【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。