CN118267748A - 茶树次生代谢物的提取方法 - Google Patents
茶树次生代谢物的提取方法 Download PDFInfo
- Publication number
- CN118267748A CN118267748A CN202410692965.5A CN202410692965A CN118267748A CN 118267748 A CN118267748 A CN 118267748A CN 202410692965 A CN202410692965 A CN 202410692965A CN 118267748 A CN118267748 A CN 118267748A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- order time
- temperature
- feature vector
- extraction temperature
- 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
- 229930000044 secondary metabolite Natural products 0.000 title claims abstract description 47
- 235000009024 Ceanothus sanguineus Nutrition 0.000 title claims abstract description 45
- 240000003553 Leptospermum scoparium Species 0.000 title claims abstract description 45
- 235000015459 Lycium barbarum Nutrition 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 189
- 150000008442 polyphenolic compounds Chemical class 0.000 claims abstract description 24
- 235000013824 polyphenols Nutrition 0.000 claims abstract description 24
- 239000002904 solvent Substances 0.000 claims abstract description 18
- 230000005496 eutectics Effects 0.000 claims abstract description 17
- 238000009210 therapy by ultrasound Methods 0.000 claims abstract description 17
- 244000269722 Thea sinensis Species 0.000 claims abstract 9
- 239000013598 vector Substances 0.000 claims description 181
- 230000006870 function Effects 0.000 claims description 21
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 17
- 239000000843 powder Substances 0.000 claims description 9
- 238000002604 ultrasonography Methods 0.000 claims description 8
- 239000001763 2-hydroxyethyl(trimethyl)azanium Substances 0.000 claims description 6
- 235000019743 Choline chloride Nutrition 0.000 claims description 6
- SGMZJAMFUVOLNK-UHFFFAOYSA-M choline chloride Chemical compound [Cl-].C[N+](C)(C)CCO SGMZJAMFUVOLNK-UHFFFAOYSA-M 0.000 claims description 6
- 229960003178 choline chloride Drugs 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 235000006468 Thea sinensis Nutrition 0.000 claims 1
- 239000004480 active ingredient Substances 0.000 abstract description 23
- 230000008569 process Effects 0.000 abstract description 22
- 230000008859 change Effects 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012300 Sequence Analysis Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 5
- 229960001231 choline Drugs 0.000 abstract description 5
- OEYIOHPDSNJKLS-UHFFFAOYSA-N choline Chemical compound C[N+](C)(C)CCO OEYIOHPDSNJKLS-UHFFFAOYSA-N 0.000 abstract description 5
- 230000014759 maintenance of location Effects 0.000 abstract description 5
- NQCBIMOYRRMVNA-UHFFFAOYSA-N propane-1,2,3-triol;hydrochloride Chemical compound Cl.OCC(O)CO NQCBIMOYRRMVNA-UHFFFAOYSA-N 0.000 abstract description 5
- 230000002195 synergetic effect Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 241001122767 Theaceae Species 0.000 description 38
- 239000003960 organic solvent Substances 0.000 description 15
- 238000000638 solvent extraction Methods 0.000 description 10
- 238000002137 ultrasound extraction Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 6
- 238000004821 distillation Methods 0.000 description 5
- 238000011049 filling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- DATAGRPVKZEWHA-YFKPBYRVSA-N N(5)-ethyl-L-glutamine Chemical compound CCNC(=O)CC[C@H]([NH3+])C([O-])=O DATAGRPVKZEWHA-YFKPBYRVSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 210000002421 cell wall Anatomy 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000013076 target substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003809 water extraction Methods 0.000 description 2
- PFTAWBLQPZVEMU-DZGCQCFKSA-N (+)-catechin Chemical compound C1([C@H]2OC3=CC(O)=CC(O)=C3C[C@@H]2O)=CC=C(O)C(O)=C1 PFTAWBLQPZVEMU-DZGCQCFKSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 230000001093 anti-cancer Effects 0.000 description 1
- 230000003110 anti-inflammatory effect Effects 0.000 description 1
- 230000003064 anti-oxidating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003124 biologic agent Substances 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- ADRVNXBAWSRFAJ-UHFFFAOYSA-N catechin Natural products OC1Cc2cc(O)cc(O)c2OC1c3ccc(O)c(O)c3 ADRVNXBAWSRFAJ-UHFFFAOYSA-N 0.000 description 1
- 235000005487 catechin Nutrition 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229950001002 cianidanol Drugs 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- -1 salt compound Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229940026510 theanine Drugs 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请涉及智能提取领域，公开了一种茶树次生代谢物的提取方法，其通过温度传感器实时监测采集超声处理的过程中的提取温度数据，并在后端引入基于人工智能的数据处理和分析算法来进行超声处理过程中的温度数据的时序分析，以此来捕获超声处理过程温度的时序特征，以基于温度的实际变化来自适应调节超声功率，从而确保温度和超声波能量之间的协同作用，有助于提高提取效率和成分的保持率。这样，能够利用超声辅助氯化胆碱‑甘油低共熔溶剂提取茶多酚，可以有效提取茶树次生代谢物，保证提取液中有效成分的完整性和活性，并利用超声处理有助于提高提取效率。
Description
技术领域
本申请涉及智能提取领域，且更为具体地，涉及一种茶树次生代谢物的提取方法。
背景技术
茶树次生代谢物是指茶树在生长过程中合成的具有药用和保健功能的化合物，包括茶多酚、儿茶素、茶氨酸等，这些次生代谢物被广泛认为具有抗氧化、抗炎、抗癌等多种生理活性，对人体健康具有积极作用。
然而，传统的茶树次生代谢物提取方案通常包括水提取、有机溶剂提取等方法。水提取简单易行，但提取效率较低，且无法提取到茶树次生代谢物中的部分成分；有机溶剂提取虽然能够提取更多的次生代谢物，但存在有机溶剂残留、操作复杂、成本较高等缺陷。具体来说，传统的茶树次生代谢物提取方法往往提取效率较低，无法充分提取茶树次生代谢物中的所有活性成分，导致提取液中活性成分的含量有限。此外，有机溶剂提取存在有机溶剂残留的风险，可能对人体健康造成潜在风险。并且，有机溶剂提取需要较高的成本投入，并且操作复杂，需要专业设备和技术支持。
因此，期望一种优化的茶树次生代谢物的提取方案。
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茶树次生代谢物的提取方法，其通过温度传感器实时监测采集超声处理的过程中的提取温度数据，并在后端引入基于人工智能的数据处理和分析算法来进行超声处理过程中的温度数据的时序分析，以此来捕获超声处理过程温度的时序特征，以基于温度的实际变化来自适应调节超声功率，从而确保温度和超声波能量之间的协同作用，有助于提高提取效率和成分的保持率。这样，能够利用超声辅助氯化胆碱-甘油低共熔溶剂提取茶多酚，可以有效提取茶树次生代谢物，保证提取液中有效成分的完整性和活性，并利用超声处理有助于提高提取效率。
根据本申请的一个方面，提供了一种茶树次生代谢物的提取方法，其包括：
将茶叶原料进行粉碎处理以得到茶粉；
配置包含氯化胆碱和甘油的低共熔溶剂；
将所述茶粉和所述低共熔溶剂进行混合并放入超声波设备中进行超声处理以得到提取液；
对所述提取液进行过滤以得到含有茶多酚的提取液；以及
对所述含有茶多酚的提取液进行减压蒸馏以得到浓缩茶多酚。
与现有技术相比，本申请提供的一种茶树次生代谢物的提取方法，其通过温度传感器实时监测采集超声处理的过程中的提取温度数据，并在后端引入基于人工智能的数据处理和分析算法来进行超声处理过程中的温度数据的时序分析，以此来捕获超声处理过程温度的时序特征，以基于温度的实际变化来自适应调节超声功率，从而确保温度和超声波能量之间的协同作用，有助于提高提取效率和成分的保持率。这样，能够利用超声辅助氯化胆碱-甘油低共熔溶剂提取茶多酚，可以有效提取茶树次生代谢物，保证提取液中有效成分的完整性和活性，并利用超声处理有助于提高提取效率。
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茶树次生代谢物的提取方法的流程图；
图2为根据本申请实施例的茶树次生代谢物的提取方法的系统架构图；
图3为根据本申请实施例的茶树次生代谢物的提取方法的训练阶段的流程图；
图4为根据本申请实施例的茶树次生代谢物的提取方法的子步骤S3的流程图；
图5为根据本申请实施例的茶树次生代谢物的提取方法的子步骤S33的流程图；
图6为根据本申请实施例的茶树次生代谢物的提取方法的子步骤S34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。
传统的茶树次生代谢物提取方案通常包括水提取、有机溶剂提取等方法。水提取简单易行，但提取效率较低，且无法提取到茶树次生代谢物中的部分成分；有机溶剂提取虽然能够提取更多的次生代谢物，但存在有机溶剂残留、操作复杂、成本较高等缺陷。具体来说，传统的茶树次生代谢物提取方法往往提取效率较低，无法充分提取茶树次生代谢物中的所有活性成分，导致提取液中活性成分的含量有限。此外，有机溶剂提取存在有机溶剂残留的风险，可能对人体健康造成潜在风险。并且，有机溶剂提取需要较高的成本投入，并且操作复杂，需要专业设备和技术支持。应可以理解，超声波提取技术作为一种新兴的提取方法，具有破壁效果强、操作简便、无有机溶剂残留等优点，能够有效解决传统的茶树次生代谢物提取方案缺陷，确保提取液中活性成分的完整性和稳定性。
在本申请的技术方案中，提出了一种茶树次生代谢物的提取方法。图1为根据本申请实施例的茶树次生代谢物的提取方法的流程图。图2为根据本申请实施例的茶树次生代谢物的提取方法的系统架构图。如图1和图2所示，根据本申请的实施例的茶树次生代谢物的提取方法，包括步骤：S1，将茶叶原料进行粉碎处理以得到茶粉；S2，配置包含氯化胆碱和甘油的低共熔溶剂；S3，将所述茶粉和所述低共熔溶剂进行混合并放入超声波设备中进行超声处理以得到提取液；S4，对所述提取液进行过滤以得到含有茶多酚的提取液；以及，S5，对所述含有茶多酚的提取液进行减压蒸馏以得到浓缩茶多酚。
特别地，所述S1，将茶叶原料进行粉碎处理以得到茶粉。应可以理解，茶叶中的营养物质和有效成分主要存在于茶叶细胞内。通过粉碎处理，茶叶细胞壁破裂，有助于释放茶叶中的茶多酚、咖啡因等有效成分，使其更容易溶解到水中。
特别地，所述S2，配置包含氯化胆碱和甘油的低共熔溶剂。应可以理解，氯化胆碱和甘油混合后形成的低共熔溶剂可以提高许多物质的溶解度。其中，由于氯化胆碱是一种生物相容性较好的盐类化合物，而甘油是一种常见的生物制剂，在生物体系中使用这种低共熔溶剂可以减少对生物体系的伤害。此外，低共熔溶剂可以调节反应条件，例如降低反应温度，改善反应的选择性和效率。
特别地，所述S3，将所述茶粉和所述低共熔溶剂进行混合并放入超声波设备中进行超声处理以得到提取液。特别地，在本申请的一个具体示例中，如图4所示，所述S3，包括：S31，获取由温度传感器采集的所述超声处理的过程中的提取温度的时间序列；S32，将所述提取温度的时间序列按照时间维度排列为提取温度时序输入向量；S33，对所述提取温度时序输入向量进行多阶次时序关联隐含特征提取以得到提取温度一阶时序关联隐含特征向量和提取温度二阶时序关联隐含特征向量；S34，将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入基于先验分布的特征引导融合模块以得到提取温度多阶次时序关联隐含特征向量；S35，基于所述提取温度多阶次时序关联隐含特征向量，确定推荐的超声功率值。
具体地，所述S31，获取由温度传感器采集的所述超声处理的过程中的提取温度的时间序列。相应地，由于通过超声波的机械振动和空化效应可以有效破坏细胞壁，促进活性成分的释放。然而，在超声波提取过程中需要注意控制超声波的能量大小和提取过程中的温度，以确保提取效率和提取液中有效成分的完整性。具体来说，在提取过程中，超声波的能量大小对提取效率和速度有重要影响。适当的超声波能量可以有效促进活性成分的释放，提高提取效率。然而，过高的功率可能导致有效成分的降解，因此需要在提取过程中进行功率的控制。另外，温度也是影响提取效果的重要因素之一。适当的温度可以加快提取速率，促进活性成分的释放，但是温度过低可能减慢提取速率，而过高的温度则可能导致热敏感成分的破坏。因此，在超声波提取过程中需要严格控制提取温度，以保证提取效果。因此，在进行超声波提取的过程中，温度和超声波能量之间的协同作用对于活性成分的释放和有效成分的完整性具有重要作用。因此，在本申请的技术方案中，首先，通过温度传感器获取所述超声处理的过程中的提取温度的时间序列。
具体地，所述S32，将所述提取温度的时间序列按照时间维度排列为提取温度时序输入向量。考虑到由于在超声处理过程中的提取温度会随着时间的推移而发生变化，这种变化可能会影响提取液中活性成分的释放以及有效成分的完整性。基于此，为了能够对于提取温度进行时序分析和特征捕捉，以此来帮助理解超声波提取过程中温度的变化规律，从而更好地控制提取过程，在本申请的技术方案中，需要将所述提取温度的时间序列按照时间维度排列为提取温度时序输入向量。通过按照时间维度进行排列可以保留提取过程中温度的时序信息，有利于后续提取温度变化的时序特征。这有助于识别温度变化的规律和趋势，为后续的分析和控制提供基础。
具体地，所述S33，对所述提取温度时序输入向量进行多阶次时序关联隐含特征提取以得到提取温度一阶时序关联隐含特征向量和提取温度二阶时序关联隐含特征向量。特别地，在本申请的一个具体示例中，如图5所示，所述S33，包括：S331，将所述提取温度时序输入向量通过基于第一一维卷积层的提取温度一阶时序特征提取器以得到所述提取温度一阶时序关联隐含特征向量；S332，将所述提取温度一阶时序关联隐含特征向量通过基于第二一维卷积层的提取温度二阶时序特征提取器以得到所述提取温度二阶时序关联隐含特征向量。
更具体地，所述S331，将所述提取温度时序输入向量通过基于第一一维卷积层的提取温度一阶时序特征提取器以得到所述提取温度一阶时序关联隐含特征向量。也就是，将所述提取温度时序输入向量通过基于第一一维卷积层的提取温度一阶时序特征提取器中进行特征挖掘，以提取出提取温度在时间维度上的时序隐含关联特征信息，从而得到提取温度一阶时序关联隐含特征向量。通过所述基于第一一维卷积层的提取温度一阶时序特征提取器的处理，能够帮助捕获提取温度时序数据中的局部时序特征，以便识别温度变化的时序模式和规律，为后续的分析和控制提供基础。
值得注意的是，一维卷积层是深度学习中常用的一种神经网络层，用于处理具有时序关联性的数据，如文本、时间序列等。一维卷积层在一维空间上应用卷积操作，以提取数据中的特征。以下是一维卷积层的关键概念：卷积核：一维卷积层包含一个或多个卷积核，每个卷积核是一个小的权重矩阵，用于在输入数据上执行卷积操作；步长：步长定义了卷积核在输入数据上移动的步长。较大的步长可以减少输出的长度，而较小的步长可以保持输出长度与输入长度相同；填充：填充操作可以在输入序列的两侧添加零值，以控制输出序列的长度。常见的填充方式有两种：有效填充和同等填充；卷积操作：在一维卷积层中，卷积操作是通过将卷积核与输入序列的一部分进行逐元素相乘，并将结果求和得到输出序列的一个元素；非线性激活函数：在卷积操作之后，通常会应用一个非线性激活函数，如ReLU，以引入非线性特征；池化：池化操作用于减少输出序列的长度并提取更重要的特征。常见的池化操作有最大池化和平均池化；输出;经过卷积操作和可能的池化操作后，得到输出序列。
更具体地，所述S332，将所述提取温度一阶时序关联隐含特征向量通过基于第二一维卷积层的提取温度二阶时序特征提取器以得到所述提取温度二阶时序关联隐含特征向量。考虑到通过所述基于第一一维卷积层的提取温度一阶时序特征提取器的处理，能够很好地捕获提取温度数据在时间维度上的局部时序关联特征，但是其只能对于每个局部时间段中的提取温度时序模式和变化特征进行有效地提取，很难捕获提取温度在超声波提取过程中的复杂时序变化规律。基于此，为了能够进一步提取和挖掘提取温度时序数据中的高阶和复杂的时序特征，以此来更全面地理解温度变化的模式和趋势，从而进行超声波提取过程的控制，在本申请的技术方案中，进一步将所述提取温度一阶时序关联隐含特征向量通过基于第二一维卷积层的提取温度二阶时序特征提取器以得到提取温度二阶时序关联隐含特征向量。通过所述基于第二一维卷积层的提取温度二阶时序特征提取器的处理，能从提取温度的局部时序特征中提取出提取温度时序的高阶特征，捕获更复杂的提取温度时序变化规律，这有助于更好地分析和理解提取温度在各个局部时间段中的局部时序特征之间的时序关联性和相互影响，从而有助于更全面地理解温度变化的模式和趋势，以便发现更深层次的温度变化规律，提供更全面和综合的提取温度时序特征信息，为优化超声波提取参数提供更多的信息。
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提取温度时序输入向量进行多阶次时序关联隐含特征提取以得到提取温度一阶时序关联隐含特征向量和提取温度二阶时序关联隐含特征向量，例如：输入所述提取温度时序输入向量；通过卷积神经网络或循环神经网络对所述提取温度时序输入向量进行特征提取以得到所述提取温度一阶时序关联隐含特征向量；通过双向循环神经网络或注意力机制对所述提取温度一阶时序关联隐含特征向量进行特征提取以得到所述提取温度二阶时序关联隐含特征向量。
具体地，所述S34，将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入基于先验分布的特征引导融合模块以得到提取温度多阶次时序关联隐含特征向量。应可以理解，由于所述提取温度一阶时序关联隐含特征向量包含了提取温度在时间维度上的一阶次局部时序特征，而所述提取温度二阶时序关联隐含特征向量包含了提取温度在时间维度上的二阶次局部时序关联隐含特征，其是提取温度一阶时序特征的更深入和更高阶的表达，能够表征提取温度在各个局部时间段中的局部时序特征之间的隐含关联关系，同时也能够反映出提取温度在时序上的复杂变化规律和模式。基于此，为了能够综合利用不同阶次的提取温度时序特征信息，从而得到更全面、更综合的温度时序特征表示，以便更好地理解和建模超声波提取过程中的温度变化规律，提高后续对于超声过程控制的准确性，在本申请的技术方案中，进一步将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入基于先验分布的特征引导融合模块以得到提取温度多阶次时序关联隐含特征向量。通过所述基于先验分布的特征引导融合模块的处理，能够引入提取温度的一阶次时序特征和二阶次时序特征作为先验信息来指导两者不同阶次的温度时序特征融合，使得融合得到的温度多阶次时序特征能够更好地符合实际情况，这有助于提高特征表示的准确性和稳定性，从而提高后续对于超声功率自适应控制的精准度。特别地，在本申请的一个具体示例中，如图6所示，所述S34，包括：S341，分别计算所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量的先验因子以得到提取温度一阶时序关联先验特征向量和提取温度二阶时序关联先验特征向量；S342，计算所述提取温度一阶时序关联先验特征向量和所述提取温度二阶时序关联先验特征向量之间的按位置加和以得到所述提取温度多阶次时序关联隐含特征向量。
更具体地，所述S341，分别计算所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量的先验因子以得到提取温度一阶时序关联先验特征向量和提取温度二阶时序关联先验特征向量。在本申请的一个具体示例中，将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量分别按位置乘以预定权重超参数以得到权重调制提取温度一阶时序关联隐含特征向量和权重调制提取温度二阶时序关联隐含特征向量；以所述权重调制提取温度一阶时序关联隐含特征向量和所述权重调制提取温度二阶时序关联隐含特征向量中的各个位置特征值作为自然常数的指数以计算按位置的以自然常数为底的指数函数值以得到权重调制提取温度一阶时序关联类支持特征向量和权重调制提取温度二阶时序关联类支持特征向量；将所述权重调制提取温度一阶时序关联类支持特征向量乘以第一高斯分布随机数函数值以得到所述提取温度一阶时序关联先验特征向量；将所述权重调制提取温度二阶时序关联类支持特征向量乘以第二高斯分布随机数函数值以得到所述提取温度二阶时序关联先验特征向量。其中，所述第一高斯分布随机数函数值和所述第二高斯分布随机数函数值都是以均值为0、方差为1的高斯分布随机数函数产生。
更具体地，所述S342，计算所述提取温度一阶时序关联先验特征向量和所述提取温度二阶时序关联先验特征向量之间的按位置加和以得到所述提取温度多阶次时序关联隐含特征向量。应可以理解，计算提取温度一阶时序关联先验特征向量和提取温度二阶时序关联先验特征向量之间的按位置加和的作用可以帮助将不同阶次的特征信息整合在一起，从而获得更丰富和全面的特征表征。
综上，在上述实施例中，将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入基于先验分布的特征引导融合模块以得到提取温度多阶次时序关联隐含特征向量，包括：将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入所述基于先验分布的特征引导融合模块以如下融合公式进行处理以得到所述提取温度多阶次时序关联隐含特征向量；其中，所述融合公式为：
其中，是所述提取温度一阶时序关联隐含特征向量，是所述提取温度二阶时序关联隐含特征向量，和为权重超参数，和是以产生均值为0、方差为1的高斯分布随机数函数作为高斯分布函数系数的超参数，为向量加法，为所述提取温度多阶次时序关联隐含特征向量。
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将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入基于先验分布的特征引导融合模块以得到提取温度多阶次时序关联隐含特征向量，例如：所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入到所述基于先验分布的特征引导融合模块中，利用先验分布信息来指导融合过程；综合考虑一阶和二阶特征的重要性，可以根据先验分布信息对特征进行加权或调整，以获得更具代表性和有效性的多阶次时序关联隐含特征向量，以得到所述提取温度多阶次时序关联隐含特征向量。
具体地，所述S35，基于所述提取温度多阶次时序关联隐含特征向量，确定推荐的超声功率值。在本申请的一个具体示例中，将所述提取温度多阶次时序关联隐含特征向量通过基于解码器的超声功率推荐器以得到推荐的超声功率值。也就是说，利用提取温度的多阶次时序关联隐含特征信息来进行解码回归，以此基于温度的实际变化来自适应调节超声功率，从而确保温度和超声波能量之间的协同作用，帮助提高提取效率和成分的保持率。这样，能够利用超声辅助氯化胆碱-甘油低共熔溶剂提取茶多酚，可以有效提取茶树次生代谢物，保证提取液中有效成分的完整性和活性，并利用超声处理有助于提高提取效率。
特别地，所述S4，对所述提取液进行过滤以得到含有茶多酚的提取液。应可以理解，通过对提取液进行过滤操作，可以有效地分离茶多酚等目标物质并去除杂质，得到含有茶多酚的提取液。这种技术通常用于从天然植物中提取活性成分，如茶叶中的茶多酚。值得一提的是，茶多酚是一类在茶叶中广泛存在的化合物，是茶叶的重要活性成分之一。
特别地，所述S5，对所述含有茶多酚的提取液进行减压蒸馏以得到浓缩茶多酚。应可以理解，减压蒸馏是一种常见的分离和浓缩技术，常用于从复杂液体混合物中提取目标化合物。在本身轻的技术方案中，减压蒸馏可以将提取液中的溶剂或水分蒸发掉，从而实现提取液的浓缩。通过这种方式，可以使茶多酚等目标物质在提取液中的浓度增加，便于后续的纯化和分离。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于第一一维卷积层的提取温度一阶时序特征提取器、所述基于第二一维卷积层的提取温度二阶时序特征提取器、所述基于先验分布的特征引导融合模块和所述基于解码器的超声功率推荐器进行训练。也就是说，在本申请的茶树次生代谢物的提取方法中，还包括训练阶段，用于对所述基于第一一维卷积层的提取温度一阶时序特征提取器、所述基于第二一维卷积层的提取温度二阶时序特征提取器、所述基于先验分布的特征引导融合模块和所述基于解码器的超声功率推荐器进行训练。
图3为根据本申请实施例的茶树次生代谢物的提取方法的训练阶段的流程图。如图3所示，根据本申请实施例的茶树次生代谢物的提取方法，包括：训练阶段，包括：S110,获取训练数据，所述训练数据包括获取由温度传感器采集的所述超声处理的过程中的训练提取温度的时间序列；S120,将所述训练提取温度的时间序列按照时间维度排列为训练提取温度时序输入向量；S130,将所述训练提取温度时序输入向量通过基于第一一维卷积层的提取温度一阶时序特征提取器以得到训练提取温度一阶时序关联隐含特征向量；S140,将所述训练提取温度一阶时序关联隐含特征向量通过基于第二一维卷积层的提取温度二阶时序特征提取器以得到训练提取温度二阶时序关联隐含特征向量；S150,分别计算所述训练提取温度一阶时序关联隐含特征向量和所述训练提取温度二阶时序关联隐含特征向量的先验因子以得到训练提取温度一阶时序关联先验特征向量和训练提取温度二阶时序关联先验特征向量；S160,计算所述训练提取温度一阶时序关联先验特征向量和所述训练提取温度二阶时序关联先验特征向量之间的按位置加和以得到训练提取温度多阶次时序关联隐含特征向量；S170,对所述训练提取温度多阶次时序关联隐含特征向量进行特征优化以得到优化的训练提取温度多阶次时序关联隐含特征向量；S180,将所述训练提取温度多阶次时序关联隐含特征向量通过所述基于解码器的超声功率推荐器以得到解码损失函数值；S190,基于所述解码损失函数值对所述基于第一一维卷积层的提取温度一阶时序特征提取器、所述基于第二一维卷积层的提取温度二阶时序特征提取器、所述基于先验分布的特征引导融合模块和所述基于解码器的超声功率推荐器进行训练。
优选地，在一个示例实施例中，所述训练提取温度多阶次时序关联隐含特征向量通过基于解码器的超声功率推荐器以得到推荐的超声功率值包括以下步骤：
对于所述训练提取温度多阶次时序关联隐含特征向量与所述训练提取温度多阶次时序关联隐含特征向量的长度的平方根和所述训练提取温度多阶次时序关联隐含特征向量的二范数的平方根的倒数进行点加操作以得到训练提取温度多阶次时序关联隐含偏移特征向量；
计算所述训练提取温度多阶次时序关联隐含偏移特征向量的以自然常数为底的指数函数以得到训练提取温度多阶次时序关联隐含类偏移特征向量；
对于所述训练提取温度多阶次时序关联隐含特征向量与训练提取温度多阶次时序关联隐含特征向量的一范数和权重超参数进行点乘操作以得到训练提取温度多阶次时序关联隐含边界特征向量；
对于所述训练提取温度多阶次时序关联隐含类偏移特征向量与所述训练提取温度多阶次时序关联隐含边界特征向量进行点加操作以得到优化的训练提取温度多阶次时序关联隐含特征向量；以及
将所述优化的训练提取温度多阶次时序关联隐含特征向量通过基于解码器的超声功率推荐器以得到推荐的超声功率值。
具体地，考虑到所述训练提取温度多阶次时序关联隐含特征向量基于温度的不同阶次的时序关联特征的先验引导融合分布由于不同阶次特征的时序分布对应性而具有相对于解码回归域的整体分布回归约束不足，在上述示例实施例中，以所述训练提取温度多阶次时序关联隐含特征向量的结构化范数表示作为针对所述训练提取温度多阶次时序关联隐含特征向量的各个特征值的局部典范化坐标，来确定所述训练提取温度多阶次时序关联隐含特征向量的向量整体分布表示基于尺度模和特征分布模的相对于特征值的旋转偏移，以对于作为中心的所述训练提取温度多阶次时序关联隐含特征向量的各个特征值设定偏移预测方向，并以所述训练提取温度多阶次时序关联隐含特征向量的向量特征值针对整体的分布边界框表示来进行特征值约束，来提升所述训练提取温度多阶次时序关联隐含特征向量在整体解码回归分布下的约束性，从而提升模型的训练速度以及所述训练提取温度多阶次时序关联隐含特征向量通过基于解码器的超声功率推荐器得到的推荐超声功率值的准确性。这样，能够基于温度的实际变化来更为准确地调节超声功率，从而确保温度和超声波能量之间的协同作用，有利于确保提取液中有效成分的完整性和活性。
综上，根据本申请实施例的茶树次生代谢物的提取方法被阐明，其通过温度传感器实时监测采集超声处理的过程中的提取温度数据，并在后端引入基于人工智能的数据处理和分析算法来进行超声处理过程中的温度数据的时序分析，以此来捕获超声处理过程温度的时序特征，以基于温度的实际变化来自适应调节超声功率，从而确保温度和超声波能量之间的协同作用，有助于提高提取效率和成分的保持率。这样，能够利用超声辅助氯化胆碱-甘油低共熔溶剂提取茶多酚，可以有效提取茶树次生代谢物，保证提取液中有效成分的完整性和活性，并利用超声处理有助于提高提取效率。
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 (8)
1.一种茶树次生代谢物的提取方法，其特征在于，包括：
将茶叶原料进行粉碎处理以得到茶粉；
配置包含氯化胆碱和甘油的低共熔溶剂；
将所述茶粉和所述低共熔溶剂进行混合并放入超声波设备中进行超声处理以得到提取液；
对所述提取液进行过滤以得到含有茶多酚的提取液；以及
对所述含有茶多酚的提取液进行减压蒸馏以得到浓缩茶多酚；
将所述茶粉和所述低共熔溶剂进行混合并放入超声波设备中进行超声处理以得到提取液，包括：
获取由温度传感器采集的所述超声处理的过程中的提取温度的时间序列；
将所述提取温度的时间序列按照时间维度排列为提取温度时序输入向量；
对所述提取温度时序输入向量进行多阶次时序关联隐含特征提取以得到提取温度一阶时序关联隐含特征向量和提取温度二阶时序关联隐含特征向量；
将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入基于先验分布的特征引导融合模块以得到提取温度多阶次时序关联隐含特征向量；
基于所述提取温度多阶次时序关联隐含特征向量，确定推荐的超声功率值。
2.根据权利要求1所述的茶树次生代谢物的提取方法，其特征在于，对所述提取温度时序输入向量进行多阶次时序关联隐含特征提取以得到提取温度一阶时序关联隐含特征向量和提取温度二阶时序关联隐含特征向量，包括：
将所述提取温度时序输入向量通过基于第一一维卷积层的提取温度一阶时序特征提取器以得到所述提取温度一阶时序关联隐含特征向量；
将所述提取温度一阶时序关联隐含特征向量通过基于第二一维卷积层的提取温度二阶时序特征提取器以得到所述提取温度二阶时序关联隐含特征向量。
3.根据权利要求2所述的茶树次生代谢物的提取方法，其特征在于，将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量输入基于先验分布的特征引导融合模块以得到提取温度多阶次时序关联隐含特征向量，包括：
分别计算所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量的先验因子以得到提取温度一阶时序关联先验特征向量和提取温度二阶时序关联先验特征向量；
计算所述提取温度一阶时序关联先验特征向量和所述提取温度二阶时序关联先验特征向量之间的按位置加和以得到所述提取温度多阶次时序关联隐含特征向量。
4.根据权利要求3所述的茶树次生代谢物的提取方法，其特征在于，分别计算所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量的先验因子以得到提取温度一阶时序关联先验特征向量和提取温度二阶时序关联先验特征向量，包括：
将所述提取温度一阶时序关联隐含特征向量和所述提取温度二阶时序关联隐含特征向量分别按位置乘以预定权重超参数以得到权重调制提取温度一阶时序关联隐含特征向量和权重调制提取温度二阶时序关联隐含特征向量；
以所述权重调制提取温度一阶时序关联隐含特征向量和所述权重调制提取温度二阶时序关联隐含特征向量中的各个位置特征值作为自然常数的指数以计算按位置的以自然常数为底的指数函数值以得到权重调制提取温度一阶时序关联类支持特征向量和权重调制提取温度二阶时序关联类支持特征向量；
将所述权重调制提取温度一阶时序关联类支持特征向量乘以第一高斯分布随机数函数值以得到所述提取温度一阶时序关联先验特征向量；
将所述权重调制提取温度二阶时序关联类支持特征向量乘以第二高斯分布随机数函数值以得到所述提取温度二阶时序关联先验特征向量。
5.根据权利要求4所述的茶树次生代谢物的提取方法，其特征在于，所述第一高斯分布随机数函数值和所述第二高斯分布随机数函数值都是以均值为0、方差为1的高斯分布随机数函数产生。
6.根据权利要求5所述的茶树次生代谢物的提取方法，其特征在于，基于所述提取温度多阶次时序关联隐含特征向量，确定推荐的超声功率值，包括：将所述提取温度多阶次时序关联隐含特征向量通过基于解码器的超声功率推荐器以得到推荐的超声功率值。
7.根据权利要求6所述的茶树次生代谢物的提取方法，其特征在于，还包括训练步骤：用于对所述基于第一一维卷积层的提取温度一阶时序特征提取器、所述基于第二一维卷积层的提取温度二阶时序特征提取器、所述基于先验分布的特征引导融合模块和所述基于解码器的超声功率推荐器进行训练。
8.根据权利要求7所述的茶树次生代谢物的提取方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括获取由温度传感器采集的所述超声处理的过程中的训练提取温度的时间序列；
将所述训练提取温度的时间序列按照时间维度排列为训练提取温度时序输入向量；
将所述训练提取温度时序输入向量通过基于第一一维卷积层的提取温度一阶时序特征提取器以得到训练提取温度一阶时序关联隐含特征向量；
将所述训练提取温度一阶时序关联隐含特征向量通过基于第二一维卷积层的提取温度二阶时序特征提取器以得到训练提取温度二阶时序关联隐含特征向量；
分别计算所述训练提取温度一阶时序关联隐含特征向量和所述训练提取温度二阶时序关联隐含特征向量的先验因子以得到训练提取温度一阶时序关联先验特征向量和训练提取温度二阶时序关联先验特征向量；
计算所述训练提取温度一阶时序关联先验特征向量和所述训练提取温度二阶时序关联先验特征向量之间的按位置加和以得到训练提取温度多阶次时序关联隐含特征向量；
对所述训练提取温度多阶次时序关联隐含特征向量进行特征优化以得到优化的训练提取温度多阶次时序关联隐含特征向量；
将所述优化的训练提取温度多阶次时序关联隐含特征向量通过所述基于解码器的超声功率推荐器以得到解码损失函数值；
基于所述解码损失函数值对所述基于第一一维卷积层的提取温度一阶时序特征提取器、所述基于第二一维卷积层的提取温度二阶时序特征提取器、所述基于先验分布的特征引导融合模块和所述基于解码器的超声功率推荐器进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410692965.5A CN118267748B (zh) | 2024-05-31 | 2024-05-31 | 茶树次生代谢物的提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410692965.5A CN118267748B (zh) | 2024-05-31 | 2024-05-31 | 茶树次生代谢物的提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118267748A true CN118267748A (zh) | 2024-07-02 |
| CN118267748B CN118267748B (zh) | 2024-08-13 |
Family
ID=91643618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410692965.5A Active CN118267748B (zh) | 2024-05-31 | 2024-05-31 | 茶树次生代谢物的提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118267748B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010043954A1 (en) * | 2000-04-05 | 2001-11-22 | Sweet Farle C. | Method for making herbal extracts using percolation |
| CN101301068A (zh) * | 2008-05-08 | 2008-11-12 | 张明伟 | 生物原料的冻融挤压促溶技术 |
| KR20110103620A (ko) * | 2010-03-15 | 2011-09-21 | 강원대학교산학협력단 | 녹차로부터 카테친의 추출방법 |
| WO2011135482A1 (en) * | 2010-04-28 | 2011-11-03 | Koninklijke Philips Electronics N.V. | Property determining apparatus for determining a property of an object |
| CN108640966A (zh) * | 2018-07-23 | 2018-10-12 | 广西壮族自治区农业科学院农产品加工研究所 | 一种用于提取茶籽粕中茶皂素的低共熔溶剂及提取工艺 |
| CN108948102A (zh) * | 2018-08-27 | 2018-12-07 | 福建省安职教育服务有限公司 | 一种茶叶多酚的提取方法 |
| CN110070069A (zh) * | 2019-04-30 | 2019-07-30 | 重庆大学 | 一种基于卷积神经网络自动特征提取的茶叶分类方法 |
| KR20200052147A (ko) * | 2018-11-06 | 2020-05-14 | 인하대학교 산학협력단 | 공융용매를 포함하는 식물체로부터 유효성분을 추출하기 위한 추출용 조성물 및 상기 추출용 조성물을 사용하여 식물체로부터 유효성분을 추출하는 방법 |
| CN111579508A (zh) * | 2020-05-27 | 2020-08-25 | 上海交通大学 | 一种超声辅助低共熔溶剂提取茶多酚的方法及其优化方法 |
| WO2020247594A1 (en) * | 2019-06-04 | 2020-12-10 | Cocoon Biotech Inc. | Silk-based products, formulations, and methods of use |
| KR102276980B1 (ko) * | 2020-01-03 | 2021-07-13 | 건국대학교 산학협력단 | 복합공융용매 및 이를 이용한 유용성분의 추출 방법 |
| WO2021164481A1 (zh) * | 2020-02-18 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
| AU2021105117A4 (en) * | 2021-08-09 | 2021-09-30 | Hexi University | Method for extracting and separating polyphenols from Lanzhou lily by eutectic solvent/salt aqueous two-phase extraction |
| CN113875978A (zh) * | 2021-09-14 | 2022-01-04 | 中南民族大学 | 一种由山茶油和茶枯饼提取物制备的高内相Pickering乳液 |
| CN117160072A (zh) * | 2023-10-19 | 2023-12-05 | 温兄控股集团股份有限公司 | 多向动态连续提取系统及其方法 |
| WO2024077969A1 (zh) * | 2022-10-14 | 2024-04-18 | 南京国电南自轨道交通工程有限公司 | 一种基于多周期特征的lstm-svr地铁车站温度预测方法 |
-
2024
- 2024-05-31 CN CN202410692965.5A patent/CN118267748B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010043954A1 (en) * | 2000-04-05 | 2001-11-22 | Sweet Farle C. | Method for making herbal extracts using percolation |
| CN101301068A (zh) * | 2008-05-08 | 2008-11-12 | 张明伟 | 生物原料的冻融挤压促溶技术 |
| KR20110103620A (ko) * | 2010-03-15 | 2011-09-21 | 강원대학교산학협력단 | 녹차로부터 카테친의 추출방법 |
| WO2011135482A1 (en) * | 2010-04-28 | 2011-11-03 | Koninklijke Philips Electronics N.V. | Property determining apparatus for determining a property of an object |
| CN108640966A (zh) * | 2018-07-23 | 2018-10-12 | 广西壮族自治区农业科学院农产品加工研究所 | 一种用于提取茶籽粕中茶皂素的低共熔溶剂及提取工艺 |
| CN108948102A (zh) * | 2018-08-27 | 2018-12-07 | 福建省安职教育服务有限公司 | 一种茶叶多酚的提取方法 |
| KR20200052147A (ko) * | 2018-11-06 | 2020-05-14 | 인하대학교 산학협력단 | 공융용매를 포함하는 식물체로부터 유효성분을 추출하기 위한 추출용 조성물 및 상기 추출용 조성물을 사용하여 식물체로부터 유효성분을 추출하는 방법 |
| CN110070069A (zh) * | 2019-04-30 | 2019-07-30 | 重庆大学 | 一种基于卷积神经网络自动特征提取的茶叶分类方法 |
| WO2020247594A1 (en) * | 2019-06-04 | 2020-12-10 | Cocoon Biotech Inc. | Silk-based products, formulations, and methods of use |
| KR102276980B1 (ko) * | 2020-01-03 | 2021-07-13 | 건국대학교 산학협력단 | 복합공융용매 및 이를 이용한 유용성분의 추출 방법 |
| WO2021164481A1 (zh) * | 2020-02-18 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
| CN111579508A (zh) * | 2020-05-27 | 2020-08-25 | 上海交通大学 | 一种超声辅助低共熔溶剂提取茶多酚的方法及其优化方法 |
| AU2021105117A4 (en) * | 2021-08-09 | 2021-09-30 | Hexi University | Method for extracting and separating polyphenols from Lanzhou lily by eutectic solvent/salt aqueous two-phase extraction |
| CN113875978A (zh) * | 2021-09-14 | 2022-01-04 | 中南民族大学 | 一种由山茶油和茶枯饼提取物制备的高内相Pickering乳液 |
| WO2024077969A1 (zh) * | 2022-10-14 | 2024-04-18 | 南京国电南自轨道交通工程有限公司 | 一种基于多周期特征的lstm-svr地铁车站温度预测方法 |
| CN117160072A (zh) * | 2023-10-19 | 2023-12-05 | 温兄控股集团股份有限公司 | 多向动态连续提取系统及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 付婧;岳田利;袁亚宏;王周利;: "真空耦合超声提取茶多酚的工艺研究", 西北农林科技大学学报(自然科学版), no. 03, 25 January 2013 (2013-01-25), pages 172 - 178 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118267748B (zh) | 2024-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210045640A1 (en) | Device and method for medical diagnostics | |
| Patra et al. | Backstepping model predictive controller for blood glucose regulation in type-I diabetes patient | |
| Osborne et al. | New insights into leaf physiological responses to ozone for use in crop modelling | |
| CN118267748B (zh) | 茶树次生代谢物的提取方法 | |
| Jensen et al. | Optimally climate sensitive policy: A comprehensive evaluation of uncertainty & learning | |
| CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
| Abdullah et al. | Development open source microcontroller based temperature data logger | |
| EP3648109A1 (en) | Forecasting device, forecasting method, storage medium stored with forecasting program, and genetic inference device | |
| De Falco et al. | An Evolutionary Approach for Estimating the Blood Glucose by Exploiting Interstitial Glucose Measurements. | |
| CN112075930A (zh) | 基于散点图的分析预警装置、方法、系统和电子设备 | |
| CN110956308A (zh) | 基于时间序列的化工设备健康状态预测方法 | |
| De Falco et al. | Accurate estimate of blood glucose through interstitial glucose by genetic programming | |
| CN113421255B (zh) | 一种基于栅格的耕地复种指数提取方法及系统 | |
| Srivastav et al. | Modeling the impact of early case detection on dengue transmission: deterministic vs. stochastic | |
| Dalton et al. | Water transport and salt loading: a unified concept of plant response to salinity | |
| CN113569696B (zh) | 基于视频的人体微小震颤信号提取的方法 | |
| Zarlis et al. | Optimization of the CNN model for smart agriculture | |
| CN113367695A (zh) | 一种基于脑电信号的疲劳监测方法及装置 | |
| Tanwar et al. | Demonstration of a Highly Developed CNN-SVM Model to Accurately Assess the Degree of Brown Rot in Orange Leaf | |
| Salehi et al. | Application of the Adaptive Neuro-Fuzzy Inference System (ANFIS) and Sobol Approaches for Modeling and Sensitivity Analysis of the Biosorption of Triglyceride from the Blood Serum | |
| Raboudi et al. | Ensemble Kalman filtering with coloured observation noise | |
| CN117542443B (zh) | 权衡产量缓解氮污染的方法、装置和电子设备 | |
| Kleiter | Dynamic decision behavior: Comments on Rapoport’s paper | |
| Kamath | Model based simulation for Type I diabetic patients | |
| Kaur | Artificial intelligence and internet of things in agriculture–A survey |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |