx分量的位置相对应,将360个测量位置合理分为90组(每四个对称位置为一组)。将建立的样本集按照1-90组的位置情况进行划分,建立90个对应于分组情况的样本集。
对于每一组位置,使用该组位置对应的样本集中的训练集,进行神经网络模型的训练,其中四个对称位置的磁感应强度Bx分量作为神经网络的四个输入,磁性纳米粒子个数作为输出,并通过模拟退火算法优化神经网络权值参数。该神经网络模型训练完成后,再利用该组位置对应的样本集中的测试集评价该组位置的磁性纳米粒子个数测量准确率。
评价函数的建立:根据磁性纳米粒子个数测量和传感器性能的要求,将磁性纳米粒子个数测量准确率和响应磁场强度作为评价测量位置的选取是否合适的主要指标。对于1-90组测量位置,磁性纳米粒子个数测量准确率越高,响应磁场强度越大时,该组的评价值越高。根据上述获得的磁性纳米粒子个数测量准确率和响应磁场强度,通过线性加权法,构造的评价函数maxF(x)如公式(3)所示:
其中m为指标函数个数,wi为加权因子,gi(x)为指标函数,F(x)为评价函数。本实施例中取m=2,并且w1+w2=1。
本发明并不局限于上述方式构建的评价函数,也可通过现有的神经网络构建方式进行评价函数的构建。
通过上述步骤中建立的评价函数对1-90组测量位置进行评价,并按照评价值大小进行排序,获得最优测量位置,并显示1-90组中评价值前十位的排序情况和前十位中每组包含的四个对称位置的具体信息。根据磁性纳米粒子测量位置的排序情况,结合实际中使用的传感器数量和对各组测量位置建立的磁性纳米粒子个数测量模型,通过信息融合,提高磁性纳米粒子个数测量的准确性。
在步骤1)中,选取磁性纳米粒子装置的测量距离所使用的稳定度评价方法,按以下步骤进行:
步骤1-1:根据设定的磁性纳米粒子装置的尺寸和极限测量个数N,将内部均匀分布N个磁性纳米粒子的磁性纳米粒子装置模型定义为基准模型Model1。生成Model1并进行计算后,依次提取不同测量距离时的磁感应强度Bx分量,相同测量距离的数据作为一组,每组包含1000个数据,并且各组数据的提取位置与步骤1)中各组数据的提取位置完全相同。将Model1及其计算结果作为稳定度评价的基准数据。
步骤1-2:将步骤1)中生成的10个模型依次定义为model1-model10,将每个模型中在不同测量距离提取的各组数据分别与基准模型Model1中相对应的各组提取数据进行比较和计算,稳定度评价的计算方法如公式(4)所示:
其中Fi(i=1,2,...,10)表示10个模型各自的稳定度,mBxj(j=1,2,...,1000)表示10个模型中的第i个模型在一定的测量距离时均匀提取的1000个磁感应强度Bx分量,MBxj(j=1,2,...,1000)则表示基准模型Model1中在相同的测量距离时与mBxj同样位置的磁感应强度Bx分量。
机器学习(Machine Learning)是一门涉及了概率论、统计学、计算机科学等多个领域的交叉学科。该学科主要研究模拟或实现人的学习行为,属于人工智能的一个重要分支。机器学习主要分为监督学习、无监督学习、强化学习这三类,包括神经网络、遗传算法、支持向量机等多种算法,通过样本集的训练,可实现对数据的拟合和预测。在本发明中,机器学习主要用于处理不同位置的响应磁场强度和磁性纳米粒子个数组成的样本集,从而在已知一定位置的响应磁场强度时,对此时的磁性纳米粒子个数做出预测,再结合测试集,计算不同测量位置对应的磁性纳米粒子个数测量准确率。BP神经网络是一种应用广泛的机器学习方法,具有非线性拟合能力强、预测精确度高等优点。BP神经网络由输入层、隐含层、输出层构成,对于任何闭区间内的一个连续函数,都可以用一个隐含层的BP神经网络来逼近,所以一个三层的BP神经网络就可以实现任意的m维到n维的映射。但由于该方法主要通过梯度下降法计算连接权值,因此易于陷入局部最小值,并且收敛速度较慢。模拟退火方法是一种来源于固体退火原理,通过赋予搜索过程一种时变且最终趋于零的概率突跳性,从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。该方法结合概率突跳特性,能够在解空间中随机寻找目标函数的全局最优解。本发明通过模拟退火方法优化神经网络模型中权值、阈值的选取,将模拟退火的最优结果,赋给神经网络的权值和阈值,优化神经网络模型。
在步骤3)中,建立神经网络和计算磁性纳米粒子个数测量准确率的方法,按以下步骤进行,具体流程如图5所示:
步骤3-1:在确定的测量距离L处,已将测量位置分为90组,并将步骤2)建立的样本集按照1-90组中各组包含的位置进行了划分,使得每组位置都有对应的样本集(其中70%为训练集,30%为测试集)。根据每组对应的样本集,针对1-90组中的每组位置分别建立神经网络模型。
步骤3-2:如图4中BP神经网络结构所示,对于每一组位置,将四个位置的磁感应强度Bx分量作为神经网络模型的输入,磁性纳米粒子的个数作为输出。将该组位置对应的训练集整理成适合神经网络训练格式的样本向量,通过mapminmax函数,对输入输出数据进行归一化处理,适应神经网络模型的要求。
步骤3-3:在本实施例中,隐层的神经元个数为10、输出层的神经元个数为1,并选定隐层神经元的传输函数TF1为tansig、输出层的传输函数TF2为purelin,训练函数选用trainsig函数,该函数与Levevberg-Marquardt算法相对应,从而完成网络的基本创建。通过模拟退火算法优化权值和阈值,将最优结果赋给神经网络的权值和阈值,再设定训练次数为1000、训练目标为0.00001、学习率为0.1,从而完成神经网络参数的设置。网络参数设置完成后,结合归一化处理后的输入输出数据,进行神经网络的训练。
步骤3-4:通过sim函数来计算仿真,将训练数据输入,得到相关结果。将所得的结果进行反归一化,得到其拟合的数据。将该组位置对应的测试集中的输入数据进行归一化处理,使用sim函数,结合已建立的神经网络模型,对输出数据(即磁性纳米粒子的个数)进行预测,并与真实值进行比较,得到磁性纳米粒子测量准确率,计算方法如公式(5)所示:
其中A表示该组位置(1-90组位置中的某一组)的磁性纳米粒子测量准确率,M表示该组位置的测试集中样本的个数,p表示通过神经网络获得的磁性纳米粒子个数的预测值,T表示测试集中磁性纳米粒子个数的真实值。
在步骤3)中,通过模拟退火算法对神经网络模型权值参数的优化方法,按以下步骤进行,但本发明对神经网络模型权值参数优化的方式并不局限于此模拟退火算法,该模拟退火算法具体流程如图6所示:
1、在神经网络模型的网络参数设置完成后,进行模拟退火算法参数的初始化,设置模拟退火算法的初温Tmax=50、最大退火次数Lm=1000和终止温度Tmin=0.01。首先通过神经网络算法优化权值和阈值,计算权值和阈值总数sum,再将神经网络优化后的权值和阈值赋给模拟退火算法,作为模拟退火算法的初始解。
2、将该组位置对应的训练集再分为新训练集p1和新测试集t1,其中p1占50%,t1占50%。根据权值和阈值总数sum,结合随机函数,以及p1训练后的神经网络在测试集t1中的预测结果与真实值的误差,产生权值和阈值的新解。
3、根据权值和阈值的新解,重新构建神经网络,再结合训练集p1,对神经网络进行训练。利用训练完成的神经网络模型再对测试集t1进行预测,将此时的预测结果与测试集中真实输出值的误差绝对值之和,作为模拟退火算法中的个体适应度值S,计算方法如公式(6)所示:
其中S表示模拟退火算法中的个体适应度值,k表示测试集t1中的样本个数,Yi表示利用权值和阈值的新解重新构建和训练的神经网络对于测试集t1中第i个样本的预测值,Zi表示测试集t1中第i个样本中磁性纳米粒子个数的真实值。
4、计算新个体适应度值S相对于前一个个体适应度值的增量c,当增量c<0时,说明误差减小,则保留新解,并改变模拟退火的温度t,将温度降低为0.95t。当增量c≥0时,加入随机变量rand,根据公式(7)进行计算和判断:
其中c表示新个体适应度值S相对于前一个个体适应度值的增量,t表示此时模拟退火的温度。当rand<R时,则保留新解,并将模拟退火的温度由t降低为0.99t。当增量c≥0并且rand≥R时,舍去新解,并将模拟退火的温度由t上升为1.01t。
5、重复步骤2-步骤4的新解产生和退火温度变化过程,不断优化神经网络的权值和阈值,并根据新解的个体适应度值,相应地改变模拟退火温度。由于新解是否保留的判断过程中随机变量的使用,使得模拟退火过程有一定概率跳出局部最优,实现全局寻优。当模拟退火温度降低至小于终止温度Tmin=0.01,或达到最大退火次数Lm=1000时,模拟退火过程结束。将模拟退火的最优结果,赋给神经网络的权值和阈值,实现对神经网络的优化。
测量位置的优化设计方法对于非圆形薄片形的磁性纳米粒子装置,按以下步骤进行,具体流程如图7所示:
步骤S1:对于非圆形薄片形的磁性纳米粒子装置,若截面积为轴对称图形(如正方形、正六边形、长方形等)、厚度为微纳级,可以在对步骤1)和步骤2)中测量距离的选取和测量位置分组进行调整后,使用本发明实现对这些磁性纳米粒子装置测量位置的优化设计。例如,截面积分别是正方形、长方形的非圆形薄片的磁性纳米粒子装置。
步骤S2:使用与步骤1)相同的方法,计算出该磁性纳米粒子装置对应的极限测量个数N1,使用随机函数模拟达到极限测量个数N1时磁性纳米粒子在装置中的分布,生成10个不同的模型,并对这10个模型进行均匀磁场仿真实验。对于每个模型的计算结果,每隔相同的距离,沿着三维曲线均匀取1000个磁感应强度Bx分量,该三维曲线的形状与磁性纳米粒子装置横截面的形状相似并且平行,是截面形状的成比例放大。
步骤S3:对每组数据(每组包含1000个磁感应强度Bx分量数据)进行稳定度评价的方法与权利要求2中的稳定度评价方法相同,取刚好达到设定的稳定度指标时的三维曲线S1作为标准,以后测量位置的选取和分组均在该三维曲线S1上进行。
步骤S4:按照步骤2)进行10组实验,生成100个磁性纳米粒子装置的仿真模型,并进行仿真计算。对于每个模型,在三维曲线S1上根据曲线长度均匀选取360个测量位置,并提取相应的磁感应强度Bx分量。将这360个测量位置合理分为90组(每四个对称位置为一组,如序号30、150、210、330的位置为一组),并按照分组的不同,建立90个对应于分组情况的样本集(包括训练集和测试集)。
步骤S5:步骤3)的方法,对于1-90组中的每一组分别训练神经网络模型,并通过模拟退火算法对神经网络模型的权值和阈值进行优化。根据测试集评价每一组位置的磁性纳米粒子个数测量准确率,根据该准确率和响应磁场强度建立评价函数,对各组测量位置进行评价和排序,获得该磁性纳米粒子装置的最优测量位置。
以上给出了本发明涉及的具体实施方式,但本发明不局限于所描述的实施方式。采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改,并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同,这样形成的技术方案是对上述实施例进行微调形成的,这种技术方案仍落入本发明的保护范围内。
Claims (5)
1.一种磁性纳米粒子测量位置的优化设计方法,其特征在于,步骤如下:
1)测量磁性纳米粒子装置的截面积参数,确定磁性纳米粒子装置对应的极限测量个数N和测量距离L;
2)构造样本集:
在极限测量个数N以内,调整测量个数和粒子分布,分别进行均匀磁场仿真实验;得到多个仿真模型;对每个仿真模型,以L为半径得到一个圆周上均分分布的测量位置,每个测量位置距离仿真模型的距离均为L;每个测量位置得到相应的磁感应强度Bx分量的数据,从而得到整个样本集;上述均匀分布的测量位置,4个对称的测量位置为一组,从而将整个样本集分为若干个分组样本集,每个分组样本集对应一组测量位置;
3)训练和输出:
对于每个分组的样本集,以一组测量位置的磁感应强度Bx分量为输入,磁性纳米粒子个数为输出进行训练;
磁性纳米粒子个数测量准确率越高,响应磁场强度越大时,该分组的评价值越高,从而构造评价函数maxF(x);根据评价函数maxF(x)对各个分组进行评价,得到最优分组和较优分组,以及对应的最优测量位置或较优测量位置。
5.根据权利要求1所述的磁性纳米粒子测量位置的优化设计方法,其特征在于,选取部分的所述样本集作为测试集,用于对训练结果进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811512239.1A CN109597006B (zh) | 2018-12-11 | 2018-12-11 | 一种磁性纳米粒子测量位置的优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811512239.1A CN109597006B (zh) | 2018-12-11 | 2018-12-11 | 一种磁性纳米粒子测量位置的优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109597006A CN109597006A (zh) | 2019-04-09 |
CN109597006B true CN109597006B (zh) | 2020-11-24 |
Family
ID=65961782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811512239.1A Active CN109597006B (zh) | 2018-12-11 | 2018-12-11 | 一种磁性纳米粒子测量位置的优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597006B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487998B (zh) * | 2019-08-13 | 2023-01-31 | 迈克医疗电子有限公司 | 磁分离系统的参数优化方法和装置、分析仪器、存储介质 |
CN117598680B (zh) * | 2024-01-23 | 2024-05-07 | 辽宁嘉玉科技有限公司 | 磁粒子磁化感知距离测量装置与方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060015436A (ko) * | 2005-12-29 | 2006-02-17 | 안도열 | 나노 전자석을 이용한 자성 나노 입자의 포획 방법 |
CN101080196A (zh) * | 2004-12-15 | 2007-11-28 | 皇家飞利浦电子股份有限公司 | 确定磁性粒子空间分布的方法 |
CN103379619A (zh) * | 2012-04-16 | 2013-10-30 | 中兴通讯股份有限公司 | 一种定位方法和系统 |
-
2018
- 2018-12-11 CN CN201811512239.1A patent/CN109597006B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101080196A (zh) * | 2004-12-15 | 2007-11-28 | 皇家飞利浦电子股份有限公司 | 确定磁性粒子空间分布的方法 |
KR20060015436A (ko) * | 2005-12-29 | 2006-02-17 | 안도열 | 나노 전자석을 이용한 자성 나노 입자의 포획 방법 |
CN103379619A (zh) * | 2012-04-16 | 2013-10-30 | 中兴通讯股份有限公司 | 一种定位方法和系统 |
Non-Patent Citations (2)
Title |
---|
"基于TW-TOF的UWB室内定位技术与优化算法研究";牛群峰等;《自动化与仪表》;20180115;第33卷(第1期);第5-9页 * |
"基于人工神经网络-粒子群算法激光烧蚀制备PDPhSM基纳米复合薄膜的工艺优化";唐普洪等;《材料科学与工艺》;20090228;第17卷(第1期);第122-125、128页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109597006A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Machine-learning-based feedback control for drag reduction in a turbulent channel flow | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
CN108197432A (zh) | 一种基于基因表达数据的基因调控网络重构方法 | |
CN109597006B (zh) | 一种磁性纳米粒子测量位置的优化设计方法 | |
CN109883649A (zh) | 通过模拟模型研究纳米流体在纳米通道内流动行为的方法 | |
CN113159167B (zh) | 基于内陆不同类型水体的叶绿素a反演方法 | |
Gusel et al. | Application of genetic programming for modelling of material characteristics | |
CN112307677A (zh) | 基于深度学习的电网振荡模态评估与安全主动预警方法 | |
Song et al. | M2N: Mesh movement networks for PDE solvers | |
Marschik et al. | Application of hybrid modeling in polymer processing | |
Nazari et al. | Flow characteristics prediction in a flow-focusing microchannel for a desired droplet size using an inverse model: experimental and numerical study | |
Garbaa et al. | Neural network approach to ECT inverse problem solving for estimation of gravitational solids flow | |
CN108759648A (zh) | 基于机器学习的探地雷达检测方法 | |
Guo et al. | Improved cat swarm optimization algorithm for assembly sequence planning | |
Korbmacher et al. | Differences in pedestrian trajectory predictions for high-and low-density situations | |
Tan et al. | A rapid wind velocity prediction method in built environment based on cyclegan model | |
Totounferoush et al. | Partitioned deep learning of fluid-structure interaction | |
CN113849901B (zh) | 针对接触换热系数辨识的改进自适应优化方法及系统 | |
CN113836818B (zh) | 一种基于bp神经网络预测模型的洋流运动预测算法 | |
Shahane et al. | Sensitivity analysis of lift and drag coefficients for flow over elliptical cylinders of arbitrary aspect ratio and angle of attack using neural network | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN115295098A (zh) | 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统 | |
CN114357878A (zh) | 一种水陆两栖飞机典型截面的着水面载荷预测方法 | |
CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
Fabritius | Application of genetic algorithms to problems in computational fluid dynamics |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230105 Address after: 450000 Building 19, Zhengzhou Airport Biomedical Park, the intersection of Huanghai Road and the Second Biotechnology Street, Zhengzhou Airport Economic Comprehensive Experimental Zone, Zhengzhou, Henan Patentee after: Henan Chuangxin Technology Co.,Ltd. Address before: 450001 No. 100 Lianhua Street, Zhengzhou High-tech Industrial Development Zone, Henan Province Patentee before: He'nan University of Technology |