【技术实现步骤摘要】
本专利技术涉及培养基优化,具体涉及用于人工神经网络法优化培养基的试验设计方法。
技术介绍
培养基是为了产生菌生长、繁殖、代谢和合成产物,而按一定比例组成的营养物质,组分中的氮源、碳源和微量元素等多个因子都会对桑黄的生长及代谢产生影响,培养基优化即利用技术手段找到培养基的最优配比,以达到产量最大化。培养基优化中最具代表性的现有技术方案为响应面方法(ResponseSurfaceMethods):在多因素数量处理试验的分析中,可以分析试验结果(因变量)与多个试验因素(自变量)间的回归关系,这种回归可能是曲线或曲面的关系,因而称为响应面分析。例如农作物产量与若干种肥料的施肥量有关,可以通过回归分析建立产量与施肥要素间的回归关系,从而求得最佳施肥配方,以求得最高产量。该方法最大的缺点即,在优化因素过多的情况下,首先需要利用单因素实验以及筛选试验设计方法(Plackett-BurmanDesign)确定出培养基各因素中的显著因子,从而以显著因子为中心,进行响应面实验。其中单因素实验的利用往往对实验准确性造成了很大的偏差,这是因为单因素实验忽略了培养基中各因素的交互作用,认定这些因素是单独对培养基起作用;筛选试验设计方法也只能筛选出某些显著因子,同样忽略因素间的交互作用。而目前新兴起的人工神经网络法优化培养基,为培养基优化提供了一种全新的模式。人工神经网络即考虑培养基中各个因素,然后模拟神经网络中神经元传递信息的方式对这些因素进行建模。人工神经网络的最大优点即具有智能学习的能力,即利用已有的试验结果(培养基配比和对应产量)对网络进行训练,进行一定的训练后,人工神经网 ...
【技术保护点】
用于人工神经网络法优化培养基的试验设计方法,其特征在于,包括以下步骤:首先,将培养基中的m个影响因素、每个影响因素的取值范围内的n个不同取值组成如下矩阵:然后,在上述矩阵中,选择t行,1≤t≤m,并每行各取出一个值,组成具有t个元素的验证集合γ,并且验证集合γ在按照如下条件设计的试验中,至少出现一次,至多出现λ次,λ≥1,每组试验Bk,j应满足如下条件:(1)中的每个元素均来自于上述矩阵,且分别取自矩阵的不同行,1≤j1,j2,Λ,jm;令j=1,2,Κn,则共有n组这样的试验,βk={Bk,1,Bk,2,ΚBk,n}表示这n组试验的集合;令k=1,2,Κ,s,β={β1,β2,Κ,βs},从而获得s×n组试验;(2)对每一个βk={Bk,1,Bk,2,ΚBk,n},k=1,2,Κ,s,要求即Bk,j(j=1,2,Κ,n)的并集正好是整个矩阵里的元素;最终,将按照以上方法得到的试验设计方案β={β1,β2,Κ,βs}进行试验,并将试验结构应用于人工神经网络的训练,从而得到可以准确体现培养基因素和产量的人工神经网络。
【技术特征摘要】
1.用于人工神经网络法优化培养基的试验设计方法,其特征在于,包括以下步骤:首先,将培养基中的m个影响因素、每个影响因素的取值范围内的n个不同取值组成如下矩阵:然后,在上述矩阵中,选择t行,1≤t≤m,并每行各取出一个值,组成具有t个元素的验证集合γ,并且验证集合...
【专利技术属性】
技术研发人员:王珣,朱虎,李忠伟,孙贝贝,辛月振,夏盛瑜,
申请(专利权)人:中国石油大学华东,
类型:发明
国别省市:山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。