CN113899702A - 一种基于量子傅里叶变换的疫苗多光谱快速检测方法 - Google Patents

一种基于量子傅里叶变换的疫苗多光谱快速检测方法 Download PDF

Info

Publication number
CN113899702A
CN113899702A CN202111063987.8A CN202111063987A CN113899702A CN 113899702 A CN113899702 A CN 113899702A CN 202111063987 A CN202111063987 A CN 202111063987A CN 113899702 A CN113899702 A CN 113899702A
Authority
CN
China
Prior art keywords
vaccine
multispectral
module
neural network
different
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
Application number
CN202111063987.8A
Other languages
English (en)
Inventor
蔡政英
左紫怡
蔡文娟
陈滢潞
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202111063987.8A priority Critical patent/CN113899702A/zh
Publication of CN113899702A publication Critical patent/CN113899702A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/3103—Atomic absorption analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/73—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using plasma burners or torches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
    • G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
    • G01N24/088—Assessment or manipulation of a chemical or biochemical reaction, e.g. verification whether a chemical reaction occurred or whether a ligand binds to a receptor in drug screening or assessing reaction kinetics
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Plasma & Fusion (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种基于量子傅里叶变换的疫苗多光谱快速检测方法，方法基于疫苗多光谱快速检测系统，包括如下步骤：步骤1，多光谱采集模块采集疫苗样品的多光谱数据；步骤2，多光谱采集模块将数据输入疫苗多光谱数据库；步骤3，量子傅里叶变换模块对疫苗多光谱数据库进行数据变换；步骤4、神经网络学习模块对疫苗样品的单一种类光谱特征进行学习和提取；步骤5、神经网络学习模块对疫苗样品的多光谱特征矩阵进行多光谱交叉学习；步骤6、疫苗检测结果输出。本发明能应用于大批量、精准、快速、无损的疫苗检测。

Description

一种基于量子傅里叶变换的疫苗多光谱快速检测方法
技术领域
本发明涉及疫苗活性检测领域和量子计算领域，具体涉及一种基于量子傅里叶变换的疫苗多光谱快速检测方法。
背景技术
疫苗是指用各类病原微生物制作的用于预防接种的生物制品。疫苗自诞生以后，就在人类同病毒的斗争中占了举足轻重的位置，减少了大量的人员死亡。没有疫苗，人类将难以战胜天花、肝炎、狂犬病、白喉、破伤风、百日咳、麻疹和新冠等多种病毒。常用的疫苗包括减毒活疫苗、灭活疫苗、类毒素疫苗、亚单位疫苗与多肽疫苗、载体疫苗、核酸疫苗和可食用的疫苗等。疫苗的开发和生产是一个漫长而复杂的过程，且成本很高。正常疫苗的储存温度为2-8度，甚至更低温度，超过这个温度后，会导致疫苗的变性。不同类型的疫苗，保存条件也有所不同，但一般都不允许直接阳光照射。但疫苗也是蛋白质大分子物质，并非永久有效，因此需要对生产和储存的疫苗进行及时检测。疫苗免疫效力是疫苗检测的重要目标。但疫苗的有效性检测往往耗时很长，而疫苗的有效期又较短。在大规模的病毒感染事件和疫苗接种活动时，往往需要快速的、大批量的疫苗检测技术。另外，假疫苗和过期疫苗也对公众健康和公众舆情有重要影响，容易造成群体性事件。
疫苗的质量检测通常包括理化性质的检测、微生物学检测、免疫学检测、疫苗原的标准化检测。这些检测方法和手段在保证疫苗质量上起到了重要作用，但是难以实现快速检测，而且是有损检测，即检测过的疫苗样品也无法再次使用。在医药和临床领域也出现了一些快速检测药物效果的技术，特别是无损检测技术。其中，光谱法分析药物是目前最流行的实现药物无损定性、定量分析，在流通领域快速筛查假劣药物的检测技术。光谱分析法的技术种类多种多样包括：近红外光谱技术，分析速度快、分析效率高、适用样品范围广；拉曼光谱技术，对于纯定性分析、高度定量分析和测定分子结构都有很大价值；太赫兹时域光谱技术，一般不会对物质造成电离损伤，但对于疫苗中的集体运动模式非常敏感等等。
但是以上检测技术的缺点也是显而易见的。首先，光谱分析法难以直接用于疫苗检测。大多数光谱分析技术是对于原料药等的检测，极少有个别技术能对某些疫苗活性进行检测。将单一的光谱法用于疫苗检测，效果也是有限性的，比如对疫苗的活性检测不佳，且难以判断疫苗的种类。很多对光照极度敏感的疫苗更不能直接使用光照和光谱分析法。其次，光谱分析法可能损害疫苗。光谱检测法需要光照，为保证检测精度和效率往往使用较大功率的光照，而疫苗往往是要避光、低温保存，使用强光照检测很容易造成一些疫苗成份发生分解，影响疫苗性能，甚至导致检测合格的疫苗在检测后失去活性。再次，光谱分析技术精度和效率往往是一对矛盾。如果提高检测效率和速度，可能导致检测准确度不高；反之，如果提高检测精度，也可能降低了光谱检测的精度。由于疫苗保留了病原菌刺激动物体免疫系统的特性，如何在确保精度的同时，提高疫苗检测效率，是困扰人们的难题。
随着人类与新冠疫情和各类病毒的斗争，人们对疫苗活性进行大规模光谱检测的呼声越来越高。本发明采用量子傅里叶变换处理大规模光谱检测带来的数据处理难题，对光照强度要求低，能够在检测的同时保护疫苗，但市场上还缺乏一种基于量子傅里叶变换的疫苗多光谱快速检测方法。
发明内容
本发明所要解决的技术问题是提供一种基于量子傅里叶变换的疫苗多光谱快速检测方法，能够对疫苗生产厂家生产的疫苗成品的药性进行无损快速全面精准的检测，其带来的并行运算能力也大大提高了检测和多光谱分析速度，弥补了多种光谱技术对于疫苗检验的缺陷。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于量子傅里叶变换的疫苗多光谱快速检测方法，方法基于疫苗多光谱快速检测系统，系统包括多光谱采集模块、疫苗多光谱数据库、量子傅里叶变换模块、神经网络学习模块，疫苗多光谱特征矩阵和疫苗多光谱分析结果输出模块，包括如下步骤：
步骤1、多光谱采集模块采集疫苗样品的多光谱数据：多光谱采集模块使用多种光频从不同角度轮流照射疫苗样品，获取原始的疫苗多光谱图；多光谱采集模块采集的多光谱包括可见光、紫外线、荧光、原子吸收分光、等离子体发射光、拉曼光谱、核磁共振波谱；
步骤2、多光谱采集模块将数据输入疫苗多光谱数据库；多光谱采集模块对采集的原始疫苗多光谱图分别进行预处理、滤波、放大和谱图插值拟合，并转换成量子傅里叶变换模块所需的格式，存入疫苗多光谱数据库；
步骤3、量子傅里叶变换模块对疫苗多光谱数据库进行数据变换：量子傅里叶变换模块从疫苗多光谱数据库输入已经处理好的多光谱图数据，并转换为量子态疫苗多光谱图数据；进一步地，量子傅里叶变换模块使用Hadamard门变换与受控相位旋转操作对量子态疫苗多光谱图数据进行量子傅里叶变换，得到量子态变换输出结果；进一步地，量子傅里叶变换模块将量子态变换输出结果转换为经典态变换输出结果，并将转换后的经典态疫苗多光谱图数据输入神经网络学习模块；
步骤4、神经网络学习模块对疫苗样品的单一种类光谱特征进行学习和提取：神经网络学习模块反复执行步骤，反复调用量子傅里叶变换模块处理疫苗多光谱数据库，依次对疫苗样品单一种类光谱图中的疫苗光谱数据进行数据变换，再输入疫苗样品单一种类光谱图的数据变换结果，通过多层神经网络对疫苗样品单一种类光谱图的特征数据进行识别和提取，进一步地，建立疫苗样品的单一种类光谱特征矩阵，并存入疫苗多光谱特征矩阵；
步骤5、神经网络学习模块对疫苗样品的多光谱特征矩阵进行多光谱交叉学习：神经网络学习模块同时输入疫苗多光谱特征矩阵中的不同种类光谱的疫苗单一种类光谱特征矩阵，通过多层神经网络对疫苗多光谱图同时进行特征数据识别和特征提取；神经网络学习模块分析疫苗的多光谱特征，并建立量化的多光谱特征数学模型，进一步地，建立疫苗样品的多光谱特征矩阵，并存入疫苗多光谱特征矩阵；进一步地，神经网络学习模块根据疫苗多光谱特征矩阵分析不同疫苗的成份与溶剂、包装材料的多光谱叠加现象，对疫苗活性、有效期、耐用性、专属性和安全性进行量化评估，得到疫苗检测结果，并将疫苗检测结果输出到疫苗多光谱分析结果输出模块；
步骤6、疫苗多光谱分析结果输出模块对疫苗检测结果输出；疫苗多光谱分析结果输出模块获取神经网络学习模块输出的最终结果，并提供完整的疫苗检测分析报告，包括疫苗活性、有效期、耐用性、专属性和安全性。
上述的步骤1中，多光谱采集模块采集疫苗样品的多光谱数据，包括以下子步骤，
子步骤1-1、多光谱采集模块设置不同光源照射的工作顺序和照射角度，优选地，多光谱采集模块将光源种类分为可见光、紫外线、荧光、原子吸收分光、等离子体发射光、拉曼光谱、核磁共振波谱；进一步地，不同种类光源照射可得到疫苗样品不同种类的光谱图；优选地，可以设置多组多光谱采集模块并行进行疫苗检测工作；
子步骤1-2、多光谱采集模块放入疫苗样品，并对不同种类的疫苗样品设置不同的工作温度和光照强度，优选地，多光谱采集模块根据疫苗多光谱数据库对不同种类的疫苗样品自动设置最优的工作温度和光照强度；进一步地，多光谱采集模块根据疫苗多光谱数据库，对不同种类光源分别设置最优的照射强度和照射角度，优化不同种类的光谱图信号，减小均方误差，提高信噪比，最大限度减少光照对疫苗样品的损坏；
子步骤1-3、多光谱采集模块启动不同种类光源对疫苗样品进行照射，并从不同角度获取本批次疫苗的不同种类光谱图像。
上述的步骤2中，多光谱采集模块将数据输入疫苗多光谱数据库，包括以下子步骤：
子步骤2-1、多光谱采集模块对采集的原始疫苗多光谱图分别进行预处理，消除原始疫苗多光谱图像中无关的信息，恢复原始疫苗多光谱有用的真实信息，增强原始疫苗多光谱有关信息的可检测性，最大限度地简化原始疫苗多光谱数据；优选地，多组多光谱采集模块在并行进行疫苗检测时，可以设置不同的参数进行预处理；
子步骤2-2、多光谱采集模块对采集的原始疫苗多光谱图分别进行滤波，进一步地，多光谱采集模块对不同的疫苗样品及其不同种类的光谱图采用不同的滤波方案，包括不同的滤波器结构，不同的滤波频率，不同的频率起止频带，不同的滤波幅值；优选地，多组多光谱采集模块在并行疫苗检测时，可以设置不同的参数进行滤波；
子步骤2-3、多光谱采集模块对采集的原始疫苗多光谱图分别进行放大，进一步地，多光谱采集模块对不同的疫苗样品及其不同种类的光谱图采用不同的放大方案，包括不同的放大幅值，不同的信号噪声抑制比，不同颜色的图像增强方案；优选地，多组多光谱采集模块在并行疫苗检测时，可以设置不同的参数进行放大；
子步骤2-4、多光谱采集模块对采集的原始疫苗多光谱图分别进行图谱插值拟合，进一步地，图谱插值是在基于疫苗多光谱数据库模型框架下，从低分辨率疫苗光谱图像生成高分辨率疫苗光谱图像，用以恢复疫苗光谱图像中丢失的信息；图谱拟合是在基于疫苗多光谱数据库模型框架下，对不同种类光谱图寻找拟合曲线和拟合函数，进一步地，对不同角度获取的同一光谱图进行拼接，获取同一批疫苗样品多角度光谱图数据；优选地，多组多光谱采集模块在并行疫苗检测时，可以设置不同的参数进行插值拟合；
子步骤2-5、多光谱采集模块将处理完的疫苗多光谱图转换成量子傅里叶变换模块所需的格式，并存入疫苗多光谱数据库。
上述的步骤3中，量子傅里叶变换模块对疫苗多光谱数据库进行数据变换，包括以下子步骤，子步骤3-1、量子傅里叶变换模块依次输入疫苗多光谱数据库中不同的疫苗光谱数据，分别转换为量子态疫苗多光谱图数据，进一步地，将量子态疫苗多光谱图数据输入X门，得到初始的量子态数据；优选地，可以设置多组量子傅里叶变换模块对不同种类的疫苗光谱图进行并行处理，各组可以设置不同运行参数；
子步骤3-2，量子傅里叶变换模块将子步骤3-1中X门输出的量子态疫苗多光谱图数据输入和Hadamard门进行量子位受控幺正变换；
子步骤3-3、量子傅里叶变换模块将子步骤3-2的Hadamard门幺正变换结果输入交换门；
子步骤3-4、量子傅里叶变换模块将子步骤3-3的交换门输出结果进行相位操作与Hadamard门变换，以验证得到量子态疫苗多光谱图数据是否为期望值；
子步骤3-5、量子傅里叶变换模块测量子步骤3-4的输出结果，得到量子傅里叶变换的输出结果，即量子态变换输出结果；
子步骤3-6、量子傅里叶变换模块将子步骤3-5得到的量子态变换输出结果转换为经典态变换输出结果，并进一步地输入神经网络学习模块，作为经典态疫苗多光谱图数据输入。
上述步骤4中，神经网络学习模块对疫苗样品的单一种类光谱特征进行学习和提取，包括以下子步骤：
子步骤4-1、神经网络学习模块初始化参数，包括神经网络的层数，每层的神经元数量，学习误差阈值，学习概率，迭代次数；进一步地，神经网络学习模块根据疫苗多光谱数据库和疫苗多光谱特征矩阵对不同的疫苗样品和不同种类的光谱图选择各自最优的参数；优选地，可以设置多组神经网络学习模块对不同种类的疫苗光谱图进行并行学习，各组可以设置不同初始化参数；
子步骤4-2、神经网络学习模块调用量子傅里叶变换模块对疫苗多光谱数据库进行处理，按照不同种类的光谱图依次对疫苗样品中的单一种类光谱数据进行数据变换，得到符合神经网络学习模块初始化参数的输入数据；
子步骤4-3、神经网络学习模块输入子步骤-得到的疫苗样品单一种类光谱图的数据变换结果，通过多层神经网络识别和提取特征数据；神经网络学习模块的输入层包括本次疫苗样品的同一种类光谱的不同角度照射光谱数据、不同输入照射数据和单一种类光谱特征矩阵；进一步地，神经网络学习模块需要反复多次学习，才能得到最优的疫苗样品单一种类光谱图特征数据；
子步骤4-4、神经网络学习模块根据子步骤-所得的数据建立疫苗样品的单一种类光谱特征矩阵；不断循环子步骤-和-，学习本疫苗样品的另一种类光谱数据，直至得到单一疫苗样品的所有种类光谱图的特征数据和特征矩阵，并存入疫苗多光谱特征矩阵。
上述的步骤5中，神经网络学习模块对疫苗样品的多光谱特征矩阵进行多光谱交叉学习，包括以下子步骤：
子步骤5-1、神经网络学习模块输入疫苗样品的多光谱特征矩阵，神经网络学习模块的输入层包括本次疫苗样品的不同种类光谱数据和不同种类光谱特征矩阵，通过多层神经网络对本次疫苗样品多光谱图同时进行特征数据识别和特征提取；
子步骤5-2、神经网络学习模块使用多层神经网络分析本次疫苗样品的多光谱特征，通过交叉学习分析本次疫苗样品在多个光谱上的数据正相关性和负相关性，根据多光谱的混叠特性和交叉学习进一步滤除无效的数据，并建立量化的多光谱特征数学模型，进一步地，神经网络学习模块建立本次疫苗样品的多光谱特征矩阵，并存入疫苗多光谱特征矩阵；
子步骤5-3、神经网络学习模块根据疫苗多光谱特征矩阵分析本次疫苗样品的成份与溶剂、包装材料的多光谱叠加现象，分析不同厂家、品种、批次、环境、包装材料、不同工艺的疫苗产品的多光谱数据，包装材料的厚度和种类，进一步地，神经网络学习模块核对疫苗多光谱数据库和疫苗多光谱特征矩阵，对本次疫苗样品的相关参数进行量化评估，形成定量的疫苗检测结果。
上述步骤6中，疫苗多光谱分析结果输出模块对结果输出，包括以下子步骤：子步骤6-1、神经网络学习模块将疫苗检测结果输出到疫苗多光谱分析结果输出模块；进一步地，疫苗检测结果所含的相关参数包括：疫苗品种、生产厂家、销售单位、使用单位、生产批次、生产工艺、主要成份、使用环境、包装材料、重要节点日期、有效期、光谱频率、检测方法、频谱特征、检测有效性，安全性；子步骤6-2、疫苗多光谱分析结果输出模块向用户提供完整的疫苗检测分析报告。
本发明提供的一种基于量子傅里叶变换的疫苗多光谱快速检测方法及其应用，具有如下有益效果：
首先，本发明适合疫苗的大批量快速检测。本发明结合了不同的光谱分析法在检测速度上的优势，多光谱采集模块采集的多光谱包括可见光、紫外线、荧光、原子吸收分光、等离子体发射光、拉曼光谱、核磁共振波谱，最大限度减少了不同光谱分析技术的局限性。量子傅里叶变换模块和神经网络学习模块能够有效结合多种不同的光谱分析技术，通过单一光谱的学习和多光谱的交叉学习，完成对疫苗药性活性的快速检测，解决了因为疫苗生存期限短所遇到的检测不全面问题。疫苗多光谱检测应用，不需要对疫苗样品进行复杂的生物学操作，仅仅采用多光谱分析技术，特别是结合了不同光谱检测技术的数据和神经网络交叉学习，结合量子傅里叶变换实现数据快速转换，为疫苗检测提供更加全面、准确、可靠的检测数据。由于多光谱检测的不同种类光源工作在不同波段，允许不同种类光源同时工作，并行检测，大大提升了检测速度，有效缩短检测周期。
其次，本发明能够有效保护待测的疫苗样品。本发明多光谱采集模块根据疫苗多光谱数据库对不同种类的疫苗样品自动设置最优的工作温度和光照强度；进一步地，多光谱采集模块根据疫苗多光谱数据库，对不同种类光源分别设置最优的照射强度和照射角度，优化不同种类的光谱图信号，减小均方误差，提高信噪比，最大限度减少光照对疫苗样品的损坏。结合多种光谱的交叉学习，本发明的检测精度较高，同时对光照强度要求较低，避免了光照对疫苗的不良影响。不同种类的光谱分析法在使用更低的光照时，一方面保证了光谱获取的精度和不同光谱间的干扰，也防止了传统光谱检测技术中强光照射造成疫苗分解或失活现象。结合自动调光技术和神经网络交叉学习，本发明解决了市场上光谱技术难以用于疫苗检测的光解问题，特别适合对温度和光照极度敏感的疫苗进行大规模检测。
再次，本发明在保证检测效率的同时还能维持检测精度。本发明使用量子傅里叶变换模块对疫苗多光谱数据库进行数据变换，神经网络学习模块对疫苗样品的单一种类光谱特征进行学习和提取，以及神经网络学习模块对疫苗样品的多光谱特征矩阵进行多光谱交叉学习，完全无需人工干预，既保证了检测效率，也保证了检测精度。进一步地，使用多组量子傅里叶变换模块和多组神经网络学习模块，能够大大提高本发明的并行性，避免受到干扰光的影响，进一步地提高检测精度，为疫苗检测提供更加全面的光谱数据。量子傅里叶变换本身带来的并行运算能力有助于提高疫苗检测和分析的速度，变换速度快，便于实现对疫苗样品进行大规模、快速、精准且无损的筛查。进一步地，可以将此技术推广到手持式疫苗检测仪，实现临床检测，借助互联网实现数据共享，用户可以在网上查询疫苗的检测信息，减少疫苗质量问题的发生。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1是本发明实施例的系统结构图；
图2是本发明实施例的工作流程图；
图3是本发明实施例的量子傅里叶变换线路。
具体实施方式
下面结合具体实施例，对本发明作进一步详细的阐述：
图1是本发明实施例的系统结构图，一种基于量子傅里叶变换的疫苗多光谱快速检测方法，方法基于疫苗多光谱快速检测系统，系统包括疫苗样品100，多光谱采集模块200，疫苗多光谱数据库300，量子傅里叶变换模块400，神经网络学习模块500，疫苗多光谱特征矩阵600和疫苗多光谱分析结果输出模块700；
多光谱采集模块200在控制低光照的情况下对疫苗样品100进行多光波无干扰照射以采集多光谱，并应用预处理算法对多光谱图滤波、除噪、和放大，疫苗多光谱数据库300用于建立和维护疫苗的多光谱标准数据结构和数据库，量子傅里叶变换模块400应用量子傅里叶变换对疫苗多光谱目标进行数据变换，神经网络学习模块500使用人工智能算法对量子傅里叶变换的多光谱数据进行内含物定量分析，建立或更新标准疫苗的疫苗多光谱数据库300及疫苗多光谱特征矩阵600，进一步地，神经网络学习模块500分析疫苗成份与包装材料、厂家生产工艺、存储环境等的关联情况，以便对疫苗多光谱数据库300及疫苗多光谱特征矩阵600中的模型进行修正；最后由疫苗多光谱分析结果输出模块700输出疫苗多光谱检测报告。
疫苗样品100，即用于多光谱检测的各为类疫苗，疫苗的生产和包装必须遵从药品产生质量管理规范，任何一种疫苗样品100都必须在规范的质量检测体系经过严格的检测才能确保疫苗安全和有效性，以避免检测仪器造成污染，并最大效率地提高接种后的效应作用，最大限度地降低免疫接种后的不良反应，无论疫苗样品100生产规模如何，都必须设有质量保证机构和质量鉴定机构，并在疫苗样品100上提供醒目的标注信息。疫苗应当是采用经法定的质量标准检验后且均在有效期内合格的产品，原则上每个样品至少收集3个厂家的产品，包括具体品名、规格、批号及生产厂家。
多光谱采集模块200，使用个人计算机，优选地，使用多台计算机，以便对多光谱进行并行处理；优选地，使用计算机参数为Intel酷睿i56500显卡：NVIDIA GeForce 1060内存：ddr4 3600 16GB固态硬盘512G，并安装好多光谱采集模块(200)所需的软件；计算机上运行的滤波算法有限幅滤波法(又称程序判断滤波法)，中位值滤波法，算术平均滤波法，递推平均滤波法(又称滑动平均滤波法)，中位值平均滤波法(又称防脉冲干扰平均滤波法)，限幅平均滤波法，一阶滞后滤波法，加权递推平均滤波法，消抖滤波法，限幅消抖滤波法，卡尔曼滤波(非扩展卡尔曼)等。
计算机上运行的图像插值方法有：最近邻插值，双线性插值，双平方插值，双立方插值以及其他高阶方法。计算机上可运行的拟合方法包括最小二乘拟合，二次曲线拟合。进一步地，多光谱采集模块200使用个人计算机，增加光谱照射器件和光谱照射器件与计算机的接口，支持可见光、紫外线、荧光、原子吸收分光、等离子体发射光、拉曼光谱、核磁共振波谱的光谱照射和数据采集；多光谱采集模块200使用多光谱照射待测疫苗，对其活性进行快速检测，当疫苗样品100吸收了一定频率的光照后，其分子的振动能级发生跃迁，透过的光束中相应频率的光被减弱，造成参比光路与样品光路相应辐射的强度差，完成所测样品的光谱收集和疫苗光谱成分计算及收集，并与疫苗多光谱数据库300和疫苗多光谱特征矩阵600已建立的光谱图形模型库和特征矩阵进行数据分析比对，可以提高疫苗活性及优劣的检测效率和准确性。
疫苗多光谱数据库300，优选地，采用CPU为2×E5-2450 2.1GHz 8-core机架式X86架构服务器，128GB RAM，和高容量3.5寸HDD磁盘，数据库磁盘柜使用大容量存储柜，优选的，使用多组高容量3TB“3.5”SATA希捷Barracuda 3TB 7200转64MB存储柜，盘片数量3片，单碟容量1T，磁头数量6个，接口类型SATA3.0，接口速率6Gb/秒；进一步地，数据库管理软件使用ORACLE。
量子傅里叶变换模块400，使用服务器，优选地，采用CPU为2×E5-24502.1GHz 8-core机架式X86架构服务器，128GB RAM，和高容量3.5寸HDD磁盘，并安装量子傅里叶变换所需的算法软件，在经典计算机上模拟量子计算和量子傅里叶变换，实现量子傅里叶变换模块400；进一步地，在条件允许时，推荐使用光学量子计算机，能够完成8位以上量子位并行计算和量子傅里叶变换，并提供与经典计算机的接口。
神经网络学习模块500，使用服务器，优选地，采用CPU为2×E5-24502.1GHz 8-core机架式X86架构服务器，128GB RAM，和高容量3.5寸HDD磁盘，并安装神经网络学习所需的算法软件，实现神经网络学习模块500；进一步地，在使用经典计算机模拟量子计算的情况下，允许神经网络学习模块500与量子傅里叶变换模块400共用同一台服务器，并提供量子傅里叶变换模块400与神经网络学习模块500的接口。
疫苗多光谱特征矩阵600，使用数据库磁盘柜，优选地，使用大容量存储柜，优选的，使用多组高容量3TB“3.5”SATA希捷Barracuda 3TB 7200转64MB存储柜，盘片数量3片，单碟容量1T，磁头数量6个，接口类型SATA3.0，接口速率6Gb/秒；进一步地，数据库管理软件使用ORACLE，疫苗多光谱特征矩阵600建立的特征矩阵模型是以疫苗品种为基础，一品一模，不仅能区分不同厂家的不同疫苗产品，也能区分同一厂家的同一疫苗产品。不同厂家的同一样品可能在处方工艺上有所不同，甚至有较大的差异，尤其是所采用的辅料的种类和量，所建立的多光谱特征矩阵也会有所不同。疫苗多光谱特征矩阵600必须结合不同疫苗品种和不同生产企业生产工艺的变化，以及实际检测过程中出现的假阳性情况，对特征矩阵模型进行动态的维护，及时更新多光谱图确保多光谱特征矩阵模型的可用性。
疫苗多光谱分析结果输出模块700，使用个人计算机，优选地，使用多台计算机，以便对多光谱进行并行处理；优选地，使用计算机参数为Intel酷睿i56500显卡：NVIDIAGeForce 1060内存：ddr4 3600 16GB固态硬盘512G，并安装好疫苗多光谱分析结果输出模块700所需的软件，包括必要的图形用户界面和声音提示。
如图2是本发明实施例的工作流程图；包括如下步骤：
步骤1，多光谱采集模块200采集疫苗样品100的多光谱数据，包括以下子步骤；子步骤1-1，多光谱采集模块200设置不同光源照射的工作顺序和照射角度；本发明所述的光谱特征的提取包括根据多光谱图中的光谱信息，对光谱中目标信息进行提取，以确定疫苗中的成分；
子步骤1-2、多光谱采集模块200放入疫苗样品100，并对不同种类的疫苗样品100设置不同的工作温度和光照强度；本发明所述的多光谱采集包括获取疫苗和纯水、包装材料的多光谱及拟合API光谱和API标准光谱，光谱预处理等获取多光谱；
子步骤1-3、多光谱采集模块200启动不同种类光源对疫苗样品100进行照射，并从不同角度获取本批次疫苗的不同种类光谱图像，进一步地，获得纯水、包装材料的光谱：进一步地，采用多光谱照射，利用多光谱技术在比色皿中测试纯水的多光谱图，对空的包装材料进行测试，得到其多光谱图；进一步地，获取API光谱和API标准光谱；
步骤2，多光谱采集模块200将数据输入疫苗多光谱数据库300，包括以下子步骤；
子步骤2-1、多光谱采集模块200对采集的原始疫苗多光谱图分别进行预处理；根据光谱提取出光谱特征，同一疫苗样品不同批次或不同生产厂家的相关系数的变化来设定进行正向测试，然后再用不同成分但结构相似液体制剂的相关系数验证所得的阈值来反向测试，以获取定性鉴别的结果。反向验证时，将收集到的不同疫苗品种的光谱图的相互验证，最终整合收集到的疫苗光谱和建立的模型，形成多光谱特征库，便于后期进一步提高疫苗检测；
子步骤2-2、多光谱采集模块200对采集的原始疫苗多光谱图分别进行滤波；
子步骤2-3、多光谱采集模块200对采集的原始疫苗多光谱图分别进行放大；
子步骤2-4、多光谱采集模块200对采集的原始疫苗多光谱图分别进行图谱插值拟合；
子步骤2-5、多光谱采集模块200将处理完的疫苗多光谱图转换成量子傅里叶变换模块400所需的格式，并存入疫苗多光谱数据库300；
步骤3、量子傅里叶变换模块400对疫苗多光谱数据库300进行数据变换，包括以下子步骤，
子步骤3-1、量子傅里叶变换模块400依次输入疫苗多光谱数据库300中不同的疫苗光谱数据，分别转换为量子态疫苗多光谱图数据，进一步地，将量子态疫苗多光谱图数据输入X门，得到初始的量子态数据；
子步骤3-2、量子傅里叶变换模块400将子步骤3-1中X门输出的量子态疫苗多光谱图数据输入和Hadamard门进行量子位受控幺正变换；
子步骤3-3、量子傅里叶变换模块400将子步骤3-2的Hadamard门幺正变换结果输入交换门；
子步骤3-4、量子傅里叶变换模块400将子步骤3-3的交换门输出结果进行相位操作与Hadamard门变换；
子步骤3-5、量子傅里叶变换模块400测量子步骤3-4的输出结果；本发明所述的量子傅里叶变换包括运用量子傅里叶变换的量子并行性提高计算速度，同时获取精确的计算结果。
子步骤3-6、量子傅里叶变换模块400将子步骤3-5得到的量子态变换输出结果转换为经典态变换输出结果。
步骤4、神经网络学习模块500对疫苗样品100的单一种类光谱特征进行学习和提取，多光谱采集模块200对疫苗的多光谱数据进行采集和对比，通过与标准的疫苗多光谱数据库300对比，神经网络学习模块500进一步确定疫苗的相关属性，包括收集疫苗生产厂家的疫苗产品；多光谱采集模块200在控制低光照的情况下对疫苗进行多光波无干扰照射以采集多光谱，并应用量子傅里叶变换模块400，之后神经网络学习模块500对疫苗多光谱图进行特征提取以确定疫苗中成分，使用人工智能算法对疫苗多光谱数据和疫苗内含物进行定量分析，对比标准疫苗内含物配比以鉴定疫苗的药性并区分疫苗优劣，从而得到准确的检测结果。包括以下子步骤：
子步骤4-1、神经网络学习模块500初始化参数；
子步骤4-2、神经网络学习模块500调用量子傅里叶变换模块400对疫苗多光谱数据库300进行处理；
子步骤4-3、神经网络学习模块500学习同一种类光谱的不同角度照射光谱数据、不同输入照射数据和单一种类光谱特征矩阵；
子步骤4-4、神经网络学习模块500获得单一疫苗样品100的所有种类光谱图的特征数据和特征矩阵，并存入疫苗多光谱特征矩阵600。
步骤5、神经网络学习模块500对疫苗样品100的多光谱特征矩阵600进行多光谱交叉学习，包括以下子步骤：
子步骤5-1、神经网络学习模块500输入疫苗样品100的多光谱特征矩阵600；本发明所述的定量模型的建立和验证包括建立含量定量模型，采用人工智能算法对高度混叠的、难识别的量子傅里叶变换多光谱进行定量解析，对疫苗进行耐用性，专属性和可靠性进行考察，以评估验证本模型的优势及在疫苗检测的应用前景；
子步骤5-2、神经网络学习模块500使用多层神经网络分析本次疫苗样品100的多光谱特征；本发明所述的多光谱特征包括根据疫苗内含物类型，包装材料类型及工艺的变化情况，以及对特征模型进行修正。
子步骤5-3、神经网络学习模块500本次疫苗样品100的相关参数进行量化评估，形成定量的疫苗检测结果：
疫苗耐用性：本检测方法可通过观察改变疫苗内包装材料的厚度和种类，以此考察多光谱技术用于所用物料鉴别方法的耐用性；
疫苗专属性：确证含有待测物质的疫苗样品与对照品比较呈正反应，而不含待测物质的疫苗样品呈负反应，同时结构类似或组分中的有关化合物也应呈负反应。所有的正控制疫苗样品均被鉴定为与物料光谱库相匹配的目标物料，同时所有的负控制疫苗样品均被鉴别为失败，确定检测方法的专属性；
疫苗安全性：采集多种包装材料及不同工艺的疫苗产品的多光谱图，确定是否有效，是否有潜在危害，是否有不应该存在的谱线，或多种图谱之间存在不一致，并及时更新，确保谱图的可靠性；
步骤6、疫苗多光谱分析结果输出模块700对结果输出，包括以下子步骤：子步骤6-1、神经网络学习模块500将疫苗检测结果输出到疫苗多光谱分析结果输出模块700；
子步骤6-2、疫苗多光谱分析结果输出模块700向用户提供完整的疫苗检测分析报告；
进一步地，疫苗检测分析报告可与疫苗的理化检测报告和微生物学检测报告对比分析，校对误差数据，以进一步提高检测的准确性。进一步地，神经网络学习模块500也可以学习其他疫苗检测报告的数据，通过输入其他疫苗检测报告的参数，校对疫苗多光谱数据库300和多光谱特征矩阵600，为后续的疫苗检测提供更准确的检测依据。
可供神经网络学习模块500和疫苗多光谱分析结果输出模块700参考的疫苗质量检测报告包括：
1.疫苗样品100的理化性质检测报告；包括根据不同的疫苗样品100疫苗原可使用不同的检测手段，如蛋白质测定、核酸测定、多糖光谱测定等。测定疫苗样品100疫苗原的相对分子质量、免疫学特性可使用各种凝胶电泳技术、琼脂糖凝胶电泳、蛋白质印迹等技术；使用等点聚焦技术测定疫苗样品100的疫苗组分等电点；使用生物学标记技术测定疫苗样品100中疫苗蛋白组分的糖基化程度。
2.疫苗样品100的微生物学检测报告；包括以培养方法检测疫苗样品100是否有细菌、支原体等微生物的污染，以组织培养、电镜技术检测疫苗样品100是否有病毒污染，以纯菌实验检测疫苗样品100如减毒活菌苗自身菌体的活菌量、总菌量以及是否有其他杂菌的存在；以CHO细胞毒试验、HeLa细胞毒试验检测疫苗样品100的细菌毒素的活力，以组织培养法、细胞感染作用、蚀斑形成疫苗样品100单位试验检测病毒活性。
3.疫苗样品100的免疫学检测报告；包括对疫苗样品100疫苗原免疫学特性进行鉴定。体外鉴定技术报告，使用如凝集试验、免疫沉淀试验、扩散试验、免疫电泳试验、各种ELISA技术、免疫荧光技术，蛋白质印迹等检测疫苗样品100重要组分的免疫原性、免疫反应性。体内鉴定技术，使用动物实验报告。在对动物接种后检测各种免疫学指标，以判定疫苗之效果，同时也可观察疫苗的不良反应和毒性作用。用于疫苗样品100检测常用的实验动物有小鼠、大白兔、豚鼠、仓鼠、鸡、鹅、灵长类、羊及马等，需要花费更多的时间完成测试并提供检测报告。
4.疫苗样品100的疫苗原标准化报告；疫苗样品100生物制剂包含有主要及非主要成分，前者必须以定量的形式存在，为疫苗检测及维持治疗提供量化依据。此外，疫苗样品100生物制剂还必须测定其固定的总生物效价。WHO鼓励与倡导尽可能地使用标准化的疫苗，疫苗样品100标准化是维持生产高质量疫苗的重要手段，疫苗样品100标准化制剂的质量对特异性治疗的效果非常重要。另外，还包括对疫苗样品100免疫原性抗原标准化报告。
图3是本发明实施例的量子傅里叶变换线路，图中从左至右可分为5个主要部分，完成量子态转换后首先进入第一部分X门，第二部分是Hadamard门，第三部分是相位操作，第四部分是Hadamard门变换测量和比较部分，第五部分是输出部分，最后由量子态转换为经典态。
在数学上，离散傅里叶变换是一种重要的傅里叶变换，它开辟了频域离散化的道路，是有限长序列傅里叶变换的有限点离散采样，其标准定义如下：
设x(n)是一个长度为N的有限长序列，那么，定义x(n)的N点离散傅里叶变换为
Figure BDA0003257488370000151
由于
Figure BDA0003257488370000152
具有周期性，所以上式中X(k)也隐含周期性，并且周期为N。
离散傅里叶变换是把一个离散函数变成另外一个离散函数。在量子计算中，将作用在空间
Figure BDA0003257488370000153
离散傅里叶变换称为量子傅里叶变换。
Figure BDA0003257488370000154
虽然从定义上不能直接看出这是一个酉变换，在量子计算机上是可以实现酉变换，为了说明其具有酉性，构成一个具体的酉量子路线即可实现量子傅里叶变换；
取N＝2n，n为整数，n量子比特的量子计算机计算矢为|0>,…|2n-1>，然后将状态写为二进制形式，通过简单的代数计算，给出量子傅里叶变换的有用形式
Figure BDA0003257488370000161
这个形式甚至可以作为量子傅里叶变换的定义，门Rk表示酉变换
Figure BDA0003257488370000162
运用量子傅里叶变换的量子并行性提高计算速度，还可获取精确的计算结果，同时，可以减少干扰光对光谱的干扰、提高了仪器的分辨率和波数精度、避免样品受光源照射而产生热分解作用，对光照强度要求更低，能够用更弱光照实现快速高精度的准确分析，并减少对疫苗的不良影响。
量子并行性可极大提高量子计算速度，一次量子并行性运算相当于一个量子系统所有状态个数的总和次运算，根据量子态的不确定性，处理量子系统的计算结果相当于对量子系统中的量子位状态的测量，量子傅里叶变换作为量子因子分解和许多其他量子算法的关键部分。
以上对本发明的较佳实施例进行了描述，需要理解的是，本发明并不局限于上述特定实施方式；任何熟悉本领域的技术人员，在不脱离本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (7)

1.一种基于量子傅里叶变换的疫苗多光谱快速检测方法，其特征在于，方法基于疫苗多光谱快速检测系统，系统包括多光谱采集模块（200）、疫苗多光谱数据库（300）、量子傅里叶变换模块（400）、神经网络学习模块（500），疫苗多光谱特征矩阵（600）和疫苗多光谱分析结果输出模块（700），包括如下步骤：
步骤1、多光谱采集模块（200）采集疫苗样品（100）的多光谱数据：多光谱采集模块（200）使用多种光频从不同角度轮流照射疫苗样品（100），获取原始的疫苗多光谱图，多光谱采集模块（200）采集的多光谱包括可见光、紫外线、荧光、原子吸收分光、等离子体发射光、拉曼光谱、核磁共振波谱；
步骤2、多光谱采集模块（200）将数据输入疫苗多光谱数据库（300）；多光谱采集模块（200）对采集的原始疫苗多光谱图分别进行预处理、滤波、放大和谱图插值拟合，并转换成量子傅里叶变换模块（400）所需的格式，存入疫苗多光谱数据库（300）；
步骤3、量子傅里叶变换模块（400）对疫苗多光谱数据库（300）进行数据变换：量子傅里叶变换模块（400）从疫苗多光谱数据库（300）输入已经处理好的多光谱图数据，并转换为量子态疫苗多光谱图数据；进一步地，量子傅里叶变换模块（400）使用Hadamard门变换与受控相位旋转操作对量子态疫苗多光谱图数据进行量子傅里叶变换，得到量子态变换输出结果；进一步地，量子傅里叶变换模块（400）将量子态变换输出结果转换为经典态变换输出结果，并将转换后的经典态疫苗多光谱图数据输入神经网络学习模块（500）；
步骤4、神经网络学习模块（500）对疫苗样品（100）的单一种类光谱特征进行学习和提取：神经网络学习模块（500）反复执行步骤3，反复调用量子傅里叶变换模块（400）处理疫苗多光谱数据库（300），依次对疫苗样品（100）单一种类光谱图中的疫苗光谱数据进行数据变换，再输入疫苗样品（100）单一种类光谱图的数据变换结果，通过多层神经网络对疫苗样品（100）单一种类光谱图的特征数据进行识别和提取，进一步地，建立疫苗样品（100）的单一种类光谱特征矩阵，并存入疫苗多光谱特征矩阵（600）；
步骤5、神经网络学习模块（500）对疫苗样品（100）的多光谱特征矩阵（600）进行多光谱交叉学习：神经网络学习模块（500）同时输入疫苗多光谱特征矩阵（600）中的不同种类光谱的疫苗单一种类光谱特征矩阵，通过多层神经网络对疫苗多光谱图同时进行特征数据识别和特征提取；神经网络学习模块（500）分析疫苗的多光谱特征，并建立量化的多光谱特征数学模型，进一步地，建立疫苗样品（100）的多光谱特征矩阵，并存入疫苗多光谱特征矩阵（600）；进一步地，神经网络学习模块（500）根据疫苗多光谱特征矩阵（600）分析不同疫苗的成份与溶剂、包装材料的多光谱叠加现象，对疫苗活性、有效期、耐用性、专属性和安全性进行量化评估，得到疫苗检测结果，并将疫苗检测结果输出到疫苗多光谱分析结果输出模块（700）；
步骤6、疫苗多光谱分析结果输出模块（700）对疫苗检测结果输出；疫苗多光谱分析结果输出模块（700）获取神经网络学习模块（500）输出的最终结果，并提供完整的疫苗检测分析报告，包括疫苗活性、有效期、耐用性、专属性和安全性。
2.根据权利要求1所述的一种基于量子傅里叶变换的疫苗多光谱快速检测方法，其特征在于，所述的步骤1，多光谱采集模块（200）采集疫苗样品（100）的多光谱数据，包括以下子步骤：
子步骤1-1、多光谱采集模块（200）设置不同光源照射的工作顺序和照射角度，优选地，多光谱采集模块（200）将光源种类分为可见光、紫外线、荧光、原子吸收分光、等离子体发射光、拉曼光谱、核磁共振波谱；进一步地，不同种类光源照射可得到疫苗样品（100）不同种类的光谱图；设置多组多光谱采集模块（200）并行进行疫苗检测工作；
子步骤1-2、多光谱采集模块（200）放入疫苗样品（100），并对不同种类的疫苗样品（100）设置不同的工作温度和光照强度，多光谱采集模块（200）根据疫苗多光谱数据库（300）对不同种类的疫苗样品（100）自动设置最优的工作温度和光照强度；进一步地，多光谱采集模块（200）根据疫苗多光谱数据库（300），对不同种类光源分别设置最优的照射强度和照射角度，优化不同种类的光谱图信号，减小均方误差，提高信噪比，最大限度减少光照对疫苗样品（100）的损坏；
子步骤1-3、多光谱采集模块（200）启动不同种类光源对疫苗样品（100）进行照射，并从不同角度获取本批次疫苗的不同种类光谱图像。
3.根据权利要求1所述的一种基于量子傅里叶变换的疫苗多光谱快速检测方法，其特征在于，所述的步骤2，多光谱采集模块（200）将数据输入疫苗多光谱数据库（300），包括以下子步骤：
子步骤2-1、多光谱采集模块（200）对采集的原始疫苗多光谱图分别进行预处理，消除原始疫苗多光谱图像中无关的信息，恢复原始疫苗多光谱有用的真实信息，增强原始疫苗多光谱有关信息的可检测性，最大限度地简化原始疫苗多光谱数据；多组多光谱采集模块（200）在并行进行疫苗检测时，可以设置不同的参数进行预处理；
子步骤2-2、多光谱采集模块（200）对采集的原始疫苗多光谱图分别进行滤波，进一步地，多光谱采集模块（200）对不同的疫苗样品（100）及其不同种类的光谱图采用不同的滤波方案，包括不同的滤波器结构，不同的滤波频率，不同的频率起止频带，不同的滤波幅值；多组多光谱采集模块（200）在并行疫苗检测时，可以设置不同的参数进行滤波；
子步骤2-3、多光谱采集模块（200）对采集的原始疫苗多光谱图分别进行放大，进一步地，多光谱采集模块（200）对不同的疫苗样品（100）及其不同种类的光谱图采用不同的放大方案，包括不同的放大幅值，不同的信号噪声抑制比，不同颜色的图像增强方案；多组多光谱采集模块（200）在并行疫苗检测时，可以设置不同的参数进行放大；
子步骤2-4、多光谱采集模块（200）对采集的原始疫苗多光谱图分别进行图谱插值拟合，进一步地，图谱插值是在基于疫苗多光谱数据库（300）模型框架下，从低分辨率疫苗光谱图像生成高分辨率疫苗光谱图像，用以恢复疫苗光谱图像中丢失的信息；图谱拟合是在基于疫苗多光谱数据库（300）模型框架下，对不同种类光谱图寻找拟合曲线和拟合函数，进一步地，对不同角度获取的同一光谱图进行拼接，获取同一批疫苗样品（100）多角度光谱图数据；多组多光谱采集模块（200）在并行疫苗检测时，可以设置不同的参数进行插值拟合；
子步骤2-5、多光谱采集模块（200）将处理完的疫苗多光谱图转换成量子傅里叶变换模块（400）所需的格式，并存入疫苗多光谱数据库（300）。
4.根据权利要求1所述的一种基于量子傅里叶变换的疫苗多光谱快速检测方法，其特征在于，所述的步骤3，量子傅里叶变换模块（400）对疫苗多光谱数据库（300）进行数据变换，包括以下子步骤：
子步骤3-1、量子傅里叶变换模块（400）依次输入疫苗多光谱数据库（300）中不同的疫苗光谱数据，分别转换为量子态疫苗多光谱图数据，进一步地，将量子态疫苗多光谱图数据输入X门，得到初始的量子态数据；可以设置多组量子傅里叶变换模块（400）对不同种类的疫苗光谱图进行并行处理，各组可以设置不同运行参数；
子步骤3-2、量子傅里叶变换模块（400）将子步骤3-1中X门输出的量子态疫苗多光谱图数据输入和Hadamard门进行量子位受控幺正变换；
子步骤3-3、量子傅里叶变换模块（400）将子步骤3-2的Hadamard门幺正变换结果输入交换门；
子步骤3-4、量子傅里叶变换模块（400）将子步骤3-3的交换门输出结果进行相位操作与Hadamard门变换，以验证得到量子态疫苗多光谱图数据是否为期望值；
子步骤3-5、量子傅里叶变换模块（400）测量子步骤3-4的输出结果，得到量子傅里叶变换的输出结果，即量子态变换输出结果；
子步骤3-6、量子傅里叶变换模块（400）将子步骤3-5得到的量子态变换输出结果转换为经典态变换输出结果，并进一步地输入神经网络学习模块（500），作为经典态疫苗多光谱图数据输入。
5.根据权利要求1所述的一种基于量子傅里叶变换的疫苗多光谱快速检测方法，其特征在于，所述步骤4、神经网络学习模块（500）对疫苗样品（100）的单一种类光谱特征进行学习和提取，包括以下子步骤：
子步骤4-1、神经网络学习模块（500）初始化参数，包括神经网络的层数，每层的神经元数量，学习误差阈值，学习概率，迭代次数；进一步地，神经网络学习模块（500）根据疫苗多光谱数据库（300）和疫苗多光谱特征矩阵（600）对不同的疫苗样品（100）和不同种类的光谱图选择各自最优的参数；可以设置多组神经网络学习模块（500）对不同种类的疫苗光谱图进行并行学习，各组可以设置不同初始化参数；
子步骤4-2、神经网络学习模块（500）调用量子傅里叶变换模块（400）对疫苗多光谱数据库（300）进行处理，按照不同种类的光谱图依次对疫苗样品（100）中的单一种类光谱数据进行数据变换，得到符合神经网络学习模块（500）初始化参数的输入数据；
子步骤4-3、神经网络学习模块（500）输入子步骤4-2得到的疫苗样品（100）单一种类光谱图的数据变换结果，通过多层神经网络识别和提取特征数据；神经网络学习模块（500）的输入层包括本次疫苗样品（100）的同一种类光谱的不同角度照射光谱数据、不同输入照射数据和单一种类光谱特征矩阵；进一步地，神经网络学习模块（500）需要反复多次学习，才能得到最优的疫苗样品（100）单一种类光谱图特征数据；
子步骤4-4、神经网络学习模块（500）根据子步骤4-3所得的数据建立疫苗样品（100）的单一种类光谱特征矩阵；不断循环子步骤4-2和4-3，学习本疫苗样品（100）的另一种类光谱数据，直至得到单一疫苗样品（100）的所有种类光谱图的特征数据和特征矩阵，并存入疫苗多光谱特征矩阵（600）。
6.根据权利要求1所述的一种基于量子傅里叶变换的疫苗多光谱快速检测方法，其特征在于，所述的步骤5、神经网络学习模块（500）对疫苗样品（100）的多光谱特征矩阵（600）进行多光谱交叉学习，包括以下子步骤：
子步骤5-1、神经网络学习模块（500）输入疫苗样品（100）的多光谱特征矩阵（600），神经网络学习模块（500）的输入层包括本次疫苗样品（100）的不同种类光谱数据和不同种类光谱特征矩阵，通过多层神经网络对本次疫苗样品（100）多光谱图同时进行特征数据识别和特征提取；
子步骤5-2、神经网络学习模块（500）使用多层神经网络分析本次疫苗样品（100）的多光谱特征，通过交叉学习分析本次疫苗样品（100）在多个光谱上的数据正相关性和负相关性，根据多光谱的混叠特性和交叉学习进一步滤除无效的数据，并建立量化的多光谱特征数学模型，进一步地，神经网络学习模块（500）建立本次疫苗样品（100）的多光谱特征矩阵，并存入疫苗多光谱特征矩阵（600）；
子步骤5-3、神经网络学习模块（500）根据疫苗多光谱特征矩阵（600）分析本次疫苗样品（100）的成份与溶剂、包装材料的多光谱叠加现象，分析不同厂家、品种、批次、环境、包装材料、不同工艺的疫苗产品的多光谱数据，包装材料的厚度和种类，进一步地，神经网络学习模块（500）核对疫苗多光谱数据库（300）和疫苗多光谱特征矩阵（600），对本次疫苗样品（100）的相关参数进行量化评估，形成定量的疫苗检测结果。
7.根据权利要求1所述的一种基于量子傅里叶变换的疫苗多光谱快速检测方法，其特征在于，所述步骤6、疫苗多光谱分析结果输出模块（700）对结果输出，包括以下子步骤：
子步骤6-1、神经网络学习模块（500）将疫苗检测结果输出到疫苗多光谱分析结果输出模块（700）；进一步地，疫苗检测结果所含的相关参数包括：疫苗品种、生产厂家、销售单位、使用单位、生产批次、生产工艺、主要成份、使用环境、包装材料、重要节点日期、有效期、光谱频率、检测方法、频谱特征、检测有效性，安全性；
子步骤6-2、疫苗多光谱分析结果输出模块（700）向用户提供完整的疫苗检测分析报告。
CN202111063987.8A 2021-09-10 2021-09-10 一种基于量子傅里叶变换的疫苗多光谱快速检测方法 Pending CN113899702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111063987.8A CN113899702A (zh) 2021-09-10 2021-09-10 一种基于量子傅里叶变换的疫苗多光谱快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111063987.8A CN113899702A (zh) 2021-09-10 2021-09-10 一种基于量子傅里叶变换的疫苗多光谱快速检测方法

Publications (1)

Publication Number Publication Date
CN113899702A true CN113899702A (zh) 2022-01-07

Family

ID=79027674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111063987.8A Pending CN113899702A (zh) 2021-09-10 2021-09-10 一种基于量子傅里叶变换的疫苗多光谱快速检测方法

Country Status (1)

Country Link
CN (1) CN113899702A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114594066A (zh) * 2022-01-30 2022-06-07 中国食品药品检定研究院 一种真假重组乙肝疫苗的鉴别方法
CN116660176A (zh) * 2023-06-09 2023-08-29 无锡迅杰光远科技有限公司 傅里叶光谱自动基线校正方法、装置和存储介质
CN117058541A (zh) * 2023-08-03 2023-11-14 国网吉林省电力有限公司通化供电公司 绝缘子高光谱数据采集系统及其方法
CN117713385A (zh) * 2024-02-05 2024-03-15 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114594066A (zh) * 2022-01-30 2022-06-07 中国食品药品检定研究院 一种真假重组乙肝疫苗的鉴别方法
CN114594066B (zh) * 2022-01-30 2024-10-11 中国食品药品检定研究院 一种真假重组乙肝疫苗的鉴别方法
CN116660176A (zh) * 2023-06-09 2023-08-29 无锡迅杰光远科技有限公司 傅里叶光谱自动基线校正方法、装置和存储介质
CN117058541A (zh) * 2023-08-03 2023-11-14 国网吉林省电力有限公司通化供电公司 绝缘子高光谱数据采集系统及其方法
CN117058541B (zh) * 2023-08-03 2024-02-13 国网吉林省电力有限公司通化供电公司 绝缘子高光谱数据采集系统及其方法
CN117713385A (zh) * 2024-02-05 2024-03-15 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法
CN117713385B (zh) * 2024-02-05 2024-05-03 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法

Similar Documents

Publication Publication Date Title
CN113899702A (zh) 一种基于量子傅里叶变换的疫苗多光谱快速检测方法
Bhargava Towards a practical Fourier transform infrared chemical imaging protocol for cancer histopathology
Al-Saddik et al. Using image texture and spectral reflectance analysis to detect Yellowness and Esca in grapevines at leaf-level
García-Timermans et al. Label-free Raman characterization of bacteria calls for standardized procedures
Zimmerman et al. Analysis of allergenic pollen by FTIR microspectroscopy
WO2020105566A1 (ja) 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法
CN112200770A (zh) 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法
Lin et al. Identification of rice sheath blight through spectral responses using hyperspectral images
Huck-Pezzei et al. Fourier transform infrared imaging analysis in discrimination studies of St. John's wort (Hypericum perforatum)
Maddux et al. High throughput prediction of the long-term stability of pharmaceutical macromolecules from short-term multi-instrument spectroscopic data
CN108802002A (zh) 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法
Li et al. Fundamental and practical aspects of machine learning for the peak picking of biomolecular NMR spectra
JP2020101543A (ja) 情報処理装置、情報処理装置の制御方法、及びプログラム
Gomes et al. Prediction of sugar content in port wine vintage grapes using machine learning and hyperspectral imaging
Duarte et al. Multidimensional analytical characterization of water-soluble organic aerosols: challenges and new perspectives
Luo et al. Spatial frequency domain imaging system calibration, correction and application for pear surface damage detection
Meyvisch et al. Attenuated Total reflection (ATR) Micro-Fourier transform infrared (Micro-FT-IR) spectroscopy to enhance repeatability and reproducibility of spectra derived from single specimen organic-walled dinoflagellate cysts
Shen et al. Single convolutional neural network model for multiple preprocessing of Raman spectra
Boodaghidizaji et al. Characterizing viral samples using machine learning for Raman and absorption spectroscopy
Rajesh et al. Studies on identification of medicinal plant variety based on NIR spectroscopy using plant leaves
Sattlecker et al. Assessment of robustness and transferability of classification models built for cancer diagnostics using Raman spectroscopy
Liang et al. Rapid Identification of the Species of Bloodstain Based on Near Infrared Spectroscopy and Convolutional Neural Network-Support Vector Machine Algorithm
CN117405810A (zh) 畜禽产品中氟喹诺酮类药物残留定量检测方法
EP1543146B1 (en) Interpretation model for the uv-vis spectra of microorganisms
Torralvo et al. Effectiveness of Fourier transform near‐infrared spectroscopy spectra for species identification of anurans fixed in formaldehyde and conserved in alcohol: A new tool for integrative taxonomy

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