CN112908446A - 一种内分泌科药液自动混合控制方法 - Google Patents

一种内分泌科药液自动混合控制方法 Download PDF

Info

Publication number
CN112908446A
CN112908446A CN202110299764.5A CN202110299764A CN112908446A CN 112908446 A CN112908446 A CN 112908446A CN 202110299764 A CN202110299764 A CN 202110299764A CN 112908446 A CN112908446 A CN 112908446A
Authority
CN
China
Prior art keywords
liquid medicine
precision
mixing
neural network
mixed
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.)
Granted
Application number
CN202110299764.5A
Other languages
English (en)
Other versions
CN112908446B (zh
Inventor
张磊
吴冬梅
王娜
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110299764.5A priority Critical patent/CN112908446B/zh
Publication of CN112908446A publication Critical patent/CN112908446A/zh
Application granted granted Critical
Publication of CN112908446B publication Critical patent/CN112908446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)
  • Accessories For Mixers (AREA)

Abstract

本发明公开了一种内分泌科药液自动混合控制方法，所述方法包括以下步骤：A.药液开始混合后，每个周期采集混合药液，分析得到混合药液信息，构建混合精度神经网络模型，通过深度学习得到混合药液的混合精度；B.根据混合精度神经网络输出的混合精度级数进行评判，通过调节控制神经网络输出混合药液中各元素占比，进一步计算得到不同药液需要增加的时间，从而自动控制内分泌科药液混合。本发明解决了现有技术中药液混合精确度低、控制不可靠的问题，可精确控制多种药液配比，混合均匀，能够实现连续稳定的生产，提高效率，安全可靠、维护方便。

Description

一种内分泌科药液自动混合控制方法
技术领域
本申请属于医疗领域，具体涉及一种内分泌科药液自动混合控制方法。
背景技术
在内分泌科经常需要在容器内将两种或两种以上液体混合均匀，需要复杂的机械装置，在混合过程中机械装置的精确度和智能化控制尤为重要。
现如今的药液混合领域大多采用独具特色的药液混合装置，例如：王朋帅提出的“按压定心固定且自动启动震荡的药液混合装置及混合方法”，对药液瓶进行夹持固定，避免药液瓶在震荡时，药液瓶左右撞击设备，造成药液瓶破损，使药液瓶左右移动对其内部的药液进行震荡，加快药液的混合速度，解放双手，节约时间；但该混合装置及混合方法无法保证混合的精度，且在混合不精时无法自动控制，存在控制不可靠的问题。
发明内容
本申请提供一种内分泌科药液自动混合控制方法，以解决目前存在的药液混合方法无法保证混合的精度，且在混合不精时无法自动控制，存在控制不可靠的技术问题。
本发明的技术方案如下：
一种内分泌科药液自动混合控制方法，具体包括以下步骤：
A、药液开始混合后，每个周期采集混合药液，分析得到混合药液信息，构建混合精度神经网络模型，通过深度学习得到混合药液的混合精度；
B、根据混合精度神经网络输出的混合精度级数进行评判，通过调节控制神经网络输出混合药液中各元素占比，进一步计算得到不同药液需要增加的时间，从而自动控制内分泌科药液混合。
本发明的技术方案至少具有以下有益效果：
1、本发明技术方案解决了现有技术中药液混合精确度低、控制不可靠的问题，可精确控制多种药液配比，混合均匀，能够实现连续稳定的生产，提高效率，且安全可靠、维护方便。
2、混合精度神经网络通过对输入数据的合理化确认，增强安全机制，减少计算流程，将混合药液信息内在的特征的关联信息融合到一起，得到混合精度，确定混合精度等级，以便做出相应控制策略，确保实时了解药液混合精度。
3、通过调节控制神经网络将混合药液信息与加权状态和损失值转换到成分空间，得到不同成分药液在混合药液中的占比，增强计算准确率，提高训练效率。
4、根据不同成分药液在混合药液中的占比得到不同药液需要增加的时间，并使用合理的加时因子确定第三混合精度对应的增加时间，使得药液混合根据精度进行自动调节，更加智能化、控制可靠化。
附图说明
图1本发明所述的一种内分泌科药液自动混合控制系统结构图；
图2本发明所述的混合精度神经网络模型与调节控制神经网络模型图。
具体实施方式
以下将结合实施例及附图来详细说明本发明的技术方案，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
本发明公开了一种内分泌科药液自动混合控制方法，具体步骤如下：
A、药液开始混合后，每个周期采集混合药液，分析得到混合药液信息，构建混合精度神经网络模型，通过深度学习得到混合药液的混合精度；
参照图1，中央控制设备接收到药液混合指令后，向各开关控制设备和计时设备发送工作指令，各开关控制设备分别以各自预设的开关度打开药液盛放装置的开关，各药液统一流入混合装置；计时设备设定采集周期，混合时间到达一个采集周期t后通知采集设备从混合装置中采集已充分混合的药液至分析设备；分析设备自动分解出混合药液信息录入存储设备中，所述混合药液信息包括但不限于混合药液的浓度、成分、体积、溶质质量、密度等元素；存储设备将混合药液信息发送给处理设备，处理设备对混合药液信息进行深度学习，得到混合精度。
构建混合精度神经网络模型，如图2所示，所述混合精度神经网络包括精度神经网络输入层、关联词、融合层和精度神经网络输出层，通过将分析后的混合药液信息输入到混合精度神经网络中进行深度学习、参数训练，最终输出混合药液的混合精度。所述混合精度根据实际情况设立为第一混合精度、第二混合精度、第三混合精度和第四混合精度，第一混合精度、第二混合精度、第三混合精度和第四混合精度的混合精度程度为递减顺序。
精度神经网络输入层：输入混合药液信息，对其进行编码，表示为
Figure BDA0002985406570000031
Figure BDA0002985406570000032
其中，
Figure BDA0002985406570000033
表示第ti个周期采集的混合药液信息中的第n个元素，对于任意一个混合药液元素用
Figure BDA0002985406570000034
表示。精度神经网络输入层对混合药液信息
Figure BDA0002985406570000035
进行去重、去异、去噪等数据处理，所述数据处理方法为现有技术，本发明在此不做过多阐述。精度神经网络输入层将处理后的混合药液信息
Figure BDA0002985406570000036
发送给关联层。
精度神经网络输入层与关联层之间设有确认机制，所述确认机制用于对处理后混合药液信息中各元素的数值大小进行合理化确认，判断各元素的数值大小是否在合理范围内，若合理，则可传输给关联层；否则，需要向分析设备发送重新分析指令，将采集的混合药液进行重新分析，若重新分析后得到的混合药液信息依然不合理，则处理设备向警报设备发送重大混合失误警报，需由人工介入查看。
关联层：建立混合药液信息中各元素
Figure BDA0002985406570000037
之间的关联，通过一些复合函数学习混合药液信息内在的特征的关联信息：
Figure BDA0002985406570000038
其中，J表示混合药液信息中元素的数量。将混合药液信息中各元素的关联信息
Figure BDA0002985406570000039
传给融合层。
融合层：融合因子作用于融合层的每个神经元中，融合层根据各元素的加权状态和关联关系对混合药液信息进行融合计算，融合混合药液信息各元素及其关联关系，得到加权融合数据：
Figure BDA00029854065700000310
其中，
Figure BDA00029854065700000311
是各元素的加权状态，所述加权状态由实际需求确定，μ为融合因子。融合层将得到的融合数据
Figure BDA00029854065700000312
发送给精度神经网络输出层。
精度神经网络输出层：对融合数据进行混合精度计算，得到混合药液的混合精度，然后映射到统一区间内，根据混合精度值确定混合药液的混合等级，输出混合等级。所述混合精度计算方法为：
Figure BDA0002985406570000041
其中，
Figure BDA0002985406570000042
表示混合精度值，γ为平衡因子，
Figure BDA0002985406570000043
为映射到统一区间后的混合精度值，δ为映射因子。根据
Figure BDA0002985406570000044
所在的区间范围，输出混合精度级数。
混合精度神经网络训练评价：根据混合精度神经网络的实际输出值
Figure BDA0002985406570000045
与期望输出值
Figure BDA0002985406570000046
计算损失值
Figure BDA0002985406570000047
若损失值在预设范围内，则表明混合精度神经网络训练完成，否则根据现有技术进行参数更新，重新训练。
所述混合精度神经网络的有益效果为：混合精度神经网络通过对输入数据的合理化确认，增强安全机制，减少计算流程，将混合药液信息内在的特征的关联信息融合到一起，得到混合精度，确定混合精度等级，以便做出相应控制策略，确保实时了解药液混合精度。
B、根据混合精度神经网络输出的混合精度级数进行评判，通过调节控制神经网络输出混合药液中各元素占比，进一步计算得到不同药液需要增加的时间，从而自动控制内分泌科药液混合。
B1、根据步骤A所述的混合精度神经网络输出的混合精度级数进行评判，所述评判规则为：
若混合精度神经网络输出的混合精度级数为第一混合精度，则表示混合药液的混合精度较高，符合内分泌科药液混合的标准水平，所述内分泌科药液混合的标准水平由内分泌科自行制定，则无需进行进一步处理，待下一采集周期再次进行等级识别与评定；
若混合精度神经网络输出的混合精度级数为第二混合精度，则表示混合药液的混合精度没有达到内分泌科药液混合的标准水平，需要通过调节控制神经网络确定混合药液信息的具体情况，得到需要增减的药液，通知开关控制设备对药液盛放装置的开关进行自动控制；
若混合精度神经网络输出的混合精度级数为第三混合精度，则表示混合药液的混合精度没有达到内分泌科药液混合的标准水平，且相差较大，需要通过调节控制神经网络确定混合药液信息的具体情况，得到需要增减的药液，通过加时因子进行加时控制，通知开关控制设备对药液盛放装置的开关进行自动控制；
若混合精度神经网络输出的混合精度级数为第四混合精度，则表示药液混合过程中出现较大误差。处理设备向警报设备发送重大混合失误警报，需要人工确定具体问题。
B2、所述调节控制神经网络通过对经过混合精度神经网络合理化确认后的混合药液信息与混合精度神经网络参数：加权状态
Figure BDA0002985406570000051
和损失值
Figure BDA0002985406570000052
进行深度学习，得到混合药液中各成分占比及其差值，进一步计算得到不同药液需要增加的时间，从而自动控制每个药液盛放装置的开关设备。
所述调节控制神经网络包括控制神经网络输入层、维度转换层、聚类分析层和控制神经网络输出层，如图2所示。
控制神经网络输入层：设立所述调节控制神经网络的输入表示为
Figure BDA0002985406570000053
Figure BDA0002985406570000054
任一输入向量用
Figure BDA0002985406570000055
表示。控制神经网络输入层将输入向量
Figure BDA0002985406570000056
传送给维度转换层。
维度转换层：维度转换层对输入数据进行维度转换，将混合药液信息与加权状态和损失值映射到药液成分空间进行维度转换，维度转换层神经元数量为药液成分数量，所述维度转换计算方法为：
Figure BDA0002985406570000057
其中，
Figure BDA0002985406570000058
表示成分空间数据，l表示任意一种药液成分，共有L种成分，β表示转换因子，cj为预设的每种药液的占比，V是预设的总混合体积，σy2是合理化确认后的混合药液信息的方差水平，σz 2是加权状态
Figure BDA0002985406570000059
和损失值
Figure BDA00029854065700000510
的方差水平之积。维度转换层将转换后的数据
Figure BDA00029854065700000511
发送给聚类分析层。
聚类分析层：聚类分析层对转换到药液成分空间的混合数据进行聚类分析，得到不同成分药液在混合药液中的占比，所述聚类计算方法为：
Figure BDA0002985406570000061
其中，
Figure BDA0002985406570000062
表示不同成分药液的权重，由实际情况确定，
Figure BDA0002985406570000063
表示成分空间数据的均值，
Figure BDA0002985406570000064
表示不同成分药液的偏置。聚类分析层将不同成分药液在混合药液中的占比传递给输出层。
控制神经网络输出层：控制神经网络输出层输出不同成分药液在混合药液中的占比
Figure BDA0002985406570000065
经过深度学习训练好的调节控制神经网络，其期望输出为
Figure BDA0002985406570000066
B3、所述第二混合精度对应的调节控制神经网络在输出药液中各成分的占比后，计算不同药液需要增加的时间，计算方法为：
Figure BDA0002985406570000067
其中，lenl表示第1种药液盛放装置与混合装置的连接距离，
Figure BDA0002985406570000068
表示第1种药液盛放装置的流动速度，ρl表示第1种药液的密度，ρ0表示混合药液的密度。
所述第三混合精度对应的调节控制神经网络在输出药液中各成分的占比后，得到不同药液需要增加的时间
Figure BDA0002985406570000069
需要由加时因子τ(0＜τ≤1)作用于增加的时间后得到第三混合精度实际对应的增加时间，具体计算方法为：
Figure BDA00029854065700000610
所述加时因子由实验获得。
根据各成分药液增加的时间，处理装置通知开关控制设备对药液盛放装置的开关进行自动控制。
所述调节控制神经网络的有益效果为：通过调节控制神经网络将混合药液信息与加权状态和损失值转换到成分空间，得到不同成分药液在混合药液中的占比，增强计算准确率，提高训练效率。
所述不同药液需要增加的时间的有益效果为：根据不同成分药液在混合药液中的占比得到不同药液需要增加的时间，并使用合理的加时因子确定第三混合精度对应的增加时间，使得药液混合根据精度进行自动调节，更加智能化、控制可靠化。
综上所述，便完成了本发明所述的一种内分泌科药液自动混合控制方法。
以上所述仅为本发明的较佳实施例，并不用于限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.一种内分泌科药液自动混合控制方法，其特征在于，所述方法包括以下步骤：
A.药液开始混合后，每个周期采集混合药液，分析得到混合药液信息，构建混合精度神经网络模型，通过深度学习得到混合药液的混合精度；
B.根据混合精度神经网络输出的混合精度级数进行评判，通过调节控制神经网络输出混合药液中各元素占比，进一步计算得到不同药液需要增加的时间，从而自动控制内分泌科药液混合。
2.根据权利要求1所述的一种内分泌科药液自动混合控制方法，其特征在于，所述步骤A中，构建混合精度神经网络模型全部过程如下：
所述混合精度神经网络包括精度神经网络输入层、关联词、融合层和精度神经网络输出层，通过将分析后的混合药液信息输入到混合精度神经网络中进行深度学习、参数训练，最终输出混合药液的混合精度；所述混合精度根据实际情况设立为第一混合精度、第二混合精度、第三混合精度和第四混合精度，第一混合精度、第二混合精度、第三混合精度和第四混合精度的混合精度程度为递减顺序；
精度神经网络输入层：输入混合药液信息，对其进行编码，表示为
Figure FDA0002985406560000011
Figure FDA0002985406560000012
其中，
Figure FDA0002985406560000013
表示第ti个周期采集的混合药液信息中的第n个元素，对于任意一个混合药液元素用
Figure FDA0002985406560000014
表示；
精度神经网络输入层对混合药液信息
Figure FDA0002985406560000015
进行去重、去异、去噪等数据处理，精度神经网络输入层将处理后的混合药液信息
Figure FDA0002985406560000016
发送给关联层；
精度神经网络输入层与关联层之间设有确认机制，所述确认机制用于对处理后混合药液信息中各元素的数值大小进行合理化确认，判断各元素的数值大小是否在合理范围内，若合理，则可传输给关联层；否则，需要向分析设备发送重新分析指令，将采集的混合药液进行重新分析，若重新分析后得到的混合药液信息依然不合理，则处理设备向警报设备发送重大混合失误警报，需由人工介入查看；
关联层：建立混合药液信息中各元素
Figure FDA0002985406560000017
之间的关联，通过一些复合函数学习混合药液信息内在的特征的关联信息：
Figure FDA0002985406560000018
其中，J表示混合药液信息中元素的数量，将混合药液信息中各元素的关联信息
Figure FDA0002985406560000021
传给融合层；
融合层：融合因子作用于融合层的每个神经元中，融合层根据各元素的加权状态和关联关系对混合药液信息进行融合计算，融合混合药液信息各元素及其关联关系，得到加权融合数据：
Figure FDA0002985406560000022
其中，
Figure FDA0002985406560000023
是各元素的加权状态，所述加权状态由实际需求确定，μ为融合因子，融合层将得到的融合数据
Figure FDA0002985406560000024
发送给精度神经网络输出层；
精度神经网络输出层：对融合数据进行混合精度计算，得到混合药液的混合精度，然后映射到统一区间内，根据混合精度值确定混合药液的混合等级，输出混合等级；所述混合精度计算方法为：
Figure FDA0002985406560000025
其中，
Figure FDA0002985406560000026
表示混合精度值，γ为平衡因子，
Figure FDA0002985406560000027
为映射到统一区间后的混合精度值，δ为映射因子，根据
Figure FDA0002985406560000028
所在的区间范围，输出混合精度级数；
混合精度神经网络训练评价：根据混合精度神经网络的实际输出值
Figure FDA0002985406560000029
与期望输出值
Figure FDA00029854065600000210
计算损失值
Figure FDA00029854065600000211
若损失值在预设范围内，则表明混合精度神经网络训练完成，否则进行参数更新，重新训练。
3.根据权利要求2所述的一种内分泌科药液自动混合控制方法，其特征在于，所述步骤B中混合精度神经网络模型全部过程；
所述调节控制神经网络通过对经过混合精度神经网络合理化确认后的混合药液信息与混合精度神经网络参数：加权状态
Figure FDA00029854065600000212
和损失值
Figure FDA00029854065600000213
进行深度学习，得到混合药液中各成分占比及其差值，进一步计算得到不同药液需要增加的时间，从而自动控制每个药液盛放装置的开关设备；
所述调节控制神经网络包括控制神经网络输入层、维度转换层、聚类分析层和控制神经网络输出层：
控制神经网络输入层：设立所述调节控制神经网络的输入表示为
Figure FDA0002985406560000031
Figure FDA0002985406560000032
任一输入向量用
Figure FDA0002985406560000033
表示，控制神经网络输入层将输入向量
Figure FDA0002985406560000034
传送给维度转换层；
维度转换层：维度转换层对输入数据进行维度转换，将混合药液信息与加权状态和损失值映射到药液成分空间进行维度转换，维度转换层神经元数量为药液成分数量，所述维度转换计算方法为：
Figure FDA0002985406560000035
其中，
Figure FDA0002985406560000036
表示成分空间数据，l表示任意一种药液成分，共有L种成分，β表示转换因子，cj为预设的每种药液的占比，V是预设的总混合体积，σy 2是合理化确认后的混合药液信息的方差水平，σz 2是加权状态
Figure FDA0002985406560000037
和损失值
Figure FDA0002985406560000038
的方差水平之积，维度转换层将转换后的数据
Figure FDA0002985406560000039
发送给聚类分析层：
聚类分析层：聚类分析层对转换到药液成分空间的混合数据进行聚类分析，得到不同成分药液在混合药液中的占比，所述聚类计算方法为：
Figure FDA00029854065600000310
其中，
Figure FDA00029854065600000311
表示不同成分药液的权重，由实际情况确定，
Figure FDA00029854065600000312
表示成分空间数据的均值，
Figure FDA00029854065600000313
表示不同成分药液的偏置，聚类分析层将不同成分药液在混合药液中的占比传递给输出层：
控制神经网络输出层：控制神经网络输出层输出不同成分药液在混合药液中的占比
Figure FDA00029854065600000314
经过深度学习训练好的调节控制神经网络，其期望输出为
Figure FDA00029854065600000315
4.根据权利要求3所述的一种内分泌科药液自动混合控制方法，其特征在于，所述步骤B中所述第二混合精度对应的调节控制神经网络在输出药液中各成分的占比后，计算不同药液需要增加的时间，计算方法如下：
Figure FDA0002985406560000041
其中，lenl表示第1种药液盛放装置与混合装置的连接距离，
Figure FDA0002985406560000042
表示第l种药液盛放装置的流动速度，ρl表示第l种药液的密度，ρ0表示混合药液的密度；
所述第三混合精度对应的调节控制神经网络在输出药液中各成分的占比后，得到不同药液需要增加的时间
Figure FDA0002985406560000043
需要由加时因子τ，0＜τ≤1，作用于增加的时间后得到第三混合精度实际对应的增加时间，具体计算方法为：
Figure FDA0002985406560000044
5.根据权利要求2所述的一种内分泌科药液自动混合控制方法，其特征往于：所述步骤B中根据混合精度神经网络输出的混合精度级数进行评判方法如下：
若混合精度神经网络输出的混合精度级数为第一混合精度，则表示混合药液的混合精度较高，符合内分泌科药液混合的标准水平，所述内分泌科药液混合的标准水平由内分泌科自行制定，则无需进行进一步处理，待下一采集周期再次进行等级识别与评定；
若混合精度神经网络输出的混合精度级数为第二混合精度，则表示混合药液的混合精度没有达到内分泌科药液混合的标准水平，需要通过调节控制神经网络确定混合药液信息的具体情况，得到需要增减的药液，通知开关控制设备对药液盛放装置的开关进行自动控制；
若混合精度神经网络输出的混合精度级数为第三混合精度，则表示混合药液的混合精度没有达到内分泌科药液混合的标准水平，且相差较大，需要通过调节控制神经网络确定混合药液信息的具体情况，得到需要增减的药液，通过加时因子进行加时控制，通知开关控制设备对药液盛放装置的开关进行自动控制；
若混合精度神经网络输出的混合精度级数为第四混合精度，则表示药液混合过程中出现较大误差，发送重大混合失误警报。
CN202110299764.5A 2021-03-20 2021-03-20 一种内分泌科药液自动混合控制方法 Active CN112908446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110299764.5A CN112908446B (zh) 2021-03-20 2021-03-20 一种内分泌科药液自动混合控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110299764.5A CN112908446B (zh) 2021-03-20 2021-03-20 一种内分泌科药液自动混合控制方法

Publications (2)

Publication Number Publication Date
CN112908446A true CN112908446A (zh) 2021-06-04
CN112908446B CN112908446B (zh) 2022-03-22

Family

ID=76105782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110299764.5A Active CN112908446B (zh) 2021-03-20 2021-03-20 一种内分泌科药液自动混合控制方法

Country Status (1)

Country Link
CN (1) CN112908446B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822758A (zh) * 2022-06-28 2022-07-29 新泰市中医医院 一种用于内分泌科药液的自动混合控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163368A (zh) * 2019-04-18 2019-08-23 腾讯科技（深圳）有限公司 基于混合精度的深度学习模型训练方法、装置及系统
WO2020095321A2 (en) * 2018-11-06 2020-05-14 Vishwajeet Singh Thakur Dynamic structure neural machine for solving prediction problems with uses in machine learning
CN112070215A (zh) * 2020-09-10 2020-12-11 北京理工大学 基于bp神经网络的危险态势分析的处理方法及处理装置
CN112183742A (zh) * 2020-09-03 2021-01-05 南强智视(厦门)科技有限公司 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN112364981A (zh) * 2020-11-10 2021-02-12 南方科技大学 一种混合精度神经网络的可微分搜索方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020095321A2 (en) * 2018-11-06 2020-05-14 Vishwajeet Singh Thakur Dynamic structure neural machine for solving prediction problems with uses in machine learning
CN110163368A (zh) * 2019-04-18 2019-08-23 腾讯科技（深圳）有限公司 基于混合精度的深度学习模型训练方法、装置及系统
CN112183742A (zh) * 2020-09-03 2021-01-05 南强智视(厦门)科技有限公司 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN112070215A (zh) * 2020-09-10 2020-12-11 北京理工大学 基于bp神经网络的危险态势分析的处理方法及处理装置
CN112364981A (zh) * 2020-11-10 2021-02-12 南方科技大学 一种混合精度神经网络的可微分搜索方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李晋阳等: "基于流量调节阀和神经网络的植保机械在线混药装置", 《农业机械学报》 *
魏巍: "多流体混合微流控制系统的研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822758A (zh) * 2022-06-28 2022-07-29 新泰市中医医院 一种用于内分泌科药液的自动混合控制方法及系统
CN114822758B (zh) * 2022-06-28 2022-09-09 新泰市中医医院 一种用于内分泌科药液的自动混合控制方法及系统

Also Published As

Publication number Publication date
CN112908446B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN112216354A (zh) 一种基于cfd数值模拟和机器学习的智能加药系统和方法
CN109490814A (zh) 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法
CN112908446B (zh) 一种内分泌科药液自动混合控制方法
CN111126658A (zh) 一种基于深度学习的煤矿瓦斯预测方法
CN105676814A (zh) 基于sfla-svm的数字化水岛在线加药控制方法
CN112633584B (zh) 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法
CN108551491A (zh) 基于人工智能的异构网络空间多层次移动物联网云系统
US20240047051A1 (en) Emergency blood dispatching method and system based on early prediction and unmanned fast delivery
O'Mahony et al. Adaptive process control and sensor fusion for process analytical technology
CN109925992A (zh) 一种基于多模块分阶段的连续搅拌在线监测方法
CN108549332A (zh) 一种基于钴酸锂配料系统的生产状态预测方法
CN113822388A (zh) 参数设定方法、装置、电子装置及存储介质
US11641401B1 (en) Controlling methods, systems, devices and storage mediums for front sub-platform industrial Internet of Things
CN114871000B (zh) 一种浮选加药自适应调控方法
CN114861535A (zh) 利用cfd做数据预处理的水处理过程机器学习建模方法
CN106953886A (zh) 一种基于以太网的列车通信网络周期信息调度方法
CN107666403A (zh) 一种指标数据的获取方法及装置
CN113658415B (zh) 一种智能网关的预警方法和系统
CN113741358A (zh) 一种基于工业数字化智能预测的复合肥养份控制方法
CN108549903A (zh) 一种聚合反应过程的质量模式监测方法
CN107958695B (zh) 一种基于机器学习的高精度药物定量方法
Sun et al. A soft-sensing model for predicting cement-specific surface area based on inception-residual-quasi-recurrent neural networks
CN118047426B (zh) 一种工业锅炉水质智能控制方法及系统
CN118276500A (zh) 一种水厂混凝投药预测控制系统及使用方法
CN113778028B (zh) 基于边云协同与双增量的智能混凝算法

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