CN117942361A - 一种医用消毒剂及其制备方法 - Google Patents

一种医用消毒剂及其制备方法 Download PDF

Info

Publication number
CN117942361A
CN117942361A CN202410310041.4A CN202410310041A CN117942361A CN 117942361 A CN117942361 A CN 117942361A CN 202410310041 A CN202410310041 A CN 202410310041A CN 117942361 A CN117942361 A CN 117942361A
Authority
CN
China
Prior art keywords
temperature
time sequence
stirring speed
feature
time
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
CN202410310041.4A
Other languages
English (en)
Inventor
吕良
刘胜
贾万康
张自睿
李波
于洋
祝贺
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.)
Shandong Senjie Cleaning Technology Co ltd
Original Assignee
Shandong Senjie Cleaning Technology Co ltd
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 Shandong Senjie Cleaning Technology Co ltd filed Critical Shandong Senjie Cleaning Technology Co ltd
Priority to CN202410310041.4A priority Critical patent/CN117942361A/zh
Publication of CN117942361A publication Critical patent/CN117942361A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/22—Control or regulation
    • B01F35/221—Control or regulation of operational parameters, e.g. level of material in the mixer, temperature or pressure
    • B01F35/2215—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/045—Hydroxy compounds, e.g. alcohols; Salts thereof, e.g. alcoholates
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/327—Peroxy compounds, e.g. hydroperoxides, peroxides, peroxyacids
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/66—Phosphorus compounds
    • A61K31/662—Phosphorus acids or esters thereof having P—C bonds, e.g. foscarnet, trichlorfon
    • A61K31/663—Compounds having two or more phosphorus acid groups or esters thereof, e.g. clodronic acid, pamidronic acid
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K33/00—Medicinal preparations containing inorganic active ingredients
    • A61K33/22—Boron compounds
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K36/00—Medicinal preparations of undetermined constitution containing material from algae, lichens, fungi or plants, or derivatives thereof, e.g. traditional herbal medicines
    • A61K36/18—Magnoliophyta (angiosperms)
    • A61K36/185—Magnoliopsida (dicotyledons)
    • A61K36/61—Myrtaceae (Myrtle family), e.g. teatree or eucalyptus
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K47/00—Medicinal preparations characterised by the non-active ingredients used, e.g. carriers or inert additives; Targeting or modifying agents chemically bound to the active ingredient
    • A61K47/06—Organic compounds, e.g. natural or synthetic hydrocarbons, polyolefins, mineral oil, petrolatum or ozokerite
    • A61K47/08—Organic compounds, e.g. natural or synthetic hydrocarbons, polyolefins, mineral oil, petrolatum or ozokerite containing oxygen, e.g. ethers, acetals, ketones, quinones, aldehydes, peroxides
    • A61K47/14—Esters of carboxylic acids, e.g. fatty acid monoglycerides, medium-chain triglycerides, parabens or PEG fatty acid esters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K47/00—Medicinal preparations characterised by the non-active ingredients used, e.g. carriers or inert additives; Targeting or modifying agents chemically bound to the active ingredient
    • A61K47/06—Organic compounds, e.g. natural or synthetic hydrocarbons, polyolefins, mineral oil, petrolatum or ozokerite
    • A61K47/16—Organic compounds, e.g. natural or synthetic hydrocarbons, polyolefins, mineral oil, petrolatum or ozokerite containing nitrogen, e.g. nitro-, nitroso-, azo-compounds, nitriles, cyanates
    • A61K47/18—Amines; Amides; Ureas; Quaternary ammonium compounds; Amino acids; Oligopeptides having up to five amino acids
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K47/00—Medicinal preparations characterised by the non-active ingredients used, e.g. carriers or inert additives; Targeting or modifying agents chemically bound to the active ingredient
    • A61K47/06—Organic compounds, e.g. natural or synthetic hydrocarbons, polyolefins, mineral oil, petrolatum or ozokerite
    • A61K47/26—Carbohydrates, e.g. sugar alcohols, amino sugars, nucleic acids, mono-, di- or oligo-saccharides; Derivatives thereof, e.g. polysorbates, sorbitan fatty acid esters or glycyrrhizin
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P31/00—Antiinfectives, i.e. antibiotics, antiseptics, chemotherapeutics
    • A61P31/04—Antibacterial agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P31/00—Antiinfectives, i.e. antibiotics, antiseptics, chemotherapeutics
    • A61P31/10—Antimycotics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P31/00—Antiinfectives, i.e. antibiotics, antiseptics, chemotherapeutics
    • A61P31/12—Antivirals
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/21—Measuring
    • B01F35/211—Measuring of the operational parameters
    • B01F35/2115—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/21—Measuring
    • B01F35/212—Measuring of the driving system data, e.g. torque, speed or power data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/22—Control or regulation
    • B01F35/2201—Control or regulation characterised by the type of control technique used
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/22—Control or regulation
    • B01F35/221—Control or regulation of operational parameters, e.g. level of material in the mixer, temperature or pressure
    • B01F35/2214—Speed during the operation
    • B01F35/22142—Speed of the mixing device during the operation
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change

Landscapes

  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Medicinal Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Natural Medicines & Medicinal Plants (AREA)
  • Organic Chemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Oncology (AREA)
  • Communicable Diseases (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Molecular Biology (AREA)
  • Biochemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Inorganic Chemistry (AREA)
  • Virology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Biotechnology (AREA)
  • Botany (AREA)
  • Medical Informatics (AREA)
  • Microbiology (AREA)
  • Mycology (AREA)
  • Apparatus For Disinfection Or Sterilisation (AREA)

Abstract

本申请公开了一种医用消毒剂及其制备方法，涉及智能制备领域，其通过实时监测采集升温搅拌过程中的温度值和搅拌速度值，并在后端引入数据处理和分析算法来进行该温度值和搅拌速度值的时序协同分析，以此来进行温度与搅拌速度之间的协同控制。这样，能够实现对搅拌过程的智能调节，提高医用消毒剂的制备效率和质量。

Description

一种医用消毒剂及其制备方法
技术领域
本申请涉及智能制备领域，且更为具体地，涉及一种医用消毒剂及其制备方法。
背景技术
医用消毒剂是一种用于杀灭或抑制病原微生物的化学物质，广泛应用于医疗卫生、公共卫生和家庭卫生等领域。医用消毒剂的制备方法通常包括将一种或多种活性成分与一种或多种辅助成分混合，然后进行加热、冷却、稀释等工艺处理。其中，加热和冷却过程中的温度和搅拌速度是影响医用消毒剂的物理性质、化学性质和杀菌效果的重要因素。温度和搅拌速度过高或过低都会导致医用消毒剂的不稳定性、不均匀性和不充分性，从而降低其质量和效果。
然而，现有的医用消毒剂制备方法通常采用固定的温度和搅拌速度参数，或者根据经验或人工判断进行调节，这些方法缺乏精确的控制和优化手段，即缺乏科学性和智能性，不能有效地适应不同的原料组成、工艺条件和环境因素的变化，也不能及时地反馈温度和搅拌速度之间的相互影响和协同作用，导致医用消毒剂的制备质量达不到应有要求。
因此，期望一种优化的医用消毒剂的制备方案。
发明内容
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医用消毒剂及其制备方法，其通过实时监测采集升温搅拌过程中的温度值和搅拌速度值，并在后端引入数据处理和分析算法来进行该温度值和搅拌速度值的时序协同分析，以此来进行温度与搅拌速度之间的协同控制。这样，能够实现对搅拌过程的智能调节，提高医用消毒剂的制备效率和质量。
根据本申请的一个方面，提供了一种医用消毒剂的制备方法，其包括：
将乙二醇二硬脂酸酯、十二烷基二乙醇酰胺、D-氨基葡萄糖酸、十二烷基葡糖苷、茶树油和巴巴苏油酰胺丙基胺氧化物混合搅拌均匀以得到混合液；
将过氧乙酸、羟基乙叉二膦酸、硼酸和乙醇加入所述混合液中进行升温搅拌均匀后进行冷却处理以得到医用消毒剂。
与现有技术相比，本申请提供的一种医用消毒剂及其制备方法，其通过实时监测采集升温搅拌过程中的温度值和搅拌速度值，并在后端引入数据处理和分析算法来进行该温度值和搅拌速度值的时序协同分析，以此来进行温度与搅拌速度之间的协同控制。这样，能够实现对搅拌过程的智能调节，提高医用消毒剂的制备效率和质量。
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医用消毒剂的制备方法的流程图；
图2为根据本申请实施例的医用消毒剂的制备方法的系统架构图；
图3为根据本申请实施例的医用消毒剂的制备方法的子步骤S2的流程图；
图4为根据本申请实施例的医用消毒剂的制备方法的子步骤S23的流程图；
图5为根据本申请实施例的医用消毒剂的制备方法的子步骤S26的流程图。
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。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
现有的医用消毒剂制备方法通常采用固定的温度和搅拌速度参数，或者根据经验或人工判断进行调节，这些方法缺乏精确的控制和优化手段，即缺乏科学性和智能性，不能有效地适应不同的原料组成、工艺条件和环境因素的变化，也不能及时地反馈温度和搅拌速度之间的相互影响和协同作用，导致医用消毒剂的制备质量达不到应有要求。因此，期望一种优化的医用消毒剂的制备方案。
在本申请的技术方案中，提出了一种医用消毒剂的制备方法。图1为根据本申请实施例的医用消毒剂的制备方法的流程图。图2为根据本申请实施例的医用消毒剂的制备方法的系统架构图。如图1和图2所示，根据本申请的实施例的医用消毒剂的制备方法，包括步骤：S1，将乙二醇二硬脂酸酯、十二烷基二乙醇酰胺、D-氨基葡萄糖酸、十二烷基葡糖苷、茶树油和巴巴苏油酰胺丙基胺氧化物混合搅拌均匀以得到混合液；S2，将过氧乙酸、羟基乙叉二膦酸、硼酸和乙醇加入所述混合液中进行升温搅拌均匀后进行冷却处理以得到医用消毒剂。
特别地，所述S1，将乙二醇二硬脂酸酯、十二烷基二乙醇酰胺、D-氨基葡萄糖酸、十二烷基葡糖苷、茶树油和巴巴苏油酰胺丙基胺氧化物混合搅拌均匀以得到混合液。值得一提的是，十二烷基二乙醇酰胺和D-氨基葡萄糖酸是乳化剂，可以帮助混合各种成分并提高医用消毒剂的稳定性。乙二醇二硬脂酸酯和巴巴苏油酰胺丙基胺氧化物是一种保湿和滋润剂，可以在使用医用消毒剂时保持皮肤的湿润和滋润。十二烷基葡糖苷是一种表面活性剂，具有良好的清洁和去污性能。它可以帮助去除污垢和油脂，并提供良好的清洁效果。茶树油是一种天然的抗菌和消毒剂，可以杀灭细菌、真菌和病毒。通过将茶树油与其他成分混合搅拌均匀，可以增强医用消毒剂的杀菌和消毒效果。
特别地，所述S2，将过氧乙酸、羟基乙叉二膦酸、硼酸和乙醇加入所述混合液中进行升温搅拌均匀后进行冷却处理以得到医用消毒剂。值得一提的是，过氧乙酸、羟基乙叉二膦酸、硼酸和乙醇等化学品具有杀菌和消毒的作用。它们可以破坏微生物的细胞结构和代谢过程，从而达到杀灭细菌、病毒和其他病原体的目的；以及，通过添加过氧乙酸、羟基乙叉二膦酸、硼酸和乙醇等成分，可以在医用消毒剂中引入抑菌剂，从而增强其抑菌效果。升温可以提高化学品的溶解性，使其更好地溶解在混合液中。升温搅拌均匀和冷却处理可以确保混合液中的成分均匀分布，并防止可能的沉淀和分层。这有助于确保医用消毒剂的质量和稳定性。特别地，在本申请的一个具体示例中，如图3所示，所述S2，包括：S21，获取预定时间段内多个预定时间点的温度值和搅拌速度值；S22，将所述多个预定时间点的温度值和搅拌速度值分别按照时间维度进行排列以得到温度时序输入向量和搅拌速度时序输入向量；S23，对所述温度时序输入向量进行图像域转换后进行特征分析以得到温度时序关联特征图；S24，通过基于深度神经网络模型的搅拌速度时序特征提取器对所述搅拌速度时序输入向量进行特征提取以得到搅拌速度时序特征向量；S25，对所述温度时序关联特征图和所述搅拌速度时序特征向量进行逐通道响应关联编码以得到搅拌速度-温度响应性时序关联特征；S26，基于所述搅拌速度-温度响应性时序关联特征，确定当前时间点的搅拌速度值应增大、应减小或应保持不变。
具体地，所述S21，获取预定时间段内多个预定时间点的温度值和搅拌速度值。考虑到在将过氧乙酸、羟基乙叉二膦酸、硼酸和乙醇加入所述混合液中进行升温搅拌均匀后进行冷却处理的过程中，温度与搅拌速度之间的协同控制在升温搅拌的过程中起着至关重要的作用，这是由于温度和搅拌速度都对反应速率有着直接影响。通过合理调节温度和搅拌速度，可以提高反应速率、保证反应均匀性，并确保反应过程的安全性，这样可以获得高质量的医用消毒剂产品。因此，在本申请的技术方案中，可通过温度传感器来获取预定时间段内多个预定时间点的温度值；以及，通过速度传感器来获取所述预定时间段内多个预定时间点的搅拌速度值。
温度传感器是一种用于测量和检测环境或物体温度的设备。它可以将温度转换为电信号或数字信号，以便进行监测、控制或记录。
速度传感器是一种用于测量物体速度或运动状态的设备。它可以将速度转换为电信号或数字信号，以便进行监测、控制或记录。
具体地，所述S22，将所述多个预定时间点的温度值和搅拌速度值分别按照时间维度进行排列以得到温度时序输入向量和搅拌速度时序输入向量。考虑到所述温度值和所述搅拌速度值在时间维度上都具有着时序的动态变化规律，也就是说，所述多个预定时间点的温度值和搅拌速度值分别在时间维度上具有着时序的关联关系。因此，为了能够捕捉并利用所述温度值和所述搅拌速度值之间的时序协同特征来进行搅拌过程的智能控制，在本申请的技术方案中，需要将所述多个预定时间点的温度值和搅拌速度值分别按照时间维度进行排列以得到温度时序输入向量和搅拌速度时序输入向量，以此来分别整合所述温度值和所述搅拌速度值在时序上的分布信息。
具体地，所述S23，对所述温度时序输入向量进行图像域转换后进行特征分析以得到温度时序关联特征图。特别地，在本申请的一个具体示例中，如图4所示，所述S23，包括：S231，将所述温度时序输入向量通过向量-图像转换器以得到温度时序输入图像；S232，将所述温度时序输入图像通过基于卷积神经网络模型的温度时序特征提取器以得到所述温度时序关联特征图。
更具体地，所述S231，将所述温度时序输入向量通过向量-图像转换器以得到温度时序输入图像。考虑到相比于简单的时序向量表示来说，时序图像数据可以提供更多的信息，包括温度数据的时序关系、波动情况和趋势变化等。因此，在本申请的技术方案中，进一步将所述温度时序输入向量通过向量-图像转换器以得到温度时序输入图像，这样的转换可以更好地捕捉和分析到温度变化的趋势、周期性或突变等特征。也就是说，通过将温度时序输入向量转化为图像的形式，能够便于提取出温度时序输入图像中关于温度的时序关键特征，这些特征可以包括温度的变化趋势、周期性变化、局部异常等信息，有助于更准确地分析搅拌过程中的温度变化。
更具体地，所述S232，将所述温度时序输入图像通过基于卷积神经网络模型的温度时序特征提取器以得到所述温度时序关联特征图。也就是，将所述温度时序输入图像通过基于卷积神经网络模型的温度时序特征提取器中进行特征挖掘，以提取出搅拌过程中的温度在时间维度上的时序特征分布信息，从而得到温度时序关联特征图。在本申请的具体示例中，将所述温度时序输入图像通过基于卷积神经网络模型的温度时序特征提取器以得到所述温度时序关联特征图，包括：使用所述基于卷积神经网络模型的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的温度时序特征提取器的最后一层的输出为所述温度时序关联特征图，所述基于卷积神经网络模型的温度时序特征提取器的第一层的输入为所述温度时序输入图像。
值得注意的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，特别适用于处理具有网格结构数据（如图像、音频）的任务。CNN 在计算机视觉领域取得了巨大的成功，广泛应用于图像分类、目标检测、图像生成等任务。CNN 的核心思想是通过卷积层、池化层和全连接层来提取和学习数据的特征表示。下面是 CNN 的主要组成部分和工作原理： 卷积层：卷积层是 CNN 的核心组件。它包含一组可学习的卷积核（也称为滤波器），每个卷积核在输入数据上进行卷积操作，提取局部特征。卷积操作是通过将卷积核与输入数据的一部分进行逐元素相乘，并将结果求和得到输出特征图的一个元素。卷积层可以自动学习不同尺寸的特征，从局部到全局逐渐提取抽象的特征表示；激活函数：在卷积层的输出上应用非线性激活函数，如ReLU，以引入非线性特征。激活函数对卷积层的输出进行逐元素的非线性变换，增强模型的表达能力；池化层：池化层用于减少特征图的尺寸，并保留最重要的特征。常见的池化操作有最大池化和平均池化，它们分别在局部区域内取最大值或平均值作为池化后的输出。池化层可以减少特征的空间维度，提高模型的计算效率，并具有一定的平移不变性；全连接层：全连接层将池化层输出的特征图展平为一维向量，并连接到一个或多个全连接层。全连接层的神经元与前一层的所有神经元相连接，通过学习权重和偏置来进行特征的组合和分类;Dropout 层：Dropout 是一种正则化技术，用于减少模型的过拟合。在训练过程中，Dropout 层会以一定的概率随机丢弃部分神经元的输出，从而强制模型学习更鲁棒的特征表示。通过多个卷积层、池化层和全连接层的堆叠，CNN可以逐层提取和组合特征，从而实现对复杂数据的高级表示和分类。在训练过程中，CNN 通过反向传播算法来优化网络参数，使得模型能够更好地拟合训练数据。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述温度时序输入向量进行图像域转换后进行特征分析以得到温度时序关联特征图，例如：输入所述温度时序输入向量；通过小波变换、傅里叶变换等方式将所述温度时序输入向量转换为图像域；在图像域中，通过使用各种特征提取方法来提取温度时序的关联特征，例如：空间滤波器：应用一维或二维滤波器来平滑或增强温度时序的特征。常见的滤波器包括均值滤波器、高斯滤波器等；根据特征提取步骤得到的特征，生成所述温度时序关联特征图。
具体地，所述S24，通过基于深度神经网络模型的搅拌速度时序特征提取器对所述搅拌速度时序输入向量进行特征提取以得到搅拌速度时序特征向量。特别地，其中，所述深度神经网络模型为一维卷积神经网络模型。应可以理解，为了能够提取出搅拌速度在时间维度上的时序特征和关联，以便于进行搅拌过程中的搅拌速度和温度的时序协同分析和控制，在本申请的技术方案中，将所述搅拌速度时序输入向量通过基于一维卷积神经网络模型的搅拌速度时序特征提取器中进行特征挖掘，以提取出所述搅拌速度值在时间维度上的时序特征信息，从而得到所述搅拌速度时序特征向量。更具体地，将所述搅拌速度时序输入向量通过基于一维卷积神经网络模型的搅拌速度时序特征提取器中进行特征挖掘以得到所述搅拌速度时序特征向量，包括：使用所述基于一维卷积神经网络模型的搅拌速度时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的搅拌速度时序特征提取器的最后一层的输出为所述搅拌速度时序特征向量，所述基于一维卷积神经网络模型的搅拌速度时序特征提取器的第一层的输入为所述搅拌速度时序输入向量。
值得注意的是，一维卷积神经网络（1D CNN）是卷积神经网络（CNN）的一种变体，专门用于处理具有时序关联性的数据。1D CNN 的工作原理与传统的卷积神经网络类似，但在卷积操作时只在一个维度上进行滑动。
具体地，所述S25，对所述温度时序关联特征图和所述搅拌速度时序特征向量进行逐通道响应关联编码以得到搅拌速度-温度响应性时序关联特征。在医用消毒剂的制备过程中，温度和搅拌速度是两个重要的控制参数，它们之间存在着复杂的关联关系。因此，为了将温度和搅拌速度之间的关联信息进行整合和建模，在本申请的技术方案中，进一步将所述温度时序关联特征图和所述搅拌速度时序特征向量通过基于元网络的逐通道响应关联模块以得到搅拌速度-温度响应性时序关联特征图。通过将温度时序关联特征图和搅拌速度时序特征向量进行逐通道响应关联分析，可以捕捉到它们之间的时序关联特征，进一步理解它们的相互作用，为后续的搅拌参数控制提供依据。特别地，在本申请的一个具体示例中，所述基于元网络的逐通道响应关联模块为MetaNet模块，其能够对不同通道的特征进行逐通道的响应关联，例如，利用所述搅拌速度时序特征向量和所述温度时序关联特征图的逐通道响应性关联分析，能够提供更全面和综合的信息，这样得到的所述搅拌速度-温度响应性时序关联特征图反映了搅拌速度和温度之间的复杂时序关联关系。这有助于进一步分析和预测搅拌速度在不同温度条件下的变化趋势，从而实现对医用消毒剂制备过程中搅拌速度和温度的协同控制。更具体地，将所述温度时序关联特征图和所述搅拌速度时序特征向量通过基于元网络的逐通道响应关联模块以得到搅拌速度-温度响应性时序关联特征图作为所述搅拌速度-温度响应性时序关联特征，包括：将所述温度时序关联特征图通过所述基于元网络的逐通道响应关联模块的卷积神经网络模型中进行处理以得到温度时序关联增强语义特征图将所述搅拌速度时序特征向量通过所述基于元网络的逐通道响应关联模块的第一卷积层后再通过ReLU函数进行线性修正处理以得到线性修正后搅拌速度时序特征向量；将所述线性修正后搅拌速度时序特征向量通过所述基于元网络的逐通道响应关联模块的第二卷积层后再通过Sigmoid 函数进行处理以得到归一化后搅拌速度时序特征向量；以所述归一化后搅拌速度时序特征向量对所述温度时序关联增强语义特征图进行沿通道维度的加权融合以得到所述搅拌速度-温度响应性时序关联特征图。
具体地，所述S26，基于所述搅拌速度-温度响应性时序关联特征，确定当前时间点的搅拌速度值应增大、应减小或应保持不变。特别地，在本申请的一个具体示例中，如图5所示，所述S26，包括：S261，对所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵进行优化以得到优化搅拌速度-温度响应性时序关联特征图；S262，将所述优化搅拌速度-温度响应性时序关联特征图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搅拌速度值应增大、应减小或应保持不变。
更具体地，所述S261，对所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵进行优化以得到优化搅拌速度-温度响应性时序关联特征图。特别地，在本申请的技术方案中，所述温度时序关联特征图的每个特征矩阵表达所述温度值在通过向量-图像转换从全局时域划分的局部时域下的局部时域内-局部时域间时序关联特征，而其各个特征矩阵之间遵循所述卷积神经网络模型的通道分布，这样，当将所述温度时序关联特征图和所述搅拌速度时序特征向量通过基于元网络的逐通道响应关联模块时，会进一步基于所述搅拌速度时序特征向量表达的所述搅拌速度值的局部时序关联特征来对所述温度时序关联特征图的通道维度进行约束。但是，考虑到所述温度值和所述搅拌速度值在全局时域下的时序分布差异和局部时域表达尺度差异，需要提升所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵之间的特征分布整体性，从而提升所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵的基于特征值整体数值分布的分类回归效果，改进其通过分类器得到的分类结果的准确性。
由此，本申请的申请人在所述搅拌速度-温度响应性时序关联特征图通过分类器进行分类回归时，对所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵进行优化。特别地，在本申请的一个具体示例中，首先，计算所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵的优化系数；再以所述优化系数对所述搅拌速度-温度响应性时序关联特征图的相应的特征矩阵进行加权优化以得到所述优化搅拌速度-温度响应性时序关联特征图。
在本申请的一个具体示例中，计算所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵的优化系数，包括：以如下优化系数计算公式计算所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵的优化系数；其中，所述优化系数计算公式为：
；
其中是所述搅拌速度-温度响应性时序关联特征图的每个特征矩阵的第/>位置的特征值，/>表示特征值的概率化函数，即将特征值/>映射到区间/>的概率化函数，/>是所述搅拌速度-温度响应性时序关联特征图的每个特征矩阵的尺度，即宽度乘以高度，/>是所述搅拌速度-温度响应性时序关联特征图通过分类器得到的类概率值，且/>是权重超参数，/>是所述优化系数。
也就是，对于所述搅拌速度-温度响应性时序关联特征图的每个特征矩阵对应的特征场景，通过概率分布前景约束和相对的概率映射响应假设来承接场景饱和的类概率推理逻辑关联，从而向所述搅拌速度-温度响应性时序关联特征图的每个特征矩阵的特征集合赋予场景概念本体论认知，也就是，将整体分布与在分类过程下的基于场景的类概率逻辑推理进行内在对齐，以提升所述搅拌速度-温度响应性时序关联特征图的特征矩阵场景分布对于类认知的理解能力。这样，再以所述优化系数对所述搅拌速度-温度响应性时序关联特征图的相应的特征矩阵进行加权优化，就可以改进优化后的搅拌速度-温度响应性时序关联特征图通过分类器得到的分类结果的准确性。这样，能够在医用消毒剂的制备过程中进行温度与搅拌速度之间的协同控制，从而实现对搅拌过程的智能调节，以提高医用消毒剂的制备效率和质量。
更具体地，所述S262，将所述优化搅拌速度-温度响应性时序关联特征图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搅拌速度值应增大、应减小或应保持不变。也就是，利用搅拌速度的时序特征和温度时序特征分布之间的逐通道响应性时序关联特征信息来进行分类处理，以此来对于当前时间点的搅拌速度进行实时监测和控制。这样，能够实现对搅拌过程的智能调节，提高医用消毒剂的制备效率和质量。在本申请的一个具体示例中，将所述优化搅拌速度-温度响应性时序关联特征图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搅拌速度值应增大、应减小或应保持不变，包括：将所述优化搅拌速度-温度响应性时序关联特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述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。
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搅拌速度值应增大(第一标签)，当前时间点的搅拌速度值应减小(第二标签)，以及，当前时间点的搅拌速度值应保持不变(第三标签)。其中，所述分类器通过软最大值函数来确定所述优化搅拌速度-温度响应性时序关联特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2和所述第三标签p3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“当前时间点的搅拌速度值应增大、应减小或应保持不变”这种概念，其只是有三种分类标签且输出特征在这三个分类标签下的概率，即p1和p2和p3之和为一。因此，当前时间点的搅拌速度值应增大、应减小或应保持不变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“当前时间点的搅拌速度值应增大、应减小或应保持不变”的语言文本意义。
分类器是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述搅拌速度-温度响应性时序关联特征，确定当前时间点的搅拌速度值应增大、应减小或应保持不变，例如：获取当前时间点的搅拌速度和温度数据；将搅拌速度和温度数据输入到模型中，以获取预测结果；利用预测结果分析当前时间点的搅拌速度应该如何调整：如果预测结果显示当前温度较高，而搅拌速度较低，可能需要增加搅拌速度以提高温度的均匀性；如果预测结果显示当前温度较低，而搅拌速度较高，可能需要降低搅拌速度以避免过度加热；如果预测结果显示当前温度在目标范围内，并且搅拌速度已经适当，可以保持搅拌速度不变。
综上，根据本申请实施例的医用消毒剂的制备方法被阐明，其通过实时监测采集升温搅拌过程中的温度值和搅拌速度值，并在后端引入数据处理和分析算法来进行该温度值和搅拌速度值的时序协同分析，以此来进行温度与搅拌速度之间的协同控制。这样，能够实现对搅拌过程的智能调节，提高医用消毒剂的制备效率和质量。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种医用消毒剂的制备方法，其特征在于，包括：
将乙二醇二硬脂酸酯、十二烷基二乙醇酰胺、D-氨基葡萄糖酸、十二烷基葡糖苷、茶树油和巴巴苏油酰胺丙基胺氧化物混合搅拌均匀以得到混合液；
将过氧乙酸、羟基乙叉二膦酸、硼酸和乙醇加入所述混合液中进行升温搅拌均匀后进行冷却处理以得到医用消毒剂。
2.根据权利要求1所述的医用消毒剂的制备方法，其特征在于，将过氧乙酸、羟基乙叉二膦酸、硼酸和乙醇加入所述混合液中进行升温搅拌均匀后冷却以得到医用消毒剂，包括：
获取预定时间段内多个预定时间点的温度值和搅拌速度值；
将所述多个预定时间点的温度值和搅拌速度值分别按照时间维度进行排列以得到温度时序输入向量和搅拌速度时序输入向量；
对所述温度时序输入向量进行图像域转换后进行特征分析以得到温度时序关联特征图；
通过基于深度神经网络模型的搅拌速度时序特征提取器对所述搅拌速度时序输入向量进行特征提取以得到搅拌速度时序特征向量；
对所述温度时序关联特征图和所述搅拌速度时序特征向量进行逐通道响应关联编码以得到搅拌速度-温度响应性时序关联特征；
基于所述搅拌速度-温度响应性时序关联特征，确定当前时间点的搅拌速度值应增大、应减小或应保持不变。
3.根据权利要求2所述的医用消毒剂的制备方法，其特征在于，对所述温度时序输入向量进行图像域转换后进行特征分析以得到温度时序关联特征图，包括：
将所述温度时序输入向量通过向量-图像转换器以得到温度时序输入图像；
将所述温度时序输入图像通过基于卷积神经网络模型的温度时序特征提取器以得到所述温度时序关联特征图。
4.根据权利要求3所述的医用消毒剂的制备方法，其特征在于，所述深度神经网络模型为一维卷积神经网络模型。
5.根据权利要求4所述的医用消毒剂的制备方法，其特征在于，对所述温度时序关联特征图和所述搅拌速度时序特征向量进行逐通道响应关联编码以得到搅拌速度-温度响应性时序关联特征，包括：将所述温度时序关联特征图和所述搅拌速度时序特征向量通过基于元网络的逐通道响应关联模块以得到搅拌速度-温度响应性时序关联特征图作为所述搅拌速度-温度响应性时序关联特征。
6.根据权利要求5所述的医用消毒剂的制备方法，其特征在于，将所述温度时序关联特征图和所述搅拌速度时序特征向量通过基于元网络的逐通道响应关联模块以得到搅拌速度-温度响应性时序关联特征图作为所述搅拌速度-温度响应性时序关联特征，包括：
将所述温度时序关联特征图通过所述基于元网络的逐通道响应关联模块的卷积神经网络模型中进行处理以得到温度时序关联增强语义特征图；
将所述搅拌速度时序特征向量通过所述基于元网络的逐通道响应关联模块的第一卷积层后再通过ReLU函数进行线性修正处理以得到线性修正后搅拌速度时序特征向量；
将所述线性修正后搅拌速度时序特征向量通过所述基于元网络的逐通道响应关联模块的第二卷积层后再通过Sigmoid 函数进行处理以得到归一化后搅拌速度时序特征向量；
以所述归一化后搅拌速度时序特征向量对所述温度时序关联增强语义特征图进行沿通道维度的加权融合以得到所述搅拌速度-温度响应性时序关联特征图。
7.根据权利要求6所述的医用消毒剂的制备方法，其特征在于，基于所述搅拌速度-温度响应性时序关联特征，确定当前时间点的搅拌速度值应增大、应减小或应保持不变，包括：
对所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵进行优化以得到优化搅拌速度-温度响应性时序关联特征图；
将所述优化搅拌速度-温度响应性时序关联特征图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搅拌速度值应增大、应减小或应保持不变。
8.根据权利要求7所述的医用消毒剂的制备方法，其特征在于，对所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵进行优化以得到优化搅拌速度-温度响应性时序关联特征图，包括：
计算所述搅拌速度-温度响应性时序关联特征图的各个特征矩阵的优化系数；
以所述优化系数对所述搅拌速度-温度响应性时序关联特征图的相应的特征矩阵进行加权优化以得到所述优化搅拌速度-温度响应性时序关联特征图。
9.根据权利要求8所述的医用消毒剂的制备方法，其特征在于，将所述优化搅拌速度-温度响应性时序关联特征图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搅拌速度值应增大、应减小或应保持不变，包括：
将所述优化搅拌速度-温度响应性时序关联特征图基于行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述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。
10.一种医用消毒剂，其特征在于，所述消毒剂由如权利要求1-9任一所述的医用消毒剂的制备方法制得。
CN202410310041.4A 2024-03-19 2024-03-19 一种医用消毒剂及其制备方法 Pending CN117942361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410310041.4A CN117942361A (zh) 2024-03-19 2024-03-19 一种医用消毒剂及其制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410310041.4A CN117942361A (zh) 2024-03-19 2024-03-19 一种医用消毒剂及其制备方法

Publications (1)

Publication Number Publication Date
CN117942361A true CN117942361A (zh) 2024-04-30

Family

ID=90800209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410310041.4A Pending CN117942361A (zh) 2024-03-19 2024-03-19 一种医用消毒剂及其制备方法

Country Status (1)

Country Link
CN (1) CN117942361A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104472569A (zh) * 2014-11-27 2015-04-01 苏州市贝克生物科技有限公司 医用消毒剂及其制备方法
CN206934363U (zh) * 2017-02-13 2018-01-30 许馨怡 医用消毒箱
CN115936682A (zh) * 2022-12-21 2023-04-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法
CN115983126A (zh) * 2022-12-30 2023-04-18 上海华茂药业有限公司 异麦芽糖酐铁1000的智能化制备方法
CN116434117A (zh) * 2023-04-14 2023-07-14 河南正佳能源环保股份有限公司 一种复合聚丙烯酰胺驱油剂的制备方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104472569A (zh) * 2014-11-27 2015-04-01 苏州市贝克生物科技有限公司 医用消毒剂及其制备方法
CN206934363U (zh) * 2017-02-13 2018-01-30 许馨怡 医用消毒箱
CN115936682A (zh) * 2022-12-21 2023-04-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法
CN115983126A (zh) * 2022-12-30 2023-04-18 上海华茂药业有限公司 异麦芽糖酐铁1000的智能化制备方法
CN116434117A (zh) * 2023-04-14 2023-07-14 河南正佳能源环保股份有限公司 一种复合聚丙烯酰胺驱油剂的制备方法

Similar Documents

Publication Publication Date Title
Yin et al. Effective and efficient computation with multiple-timescale spiking recurrent neural networks
Phaisangittisagul An analysis of the regularization between L2 and dropout in single hidden layer neural network
CN110135231B (zh) 动物面部识别方法、装置、计算机设备和存储介质
Zheng et al. Unraveling neural coding of dynamic natural visual scenes via convolutional recurrent neural networks
CN114530258A (zh) 一种深度学习药物相互作用预测方法、装置、介质和设备
Chakraborty et al. Bio-medical image enhancement using hybrid metaheuristic coupled soft computing tools
Saini et al. Classification of plants using convolutional neural network
Karthiga et al. A Deep Learning Approach to classify the Honeybee Species and health identification
CN117942361A (zh) 一种医用消毒剂及其制备方法
Paprocki et al. Efficiency of neural transmission as a function of synaptic noise, threshold, and source characteristics
Mern et al. Using bitcoin ledger network data to predict the price of bitcoin
Son et al. Exgate: Externally controlled gating for feature-based attention in artificial neural networks
Talafha et al. Biologically inspired sleep algorithm for variational auto-encoders
Lamrini et al. A survey of deep learning methods for WTP control and monitoring
Ramesh et al. Adversarial training of neural encoding models on population spike trains
Chen et al. Artificial intelligence for image processing in agriculture
Mishra et al. A novel HVS based gray scale image watermarking scheme using fast fuzzy-ELM hybrid architecture
Çakmakçı et al. Discovering the hidden personality of lambs: Harnessing the power of Deep Convolutional Neural Networks (DCNNs) to predict temperament from facial images
Chen et al. Alcoholism detection by wavelet entropy and support vector machine trained by genetic algorithm
Wang et al. Class specialized knowledge distillation
Boukhris et al. Deep Learning and Machine Learning Based Method for Crop Disease Detection and Identification Using Autoencoder and Neural Network.
Barker et al. Robust semi-supervised anomaly detection via adversarially learned continuous noise corruption
Liu Paddy Disease Classification Based on the Lightweight MobileNet-V2
Basheer et al. Forecasting of crude palm oil price using hybridizing wavelet and group method of data handling model
Patel et al. ODNET: OPTIMIZED DENSENET FOR INDIAN FOOD CLASSIFICATION

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