CN110610747B - 一种基于深度学习的微型化学实验系统及方法 - Google Patents
一种基于深度学习的微型化学实验系统及方法 Download PDFInfo
- Publication number
- CN110610747B CN110610747B CN201910957280.8A CN201910957280A CN110610747B CN 110610747 B CN110610747 B CN 110610747B CN 201910957280 A CN201910957280 A CN 201910957280A CN 110610747 B CN110610747 B CN 110610747B
- Authority
- CN
- China
- Prior art keywords
- data
- big data
- performance evaluation
- synthesized
- module
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 73
- 238000002474 experimental method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 239000003153 chemical reaction reagent Substances 0.000 claims abstract description 23
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 18
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000005094 computer simulation Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 239000000376 reactant Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的微型化学实验方法，包括：输入要合成的物质的数据；在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据；在所述大数据平台中提取所述要合成的物质的特征信息；依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂；应用计算机仿真技术模拟所述试剂合成；结合所述合成的动态演化规律得到实时数据的性能评估指标；将所述性能评估指标存储到所述大数据平台中，同时反馈给用户。本发明将深度学习应用于微型化学实验中，为今后微型化学实验的发展提供技术支持。本发明解决了传统的人工手动实验方法耗时长、效率低的问题，提高了微型化学实验的完成效率。
Description
技术领域
本发明属于绿色化学数据分析领域，涉及一种基于深度学习的微型化学实验系统及方法。
背景技术
所谓微型化学实验，就是以尽可能少的化学试剂来获取所需化学信息的实验方法与技术。虽然它的化学试剂用量一般只为常规实验用量的几十分之一乃至几千分之一，但其效果却可以达到准确、明显、安全、方便和防止环境污染等目的。微型化学实验与常规实验相比，具有明显的绿色环保、节约药品和节省时间的特点。微型化学实验的优势已经在教学中呈现出来，受到了广大师生的欢迎。目前，国内已有800余所大、中院校开始采用微型化学实验。
深度学习是机器学习中一种基于对数据进行表征学习的方法，是一种能够模拟出人脑的神经结构的机器学习方法。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
目前，微型化学实验仍然采用传统的人工手动实验方法，耗时长、效率低，因此有必要引入新技术，推进国内外微型化学实验进程。
发明内容
本发明的目的是提供一种基于深度学习的微型化学实验系统及方法，以解决传统微型化学实验方法不足的问题。
本发明是这样实现的：一种基于深度学习的微型化学实验系统，包括数据录入模块、数据处理模块、数据显示模块、数据分析模块、性能评估模块、数据存储与反馈模块，数据录入模块与数据处理模块相连，数据处理模块与数据显示模块相连，数据显示模块与数据分析模块相连，数据分析模块与性能评估模块相连，性能评估模块与数据存储与反馈模块相连。
所述数据录入模块，用于输入要合成的物质的数据；
所述数据处理模块，用于在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据，如果存在所述历史大数据，则将历史大数据在数据显示模块显示，否则，在所述大数据平台中提取所述要合成的物质的特征信息；
所述数据显示模块，用于在所述大数据平台中，将所述历史大数据或所述性能评估指标进行可视化处理并显示出来；
所述数据分析模块，用于依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂；
所述性能评估模块，用于应用计算机仿真技术模拟所述试剂合成；结合所述合成的动态演化规律得到实时数据的性能评估指标；
所述数据存储与反馈模块，将所述性能评估指标存储到所述大数据平台中，同时反馈给用户。
一种基于深度学习的微型化学实验方法，具体的方法步骤如下：
步骤一：输入要合成的物质的数据；
步骤二：在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据；
步骤三：在所述大数据平台中提取所述要合成的物质的特征信息；
步骤四：依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂；
步骤五：应用计算机仿真技术模拟所述试剂合成；
步骤六：结合所述合成的动态演化规律得到实时数据的性能评估指标；
步骤七：将所述性能评估指标存储到所述大数据平台中，同时反馈给用户。
优选地，采用关联规则和聚类算法获取所述要合成的物质的历史大数据。
进一步地，在所述大数据平台中提取所述要合成的物质的特征信息时使用SparkMLlib提供的文本特征提取方法Countvectorizer。Countvectorizer和Countvectorizermodel旨在通过计数来将一个文档转换为向量。当不存在先验字典时，Countvectorizer可作为Estimator来提取词汇，并生成一个Countvectorizermodel。该模型产生文档关于词语的稀疏表示，其表示可以传递给其他算法如LDA。在fitting过程中，countvectorizer将根据语料库中的词频排序选出前vocabsize个词。一个可选的参数minDF也影响fitting过程中，它指定词汇表中的词语在文档中最少出现的次数。另一个可选的二值参数控制输出向量，如果设置为真那么所有非零的计数为1。这对于二值型离散概率模型非常有用。
进一步地，依据所述特征信息，在所述大数据平台中寻找与所述要合成物质的特征信息相关的试剂时使用并行粒子群优化神经网络算法，具体包括：
(1)读入训练样本和测试样本，数据预处理，设定最大迭代次数Tmax；
(2)随机初始化每个粒子的速度Vid(t)和位置Xid(t)；
(3)初始化个体最优位置Pbestid(t)和全局最优位置Gbestid(t)；
(4)更新每个粒子的速度Vid(t)和位置Xid(t)；
(5)计算每个粒子对应的适应度值(即NN的输出误差)F(Xi)；
(6)更新个体最优位置Pbestid(t)和全局最优位置Gbestid(t)；
(7)若达到最大迭代次数Tmax，则将训练样本和测试样本带入训练好的NN,得到网络输出；否则返回更新每个粒子的速度Vid(t)和位置Xid(t)；
(8)将训练样本和测试样本带入训练好的NN,得到网络输出。
其中，算法的速度更新和位置更新公式：
Vid(t+1)＝ωVid(t)+c1r1(Pbestid(t)-Xid(t))+c2r2(Gbestid(t)-Xid(t))
Xid(t+1)＝Xid(t)+Vid(t+1)
其中，粒子群由N个粒子组成，每个粒子的位置代表优化问题在D维搜索空间(D为NN权阈值的数目)中的一个潜在的解。i为粒子数，i＝1，2...，N，d＝1，2...，D；c1和c2是学习因子，非负的常数；r1和r2是介于[0，1]的均匀分布的随机数；Vid(t)∈[-Vmax，Vmax]，Vmax限制了粒子飞行的最大速度，Xid(t)∈[-Xmax，Xmax]，Xmax限制了粒子搜索空间的范围，可设定Vmax＝kVmax，0≤k≤1；ω是惯性权重，介于[0，1]，用来平衡粒子的全局搜索能力。
进一步地，采用滚动优化算法应用计算机仿真技术模拟所述试剂合成。
进一步地，所述结合所述个体的动态演化规律得到所述实时数据的性能评估指标具体包括：
(1)通过迭代优化算法建立性能评估指标；
(2)计算所述性能评估指标的最小值。
进一步地，还包括：通过所述实时数据对所述个体的最优参数序列进行矫正更新。
本发明基于大数据分析技术，提供一种基于深度学习的微型化学实验系统及方法，可以有效地克服传统微型化学实验方法的不足。
附图说明
图1为本发明的一种基于深度学习的微型化学实验方法组成模块图。
图2为本发明的实施例的流程示意图。
具体实施方式
实施例：
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明实施例中技术方案作进一步详细的说明。
如图1所示，本发明所提供的一种基于深度学习的微型化学实验系统，包括数据录入模块1、数据处理模块2、数据显示模块3、数据分析模块4、性能评估模块5、数据存储与反馈模块6，数据录入模块1与数据处理模块2相连，数据处理模块2与数据显示模块3相连，数据显示模块3与数据分析模块4相连，数据分析模块4与性能评估模块5相连，性能评估模块5与数据存储与反馈模块6相连。
所述数据录入模块1，用于输入要合成的物质的数据；
所述数据处理模块2，用于在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据，如果存在所述历史大数据，则将历史大数据在数据显示模块显示，否则，在所述大数据平台中提取所述要合成的物质的特征信息；
所述数据显示模块3，用于在所述大数据平台中，将所述历史大数据或所述性能评估指标进行可视化处理并显示出来；
所述数据分析模块4，用于依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂；
所述性能评估模块5，用于应用计算机仿真技术模拟所述试剂合成；结合所述合成的动态演化规律得到实时数据的性能评估指标；
所述数据存储与反馈模块6，将所述性能评估指标存储到所述大数据平台中，同时反馈给用户。
由上述实施例可知，本发明所述的基于深度学习的微型化学实验方法通过数据录入模块1，输入要合成的物质的数据；通过数据处理模块2在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据，如果存在所述历史大数据，则将历史大数据通过可视化处理后在数据显示模块3显示，否则，在所述大数据平台中提取所述要合成的物质的特征信息；在数据分析模块4，依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂；然后在性能评估模块5，应用计算机仿真技术模拟所述试剂合成；结合所述合成的动态演化规律得到实时数据的性能评估指标；得到所述实时数据的性能评估指标后，在数据存储与反馈模块6，将所述性能评估指标存储到所述大数据平台中，同时反馈给用户，在数据显示模块3显示。
如图2所示，为本发明提供的一种基于深度学习的微型化学实验方法的实施例流程示意图，详细步骤如下：
步骤一：输入要合成的物质的数据S1；其中，具体的所述输入数据包括所述要合成物质的类别、功能、应用范围等。
步骤二：在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据S2；其中，所述历史大数据不仅包括所述要合成的物质的详细历史数据信息，还包括与其具有相同功能的所有物质的历史数据信息。
进一步地，采用关联规则和聚类算法获取所述要合成的物质的历史大数据。
步骤三：在所述大数据平台中提取所述要合成的物质的特征信息S3；其中，如果步骤二中能够获取到所述要合成的物质的历史大数据，则优先考虑所述历史大数据。
进一步地，在所述大数据平台中提取所述要合成的物质的特征信息时使用SparkMLlib提供的文本特征提取方法Countvectorizer。Countvectorizer和Countvectorizermodel旨在通过计数来将一个文档转换为向量。当不存在先验字典时，Countvectorizer可作为Estimator来提取词汇，并生成一个Countvectorizermodel。该模型产生文档关于词语的稀疏表示，其表示可以传递给其他算法如LDA。在fitting过程中，countvectorizer将根据语料库中的词频排序选出前vocabsize个词。一个可选的参数minDF也影响fitting过程中，它指定词汇表中的词语在文档中最少出现的次数。另一个可选的二值参数控制输出向量，如果设置为真那么所有非零的计数为1。这对于二值型离散概率模型非常有用。
步骤四：依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂S4。
进一步地，依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂时使用并行粒子群优化神经网络算法，具体包括：
(1)读入训练样本和测试样本，数据预处理，设定最大迭代次数Tmax；
(2)随机初始化每个粒子的速度Vid(t)和位置Xid(t)；
(3)初始化个体最优位置Pbestid(t)和全局最优位置Gbestid(t)；
(4)更新每个粒子的速度Vid(t)和位置Xid(t)；
(5)计算每个粒子对应的适应度值(即NN的输出误差)F(Xi)；
(6)更新个体最优位置Pbestid(t)和全局最优位置Gbestid(t)；
(7)若达到最大迭代次数Tmax，则将训练样本和测试样本带入训练好的NN,得到网络输出；否则返回更新每个粒子的速度Vid(t)和位置Xid(t)；
(8)将训练样本和测试样本带入训练好的NN,得到网络输出。
其中，算法的速度更新和位置更新公式：
Vid(t+1)＝ωVid(t)+c1r1(Pbestid(t)-Xid(t))+c2r2(Gbestid(t)-Xid(t))
Xid(t+1)＝Xid(t)+Vid(t+1)
其中，粒子群由N个粒子组成，每个粒子的位置代表优化问题在D维搜索空间(D为NN权阈值的数目)中的一个潜在的解。i为粒子数，i＝1，2...，N，d＝1，2...，D；c1和c2是学习因子，非负的常数；r1和r2是介于[0，1]的均匀分布的随机数；Vid(t)[-Vmax，Vmax]，Vmax限制了粒子飞行的最大速度，Xid(t)[-Xmax，Xmax]，Xmax限制了粒子搜索空间的范围，可设定Vmax＝kVmax，0≤k≤1；ω是惯性权重，介于[0，1]，用来平衡粒子的全局搜索能力。
步骤五：应用计算机仿真技术模拟所述试剂合成S5。
进一步地，采用滚动优化算法应用计算机仿真技术模拟所述试剂合成。
预测控制的优化不是一次离线进行，而是随着采样时刻的前进反复地在线进行，故称为滚动优化。这种滚动优化虽然得不到理想的全局最优解，但是反复对每一采样时刻的偏差进行优化计算，将可及时地校正控制过程中出现的各种复杂情况。
滚动优化算法对反应时间和反应物的质量具有严格的限制，是在有限时间段和有限反应物的滚动优化。所得最优值应该基于对反应时间、反应物的质量及反应条件的综合考虑。
步骤六：结合所述合成的动态演化规律得到实时数据的性能评估指标S6。
进一步地，所述结合所述个体的动态演化规律得到所述实时数据的性能评估指标具体包括：
(1)通过迭代优化算法建立性能评估指标；
(2)计算所述性能评估指标的最小值。
进一步地，还包括：通过所述实时数据对所述个体的最优序列进行矫正更新。
步骤七：将所述性能评估指标存储到所述大数据平台中，同时反馈给用户S7。
本发明基于大数据分析技术，提供一种基于深度学习的微型化学实验系统及方法，可以有效地克服传统微型化学实验方法的不足。
以上对本发明所提供的基于深度学习的微型化学实验方法进行了详细介绍。说明书中各个实施例之间相同相似部分互相参见即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (6)
1.一种基于深度学习的微型化学实验方法，其特征在于，具体的方法步骤如下：
步骤一：输入要合成的物质的数据；
步骤二：在与绿色化学配套的大数据平台中采用关联规则和聚类算法获取所述要合成的物质的历史大数据；
步骤三：在所述大数据平台中使用SparkMLlib提供的文本特征提取方法Countvectorizer提取所述要合成的物质的特征信息；
步骤四：依据所述特征信息，在所述大数据平台中使用并行粒子群优化神经网络算法寻找与所述要合成的物质的特征信息相关的试剂；
步骤五：采用滚动优化算法应用计算机仿真技术模拟所述试剂合成；
步骤六：结合所述合成的动态演化规律得到实时数据的性能评估指标；
步骤七：将所述性能评估指标存储到所述大数据平台中，同时反馈给用户。
2.根据权利要求1所述的一种基于深度学习的微型化学实验方法，其特征在于，所述的SparkMLlib提供的文本特征提取方法Countvectorizer具体内容为：
Countvectorizer和Countvectorizermodel旨在通过计数来将一个文档转换为向量，当不存在先验字典时，Countvectorizer可作为Estimator来提取词汇，并生成一个计数矢量器模型Countvectorizermodel，该模型产生文档关于词语的稀疏表示，模型产生的文档可以传递给其他算法，包括但不限于LDA，在fitting过程中，countvectorizer将根据语料库中的词频排序选出前vocabsize个词，一个可选的参数minDF也影响fitting过程中，它指定词汇表中的词语在文档中最少出现的次数，另一个可选的二值参数控制输出向量，如果设置为真那么所有非零的计数为1，这对于二值型离散概率模型非常有用。
3.根据权利要求1所述的一种基于深度学习的微型化学实验方法，其特征在于，所述的并行粒子群优化神经网络算法，具体包括：
(1)读入训练样本和测试样本，数据预处理，设定最大迭代次数Tmax；
(2)随机初始化每个粒子的速度Vid(t)和位置Xid(t)；
(3)初始化个体最优位置Pbestid(t)和全局最优位置Gbestid(t)；
(4)更新每个粒子的速度Vid(t)和位置Xid(t)；
(5)计算每个粒子对应的适应度值(即NN的输出误差)F(Xi)；
(6)更新个体最优位置Pbestid(t)和全局最优位置Gbestid(t)；
(7)若达到最大迭代次数Tmax，则将训练样本和测试样本带入训练好的NN,得到网络输出；否则返回更新每个粒子的速度Vid(t)和位置Xid(t)；
(8)将训练样本和测试样本带入训练好的NN,得到网络输出；
其中，算法的速度更新和位置更新公式：
Vid(t+1)＝ωVid(t)+c1r1(Pbestid(t)-Xid(t))+c2r2(Gbestid(t)-Xid(t))
Xid(t+1)＝Xid(t)+Vid(t+1)
其中，粒子群由N个粒子组成，每个粒子的位置代表优化问题在D维搜索空间中的一个潜在的解；D为NN权阈值的数目；i为粒子数，i＝1，2...，N，d＝1，2...，D；c1和c2是学习因子，非负的常数；r1和r2是介于[0，1]的均匀分布的随机数；Vid(t)∈[-Vmax，Vmax]，Vmax限制了粒子飞行的最大速度，Xid(t)∈[-Xmax，Xmax]，Xmax限制了粒子搜索空间的范围，设定Vmax＝kVmax，0≤k≤1；ω是惯性权重，介于[0，1]，用来平衡粒子的全局搜索能力。
4.根据权利要求1所述的一种基于深度学习的微型化学实验方法，其特征在于，步骤六的具体过程包括：
(1)通过迭代优化算法建立性能评估指标；
(2)计算所述性能评估指标的最小值。
5.根据权利要求1所述的一种基于深度学习的微型化学实验方法，其特征在于，还包括：通过所述实时数据对所述试剂合成的最优参数序列进行矫正更新。
6.一种基于深度学习的微型化学实验系统，其特征在于：应用权利要求1-5任一项所述的一种基于深度学习的微型化学实验方法，包括数据录入模块、数据处理模块、数据显示模块、数据分析模块、性能评估模块、数据存储与反馈模块，数据录入模块与数据处理模块相连，数据处理模块与数据显示模块相连，数据显示模块与数据分析模块相连，数据分析模块与性能评估模块相连，性能评估模块与数据存储与反馈模块相连；
所述数据录入模块，用于输入要合成的物质的数据；
所述数据处理模块，用于在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据，如果存在所述历史大数据，则将历史大数据在数据显示模块显示，否则，在所述大数据平台中提取所述要合成的物质的特征信息；
所述数据显示模块，用于在所述大数据平台中，将所述历史大数据或所述性能评估指标进行可视化处理并显示出来；
所述数据分析模块，用于依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂；
所述性能评估模块，用于应用计算机仿真技术模拟所述试剂合成；结合所述合成的动态演化规律得到实时数据的性能评估指标；
所述数据存储与反馈模块，将所述性能评估指标存储到所述大数据平台中，同时反馈给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910957280.8A CN110610747B (zh) | 2019-10-10 | 2019-10-10 | 一种基于深度学习的微型化学实验系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910957280.8A CN110610747B (zh) | 2019-10-10 | 2019-10-10 | 一种基于深度学习的微型化学实验系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110610747A CN110610747A (zh) | 2019-12-24 |
| CN110610747B true CN110610747B (zh) | 2023-08-18 |
Family
ID=68894215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910957280.8A Active CN110610747B (zh) | 2019-10-10 | 2019-10-10 | 一种基于深度学习的微型化学实验系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110610747B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012177108A2 (ko) * | 2011-10-04 | 2012-12-27 | 주식회사 켐에쎈 | 순수한 화합물의 물리화학적 및 열역학적 성질을 예측，프로세스 및 온라인 서비스하는 모델，방법 및 시스템 |
| CN106527381A (zh) * | 2016-12-14 | 2017-03-22 | 北京化工大学 | 一种面向并行批处理机动态调度的快速评估方法 |
| CN106682443A (zh) * | 2017-01-09 | 2017-05-17 | 河南理工大学 | 一种基于格序理论的由蕴含规则重构形式背景的方法 |
| CN107067125A (zh) * | 2016-11-10 | 2017-08-18 | 杭州测盟科技有限公司 | 基于大数据和专家系统应用的化学品法规符合评估方法 |
| CN107103176A (zh) * | 2017-01-17 | 2017-08-29 | 东南大学 | 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法 |
| CN107273685A (zh) * | 2017-06-14 | 2017-10-20 | 广东工业大学 | 一种针对临床疾病的多模态大数据的数据分析方法 |
| CN109155149A (zh) * | 2016-03-29 | 2019-01-04 | 瑞泽恩制药公司 | 遗传变体-表型分析系统和使用方法 |
| CN109871995A (zh) * | 2019-02-02 | 2019-06-11 | 浙江工业大学 | Spark框架下分布式深度学习的量子优化调参方法 |
| CN110277144A (zh) * | 2018-03-15 | 2019-09-24 | 国际商业机器公司 | 使用累积的化学数据创建具有期望性质的新化学化合物以构建用于合成的新化学结构 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10373702B2 (en) * | 2014-03-27 | 2019-08-06 | Massachusetts Institute Of Technology | Water-soluble trans-membrane proteins and methods for the preparation and use thereof |
-
2019
- 2019-10-10 CN CN201910957280.8A patent/CN110610747B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012177108A2 (ko) * | 2011-10-04 | 2012-12-27 | 주식회사 켐에쎈 | 순수한 화합물의 물리화학적 및 열역학적 성질을 예측，프로세스 및 온라인 서비스하는 모델，방법 및 시스템 |
| CN109155149A (zh) * | 2016-03-29 | 2019-01-04 | 瑞泽恩制药公司 | 遗传变体-表型分析系统和使用方法 |
| CN107067125A (zh) * | 2016-11-10 | 2017-08-18 | 杭州测盟科技有限公司 | 基于大数据和专家系统应用的化学品法规符合评估方法 |
| CN106527381A (zh) * | 2016-12-14 | 2017-03-22 | 北京化工大学 | 一种面向并行批处理机动态调度的快速评估方法 |
| CN106682443A (zh) * | 2017-01-09 | 2017-05-17 | 河南理工大学 | 一种基于格序理论的由蕴含规则重构形式背景的方法 |
| CN107103176A (zh) * | 2017-01-17 | 2017-08-29 | 东南大学 | 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法 |
| CN107273685A (zh) * | 2017-06-14 | 2017-10-20 | 广东工业大学 | 一种针对临床疾病的多模态大数据的数据分析方法 |
| CN110277144A (zh) * | 2018-03-15 | 2019-09-24 | 国际商业机器公司 | 使用累积的化学数据创建具有期望性质的新化学化合物以构建用于合成的新化学结构 |
| CN109871995A (zh) * | 2019-02-02 | 2019-06-11 | 浙江工业大学 | Spark框架下分布式深度学习的量子优化调参方法 |
Non-Patent Citations (1)
| Title |
|---|
| Yuan Tianwei 等.Design of social security data processing and analysis platform based on spark.《ICIIP "18: proceedings of the 3rd international conference on intelligent information processing》.2018, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110610747A (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108614875B (zh) | 基于全局平均池化卷积神经网络的中文情感倾向性分类方法 | |
| CN107273490B (zh) | 一种基于知识图谱的组合错题推荐方法 | |
| CN107292333B (zh) | 一种基于深度学习的快速图像分类方法 | |
| CN109635291B (zh) | 一种基于协同训练的融合评分信息和物品内容的推荐方法 | |
| CN113254599A (zh) | 一种基于半监督学习的多标签微博文本分类方法 | |
| CN109657061B (zh) | 一种针对海量多词短文本的集成分类方法 | |
| US11803731B2 (en) | Neural architecture search with weight sharing | |
| CN107506389B (zh) | 一种提取职位技能需求的方法和装置 | |
| CN114238577B (zh) | 融合多头注意力机制的多任务学习情感分类方法 | |
| CN111079856B (zh) | 一种基于csjitl-rvm的多时段间歇过程软测量建模方法 | |
| CN112836509A (zh) | 一种专家系统知识库构建方法及系统 | |
| CN112560967A (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
| CN110825850A (zh) | 一种自然语言主题分类方法及装置 | |
| CN113486645A (zh) | 一种基于深度学习的文本相似度检测方法 | |
| US20230418894A1 (en) | Input method and apparatus based on sample-probability quantization, and electronic device | |
| CN116263849A (zh) | 注塑工艺参数处理方法、装置及计算设备 | |
| CN116595026A (zh) | 信息查询方法 | |
| CN111931516A (zh) | 一种基于强化学习的文本情感分析方法及系统 | |
| CN114742014A (zh) | 基于关联注意力的少样本文字风格迁移方法 | |
| CN110610747B (zh) | 一种基于深度学习的微型化学实验系统及方法 | |
| CN112989803A (zh) | 一种基于主题向量学习的实体链接模型 | |
| CN116361541A (zh) | 基于知识追踪与相似度分析的试题推荐方法 | |
| CN109815338B (zh) | 基于混合高斯模型的知识图谱中关系抽取方法和系统 | |
| CN112949410B (zh) | 人工智能理科文字题解题方法、装置、设备及存储介质 | |
| CN113468311A (zh) | 一种基于知识图谱的复杂问句问答方法、装置及存储介质 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191224 Assignee: GUILIN JINYIXING TECHNOLOGY DEVELOPMENT Co.,Ltd. Assignor: GUILIN University OF TECHNOLOGY Contract record no.: X2023980044509 Denomination of invention: A Micro Chemical Experiment System and Method Based on Deep Learning Granted publication date: 20230818 License type: Common License Record date: 20231030 |
|
| EE01 | Entry into force of recordation of patent licensing contract |