CN109859804A - 一种基于神经网络的桑黄发酵实验数据优化及预测方法 - Google Patents
一种基于神经网络的桑黄发酵实验数据优化及预测方法 Download PDFInfo
- Publication number
- CN109859804A CN109859804A CN201910021787.2A CN201910021787A CN109859804A CN 109859804 A CN109859804 A CN 109859804A CN 201910021787 A CN201910021787 A CN 201910021787A CN 109859804 A CN109859804 A CN 109859804A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- module
- prediction
- redundancy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000002474 experimental method Methods 0.000 title claims description 25
- 241000123107 Phellinus Species 0.000 title claims description 22
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims description 9
- 229930003944 flavone Natural products 0.000 claims description 7
- 235000011949 flavones Nutrition 0.000 claims description 7
- GAMYVSCDDLXAQW-AOIWZFSPSA-N Thermopsosid Natural products O(C)c1c(O)ccc(C=2Oc3c(c(O)cc(O[C@H]4[C@H](O)[C@@H](O)[C@H](O)[C@H](CO)O4)c3)C(=O)C=2)c1 GAMYVSCDDLXAQW-AOIWZFSPSA-N 0.000 claims description 6
- 150000002212 flavone derivatives Chemical class 0.000 claims description 6
- VHBFFQKBGNRLFZ-UHFFFAOYSA-N vitamin p Natural products O1C2=CC=CC=C2C(=O)C=C1C1=CC=CC=C1 VHBFFQKBGNRLFZ-UHFFFAOYSA-N 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 1
- 230000001537 neural effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 230000006835 compression Effects 0.000 abstract 1
- 238000007906 compression Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 150000002213 flavones Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提出了一种基于神经网络的实验数据优化及预测方法,包括如下步骤:数据预处理消除异常和补全缺失值;接下来进行数据标准化;以及数据关联性分析削减冗余项;对输入数据进行进一步压缩处理和变形处理并构建特征向量序列;通过径向基神经网络进行训练;然后根据训练模型进行实验产物预测。基于神经网络的实验数据优化及预测方法,将实验产物产量分析和神经网络方法相结合,并通过特征工程提高准确率。
Description
技术领域
本发明涉及神经网络、桑黄发酵领域。具体涉及到一种基于神经网络的实验数据优化及预测方法。
背景技术
实验表明,在桑黄真菌的液体发酵过程中,不同的底物浓度配比和外界实验环境是影响黄酮产量的主要因素。在实际工作中,生物工作人员需要成百上千次地改变实验影响因素进行实验,才能得到最高的黄酮产量与此时最好的实验环境数据。
人工神经网络模型被提出以后,经过几十年的发展,在诸多领域得到了广泛的应用,解决了许多传统技术难以解决的问题,推进了人工智能化的发展。良好的自学能力、高速寻找优化解的能力使得人工神经网络在数据优化方面有着强大的优势。在本方法中,针对桑黄发酵实验的特性,采用基于径向基神经网络方法和差分进化算法的方法进行桑黄发酵实验环境数据及结果的优化与预测。该方法通过对桑黄发酵实验数据的优化和预测,从而为实验人员提供了科学的实验环境数据,对他们的工作有着良好的指导意义,大大减小了工作量。
发明内容
为填补神经网络在桑黄发酵实验数据处理方面的应用空白,以科学的方式,提高实验人员的工作效率,本发明提出了一种基于神经网络的实验数据优化及预测方法。本发明针对桑黄发酵实验数据,通过采用径向基神经网络训练网络,学习桑黄发酵实验数据规律建立网络模型,并准确预测实验结果;通过差分进化算法得到优化后桑黄发酵实验数据。
本发明的技术方案为:
步骤(1)、通过数据预处理模块对数据进行数据清洗和归一化处理;
步骤(2)、当数据预处理完毕后,对数据进行关联性分析去除数据冗余项,减少降低数据的冗余度;
步骤(3)、数据降维模块获得去冗余数据,通过神经网络对数据进行降维处理,保证数据降维的同时保证数据的格式的规范性;
步骤(4)、模型训练模块采用步骤(3)处理后数据进行模型的训练,并采用实验集进行测试;
步骤(5)、返回计算结果。
步骤(6)、数据优化模块利用步骤(4)中训练好的神经网络模型进行实验数据的优化,得到最优的实验环境数据和黄酮产量。
本发明的有益效果:
(1)该数据优化及预测方法在实际生物实验中能准确描述桑黄发酵环境和实验产物黄酮产量之间的关系
(2)本方法通过数据关联性分析大大减少了方法的计算复杂度同时提高了算法精度;
(3)本方法可实现桑黄发酵实验环境数据的优化,为实验提供科学可靠的优化结果,对实验人员的桑黄发酵实验有着良好的指导作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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。
图1为本发明基于神经网络的桑黄发酵实验数据优化及预测方法的流程图;
图2为本发明基于神经网络的桑黄发酵实验数据优化及预测方法的程度取决于神经网络和数据降维流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,基于神经网络的桑黄发酵实验数据优化及预测方法的流程图包含四个模块:数据预处理模块、数据去冗余模块、数据降维模块和模型训练和预测模块。
下面结合图1与图2,对基于神经网络的桑黄发酵实验数据优化及预测方法的具体流程进行详细说明:
步骤(1)、通过数据预处理模块对数据进行数据清洗和归一化处理,在数据归一化过程中采用加窗傅里叶变换方法(windowed Fourier transformation)考虑数据的细节;
步骤(2)、当数据预处理完毕后,采用相关系数矩阵对数据进行关联性分析去除数据冗余项,减少降低数据的冗余度;
步骤(3)、数据降维模块获得去冗余数据,通过神经网络对数据进行降维处理,保证数据降维的同时保证数据的格式的规范性;
步骤(4)、模型训练模块采用步骤(3)中处理后的数据进行长径向基神经网络模型的训练,并采用实验集进行测试;
步骤(5)、返回计算结果。
步骤(6)、数据优化模块利用步骤(4)中训练好的神经网络模型进行实验数据的优化,得到最优的实验环境数据和黄酮产量。
本发明的基于神经网络的桑黄发酵实验数据优化及预测方法,通过把径向基神经网络、差分进化算法和桑黄发酵实验数据优化预测的结合,该方法能学习桑黄发酵实验环境数据与实验产物黄酮的对应关系,避免了对于实验数据信息利用的不足。在通过数据降维以及数据去冗余有效地提高了计算效率,同时提高了实验产物预测的准确性。
以上所述仅为本发明的较佳实施例而已,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 (1)
1.一种基于神经网络的桑黄发酵实验数据优化及预测方法,其特征在于,数据预处理模块、数据去冗余模块、数据降维模块、模型训练及预测模块和数据优化模块,包括以下步骤:
步骤(1)、通过数据预处理模块对数据进行数据清洗和归一化处理;
步骤(2)、当数据预处理完毕后,对数据进行关联性分析去除数据冗余项,减少降低数据的冗余度;
步骤(3)、数据降维模块获得去冗余数据,通过神经网络对数据进行降维处理,保证数据降维的同时保证数据的格式的规范性;
步骤(4)、模型训练模块采用步骤(3)处理后数据进行模型的训练,并采用实验集进行测试;
步骤(5)、返回计算结果。
步骤(6)、数据优化模块利用步骤(4)中训练好的神经网络模型进行实验数据的优化,得到最优的实验环境数据和黄酮产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021787.2A CN109859804A (zh) | 2019-01-10 | 2019-01-10 | 一种基于神经网络的桑黄发酵实验数据优化及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021787.2A CN109859804A (zh) | 2019-01-10 | 2019-01-10 | 一种基于神经网络的桑黄发酵实验数据优化及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109859804A true CN109859804A (zh) | 2019-06-07 |
Family
ID=66894350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910021787.2A Pending CN109859804A (zh) | 2019-01-10 | 2019-01-10 | 一种基于神经网络的桑黄发酵实验数据优化及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859804A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680446A (zh) * | 2023-08-03 | 2023-09-01 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7069256B1 (en) * | 2002-05-23 | 2006-06-27 | Oracle International Corporation | Neural network module for data mining |
CN102419827A (zh) * | 2011-11-02 | 2012-04-18 | 昆明理工大学 | 基于rbf神经网络的沸腾换热预测方法 |
CN104270281A (zh) * | 2014-09-03 | 2015-01-07 | 河海大学 | 一种Web Service QoS组合预测方法 |
CN108631817A (zh) * | 2018-05-10 | 2018-10-09 | 东北大学 | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 |
-
2019
- 2019-01-10 CN CN201910021787.2A patent/CN109859804A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7069256B1 (en) * | 2002-05-23 | 2006-06-27 | Oracle International Corporation | Neural network module for data mining |
CN102419827A (zh) * | 2011-11-02 | 2012-04-18 | 昆明理工大学 | 基于rbf神经网络的沸腾换热预测方法 |
CN104270281A (zh) * | 2014-09-03 | 2015-01-07 | 河海大学 | 一种Web Service QoS组合预测方法 |
CN108631817A (zh) * | 2018-05-10 | 2018-10-09 | 东北大学 | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 |
Non-Patent Citations (1)
Title |
---|
安新颖;代涛;钱庆;: "基于RBF神经网络的医院科技影响力评价模型构建" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680446A (zh) * | 2023-08-03 | 2023-09-01 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
CN116680446B (zh) * | 2023-08-03 | 2023-09-29 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109303560A (zh) | 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法 | |
CN106951499B (zh) | 一种基于翻译模型的知识图谱表示方法 | |
CN102274022B (zh) | 一种基于脑电信号的睡眠状态监测方法 | |
CN103970666B (zh) | 一种软件重复缺陷报告检测的方法 | |
CN108670209A (zh) | 一种自动识别中医脉象的方法和系统 | |
CN108805833B (zh) | 基于条件对抗网络的字帖二值化背景噪声杂点去除方法 | |
CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
CN106371610A (zh) | 一种基于脑电信号的驾驶疲劳的检测方法 | |
CN110033015A (zh) | 一种基于残差网络的植物病害检测方法 | |
CN104156628B (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
CN108535635A (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN110263874A (zh) | 一种基于注意力关系图学习的图像分类方法及装置 | |
CN115776401B (zh) | 基于少样本学习对网络攻击事件进行溯源的方法、装置 | |
CN116030829A (zh) | 一种基于深度残差神经网络的心音分类方法 | |
CN110048978A (zh) | 一种信号调制识别方法 | |
CN106096327B (zh) | 基于Torch监督式深度学习的基因性状识别方法 | |
CN109859804A (zh) | 一种基于神经网络的桑黄发酵实验数据优化及预测方法 | |
CN109460863A (zh) | 基于深度学习的设备状态预测方法 | |
CN111427079A (zh) | 一种应用于实验室地震波预测的方法及其装置 | |
CN110309774A (zh) | 虹膜图像分割方法、装置、存储介质及电子设备 | |
CN208677390U (zh) | 一种脑电波获取仪 | |
CN113076878A (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
CN111261283A (zh) | 基于金字塔型卷积层的心电信号深度神经网络建模方法 | |
CN115661185A (zh) | 一种眼底图像血管分割方法及系统 | |
CN114937172A (zh) | 一种基于改进yolov3的葡萄病害识别方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190607 |