【技术实现步骤摘要】
一种基于贝叶斯概率优化的青蒿素提净度分析方法
本专利技术涉及青蒿素提净度分析
，尤其涉及一种基于贝叶斯概率优化的青蒿素提净度分析方法。
技术介绍
青蒿素是一种新型抗疟药，是目前世界上公认的治疗脑型疟疾和抗氯喹恶性疟疾最有效的药物。它具有低毒、高效、速效的特点，已成为世界卫生组织推荐的治疗疟疾的首选方法，在国际市场上供不应求，应用及经济前景十分看好。青蒿素目前主要是直接从青蒿中提取，研究表明，青蒿的叶片和花表面的腺毛是青蒿素的主要合成和储存部位，青蒿的不同部位在不同时期的青蒿素含量不同，青蒿素的含量也与产地和生长环境相关。目前，青蒿药用成分提取率低是造成资源浪费的重大原因。未来，青蒿素及其副产物不仅应用于人类健康，还可辐射到生物农药、兽药等更多领域。但目前青蒿素生产车间因安全要求级别高，无法人工进入设备，而目前又无法在线跟踪提净效果。
技术实现思路
本专利技术提供一种基于贝叶斯概率优化的青蒿素提净度分析方法，解决的技术问题在于：现有青蒿素生产车间因安全要求级别高，无法人工进入设备监控青蒿素提净程度，也...
【技术保护点】
1.一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于，包括步骤：/n(1)预训练处理/nS1：收集青蒿素提取过程中的实时数据，并对所述实时数据进行实体命名识别，提取出评语、提净度及影响因子的实体；/nS2：收集青蒿素提取过程中的有机溶剂的实时状态时间序列，并对所述实时状态时间序列进行预训练图像处理，得到维度相同的输出特征；/nS3：收集青蒿素提取过程中的关键工艺参数，并对所述关键工艺参数做归一化处理；/n(2)多维异构数据整合/nS4：将步骤S1、S2和S3得到的数据一并放入序列挖掘当中进行整合；/nS5：将步骤S4整合后的数据先归一化为神经网络处理分布，进一步将归...
【技术特征摘要】
1.一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于，包括步骤：
(1)预训练处理
S1：收集青蒿素提取过程中的实时数据，并对所述实时数据进行实体命名识别，提取出评语、提净度及影响因子的实体；
S2：收集青蒿素提取过程中的有机溶剂的实时状态时间序列，并对所述实时状态时间序列进行预训练图像处理，得到维度相同的输出特征；
S3：收集青蒿素提取过程中的关键工艺参数，并对所述关键工艺参数做归一化处理；
(2)多维异构数据整合
S4：将步骤S1、S2和S3得到的数据一并放入序列挖掘当中进行整合；
S5：将步骤S4整合后的数据先归一化为神经网络处理分布，进一步将归一化的神经网络处理分布转换为高斯分布；
(3)贝叶斯概率优化
S6：将步骤S5转化为高斯分布的数据放入贝叶斯概率模型中，进行贝叶斯概率分布，输出最优概率，从而得到最准确的青蒿素提净度并以此优化步骤(2)中的神经网络。
2.如权利要求1所述的一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于，步骤S1具体包括步骤：
S11：收集青蒿素提取过程的实时数据，并对不同过程的实时数据进行分组编号；
S12：分别采取不同的n-gram内核对步骤S11得到的数据进行预处理，得到分组后的文本数据；
S13：基于先进中文识别模型对步骤S12得到的数据进行实体命名提取，得到评语、提净度及影响因子的实体。
3.如权利要求1或2所述的一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于：在所述步骤S2中，基于Transformer预训练图像处理方法对所述实时状态时间序列进行预训练图像处理。
4.如权利要求3所述的一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于，在所述步骤S2中，基于Transformer预训练图像处理方法进行预训练图像处理的步骤包括：
S21：将采集的实时状态时间序列对应的图片x经过一个头结构Hi()变换为特征图fH＝Hi(x),fH∈RH×C×W；
S22：对特征图fH进行切块与拉平操作，具体是，按照P×P的大小将特征图切割成N块，每一个特征块再被拉平为维度为P^2×C的向量，得到特征向量
S23：将所有的特征向量送入Transformer进行处理，得到维度相同的输出特征
5.如权利要求3所述的一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于，在所述步骤S5中，归一化为神经网络处理分布...
【专利技术属性】
技术研发人员：利节，蒋理，罗庆林，廖宏程，朱文文，王艺凡，张祥，吴凯，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;50
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。