CN116688852A - 替米考星固体分散微囊包被工艺及其系统 - Google Patents
替米考星固体分散微囊包被工艺及其系统 Download PDFInfo
- Publication number
- CN116688852A CN116688852A CN202310782230.7A CN202310782230A CN116688852A CN 116688852 A CN116688852 A CN 116688852A CN 202310782230 A CN202310782230 A CN 202310782230A CN 116688852 A CN116688852 A CN 116688852A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- time sequence
- pressure
- air outlet
- outlet flow
- 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.)
- Withdrawn
Links
- JTSDBFGMPLKDCD-XVFHVFLVSA-N tilmicosin Chemical compound O([C@@H]1[C@@H](C)[C@H](O)CC(=O)O[C@@H]([C@H](/C=C(\C)/C=C/C(=O)[C@H](C)C[C@@H]1CCN1C[C@H](C)C[C@H](C)C1)CO[C@H]1[C@@H]([C@H](OC)[C@H](O)[C@@H](C)O1)OC)CC)[C@@H]1O[C@H](C)[C@@H](O)[C@H](N(C)C)[C@H]1O JTSDBFGMPLKDCD-XVFHVFLVSA-N 0.000 title claims abstract description 110
- 229960000223 tilmicosin Drugs 0.000 title claims abstract description 110
- 238000000576 coating method Methods 0.000 title claims abstract description 82
- 239000003094 microcapsule Substances 0.000 title claims abstract description 66
- 239000007962 solid dispersion Substances 0.000 title claims abstract description 52
- 239000011248 coating agent Substances 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 347
- 239000007921 spray Substances 0.000 claims description 122
- 239000011159 matrix material Substances 0.000 claims description 64
- 239000007787 solid Substances 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 23
- 230000003247 decreasing effect Effects 0.000 claims description 23
- 239000003814 drug Substances 0.000 claims description 19
- 229940050561 matrix product Drugs 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 16
- 238000000889 atomisation Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 229940079593 drug Drugs 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 229920000642 polymer Polymers 0.000 claims description 8
- 239000002904 solvent Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 37
- 230000000694 effects Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000001179 sorption measurement Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 235000021050 feed intake Nutrition 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 241000282887 Suidae Species 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 6
- 235000019658 bitter taste Nutrition 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 4
- 210000001035 gastrointestinal tract Anatomy 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 235000019640 taste Nutrition 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000036528 appetite Effects 0.000 description 2
- 235000019789 appetite Nutrition 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000012568 clinical material Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000001739 density measurement Methods 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 239000002702 enteric coating Substances 0.000 description 2
- 238000009505 enteric coating Methods 0.000 description 2
- 210000004211 gastric acid Anatomy 0.000 description 2
- 235000010979 hydroxypropyl methyl cellulose Nutrition 0.000 description 2
- 229920003088 hydroxypropyl methyl cellulose Polymers 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000595 bitter masking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2/00—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic
- B01J2/003—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic followed by coating of the granules
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2/00—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic
- B01J2/02—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic by dividing the liquid material into drops, e.g. by spraying, and solidifying the drops
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本申请涉及智能控制领域，其具体地公开了一种替米考星固体分散微囊包被工艺及其系统，其通过采用基于深度学习的神经网络模型挖掘出雾化喷枪的压力值的时序变化和热风循环的出风流速值的时序变化之间的映射关联关系，以基于实际的热风循环出风流速值变化情况来进行所述雾化喷枪压力值的自适应控制，从而优化吸附效率，提高替米考星在猪的饲料中的利用效果以及采食量。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种替米考星固体分散微囊包被工艺及其系统。
背景技术
替米考星是一种广泛用于猪的预混饲料中的药物，可以预防和治疗多种生猪病。然而，替米考星味道苦，普通替米考星预混剂直接拌入饲料，使饲料带有苦味，而猪味觉发达，会严重影响猪的食欲，大幅降低猪的采食量；同时，普通替米考星口服制剂大部分在胃中溶出，经胃酸处理后只有少部分能在肠道吸收利用，生物利用度低，防治效果一般。
因此，期望一种优化的替米考星固体分散微囊包被方案，以提高替米考星在猪饲料中的利用效果以及采食量。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种替米考星固体分散微囊包被工艺及其系统，其通过采用基于深度学习的神经网络模型挖掘出雾化喷枪的压力值的时序变化和热风循环的出风流速值的时序变化之间的映射关联关系，以基于实际的热风循环出风流速值变化情况来进行所述雾化喷枪压力值的自适应控制，从而优化吸附效率，提高替米考星在猪的饲料中的利用效果以及采食量。
根据本申请的一个方面，提供了一种替米考星固体分散微囊包被方法，其包括：
S1：将替米考星固体溶解在特定溶剂中以形成替米考星溶液；
S2：将所述替米考星溶液通过雾化喷枪转化为喷雾，其中，所述喷雾被吸附渗透进入高分子聚合物分子中以形成具有骨架缓释结构的药物固体；
S3：将所述具有骨架缓释结构的药物固体分散为骨架颗粒；
S4：为所述骨架颗粒施加包衣。
在上述替米考星固体分散微囊包被方法中，所述步骤S2，包括：获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值；将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量；将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量；对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵；以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小。
在上述替米考星固体分散微囊包被方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在上述替米考星固体分散微囊包被方法中，，将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量，包括：将所述压力时序输入向量和所述出风流速时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度压力时序特征向量和第一邻域尺度出风流速时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述压力时序输入向量和所述出风流速时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度压力时序特征向量和第二邻域尺度出风流速时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度压力时序特征向量和所述第一邻域尺度出风流速时序特征向量分别与所述第二邻域尺度压力时序特征向量和所述第二邻域尺度出风流速时序特征向量进行级联以得到所述压力时序特征向量和所述出风流速时序特征向量。
在上述替米考星固体分散微囊包被方法中，对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵，包括：以如下公式对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；其中，所述公式为：
其中Vm表示所述压力时序特征向量，表示所述压力时序特征向量的转置向量，Vn表示所述出风流速时序特征向量，M1表示所述压力-出风流速关联矩阵，/>表示向量相乘。
在上述替米考星固体分散微囊包被方法中，将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵，包括：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图；以及，使用所述卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一卷积核与所述第二卷积核互为转置。
在上述替米考星固体分散微囊包被方法中，以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量，包括：以如下公式计算所述压力时序特征向量与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；其中，所述公式为：其中Vm表示所述压力时序特征向量，M表示所述压力-出风流速关联特征矩阵，V表示所述分类特征向量。
在上述替米考星固体分散微囊包被方法中，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，包括：以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；其中，所述优化公式为：
其中vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
在上述替米考星固体分散微囊包被方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种替米考星固体分散微囊包被系统，其包括：
数据采集模块，用于获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值；
排列模块，用于将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量；
多尺度邻域特征提取模块，用于将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量；
关联编码模块，用于对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；
卷积模块，用于将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵；
分类特征向量计算模块，用于以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；
优化模块，用于对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及
分类结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的替米考星固体分散微囊包被方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的替米考星固体分散微囊包被方法。
与现有技术相比，本申请提供的一种替米考星固体分散微囊包被工艺及其系统，其通过采用基于深度学习的神经网络模型挖掘出雾化喷枪的压力值的时序变化和热风循环的出风流速值的时序变化之间的映射关联关系，以基于实际的热风循环出风流速值变化情况来进行所述雾化喷枪压力值的自适应控制，从而优化吸附效率，提高替米考星在猪的饲料中的利用效果以及采食量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的替米考星固体分散微囊包被方法的场景示意图；
图2为根据本申请实施例的替米考星固体分散微囊包被方法的流程图；
图3为根据本申请实施例的替米考星固体分散微囊包被方法中将替米考星溶液通过雾化喷枪转化为喷雾过程的流程图；
图4为根据本申请实施例的替米考星固体分散微囊包被方法的系统架构图；
图5为根据本申请实施例的替米考星固体分散微囊包被方法中多尺度邻域特征提取的流程图；
图6为根据本申请实施例的替米考星固体分散微囊包被方法中卷积神经网络编码的流程图；
图7为根据本申请实施例的替米考星固体分散微囊包被系统的框图；
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，替米考星味道苦，普通替米考星预混剂直接拌入饲料，使饲料带有苦味，而猪味觉发达，会严重影响猪的食欲，大幅降低猪的采食量；同时，普通替米考星口服制剂大部分在胃中溶出，经胃酸处理后只有少部分能在肠道吸收利用，生物利用度低，防治效果一般。因此，期望一种优化的替米考星固体分散微囊包被方案，以提高替米考星在猪饲料中的利用效果以及采食量。
具体地，在本申请的技术方案中，提出了一种替米考星固体分散微囊包被方法，其包括：S1：将替米考星固体溶解在特定溶剂中以形成替米考星溶液。S2：将所述替米考星溶液通过雾化喷枪转化为喷雾，其中，所述喷雾被吸附渗透进入高分子聚合物分子中以形成具有骨架缓释结构的药物固体。也就是，将药物溶解在特定溶剂中形成液体分子状态，再将液态分子均匀喷雾吸附渗透进入高分子聚合物分子中，以形成骨架缓释结构。具体来说，骨架缓释结构能够使药物进入肠道后均匀缓慢释放，有效血药浓度维持时间大幅延长，药效更持久。S3：将所述具有骨架缓释结构的药物固体分散为骨架颗粒。也就是，在本申请的一个具体示例中，将药物固体分散体挤压制粒，抛圆，形成粒度在24目-50目之间的圆形骨架颗粒。S4：为所述骨架颗粒施加包衣。特别地，这里，所述包衣具有两层，第一层包衣为肠溶包衣，这种包衣材料兼顾产品检测合格与掩盖苦味功能，有一定的过胃肠溶效果；第二层包衣的作为为掩味+强化，具体地，第二层包衣采用HPMC+强化辅料，在适宜温度下能够由液态转变成强度较高的固态壳状，并且表面粗糙，摩擦力大，不易在饲料中分层，便于临床拌料使用。
相应地，考虑到在步骤S2中，雾化喷枪的压力与热风循环相适配有利于提高吸附效率。因此，在本申请的技术方案中，期望通过对于雾化喷枪的压力值和热风循环的出风流速值进行适配性分析来进行自适应控制，从而达到提高吸附效率的目的。但是，由于所述雾化喷枪的压力值和所述热风循环的出风流速值都在时间维度上有着动态变化规律，并且这两者数据参数之间还具有着时序的协同关联特性。因此，在此过程中，难点在于如何挖掘所述雾化喷枪的压力值的时序变化和热风循环的出风流速值的时序变化之间的映射关联关系，以基于实际的热风循环出风流速值变化情况来进行所述雾化喷枪压力值的自适应控制，从而优化吸附效率，提高替米考星在猪的饲料中的利用效果以及采食量。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述雾化喷枪的压力值的时序变化和热风循环的出风流速值的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述雾化喷枪的压力值的时序变化和热风循环的出风流速值的时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值。接着，考虑到由于所述雾化喷枪的压力值和所述热风循环的出风流速值都在时间维度上有着动态性的变化规律，为了能够进行两者的时序关联编码，需要分别对于这两者的参数数据进行时序动态变化特征提取。因此，在本申请的技术方案中，首先将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量，以此来分别整合所述雾化喷枪的压力值和所述热风循环的出风流速值在时序上的分布信息。
然后，考虑到由于所述雾化喷枪的压力值和所述热风循环的出风流速值在时间维度上具有着波动性，导致其在时序上的不同时间周期跨度下呈现出不同的动态变化特征信息。因此，为了能够进行所述雾化喷枪的压力值和所述热风循环的出风流速值的时序动态变化特征的充分表达，在本申请的技术方案中，进一步将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块中进行特征挖掘，以分别提取出所述雾化喷枪的压力值和所述热风循环的出风流速值在不同时间跨度下的动态多尺度邻域关联特征，从而得到压力时序特征向量和出风流速时序特征向量。
接着，为了能够挖掘出所述雾化喷枪的压力值和所述热风循环的出风流速值在时间维度上的时序协同关联特征信息，进一步对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵，以此来表示所述雾化喷枪的压力值的时序多尺度动态变化特征和所述热风循环的出风流速值的时序多尺度动态变化特征之间的关联特征信息。
然后，还考虑到由于所述雾化喷枪的压力值和所述热风循环的出风流速值在时间维度上具有相当程度的关联。因此为了能够充分地提取出所述雾化喷枪的压力值和所述热风循环的出风流速值的时序协同关联特征来进行雾化喷枪的压力与热风循环的适配控制，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的卷积神经网络模型来对于所述压力-出风流速关联矩阵进行特征挖掘，以提取出深层的更为充分的所述雾化喷枪的压力值和所述热风循环的出风流速值的时序协同关联隐含特征信息，从而得到压力-出风流速关联特征矩阵。特别地，这里，所述卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。
进一步地，以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积，以此来表示在以所述雾化喷枪的压力值和所述热风循环的出风流速值的时序协同关联变化特征信息为背景基础上的关于所述雾化喷枪的压力值的时序动态变化特征，并以此作为分类特征向量。接着，将所述分类特征向量通过分类器中进行分类处理，就能够得到用于表示当前时间点的雾化喷枪的压力值应增大或应减小的分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的雾化喷枪的压力值应增大(第一标签)，以及，当前时间点的雾化喷枪的压力值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的雾化喷枪的压力值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，雾化喷枪的压力值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的雾化喷枪的压力值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的雾化喷枪的压力值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的雾化喷枪的压力值变化，以此来进行雾化喷枪压力值的自适应控制，从而优化吸附效率。
特别地，在本申请的技术方案中，在以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积得到所述分类特征向量时，是将所述压力-出风流速关联特征矩阵表达的压力和出风流速各自的多尺度时序邻域关联值的高阶参数间关联特征映射到所述压力时序特征向量表达的压力值的多尺度时序邻域关联特征空间内。但是，考虑到所述压力时序特征向量和所述压力-出风流速关联特征矩阵的特征阶次不同，其在分类器的类概率表达上存在概率密度差异，因此所得到的所述分类特征向量在分类器的类概率密度空间内的收敛性也会较差，影响通过分类器得到的分类结果的准确性。
因此，本申请的申请人对所述分类特征向量V进行高斯概率密度的流形曲面的基准线网化，具体表示为：
其中μ和σ是特征值集合vi∈V的均值和标准差，且v'i是优化后的所述分类特征向量的第i个位置的特征值。
这里，所述高斯概率密度的流形曲面的基准线网化以所述分类特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述分类特征向量的高维特征的类概率密度的空间收敛性，也就是，提升了所述分类特征向量在概率密度空间内的概率密度表达的一致性，改进了所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够基于实际的热风循环出风流速变化情况来实时准确地进行雾化喷枪压力值的自适应控制，从而优化吸附效率，提高替米考星在猪的饲料中的利用效果以及采食量。
基于此，本申请提出了一种替米考星固体分散微囊包被方法，其包括：S1：将替米考星固体溶解在特定溶剂中以形成替米考星溶液；S2：将所述替米考星溶液通过雾化喷枪转化为喷雾，其中，所述喷雾被吸附渗透进入高分子聚合物分子中以形成具有骨架缓释结构的药物固体；S3：将所述具有骨架缓释结构的药物固体分散为骨架颗粒；S4：为所述骨架颗粒施加包衣。
图1为根据本申请实施例的替米考星固体分散微囊包被方法的场景示意图。如图1所示，在该应用场景中，通过压力传感器(例如，如图1中所示意的V1)获取预定时间段内多个预定时间点的雾化喷枪的压力值，以及，通过流速传感器(例如，如图1中所示意的V2)获取所述多个预定时间点的热风循环的出风流速值。接着，将上述数据输入至部署有用于替米考星固体分散微囊包被算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述替米考星固体分散微囊包被算法对上述输入的数据进行处理，以生成用于表示当前时间点的雾化喷枪的压力值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的替米考星固体分散微囊包被方法的流程图。如图2所示，根据本申请实施例的替米考星固体分散微囊包被方法，包括步骤：S1：将替米考星固体溶解在特定溶剂中以形成替米考星溶液；S2：将所述替米考星溶液通过雾化喷枪转化为喷雾，其中，所述喷雾被吸附渗透进入高分子聚合物分子中以形成具有骨架缓释结构的药物固体；S3：将所述具有骨架缓释结构的药物固体分散为骨架颗粒；S4：为所述骨架颗粒施加包衣。
具体地，在步骤S1和步骤S2中，将替米考星固体溶解在特定溶剂中以形成替米考星溶液；以及，将所述替米考星溶液通过雾化喷枪转化为喷雾，其中，所述喷雾被吸附渗透进入高分子聚合物分子中以形成具有骨架缓释结构的药物固体。在本申请的技术方案中，在将所述替米考星固体溶解为替米考星溶液后，进一步将所述替米考星溶液通过雾化喷枪转化为喷雾，也就是，将药物溶解在特定溶剂中形成液体分子状态，再将液态分子均匀喷雾吸附渗透进入高分子聚合物分子中，以形成骨架缓释结构。具体来说，骨架缓释结构能够使药物进入肠道后均匀缓慢释放，有效血药浓度维持时间大幅延长，药效更持久。
图3为根据本申请实施例的替米考星固体分散微囊包被方法中将替米考星溶液通过雾化喷枪转化为喷雾过程的流程图。如图3所示，在所述将替米考星溶液通过雾化喷枪转化为喷雾的过程中，包括：S110，获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值；S120，将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量；S130，将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量；S140，对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；S150，将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵；S160，以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；S170，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及，S180，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小。
图4为根据本申请实施例的替米考星固体分散微囊包被方法的系统架构图。如图4所示，该网络结构中，首先，获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值；接着，将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量；将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量；对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；然后，将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵；以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；进而，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小。
更具体地，在步骤S110中，获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值。应可以理解，雾化喷枪的压力与热风循环相适配有利于提高吸附效率。因此，在本申请的技术方案中，可通过对于雾化喷枪的压力值和热风循环的出风流速值进行适配性分析来进行自适应控制，从而达到提高吸附效率的目的。首先，可通过压力传感器来获取预定时间段内多个预定时间点的雾化喷枪的压力值，以及，通过流速传感器来获取所述多个预定时间点的热风循环的出风流速值。
更具体地，在步骤S120中，将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量。考虑到由于所述雾化喷枪的压力值和所述热风循环的出风流速值都在时间维度上有着动态性的变化规律，为了能够进行两者的时序关联编码，需要分别对于这两者的参数数据进行时序动态变化特征提取。因此，在本申请的技术方案中，首先将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量，以此来分别整合所述雾化喷枪的压力值和所述热风循环的出风流速值在时序上的分布信息。
更具体地，在步骤S130中，将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量。也就是，在本申请的技术方案中，考虑到由于所述雾化喷枪的压力值和所述热风循环的出风流速值在时间维度上具有着波动性，导致其在时序上的不同时间周期跨度下呈现出不同的动态变化特征信息。因此，为了能够进行所述雾化喷枪的压力值和所述热风循环的出风流速值的时序动态变化特征的充分表达，在本申请的技术方案中，进一步将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块中进行特征挖掘，以分别提取出所述雾化喷枪的压力值和所述热风循环的出风流速值在不同时间跨度下的动态多尺度邻域关联特征，从而得到压力时序特征向量和出风流速时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
图5为根据本申请实施例的替米考星固体分散微囊包被方法中多尺度邻域特征提取的流程图。如图5所示，在所述多尺度邻域特征提取过程中，包括：S210,将所述压力时序输入向量和所述出风流速时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度压力时序特征向量和第一邻域尺度出风流速时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S220,将所述压力时序输入向量和所述出风流速时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度压力时序特征向量和第二邻域尺度出风流速时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及,S230,将所述第一邻域尺度压力时序特征向量和所述第一邻域尺度出风流速时序特征向量分别与所述第二邻域尺度压力时序特征向量和所述第二邻域尺度出风流速时序特征向量进行级联以得到所述压力时序特征向量和所述出风流速时序特征向量。其中，所述S210，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述压力时序输入向量和所述出风流速时序输入向量进行一维卷积编码以得到所述第一邻域尺度压力时序特征向量和所述第一邻域尺度出风流速时序特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述压力时序输入向量和所述出风流速时序输入向量，Cov(X)表示对所述压力时序输入向量和所述出风流速时序输入向量进行一维卷积编码；以及，所述S220，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述压力时序输入向量和所述出风流速时序输入向量进行一维卷积编码以得到所述第二邻域尺度压力时序特征向量和所述第二邻域尺度出风流速时序特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述压力时序输入向量和所述出风流速时序输入向量，Cov(X)表示对所述压力时序输入向量和所述出风流速时序输入向量进行一维卷积编码。
更具体地，在步骤S140中，对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵。也就是，在得到所述压力时序特征向量和所述出风流速时序特征向量后，进一步将两者进行关联编码以此来表示所述雾化喷枪的压力值的时序多尺度动态变化特征和所述热风循环的出风流速值的时序多尺度动态变化特征之间的关联特征信息。在本申请的一个具体示例中，以如下公式对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；其中，所述公式为：其中Vm表示所述压力时序特征向量，/>表示所述压力时序特征向量的转置向量，Vn表示所述出风流速时序特征向量，M1表示所述压力-出风流速关联矩阵，表示向量相乘。
更具体地，在步骤S150中，将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵。考虑到由于所述雾化喷枪的压力值和所述热风循环的出风流速值在时间维度上具有相当程度的关联。因此为了能够充分地提取出所述雾化喷枪的压力值和所述热风循环的出风流速值的时序协同关联特征来进行雾化喷枪的压力与热风循环的适配控制，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的卷积神经网络模型来对于所述压力-出风流速关联矩阵进行特征挖掘，以提取出深层的更为充分的所述雾化喷枪的压力值和所述热风循环的出风流速值的时序协同关联隐含特征信息，从而得到压力-出风流速关联特征矩阵。特别地，这里，所述卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图6为根据本申请实施例的替米考星固体分散微囊包被方法中卷积神经网络编码的流程图。如图6所示，在所述卷积神经网络的编码过程中，包括：S310，使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图；以及，S320，使用所述卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一卷积核与所述第二卷积核互为转置。
更具体地，在步骤S160中，以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量。也就是，计算所述压力时序特征向量与所述压力-出风流速关联特征矩阵之间的矩阵乘积，以此来表示在以所述雾化喷枪的压力值和所述热风循环的出风流速值的时序协同关联变化特征信息为背景基础上的关于所述雾化喷枪的压力值的时序动态变化特征，更具体地，以如下公式计算所述压力时序特征向量与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；其中，所述公式为：其中Vm表示所述压力时序特征向量，M表示所述压力-出风流速关联特征矩阵，V表示所述分类特征向量。
更具体地，在步骤S170中，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量。在本申请的技术方案中，在以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积得到所述分类特征向量时，是将所述压力-出风流速关联特征矩阵表达的压力和出风流速各自的多尺度时序邻域关联值的高阶参数间关联特征映射到所述压力时序特征向量表达的压力值的多尺度时序邻域关联特征空间内。但是，考虑到所述压力时序特征向量和所述压力-出风流速关联特征矩阵的特征阶次不同，其在分类器的类概率表达上存在概率密度差异，因此所得到的所述分类特征向量在分类器的类概率密度空间内的收敛性也会较差，影响通过分类器得到的分类结果的准确性。因此，本申请的申请人对所述分类特征向量V进行高斯概率密度的流形曲面的基准线网化，具体表示为：
其中vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。这里，所述高斯概率密度的流形曲面的基准线网化以所述分类特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述分类特征向量的高维特征的类概率密度的空间收敛性，也就是，提升了所述分类特征向量在概率密度空间内的概率密度表达的一致性，改进了所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够基于实际的热风循环出风流速变化情况来实时准确地进行雾化喷枪压力值的自适应控制，从而优化吸附效率，提高替米考星在猪的饲料中的利用效果以及采食量。
更具体地，在步骤S180中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小。也就是，在得到所述优化分类特征向量后，进一步将其作为分类特征向量通过分类器进行分类处理以得到用于表示当前时间点的雾化喷枪的压力值应增大或应减小的分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述优化分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中，所述分类器的标签包括当前时间点的雾化喷枪的压力值应增大(第一标签)，以及，当前时间点的雾化喷枪的压力值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的雾化喷枪的压力值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，雾化喷枪的压力值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的雾化喷枪的压力值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的雾化喷枪的压力值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的雾化喷枪的压力值变化，以此来进行雾化喷枪压力值的自适应控制，从而优化吸附效率。
具体地，在步骤S3中，将所述具有骨架缓释结构的药物固体分散为骨架颗粒。也就是，在本申请的一个具体示例中，将药物固体分散体挤压制粒，抛圆，形成粒度在24目-50目之间的圆形骨架颗粒。
具体地，在步骤S4中，为所述骨架颗粒施加包衣。其中，所述包衣具有两层，第一层包衣为肠溶包衣，这种包衣材料兼顾产品检测合格与掩盖苦味功能，有一定的过胃肠溶效果；第二层包衣的作为为掩味+强化，具体地，第二层包衣采用HPMC+强化辅料，在适宜温度下能够由液态转变成强度较高的固态壳状，并且表面粗糙，摩擦力大，不易在饲料中分层，便于临床拌料使用。
综上，根据本申请实施例的替米考星固体分散微囊包被方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出雾化喷枪的压力值的时序变化和热风循环的出风流速值的时序变化之间的映射关联关系，以基于实际的热风循环出风流速值变化情况来进行所述雾化喷枪压力值的自适应控制，从而优化吸附效率，提高替米考星在猪的饲料中的利用效果以及采食量。
示例性系统
图7为根据本申请实施例的替米考星固体分散微囊包被系统的框图。如图7所示，根据本申请实施例的替米考星固体分散微囊包被系统300，包括：数据采集模块310；排列模块320；多尺度邻域特征提取模块330；关联编码模块340；卷积模块350；分类特征向量计算模块360；优化模块370；以及，分类结果生成模块380。
其中，所述数据采集模块310，用于获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值；所述排列模块320，用于将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量；所述多尺度邻域特征提取模块330，用于将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量；所述关联编码模块340，用于对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；所述卷积模块350，用于将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵；所述分类特征向量计算模块360，用于以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；所述优化模块370，用于对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及，所述分类结果生成模块380，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小。
在一个示例中，在上述替米考星固体分散微囊包被系统300中，所述多尺度邻域特征提取模块330，用于：将所述压力时序输入向量和所述出风流速时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度压力时序特征向量和第一邻域尺度出风流速时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述压力时序输入向量和所述出风流速时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度压力时序特征向量和第二邻域尺度出风流速时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度压力时序特征向量和所述第一邻域尺度出风流速时序特征向量分别与所述第二邻域尺度压力时序特征向量和所述第二邻域尺度出风流速时序特征向量进行级联以得到所述压力时序特征向量和所述出风流速时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在一个示例中，在上述替米考星固体分散微囊包被系统300中，所述关联编码模块340，用于：以如下公式对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；其中，所述公式为：其中Vm表示所述压力时序特征向量，/>表示所述压力时序特征向量的转置向量，Vn表示所述出风流速时序特征向量，M1表示所述压力-出风流速关联矩阵，/>表示向量相乘。
在一个示例中，在上述替米考星固体分散微囊包被系统300中，所述卷积模块350，用于：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图；以及，使用所述卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一卷积核与所述第二卷积核互为转置。
在一个示例中，在上述替米考星固体分散微囊包被系统300中，所述分类特征向量计算模块360，用于：以如下公式计算所述压力时序特征向量与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；其中，所述公式为：其中Vm表示所述压力时序特征向量，M表示所述压力-出风流速关联特征矩阵，V表示所述分类特征向量。
在一个示例中，在上述替米考星固体分散微囊包被系统300中，所述优化模块370，用于：以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；其中，所述优化公式为：
其中vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
在一个示例中，在上述替米考星固体分散微囊包被系统300中，所述分类结果生成模块380，用于：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的替米考星固体分散微囊包被系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出雾化喷枪的压力值的时序变化和热风循环的出风流速值的时序变化之间的映射关联关系，以基于实际的热风循环出风流速值变化情况来进行所述雾化喷枪压力值的自适应控制，从而优化吸附效率，提高替米考星在猪的饲料中的利用效果以及采食量。
如上所述，根据本申请实施例的替米考星固体分散微囊包被系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的替米考星固体分散微囊包被系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该替米考星固体分散微囊包被系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该替米考星固体分散微囊包被系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该替米考星固体分散微囊包被系统300与该终端设备也可以是分立的设备，并且该替米考星固体分散微囊包被系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的替米考星固体分散微囊包被方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如压力-出风流速关联矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的替米考星固体分散微囊包被方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的替米考星固体分散微囊包被方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种替米考星固体分散微囊包被方法，其特征在于，包括：
S1：将替米考星固体溶解在特定溶剂中以形成替米考星溶液；
S2：将所述替米考星溶液通过雾化喷枪转化为喷雾，其中，所述喷雾被吸附渗透进入高分子聚合物分子中以形成具有骨架缓释结构的药物固体；
S3：将所述具有骨架缓释结构的药物固体分散为骨架颗粒；
S4：为所述骨架颗粒施加包衣。
2.根据权利要求1所述的替米考星固体分散微囊包被方法，其特征在于，所述步骤S2，包括：
获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值；
将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量；
将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量；
对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；
将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵；
以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；
对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小。
3.根据权利要求2所述的替米考星固体分散微囊包被方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
4.根据权利要求3所述的替米考星固体分散微囊包被方法，其特征在于，将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量，包括：
将所述压力时序输入向量和所述出风流速时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度压力时序特征向量和第一邻域尺度出风流速时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述压力时序输入向量和所述出风流速时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度压力时序特征向量和第二邻域尺度出风流速时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
将所述第一邻域尺度压力时序特征向量和所述第一邻域尺度出风流速时序特征向量分别与所述第二邻域尺度压力时序特征向量和所述第二邻域尺度出风流速时序特征向量进行级联以得到所述压力时序特征向量和所述出风流速时序特征向量。
5.根据权利要求4所述的替米考星固体分散微囊包被方法，其特征在于，对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵，包括：以如下公式对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；
其中，所述公式为：
其中Vm表示所述压力时序特征向量，表示所述压力时序特征向量的转置向量，Vn表示所述出风流速时序特征向量，M1表示所述压力-出风流速关联矩阵，/>表示向量相乘。
6.根据权利要求5所述的替米考星固体分散微囊包被方法，其特征在于，将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵，包括：
使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图；以及
使用所述卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一卷积核与所述第二卷积核互为转置。
7.根据权利要求6所述的替米考星固体分散微囊包被方法，其特征在于，以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量，包括：以如下公式计算所述压力时序特征向量与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；
其中，所述公式为：
其中Vm表示所述压力时序特征向量，M表示所述压力-出风流速关联特征矩阵，V表示所述分类特征向量。
8.根据权利要求7所述的替米考星固体分散微囊包被方法，其特征在于，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，包括：
以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
9.根据权利要求8所述的替米考星固体分散微囊包被方法，其特征在于，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小，包括：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种替米考星固体分散微囊包被系统，其特征在于，包括：
数据采集模块，用于获取预定时间段内多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值；
排列模块，用于将所述多个预定时间点的雾化喷枪的压力值和所述多个预定时间点的热风循环的出风流速值分别按照时间维度排列为压力时序输入向量和出风流速时序输入向量；
多尺度邻域特征提取模块，用于将所述压力时序输入向量和所述出风流速时序输入向量通过多尺度邻域特征提取模块以得到压力时序特征向量和出风流速时序特征向量；
关联编码模块，用于对所述压力时序特征向量和所述出风流速时序特征向量进行关联编码以得到压力-出风流速关联矩阵；
卷积模块，用于将所述压力-出风流速关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到压力-出风流速关联特征矩阵；
分类特征向量计算模块，用于以所述压力时序特征向量作为查询特征向量，计算其与所述压力-出风流速关联特征矩阵之间的矩阵乘积以得到分类特征向量；
优化模块，用于对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及
分类结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的雾化喷枪的压力值应增大或应减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310782230.7A CN116688852A (zh) | 2023-06-29 | 2023-06-29 | 替米考星固体分散微囊包被工艺及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310782230.7A CN116688852A (zh) | 2023-06-29 | 2023-06-29 | 替米考星固体分散微囊包被工艺及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116688852A true CN116688852A (zh) | 2023-09-05 |
Family
ID=87825638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310782230.7A Withdrawn CN116688852A (zh) | 2023-06-29 | 2023-06-29 | 替米考星固体分散微囊包被工艺及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116688852A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117965214A (zh) * | 2024-04-01 | 2024-05-03 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱二氧化碳制合成气的方法和系统 |
-
2023
- 2023-06-29 CN CN202310782230.7A patent/CN116688852A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117965214A (zh) * | 2024-04-01 | 2024-05-03 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱二氧化碳制合成气的方法和系统 |
| CN117965214B (zh) * | 2024-04-01 | 2024-06-18 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱二氧化碳制合成气的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | GLMNet: Graph learning-matching convolutional networks for feature matching | |
| Xie et al. | A transformer-based approach combining deep learning network and spatial-temporal information for raw EEG classification | |
| Yu et al. | Sketch-a-net: A deep neural network that beats humans | |
| Xia et al. | Tensor completion-based incomplete multiview clustering | |
| You et al. | Re-visiting Riemannian geometry of symmetric positive definite matrices for the analysis of functional connectivity | |
| Qian et al. | Transformer based multiple instance learning for weakly supervised histopathology image segmentation | |
| CN116688852A (zh) | 替米考星固体分散微囊包被工艺及其系统 | |
| Yan et al. | Subspace alignment based on an extreme learning machine for electronic nose drift compensation | |
| Xie et al. | Cooperative training of fast thinking initializer and slow thinking solver for conditional learning | |
| Chen et al. | Supervised deep hashing with a joint deep network | |
| Liu et al. | A semi-supervised convolutional transfer neural network for 3D pulmonary nodules detection | |
| Zhang et al. | Image-level classification by hierarchical structure learning with visual and semantic similarities | |
| WO2023108418A1 (zh) | 脑图谱构建及神经环路检测的方法和相关产品 | |
| CN116285481A (zh) | 涂料的生产加工方法及其系统 | |
| Xiao | Artificial intelligence programming with Python: from zero to hero | |
| Mogan et al. | Advances in vision-based gait recognition: From handcrafted to deep learning | |
| Sun et al. | Vipformer: Efficient vision-and-pointcloud transformer for unsupervised pointcloud understanding | |
| Meng et al. | Joint discriminative attributes and similarity embeddings modeling for zero-shot recognition | |
| Zuo et al. | Brain Functional Network Generation Using Distribution-Regularized Adversarial Graph Autoencoder with Transformer for Dementia Diagnosis | |
| Li et al. | Mutual structure learning for multiple kernel clustering | |
| CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
| Yin et al. | Deep synergetic spiking neural P systems for the overall survival time prediction of glioblastoma patients | |
| Gu et al. | A Novel Self‐Updating Design Method for Complex 3D Structures Using Combined Convolutional Neuron and Deep Convolutional Generative Adversarial Networks | |
| CN117113153A (zh) | 桔柚种植管理系统及方法 | |
| Li et al. | Learning shared subspace regularization with linear discriminant analysis for multi-label action recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230905 |