CN117198418A - 一种多糖提取工艺参数优化方法及系统 - Google Patents
一种多糖提取工艺参数优化方法及系统 Download PDFInfo
- Publication number
- CN117198418A CN117198418A CN202311464748.2A CN202311464748A CN117198418A CN 117198418 A CN117198418 A CN 117198418A CN 202311464748 A CN202311464748 A CN 202311464748A CN 117198418 A CN117198418 A CN 117198418A
- Authority
- CN
- China
- Prior art keywords
- polysaccharide extraction
- value
- extraction rate
- parameters
- parameter
- 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
- 150000004676 glycans Chemical class 0.000 title claims abstract description 225
- 229920001282 polysaccharide Polymers 0.000 title claims abstract description 225
- 239000005017 polysaccharide Substances 0.000 title claims abstract description 225
- 238000000605 extraction Methods 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 239000002245 particle Substances 0.000 claims abstract description 50
- 238000002360 preparation method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005755 formation reaction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000010355 oscillation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003064 anti-oxidating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007365 immunoregulation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007413 intestinal health Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 150000002772 monosaccharides Chemical class 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000007180 physiological regulation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Polysaccharides And Polysaccharide Derivatives (AREA)
Abstract
本发明涉及多糖制备工艺技术领域,具体涉及一种多糖提取工艺参数优化方法及系统,获取多糖提取的各制备实验组及对应的多糖提取率矩阵;根据多糖提取率矩阵中的元素分布得到横纵幅度值;根据多糖提取率矩阵的三维立体模型的形态分布以及横纵幅度值构建多糖提取率矩阵的摆动振幅量;根据各制备实验组的摆动振幅量的数值得到多糖提取率的参数权重;根据参数权重获取各迭代次数粒子的自适应惯性系数;采用改进后的粒子群算法实现多糖提取工艺参数优化。从而使得粒子群在初期能够对影响多糖提取率的参数进行全局搜索,使得参数优化结果更加准确。
Description
技术领域
本发明涉及多糖制备工艺技术领域,具体涉及一种多糖提取工艺参数优化方法及系统。
背景技术
随着近些年来科学技术的发展,越来越多的分子物质被发现以合成。多糖是一种有多个单糖分子浓缩、失水而成的高分子化合物。由于多糖具有生理调节、免疫调节、抗氧化、抗炎症和改善肠道健康等诸多好处,成为近几十年火热的健康高分子化合物。由于多糖广泛存在生物圈中,如植物的根茎叶和动物的肝脏肌肉等,对于多糖的工业提取提供了极大的便利条件。
对于多糖的提取工艺有以下影响因素,超声波使用时间、PH值、酶的活力、溶液温度和酶解的时间等。在对多糖进行提取时,提取参数是影响多糖提取率的重要指标,如何寻找到最佳的提取参数是多糖提取工艺中最为重要的一点,由于实验无法测量所有不同参数的情况,因此需要采用进化算法在测试数据中寻找到最优的提取参数。
在使用传统的粒子群算法(PSO)时,结果很容易陷入局部最优解,难于接近全局最优解。
发明内容
为了解决上述技术问题,本发明提供一种多糖提取工艺参数优化方法及系统,所采用的技术方案具体如下:
本发明提供了一种多糖提取工艺参数优化方法,该方法包括以下步骤:
获取多糖提取的各制备实验组;
对于各制备实验组,将制备实验组的两个变化参数在不断地变化、固定参数保持不变的情况下的实验结果确定为多糖提取率矩阵;获取多糖提取率矩阵的行最佳序列、列最佳序列;根据行最佳序列、列最佳序列中的元素分布得到横纵幅度值;
基于多糖提取率矩阵的数值分布构建三维立体模型;根据横纵幅度值以及三维立体模型的最值点与边界点之间的圆弧弯曲程度构建多糖提取率矩阵的摆动振幅量;根据各制备实验组多糖提取率矩阵的摆动振幅量的数值将所有制备实验组分成各类别;根据各类别的摆动振幅量及参数构成数量得到多糖提取率的参数权重;根据参数权重以及迭代次数得到各迭代次数粒子的自适应惯性系数;
根据各迭代次数粒子的自适应惯性系数优化粒子群算法,实现多糖提取工艺参数优化。
优选的,所述获取多糖提取的各制备实验组,包括:
对于影响多糖提取的所有参数中任意两个参数,将两个参数作为变化参数,将除这两个参数外剩余的参数作为固定参数,将两个变化参数和剩余的固定参数组成一个制备实验组。
优选的,所述获取多糖提取率矩阵的行最佳序列、列最佳序列,包括:
获取多糖提取率矩阵中各行的最大多糖提取率,将多糖提取率矩阵所有行的最大多糖提取率按照行号从小到大组成行最佳序列;
获取多糖提取率矩阵中各列的最大多糖提取率,将多糖提取率矩阵所有列的最大多糖提取率按照列号从小到大组成列最佳序列。
优选的,所述根据行最佳序列、列最佳序列中的元素分布得到横纵幅度值,包括:
将行最佳序列中的最大值确定为行最大多糖提取率;
计算行最大多糖提取率与行最佳序列第一个元素值的差值作为第一差值,计算行最大多糖提取率的横坐标与行最佳序列第一个元素值的横坐标的差值作为第二差值,将第一差值与第二差值的比值确定为第一比值;
计算行最大多糖提取率与行最佳序列最后一个元素值的差值作为第三差值,计算行最大多糖提取率的横坐标与行最佳序列最后一个元素值的横坐标的差值作为第四差值,将第三差值与第四差值的比值确定为第二比值;
将第一比值与第二比值的和值确定为横幅度值;获取列幅度值;将横幅度值与列幅度值的乘积的二次开根号值作为横纵幅度值。
优选的,所述根据横纵幅度值以及三维立体模型的最值点与边界点之间的圆弧弯曲程度构建多糖提取率矩阵的摆动振幅量,包括:
获取三维立体模型的最大值、最小值,将最大值与最小值的差值确定为第五差值;计算横纵幅度值与第五差值的乘积;
对于三维立体模型中各边界点,将1减去边界点与最值点之间的圆弧占据其对应的拟合圆的角度的正弦函数值的差值结果确定为第六差值,计算所有边界点的第六差值的均值;
将所述乘积与所述均值的比值确定为多糖提取率矩阵的摆动振幅量。
优选的,所述根据各制备实验组多糖提取率矩阵的摆动振幅量的数值将所有制备实验组分成各类别,包括:
将各制备实验组多糖提取率矩阵的摆动振幅量进行归一化;
将所有归一化后的摆动振幅量从小到大排序得到序列,将所述序列中各相邻的摆动振幅量之间的差值绝对值小于间隔差异阈值的摆动振幅量组成一类,从而得到所述序列的各类别。
优选的,所述根据各类别的摆动振幅量及参数构成数量得到多糖提取率的参数权重,包括:
对于各类别,根据类别的摆动振幅量数量及参数构成数量得到参数权重因子;
计算类别中所有摆动振幅量的均值,将所有类别的所述均值与参数权重因子的乘积的均值作为参数权重。
优选的,所述根据类别的摆动振幅量数量及参数构成数量得到参数权重因子,包括:
将类别的参数构成数量与两倍的摆动振幅量数量的比值的相反数作为以自然常数为底数的指数函数的指数,将指数函数的计算结果作为参数权重因子。
优选的,所述根据参数权重以及迭代次数得到各迭代次数粒子的自适应惯性系数,包括:
对于各迭代次数,计算迭代次数与最大迭代次数的比值,将1减去所述比值的差值结果与参数权重的乘积作为迭代次数粒子的自适应惯性系数;其中最大迭代次数为预设参数。
一种多糖提取工艺参数优化系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
和现有技术相比,本发明具有如下有益效果:
本发明通过获取多糖提取率矩阵,反映了多糖在两个变化参数变动情况下的多糖提取率变化情况;利用多糖提取率矩阵构建横纵幅度值,横纵幅度值反映了多糖提取率矩阵元素的变化幅度;再利用多糖提取率矩阵与横纵幅度值计算得到多糖提取率矩阵元素的摆动振幅量,表现在两个变化参数变动情况下多糖提取率的变化率;从而有效表现出这两个变化参数之间的关系以及对多糖提取率的影响程度;
同时,本发明利用多糖提取率矩阵中元素的摆动振幅量计算所有参数的参数权重,该值可以有效反映影响多糖提取的参数对于其影响的效果,从而对粒子群算法每次迭代过程中的粒子的惯性参数进行修正,使得粒子群在初期能够对影响多糖提取率的参数进行全局搜索,避免从初始阶段就陷入局部最优解,在后期能够进行局部搜索,将粒子的收敛幅度设置较小,使得结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例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实施例,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为本发明提供的一种多糖提取工艺参数优化方法的流程图;
图2为多糖提取率矩阵的三维立体模型。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种多糖提取工艺参数优化方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种多糖提取工艺参数优化方法及系统的具体方案。
本发明一个实施例提供的一种多糖提取工艺参数优化方法及系统。
具体的,提供了如下的一种多糖提取工艺参数优化方法,请参阅图1,该方法包括以下步骤:
步骤S001,获取多糖提取工艺过程中的各制备实验组。
在多糖制备实验时,由于影响多糖提取的参数众多,改变不同的参数会对多糖的提取效果具有不同的影响,如超声波使用时间、PH值、酶的活力、溶液温度和酶解的时间等参数,在控制这些参数的变化时,会对多糖提取率产生一定的影响。
本实施例从影响多糖提取的各参数中任意选择两个参数作为变化参数,将其余参数作为固定参数,且设定固定参数的实验数值为历史最优经验值并保持不变,将本次设置的所有变化参数以及所有固定参数作为一个制备实验组,即通过该制备实验组对多糖提取中这两个变化参数进行最优化分析,得到两个变化参数在其他剩余的固定参数条件相同的情况下的最优化多糖提取结果。
至此,可以通过上述方法从所有参数中任意选择多种参数组合得到各制备实验组,本实施例通过对其中一个制备实验组的两个变化参数进行分析,分析在相同的固定参数的条件下的这两个变化参数在变化过程中的多糖提取率,从而便于接下来对多糖提取工艺参数进行优化。
步骤S002,对各制备实验组的多糖提取率进行特征分析得到参数权重,将参数权重修正粒子群算法中各迭代次数惯性系数得到自适应惯性系数。
对于其中一个制备实验组,由于该组中的两个变化参数会处于变化之中,即根据这两个变化参数在一定范围内的变化进行多次实验得到变化参数在不同变化情况下的多糖提取率,根据这两个变化参数构成为一个二维矩阵,将二维矩阵命名为多糖提取率矩阵,记为。
式中,多糖提取率矩阵表示第p个变化参数与第q个变化参数在不断地变化且其他固定参数不变的情况下的多糖提取率矩阵,/>表示第p个变化参数的第一个实验值与第q个变化参数的第一个实验值下的多糖提取率,/>表示第p个变化参数的第一个实验值与第q个变化参数的第N个实验值下的多糖提取率,/>表示第p个变化参数的第M个实验值与第q个变化参数的第一个实验值下的多糖提取率,/>表示第p个变化参数的第M个实验值与第q个变化参数的第N个实验值下的多糖提取率。
矩阵中的每行或者每列元素代表在一个变化参数不变的情况下另一个变化参数在不断变化过程中的多糖提取率,矩阵中的元素反映出多糖提取率在两个变化参数的变化下的多糖提取率的变化幅度。
对于多糖提取率矩阵中每一行来说,行中的多糖提取率最大值处在一个变化参数固定值的情况下另一个参数的最佳多糖提取效果。因此为了找到在第p个变化参数确定其不同的数值时,第q个变化参数不断变化过程中对于多糖提取的最佳状态值,即获取矩阵中每行元素中的最大值,按照行号从小到大进行排序得到行最佳序列:,/>,…,/>,…,/>,其中/>表示第i行的最大多糖提取率,将行最佳序列中的最大值记为行最大多糖提取率/>,/>所对应的行位置为/>。
同理,按照上述描述,可以获取得到多糖提取率矩阵中的列最佳序列:,/>,…,/>,…,/>。其中/>表示第j列的最大多糖提取率,将列最佳序列中的最大值记为列最大多糖提取率/>,/>所对应的列位置为/>。
每行每列的最大值,表明了在当前一个变化参数固定另一个变化参数的多糖提取率的最大值。本实施例设置进行多糖提取实验的变化参数的变化范围均包含常规情况下的最佳提取参数数值,在正常范围内多糖提取率是一条先增后减的曲线,即最佳提取率存在于变化参数的正常变化范围内。
为了表征在第p个变化参数与第q个变化参数的变化下多糖提取率的变化幅度,因此本实施例采用行最佳序列、列最佳序列与行、列的最初和最终值计算多糖提取率在该制备实验组的变化幅度,从而有利于对多糖提取工艺参数得到更符合变化参数对多糖提取的实际影响的优化效果,由此构建多糖提取率矩阵的横纵幅度值。
式中,表示多糖提取率矩阵的横幅度值;/>表示行最大多糖提取率;/>表示行最佳序列中第一个元素值;/>表示/>的横坐标;/>表示多糖提取率矩阵的行数;/>表示行最佳序列中最后一个元素值;/>表示多糖提取率矩阵的列幅度值;表示列最大多糖提取率;/>表示列最佳序列中第一个元素值;/>表示/>的横坐标;/>表示多糖提取率矩阵的列数;/>表示列最佳序列中最后一个元素值;/>表示多糖提取率矩阵的横纵幅度值,且/>,其中,/>为第一差值,为第二差值,/>为第三差值,/>为第四差值,为第一比值,/>为第二比值。
以横幅度值为例,当多糖的提取率在一个变化参数p固定、另一个变化参数q不断变化的过程中多糖提取率的变化幅度越快,即与/>的变化速度越快,得到的多糖提取率构成的多糖提取率矩阵/>的横幅度值越大,即在p和q两个多糖提取参数下,多糖提取率增长的越快,说明这两个参数对多糖提取率的影响也就越大;横幅度值、列幅度值越大,使得多糖提取率矩阵/>的横纵幅度值/>的值越大,反映出多糖提取率的变化幅度越大。
当横幅度值与列幅度值都较大时,则多糖提取率矩阵的横纵幅度值也越大,说明多糖提取率矩阵的整体变化幅度越大,即这两个变化参数对多糖提取的效果影响较为明显。
在变化参数p和q的影响下多糖提取率矩阵可以构成一个三维立体模型,如图2所示。
在三维立体模型中,横坐标为变化参数p,纵坐标为变化参数q,竖直方向为多糖提取率,R点为多糖提取率矩阵的最大值点,最大值点与边界点通过圆弧连接。这些圆弧反映了多糖提取率随着变化参数p和q的变化情况,且在一定距离内圆弧的弯曲度越大,代表在该变化参数的变化下多糖的提取率变化越大。
为了识别这种变化程度,即获取多糖提取率矩阵对于变化参数p和q整体的变化情况,本实施例采用最小二乘法将这些圆弧进行拟合得到拟合圆,然后计算各圆弧在拟合圆中所占的角度。
对于第k个边界点,将最值点与第k个边界点之间圆弧在其拟合圆中占据的角度记为。通常情况下,角度/>越大,代表从该边界点到最大值之间的圆弧变化越迅速,即说明多糖提取率在该圆弧变化曲线上随着变化参数数值的变化对于多糖的提取效果影响较大。其中,最小二乘法为公知技术,本实施例不再赘述。
基于多糖提取率矩阵的三维立体模型中所有的边界点,根据所有边界点与最大值点之间的圆弧弯曲变化程度构建多糖提取率矩阵的摆动振幅量:
式中,表示多糖提取率矩阵的摆动振幅量;/>表示多糖提取率矩阵的横纵幅度值;/>表示多糖提取率矩阵中元素的最大值;/>表示多糖提取率矩阵中元素最小值;/>表示边界点的数量;/>为正弦函数;/>表示多糖提取率矩阵的三维立体模型中第k个边界点与最大值点之间的圆弧占据其对应的拟合圆的角度,其中,/>为第五差值,/>为第六差值。
多糖提取率矩阵的最值点与各边界点构成的圆弧占据其对应的拟合圆的角度/>越大,/>的值越小,因此多糖提取率矩阵/>的均衡变化率的被除因子的值越小,则该边界点对求得多糖提取率矩阵/>的摆动振幅量的贡献率也越大,同时多糖提取率矩阵/>的横纵幅度值/>的值越大,多糖提取率矩阵/>中的元素的极差值越大,则说明多糖提取率矩阵/>中元素的值随着两个变化参数的变化而变化地越剧烈,即多糖提取率矩阵/>的摆动振幅量越大。
将所有的制备实验组获取得到的多糖提取率矩阵的摆动振幅量进行归一化。
由于在两两不同的变化参数变化下对应多糖提取率矩阵的摆动振幅量之间可能存在差距较小或较大的情况,差距较小即说明相似摆动振幅量的变化参数之间为属于对多糖提取的同一类影响效果的参数。
为了区分对多糖提取率具有不同影响效果的参数,将所有的摆动振幅量从小到大进行排序,本实施例设置间隔差异阈值T,取经验值0.05,按照相邻的摆动振幅量之间相差小于间隔差异阈值T的条件将所有的摆动振幅量进行分类,将分类后的类别数量记为K,第k类别中摆动振幅量的数量记为。
对每一类别进行分析,每一个摆动振幅量是由两个变化参数构成的,且每一类别的摆动振幅量之间可能存在重叠的参数,因此将第k类别的摆动振幅量的参数构成数量用表示。参数构成数量反映了在该摆动振幅量下的参数对多糖提取率的影响能力。由此可以根据各类别的摆动振幅量之间的差距情况得到参数权重:
式中,表示第k类别的参数权重因子;/>表示第k类别的参数构成数量;/>表示第k类别摆动振幅量的数量;/>表示以自然常数e为底数的指数函数;/>表示多糖提取率的参数权重;K表示摆动振幅量分类后的类别数量;/>表示第k类别中第p个变化参数与第q个变化参数的摆动振幅量。
在对摆动振幅量分类结果进行分析时,如果某个类别中所涉及的摆动振幅量的数量越大,该类别的多糖提取的参数构成数量较少,即有越多相同种类的参数对多糖提取影响相似,且在该类别下的摆动振幅量之间较为相似的匹配参数之间的重叠度较高,则可以认为该类别对于多糖提取率的参数权重影响较大;因此,当第k类别中的参数构成数量越小、/>越大时,可以推断该类别对应的参数权重因子/>越大;当类别中的摆动振幅量的均值/>越大,对应的参数权重因子越大,说明该类别中参数之间对于多糖提取率的影响越大,则计算得到多糖提取率的参数权重越大。
由于使用粒子群算法(PSO)时,粒子的速度权重影响粒子群算法的效率,在粒子群算法运行的开始,粒子的速度惯性应该是较大的,以便能够接触到所有的解,防止陷入局部最优解;在算法运行的最后,粒子的速度惯性应该是较小的,以便粒子收敛到全局最优解。
由此,对各迭代次数下粒子的惯性系数进行修正得到自适应惯性系数,针对第t次迭代粒子的自适应惯性系数如下所示:
式中,表示第t次迭代粒子的自适应惯性系数;/>表示多糖提取率的参数权重;表示粒子群算法预设最大迭代次数,本实施例设置最大迭代次数的经验值为50;/>表示粒子群算法的第/>次迭代。
由于粒子群算法为了收敛全局最优解,在多糖提取率的参数权重不变的情况下,粒子群算法中粒子的惯性与粒子群算法的迭代次数为反比例函数。因此粒子群算法的迭代次数越大,第t次迭代粒子的自适应惯性系数/>越小。
在原始的粒子群算法(PSO)中,粒子速度的惯性参数是不变的,在此使用不同迭代次数下粒子的自适应惯性系数替换原始的粒子群算法中粒子速度的惯性参数,可以有效地在初始迭代过程中使得粒子的搜索范围较大,从而能够让粒子搜索更多的解,避免陷入局部最优解,且在迭代后期将粒子收敛的幅度设置较小,使得其容易靠近全局最优解。
步骤S003,根据各迭代次数的自适应惯性系数优化粒子群算法,从而实现对多糖提取工艺参数的优化。
将多糖提取过程中不同的多糖提取参数及多糖提取率作为输入,使用改进的粒子群算法,输出结果是多糖提取率最高的情况下各参数的实验值大小,其中,粒子群算法为公知技术,本实施例不再赘述。
通过上述步骤得到改进后的粒子算法的结果,即影响多糖提取率的各参数的最佳数值大小设置结果。在对多糖进行提取时,将多糖提取参数调整为上述计算的全局最优解的提取参数的最佳数值大小,完成对多糖提取工艺参数的优化。
基于与上述方法相同的发明构思,本发明实施例还提供了一种多糖提取工艺参数优化系统,包括存储器、处理器以及存储在存储器中并在处理器上运行的计算机程序,处理器执行计算机程序时实现上述一种多糖提取工艺参数优化方法中任意一项方法的步骤。
本发明实施例通过获取多糖提取率矩阵,反映了多糖在两个变化参数变动情况下多糖提取率的变化情况;利用多糖提取率矩阵构建横纵幅度值,横纵幅度值反映了多糖提取率矩阵元素的变化幅度;再利用多糖提取率矩阵与横纵幅度值计算得到多糖提取率矩阵元素的摆动振幅量,表现在两个变化参数变动情况下多糖提取率的变化率;从而有效表现出这两个变化参数之间的关系以及对多糖提取率的影响程度;
同时,本发明实施例利用多糖提取率矩阵中元素的摆动振幅量计算所有参数的参数权重,该值可以有效反映影响多糖提取的参数对于其影响的效果,从而对粒子群算法每次迭代过程中的粒子的惯性参数进行修正,使得粒子群在初期能够对影响多糖提取率的参数进行全局搜索,避免从初始阶段就陷入局部最优解,在后期能够进行局部搜索,将粒子的收敛幅度设置较小,使得结果更加准确。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;对前述各实施例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,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多糖提取工艺参数优化方法,其特征在于,该方法包括以下步骤:
获取多糖提取的各制备实验组;
对于各制备实验组,将制备实验组的两个变化参数在不断地变化、固定参数保持不变的情况下的实验结果确定为多糖提取率矩阵;获取多糖提取率矩阵的行最佳序列、列最佳序列;根据行最佳序列、列最佳序列中的元素分布得到横纵幅度值;
基于多糖提取率矩阵的数值分布构建三维立体模型;根据横纵幅度值以及三维立体模型的最值点与边界点之间的圆弧弯曲程度构建多糖提取率矩阵的摆动振幅量;根据各制备实验组多糖提取率矩阵的摆动振幅量的数值将所有制备实验组分成各类别;根据各类别的摆动振幅量及参数构成数量得到多糖提取率的参数权重;根据参数权重以及迭代次数得到各迭代次数粒子的自适应惯性系数;
根据各迭代次数粒子的自适应惯性系数优化粒子群算法,实现多糖提取工艺参数优化。
2.如权利要求1所述的一种多糖提取工艺参数优化方法,其特征在于,所述获取多糖提取的各制备实验组,包括:
对于影响多糖提取的所有参数中任意两个参数,将两个参数作为变化参数,将除这两个参数外剩余的参数作为固定参数,将两个变化参数和剩余的固定参数组成一个制备实验组。
3.如权利要求1所述的一种多糖提取工艺参数优化方法,其特征在于,所述获取多糖提取率矩阵的行最佳序列、列最佳序列,包括:
获取多糖提取率矩阵中各行的最大多糖提取率,将多糖提取率矩阵所有行的最大多糖提取率按照行号从小到大组成行最佳序列;
获取多糖提取率矩阵中各列的最大多糖提取率,将多糖提取率矩阵所有列的最大多糖提取率按照列号从小到大组成列最佳序列。
4.如权利要求3所述的一种多糖提取工艺参数优化方法,其特征在于,所述根据行最佳序列、列最佳序列中的元素分布得到横纵幅度值,包括:
将行最佳序列中的最大值确定为行最大多糖提取率;
计算行最大多糖提取率与行最佳序列第一个元素值的差值作为第一差值,计算行最大多糖提取率的横坐标与行最佳序列第一个元素值的横坐标的差值作为第二差值,将第一差值与第二差值的比值确定为第一比值;
计算行最大多糖提取率与行最佳序列最后一个元素值的差值作为第三差值,计算行最大多糖提取率的横坐标与行最佳序列最后一个元素值的横坐标的差值作为第四差值,将第三差值与第四差值的比值确定为第二比值;
将第一比值与第二比值的和值确定为横幅度值;获取列幅度值;将横幅度值与列幅度值的乘积的二次开根号值作为横纵幅度值。
5.如权利要求1所述的一种多糖提取工艺参数优化方法,其特征在于,所述根据横纵幅度值以及三维立体模型的最值点与边界点之间的圆弧弯曲程度构建多糖提取率矩阵的摆动振幅量,包括:
获取三维立体模型的最大值、最小值,将最大值与最小值的差值确定为第五差值;计算横纵幅度值与第五差值的乘积;
对于三维立体模型中各边界点,将1减去边界点与最值点之间的圆弧占据其对应的拟合圆的角度的正弦函数值的差值结果确定为第六差值,计算所有边界点的第六差值的均值;
将所述乘积与所述均值的比值确定为多糖提取率矩阵的摆动振幅量。
6.如权利要求5所述的一种多糖提取工艺参数优化方法,其特征在于,所述根据各制备实验组多糖提取率矩阵的摆动振幅量的数值将所有制备实验组分成各类别,包括:
将各制备实验组多糖提取率矩阵的摆动振幅量进行归一化;
将所有归一化后的摆动振幅量从小到大排序得到序列,将所述序列中各相邻的摆动振幅量之间的差值绝对值小于间隔差异阈值的摆动振幅量组成一类,从而得到所述序列的各类别。
7.如权利要求6所述的一种多糖提取工艺参数优化方法,其特征在于,所述根据各类别的摆动振幅量及参数构成数量得到多糖提取率的参数权重,包括:
对于各类别,根据类别的摆动振幅量数量及参数构成数量得到参数权重因子;
计算类别中所有摆动振幅量的均值,将所有类别的所述均值与参数权重因子的乘积的均值作为参数权重。
8.如权利要求7所述的一种多糖提取工艺参数优化方法,其特征在于,所述根据类别的摆动振幅量数量及参数构成数量得到参数权重因子,包括:
将类别的参数构成数量与两倍的摆动振幅量数量的比值的相反数作为以自然常数为底数的指数函数的指数,将指数函数的计算结果作为参数权重因子。
9.如权利要求1所述的一种多糖提取工艺参数优化方法,其特征在于,所述根据参数权重以及迭代次数得到各迭代次数粒子的自适应惯性系数,包括:
对于各迭代次数,计算迭代次数与最大迭代次数的比值,将1减去所述比值的差值结果与参数权重的乘积作为迭代次数粒子的自适应惯性系数;其中最大迭代次数为预设参数。
10.一种多糖提取工艺参数优化系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464748.2A CN117198418B (zh) | 2023-11-07 | 2023-11-07 | 一种多糖提取工艺参数优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464748.2A CN117198418B (zh) | 2023-11-07 | 2023-11-07 | 一种多糖提取工艺参数优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117198418A true CN117198418A (zh) | 2023-12-08 |
CN117198418B CN117198418B (zh) | 2024-02-13 |
Family
ID=88992808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311464748.2A Active CN117198418B (zh) | 2023-11-07 | 2023-11-07 | 一种多糖提取工艺参数优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117198418B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117616A (zh) * | 2015-08-04 | 2015-12-02 | 莆田学院 | 基于粒子群算法的微生物发酵优化方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108932216A (zh) * | 2018-06-22 | 2018-12-04 | 上海工程技术大学 | 一种基于粒子群优化算法的机器人逆运动学求解方法 |
CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
WO2021026944A1 (zh) * | 2019-08-09 | 2021-02-18 | 东北大学 | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 |
CN115910362A (zh) * | 2022-11-15 | 2023-04-04 | 温州大学 | 一种基于增强粒子群优化的特应性皮炎特征预测方法 |
CN115983130A (zh) * | 2023-01-04 | 2023-04-18 | 西南交通大学 | 一种基于改进粒子群优化算法的全局最优解搜索方法 |
-
2023
- 2023-11-07 CN CN202311464748.2A patent/CN117198418B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117616A (zh) * | 2015-08-04 | 2015-12-02 | 莆田学院 | 基于粒子群算法的微生物发酵优化方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108932216A (zh) * | 2018-06-22 | 2018-12-04 | 上海工程技术大学 | 一种基于粒子群优化算法的机器人逆运动学求解方法 |
CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
WO2021026944A1 (zh) * | 2019-08-09 | 2021-02-18 | 东北大学 | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 |
CN115910362A (zh) * | 2022-11-15 | 2023-04-04 | 温州大学 | 一种基于增强粒子群优化的特应性皮炎特征预测方法 |
CN115983130A (zh) * | 2023-01-04 | 2023-04-18 | 西南交通大学 | 一种基于改进粒子群优化算法的全局最优解搜索方法 |
Non-Patent Citations (6)
Title |
---|
AHMAD NICKABADI 等: "a novel particle swarm optimization algorithm with adaptive inertia weight", APPLIDE SOFT COMPUTING, pages 3658 - 3670 * |
吴洲;潘丰;田鹏;: "基于PSO和LSSVM的生化过程建模研究", 自动化与仪表, no. 02, pages 5 - 8 * |
张则鸣;张拥军;金晖;李佳;朱丽云;姚惠源;: "响应面法优化南瓜多糖的提取工艺及其降糖作用研究", 中国食品添加剂, no. 01, pages 45 - 49 * |
蒋德旗;黄利敏;王艳;李明星;邓恒泉;苏龙;: "响应面优化纤维素酶法提取桂花多糖工艺及其抗氧活性研究", 食品工业科技, no. 02, pages 273 - 277 * |
赵志刚;林玉娇;尹兆远;: "基于自适应惯性权重的均值粒子群优化算法", 计算机工程与科学, no. 03, pages 501 - 506 * |
邵玉倩 等: "改进鸟群算法及其在发酵仿真建模中的研究", 计算机仿真, pages 220 - 227 * |
Also Published As
Publication number | Publication date |
---|---|
CN117198418B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111508568B (zh) | 分子生成方法、装置及计算机可读存储介质和终端设备 | |
Nan et al. | Application of improved som network in gene data cluster analysis | |
CN110515364B (zh) | 一种基于变分模态分解和ls-svm的刀具磨损状态检测方法 | |
CN109002917A (zh) | 基于lstm神经网络的粮食总产量多维时间序列预测方法 | |
CN111241657A (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
CN111128298A (zh) | 一种基于深度学习模型获取多基因风险评分的方法及系统 | |
Hasan et al. | Identification of grape leaf diseases using convolutional neural network | |
CN103637800B (zh) | 基于八段阻抗模型的人体成分分析的方法 | |
CN111297327B (zh) | 一种睡眠分析方法、系统、电子设备及存储介质 | |
CN117198418B (zh) | 一种多糖提取工艺参数优化方法及系统 | |
Suo et al. | Casm-amfmnet: A network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases | |
Gerdan et al. | Diagnosis of tomato plant diseases using pre-trained architectures and a proposed convolutional neural network model | |
Hernandez et al. | Classification of sugarcane leaf disease using deep learning algorithms | |
CN109255200B (zh) | 一种养殖水体氨氮的软测量方法及装置 | |
CN113407820A (zh) | 模型训练方法及相关系统、存储介质 | |
CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
Dong et al. | Abalone muscle texture evaluation and prediction based on TPA experiment | |
CN105259790A (zh) | 一种氧化铝生产蒸发过程多参数数据的时间配准方法 | |
Hitchcock et al. | Clustering functional data | |
Cho et al. | Fruit ripeness prediction based on dnn feature induction from sparse dataset | |
Mohona et al. | Efficient computation of leaf disease classification techniques using deep learning | |
Vadivel et al. | Deep Learning Models for Potato Leaf Disease Identification: A Comparative Analysis | |
Yu et al. | Predicting phenotypes from high-dimensional genomes using gradient boosting decision trees | |
CN110534160B (zh) | 一种卷积神经网络预测蛋白质溶解性的方法 | |
CN113420812A (zh) | 基于进化卷积神经网络的极化sar图像分类方法 |
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 |