CN116818703A - 基于近红外光谱分析的预测透明质酸溶液浓度的方法 - Google Patents
基于近红外光谱分析的预测透明质酸溶液浓度的方法 Download PDFInfo
- Publication number
- CN116818703A CN116818703A CN202310774222.8A CN202310774222A CN116818703A CN 116818703 A CN116818703 A CN 116818703A CN 202310774222 A CN202310774222 A CN 202310774222A CN 116818703 A CN116818703 A CN 116818703A
- Authority
- CN
- China
- Prior art keywords
- hyaluronic acid
- model
- concentration
- acid solution
- predicting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- KIUKXJAPPMFGSW-DNGZLQJQSA-N (2S,3S,4S,5R,6R)-6-[(2S,3R,4R,5S,6R)-3-Acetamido-2-[(2S,3S,4R,5R,6R)-6-[(2R,3R,4R,5S,6R)-3-acetamido-2,5-dihydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-2-carboxy-4,5-dihydroxyoxan-3-yl]oxy-5-hydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-3,4,5-trihydroxyoxane-2-carboxylic acid Chemical compound CC(=O)N[C@H]1[C@H](O)O[C@H](CO)[C@@H](O)[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@H](O[C@H]2[C@@H]([C@@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O)[C@H](O3)C(O)=O)O)[C@H](O)[C@@H](CO)O2)NC(C)=O)[C@@H](C(O)=O)O1 KIUKXJAPPMFGSW-DNGZLQJQSA-N 0.000 title claims abstract description 38
- 229920002674 hyaluronan Polymers 0.000 title claims abstract description 38
- 229960003160 hyaluronic acid Drugs 0.000 title claims abstract description 38
- 238000002329 infrared spectrum Methods 0.000 title abstract description 10
- 238000004458 analytical method Methods 0.000 title abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 15
- 238000004497 NIR spectroscopy Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 34
- 230000006870 function Effects 0.000 description 32
- 238000012549 training Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- IAJILQKETJEXLJ-UHFFFAOYSA-N Galacturonsaeure Natural products O=CC(O)C(O)C(O)C(O)C(O)=O IAJILQKETJEXLJ-UHFFFAOYSA-N 0.000 description 1
- 108010049508 Myxococcus acidic endoprotease Proteins 0.000 description 1
- OVRNDRQMDRJTHS-UHFFFAOYSA-N N-acelyl-D-glucosamine Natural products CC(=O)NC1C(O)OC(CO)C(O)C1O OVRNDRQMDRJTHS-UHFFFAOYSA-N 0.000 description 1
- OVRNDRQMDRJTHS-FMDGEEDCSA-N N-acetyl-beta-D-glucosamine Chemical compound CC(=O)N[C@H]1[C@H](O)O[C@H](CO)[C@@H](O)[C@@H]1O OVRNDRQMDRJTHS-FMDGEEDCSA-N 0.000 description 1
- MBLBDJOUHNCFQT-LXGUWJNJSA-N N-acetylglucosamine Natural products CC(=O)N[C@@H](C=O)[C@@H](O)[C@H](O)[C@H](O)CO MBLBDJOUHNCFQT-LXGUWJNJSA-N 0.000 description 1
- 238000012084 abdominal surgery Methods 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001723 extracellular space Anatomy 0.000 description 1
- 229940097043 glucuronic acid Drugs 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229950006780 n-acetylglucosamine Drugs 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及透明质酸溶液浓度预测领域,具体涉及基于近红外光谱分析的预测透明质酸溶液浓度的方法,包括如下步骤:获取不同温度下不同浓度的透明质酸溶液的光谱数据;对光谱数据进行预处理,得到光谱数据样本;将光谱数据样本划分为校正集和测试集输入到DELM模型获得符合评价标准的超参数组合,用于透明质酸溶液浓度的预测。采用贝叶斯优化算法对DELM模型的超参数进行优化,模型校正集和预测集的R2值均超过了0.99,且MAE值均接近于1,实现了透明质酸浓度在多温度下的准确预测。
Description
技术领域
本发明涉及透明质酸溶液浓度预测领域,具体涉及一种基于近红外光谱分析的预测透明质酸溶液浓度的方法。
背景技术
近红外光谱分析技术是一种利用物质在近红外波长范围内(通常是700~2500nm)的吸收、反射或透射特性来分析其化学成分、结构和性质等信息的技术。近红外光谱分析技术具有非破坏性、快速、精确、可重复性好等优点,广泛应用于食品、医药、化工、农业等行业。
温度对于近红外光谱的影响是一个复杂的问题,因为近红外光谱是分子振动光谱,温度的变化会影响分子的振动状态和能级跃迁,从而导致光谱的变化。
一般来说,温度的升高会使光谱的吸收峰向短波方向移动,并且峰高和峰宽也会发生变化。这些变化会影响近红外光谱定量分析模型的预测能力和准确性。
透明质酸是一种高分子直链聚糖,由交替的N-乙酰葡糖胺和葡萄糖醛酸双糖单位反复交替而形成的一种聚合物。透明质酸广泛存在于人体各种组织的细胞间质中,具有维持细胞渗透压稳定,使相邻细胞黏合等重要生理功能。透明质酸对温度是敏感的,温度的变化会影响透明质酸的黏弹性、水溶性、分子量和分子结构一般来说,温度升高会降低透明质酸的黏度和溶解度,增加其分子量和分子链的刚性。这些变化会影响透明质酸在生物材料、药物靶向制剂、美容以及腹部手术后预防黏连等方面的应用效果。目前的预测大多都是针对某一温度进行的,没有同时对多个温度下的预测。
发明内容
本发明针对上述问题,提供了一种基于近红外光谱分析的预测透明质酸溶液浓度的方法,采用贝叶斯优化算法对DELM模型的超参数进行优化,模型校正集和预测集的R2值均超过了0.99,且MAE值均接近于1,实现了透明质酸浓度在多温度下的准确预测。
本发明是通过如下方案来实现的:基于近红外光谱分析的预测透明质酸溶液浓度的方法,包括如下步骤:
获取不同温度下不同浓度的透明质酸溶液的光谱数据;
对光谱数据进行预处理,得到光谱数据样本;
将光谱数据样本划分为校正集和测试集输入到Bayes-DELM模型获得符合评价标准的超参数组合,用于透明质酸溶液浓度的预测。
在获得超参数的过程中,首先进行贝叶斯优化输出待评估超参数,将待评估超参数输入DELM模型获得验证误差,判断是否满足停止条件,如果满足则超参数确定,如果不满足,则重新进行贝叶斯优化,重复上述步骤直至超参数确定。
超参数包括隐含层个数、隐含层节点数、激活函数类型、隐含层正规化参数。
贝叶斯优化时,包括如下步骤
步骤1、初始化点个数n0,Xinit 2={x0,x1,...xn-1},最大迭代书N,代理模型g(x),采集函数α(x|D);
步骤2、获得函数值f(Xinit),初始点集D0={Xinit,f(Xinit)},令t=n0,Dt-1=D0,如果t大于等于N,则进入步骤3,如果t大于等于N则进入步骤4;
步骤3、获得最优候选评估点:{x*,y*},x*:DELM模型超参数集合,y*:模型均方根偏差RMSE;
步骤4、根据当前获得的点集Dt-1,构建代理模型g(x);
步骤5、基于代理模型g(x),最大化采集函数α(x|Dt-1),获得下一个评估点xt=argminα(x|Dt-1);
步骤6、获得评估点xt的函数值f(xt),将其加入到当前评估点集合中:Dt=Dt-1U{xt,f(xt)};进行t=t+1,重复步骤2,直至t=N。5.根据权利要求2所述的基于近红外光谱分析的预测透明质酸溶液浓度的方法,其特征在于,
所述的停止条件为评价指标,包括光谱预处理通过决定系数R2、均方误差RMSE、平均绝对误差MAE;公式如下
其中yi表示第i个透明质酸样品浓度的实测值,代表第i个透明质酸样品浓度的预测值,n为校正集样品数。
所述的样本为160个,其中校正集120个,测试集40个。
通过上述描述可以看出,本方案中DELM具有以下优势:1、更好的表征能力:DELM可以通过多层隐含层来学习更加复杂的特征表示,从而实现更加准确的预测。这种多层结构可以有效地提高模型的表征能力,使得模型可以处理更加复杂的数据分布。2、更高的泛化能力:DELM可以通过多层结构来降低过拟合的风险,从而实现更好的泛化能力。这是因为多层结构可以通过对输入数据进行多次非线性变换,从而实现对数据分布的更好拟合。3、更快的训练速度:DELM可以通过随机初始化多层隐含层的权重和偏置,然后使用解析解的方法来计算输出层到最后一层隐含层的权重,从而实现快速训练。这种方法可以避免反向传播算法中的梯度计算和参数更新等计算量大的操作,从而实现更快的训练速度。
因此,如果需要处理更加复杂的数据分布,并且需要更好的泛化能力和更快的训练速度,DELM可能比ELM更加适合。DELM模型与传统的神经网络相比,最大的不同在于隐含层的权重和偏置是随机生成的,而不是通过反向传播算法进行训练得到的。这种随机初始化的方式可以大大加速模型的训练过程,并且可以避免梯度消失和梯度爆炸等问题。同时,DELM模型还可以通过增加隐含层的数量来提高模型的表达能力和泛化能力。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案和优点,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些具体实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明具体实施方式的流程图。
图2为贝叶斯优化DELM模型超参数的流程图。
图3为贝叶斯优化流程图。
图4为Bayes-DELM模型预测结果图。
图5为DELM模型结构图。
具体实施方式
下面将结合本发明具体实施方式中的附图,对本发明具体实施方式中的技术方案进行清楚、完整的描述,显然,所描述的具体实施方式仅仅是本发明一部分具体实施方式,而不是全部的具体实施方式,基于本发明具体实施方式,本领域普通技术人员所获得的所有其它具体实施方式,都属于本发明具体实施方式保护的范围。除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
通过附图可以看出,本具体实施方式提供了基于近红外光谱分析的预测透明质酸溶液浓度的方法,包括如下步骤:
获取不同温度下不同浓度的透明质酸溶液的光谱数据;
对光谱数据进行预处理,得到光谱数据样本;
将光谱数据样本划分为校正集和测试集输入到Bayes-DELM模型获得符合评价标准的超参数组合,用于透明质酸溶液浓度的预测。所述的样本为160个,其中校正集120个,测试集40个。
在获得超参数的过程中,首先进行贝叶斯优化输出待评估超参数,将待评估超参数输入DELM模型获得验证误差,判断是否满足停止条件,如果满足则超参数确定,如果不满足,则重新进行贝叶斯优化,重复上述步骤直至超参数确定,如图2所示。超参数包括隐含层个数、隐含层节点数、激活函数类型、隐含层正规化参数。隐含层数量:DELM模型中隐含层数量的意义是指每一层编码器或解码器中的神经元个数。隐含层数量会影响模型的表达能力和训练效果。一般来说,隐含层数量越多,模型可以学习更复杂和抽象的特征,但也可能导致过拟合或训练困难。因此,需要根据数据集的复杂度和任务的需求来选择合适的隐含层数量。隐含层节点数:DELM模型的隐含层节点数是需要手动设置的,它决定了模型的复杂度和表达能力。隐含层节点数的选择需要考虑到数据集的大小、特征数量和模型的训练时间等因素。激活函数:DELM模型的隐含层节点需要使用激活函数进行非线性变换,常见的激活函数包括sigmoid、ReLU、tanh等。不同的激活函数会对模型的性能和泛化能力产生影响,需要根据具体问题进行选择。正则化参数:DELM模型中可以使用正则化方法来防止过拟合,常见的正则化方法包括L1正则化、L2正则化等。正则化参数的选择需要根据具体问题进行调整。
这些超参数的选择对DELM模型的性能和泛化能力有着重要的影响,需要通过实验和调参来确定最优的超参数组合。超参数结果如下表。
贝叶斯优化DELM超参数结果表
贝叶斯优化DELM超参数的原理是,利用贝叶斯定理,根据已有的数据和先验知识,构建一个代理模型(surrogate model)来近似目标函数,然后根据一个采集函数(acquisition function)来选择下一个最优的超参数组合,再用目标函数评估该组合的性能,更新代理模型和采集函数,重复这个过程直到找到最佳的超参数组合。
贝叶斯优化可以通过高斯过程回归(Gaussian process regression)或者其他方法来构建代理模型,然后通过概率提升(probability of improvement)、期望提升(expected improvement)或者置信上界(confidence bound)等方法来构建采集函数,从而在有限的评估次数内找到最优的超参数组合。
近年来,贝叶斯优化在求解黑盒函数问题中应用越来越广泛,已经成为超参数优化的主流方法。贝叶斯优化的优势:1.是一种全局优化的方法,目标函数只需要满足一致连续或者利普希茨连续(Lipschitz)等局部平滑性假设;2.能在较少的评估次数下,取得复杂目标函数的近似解;3.引入采集函数,进行有效的探索和利用(Exploration andExploitation)。贝叶斯优化时,包括如下步骤步骤1、初始化点个数n0,Xinit 2={x0,x1,...xn-1},最大迭代书N,代理模型g(x),采集函数α(x|D);
步骤2、获得函数值f(Xinit),初始点集D0={Xinit,f(Xinit)},令t=n0,Dt-1=D0,如果t大于等于N,则进入步骤3,如果t大于等于N则进入步骤4;
步骤3、获得最优候选评估点:{x*,y*},x*:DELM模型超参数集合,y*:模型均方根偏差RMSE;
步骤4、根据当前获得的点集Dt-1,构建代理模型g(x);
步骤5、基于代理模型g(x),最大化采集函数α(x|Dt-1),获得下一个评估点xt=argminα(x|Dt-1);
步骤6、获得评估点xt的函数值f(xt),将其加入到当前评估点集合中:Dt=Dt-1U{xt,f(xt)};进行t=t+1,重复步骤2,直至t=N。如图3所示。
所述的停止条件为评价指标,包括光谱预处理通过决定系数R2(R2 cal代表校正集决定系数,R2 pred代表预测集决定系数)、均方误差RMSE(RMSEC代表校正集均方误差,RMSEP代表预测集均方误差)、平均绝对误差MAE(MAEC代表校正集平均绝对误差,MAEP代表预测集平均绝对误差);公式如下
其中yi表示第i个透明质酸样品浓度的实测值,代表第i个透明质酸样品浓度的预测值,n为校正集样品数。Bayes-DELM模型预测结果如图4所示。
将本申请中的贝叶斯优化的DELM模型(Bayes-DELM)与PLS、RBF、BP、ELM、DELM等模型进行比较。
RBF和PLS都是常用的回归分析方法,但适用于不同的数据类型和问题。RBF是一种非线性模型,适用于高维数据和非线性关系的建模。在特征提取方面表现良好,可以通过学习数据中的非线性特征来提高预测精度。PLS是一种线性模型,适用于多重共线性或高维数据的建模。它通过将自变量和因变量降维来提高预测精度,并且可以在保留数据中大部分信息的同时减少冗余信息。如果数据具有高维度和非线性关系,则RBF可能更适合;如果数据具有多重共线性或高维度,则PLS可能更适合。
BP(Back Propagation)神经网络是一种常见的多层前馈神经网络,也可以用于非线性建模。它通过多层神经元之间的连接和激活函数的作用,实现了对非线性关系的建模。BP神经网络中每个神经元都可以视为一个非线性函数,多层神经元之间的复合作用可以实现更加复杂的非线性映射。BP神经网络通过反向传播算法来不断调整网络中的权重和偏置,从而逐步降低模型的误差。BP神经网络在解决分类、回归、预测等问题方面具有很好的效果,但训练过程需要较长的时间,并且容易陷入局部最优解。
ELM(Extreme Learning Machine)是一种非线性模型。它是一种单层前馈神经网络,通过随机初始化输入层到隐含层的权重和偏置,然后通过解析解的方法来计算输出层到隐含层的权重,从而实现非线性映射。ELM具有快速训练、高精度和良好的泛化能力等优点,在分类、回归和特征提取等任务中得到了广泛的应用。ELM在处理近红外光谱数据时,由于其快速的训练速度和良好的泛化能力,可以快速地处理大规模的光谱数据,并且能够有效地降低噪声和异常值的影响。此外,ELM还可以通过特征选择和降维等方法来提高模型的性能。因此,如果需要处理大规模的近红外光谱数据,并且需要快速得到准确的预测结果,ELM可能更加适合。
DELM(Deep Extreme Learning Machine)是ELM的一种扩展形式,它将ELM中的单层隐含层扩展为多层隐含层,从而实现了更加复杂的非线性映射。果需要处理更加复杂的数据分布,并且需要更好的泛化能力和更快的训练速度,DELM可能比ELM更加适合。DELM模型与传统的神经网络相比,最大的不同在于隐含层的权重和偏置是随机生成的,而不是通过反向传播算法进行训练得到的。这种随机初始化的方式可以大大加速模型的训练过程,并且可以避免梯度消失和梯度爆炸等问题。同时,DELM模型还可以通过增加隐含层的数量来提高模型的表达能力和泛化能力。
贝叶斯优化DELM超参数的原理是,利用贝叶斯定理,根据已有的数据和先验知识,构建一个代理模型(surrogate model)来近似目标函数,然后根据一个采集函数(acquisition function)来选择下一个最优的超参数组合,再用目标函数评估该组合的性能,更新代理模型和采集函数,重复这个过程直到找到最佳的超参数组合。贝叶斯优化可以通过高斯过程回归(Gaussian process regression)或者其他方法来构建代理模型,然后通过概率提升(probability of improvement)、期望提升(expected improvement)或者置信上界(confidence bound)等方法来构建采集函数,从而在有限的评估次数内找到最优的超参数组合。
上述模型的性能对比如下表,Bayes-DELM优于其他模型。
模型性能对比结果表
以上所述具体实施方式仅用以说明本申请的技术方案,而非对其限制;尽管参照前述具体实施方式对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各具体实施方式技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (6)
1.基于近红外光谱分析的预测透明质酸溶液浓度的方法,其特征在于包括如下步骤:
获取不同温度下不同浓度的透明质酸溶液的光谱数据;
对光谱数据进行预处理,得到光谱数据样本;
将光谱数据样本划分为校正集和测试集输入到Bayes-DELM模型获得符合评价标准的超参数组合,用于透明质酸溶液浓度的预测。
2.根据权利要求1所述的基于近红外光谱分析的预测透明质酸溶液浓度的方法,其特征在于,
在获得超参数的过程中,首先进行贝叶斯优化输出待评估超参数,将待评估超参数输入DELM模型获得验证误差,判断是否满足停止条件,如果满足则超参数确定,如果不满足,则重新进行贝叶斯优化,重复上述步骤直至超参数确定。
3.根据权利要求2所述的基于近红外光谱分析的预测透明质酸溶液浓度的方法,其特征在于,
超参数包括隐含层个数、隐含层节点数、激活函数类型、隐含层正规化参数。
4.根据权利要求1所述的基于近红外光谱分析的预测透明质酸溶液浓度的方法,其特征在于,
贝叶斯优化时,包括如下步骤:
步骤1、初始化点个数n0,Xinit 2={x0,x1,...xn-1},最大迭代书N,代理模型g(x),采集函数α(x|D);
步骤2、获得函数值f(Xinit),初始点集D0={Xinit,f(Xinit)},令t=n0,Dt-1=D0,如果t大于等于N,则进入步骤3,如果t大于等于N则进入步骤4;
步骤3、获得最优候选评估点:{x*,y*},x*:DELM模型超参数集合,y*:模型均方根偏差RMSE;
步骤4、根据当前获得的点集Dt-1,构建代理模型g(x);
步骤5、基于代理模型g(x),最大化采集函数α(x|Dt-1),获得下一个评估点xt=argminα(x|Dt-1);
步骤6、获得评估点xt的函数值f(xt),将其加入到当前评估点集合中:Dt=Dt-1U{xt,f(xt)};进行t=t+1,重复步骤2,直至t=N。
5.根据权利要求2所述的基于近红外光谱分析的预测透明质酸溶液浓度的方法,其特征在于,
所述的停止条件为评价指标,包括光谱预处理通过决定系数R2、均方误差RMSE、平均绝对误差MAE;公式如下
其中yi表示第i个透明质酸样品浓度的实测值,代表第i个透明质酸样品浓度的预测值,n为校正集样品数。
6.根据权利要求2所述的基于近红外光谱分析的预测透明质酸溶液浓度的方法,其特征在于,
所述的样本为160个,其中校正集120个,测试集40个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310774222.8A CN116818703B (zh) | 2023-06-28 | 2023-06-28 | 基于近红外光谱分析的预测透明质酸溶液浓度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310774222.8A CN116818703B (zh) | 2023-06-28 | 2023-06-28 | 基于近红外光谱分析的预测透明质酸溶液浓度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116818703A true CN116818703A (zh) | 2023-09-29 |
CN116818703B CN116818703B (zh) | 2024-02-02 |
Family
ID=88140747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310774222.8A Active CN116818703B (zh) | 2023-06-28 | 2023-06-28 | 基于近红外光谱分析的预测透明质酸溶液浓度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116818703B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102297846A (zh) * | 2011-07-28 | 2011-12-28 | 山东福瑞达生物医药有限公司 | 一种快速测定发酵液中透明质酸含量的方法 |
CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
CN104062257A (zh) * | 2013-04-15 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱测定溶液中总黄酮含量的方法 |
CN109799207A (zh) * | 2019-01-15 | 2019-05-24 | 上海交通大学 | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 |
CN113959979A (zh) * | 2021-10-29 | 2022-01-21 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
CN114112978A (zh) * | 2021-12-13 | 2022-03-01 | 大连理工大学 | 原位红外光谱检测结晶过程溶液浓度的小波函数标定建模方法 |
CN114676792A (zh) * | 2022-04-13 | 2022-06-28 | 华东理工大学 | 基于随机投影算法的近红外光谱定量分析降维方法及系统 |
CN115274001A (zh) * | 2022-07-25 | 2022-11-01 | 江南大学 | 基于近红外光谱的有机物在线检测结果的可靠性评价方法 |
-
2023
- 2023-06-28 CN CN202310774222.8A patent/CN116818703B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102297846A (zh) * | 2011-07-28 | 2011-12-28 | 山东福瑞达生物医药有限公司 | 一种快速测定发酵液中透明质酸含量的方法 |
CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
CN104062257A (zh) * | 2013-04-15 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱测定溶液中总黄酮含量的方法 |
CN109799207A (zh) * | 2019-01-15 | 2019-05-24 | 上海交通大学 | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 |
CN113959979A (zh) * | 2021-10-29 | 2022-01-21 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
CN114112978A (zh) * | 2021-12-13 | 2022-03-01 | 大连理工大学 | 原位红外光谱检测结晶过程溶液浓度的小波函数标定建模方法 |
CN114676792A (zh) * | 2022-04-13 | 2022-06-28 | 华东理工大学 | 基于随机投影算法的近红外光谱定量分析降维方法及系统 |
CN115274001A (zh) * | 2022-07-25 | 2022-11-01 | 江南大学 | 基于近红外光谱的有机物在线检测结果的可靠性评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116818703B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaspar-Cunha et al. | A multi-objective evolutionary algorithm using neural networks to approximate fitness evaluations. | |
Bose et al. | Forecasting stock price by hybrid model of cascading multivariate adaptive regression splines and deep neural network | |
Tsakiridis et al. | DECO3RUM: A Differential Evolution learning approach for generating compact Mamdani fuzzy rule-based models | |
WO2023280316A1 (zh) | 一种基于改进型XGBoost类方法的数据分析方法、定价方法以及相关设备 | |
Yang et al. | Prediction model of energy market by long short term memory with random system and complexity evaluation | |
Koeppe et al. | Explainable artificial intelligence for mechanics: physics-explaining neural networks for constitutive models | |
Zhu et al. | Soft sensor based on eXtreme gradient boosting and bidirectional converted gates long short-term memory self-attention network | |
Mo et al. | Few-shot RUL estimation based on model-agnostic meta-learning | |
Tkachenko et al. | A non-iterative neural-like framework for missing data imputation | |
CN116818703B (zh) | 基于近红外光谱分析的预测透明质酸溶液浓度的方法 | |
Dudek | A constructive approach to data-driven randomized learning for feedforward neural networks | |
CN114065996A (zh) | 基于变分自编码学习的交通流预测方法 | |
Al-Kaf et al. | A bootstrapping soft shrinkage approach and interval random variables selection hybrid model for variable selection in near-infrared spectroscopy | |
Xu et al. | Random mask-based estimation of the distribution algorithm for stacked auto-encoder one-step pre-training | |
Sánchez et al. | A fast genetic method for inducting descriptive fuzzy models | |
CN113686810A (zh) | 一种基于卷积神经网络的近红外光谱波长选择方法 | |
Saravanan et al. | A comprehensive approach on predicting the crop yield using hybrid machine learning algorithms | |
Pierna et al. | The applicability of vibrational spectroscopy and multivariate analysis for the characterization of animal feed where the reference values do not follow a normal distribution: A new chemometric challenge posed at the ‘Chimiométrie 2019’congress | |
Huang et al. | Dynamic boosting in deep learning using reconstruction error | |
CN112183814A (zh) | 一种短期风速预测方法 | |
Liu et al. | A unified estimation method for gear fatigue PSN curves and fatigue limits based on ensemble learning and data augmentation | |
Davronov et al. | BERT-based drug structure presentation: A comparison of tokenizers | |
Gaytan et al. | Node-Decoupled Extended Kalman Filter versus Adam Optimizer in Approximation of Functions with Multilayer Neural Networks | |
Güldoğuş et al. | Autoselection of the ensemble of convolutional neural networks with second-order cone programming | |
Hegde et al. | Customer Churn Analysis in Financial Domain using Deep Intelligence Network |
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 |