一种微生物培养基优化方法及系统技术方案

本发明专利技术涉及一种微生物培养基优化方法及系统。所述方法包括：构建各响应变量的PLSR全模型，并将PLSR全模型作为当前模型；判断是否所有自变量的VIP得分均大于第一设定阈值，若是，则将当前模型作为最终PLSR模型；若否，则以显著性预测变量作为自变量构建各响应变量的VIP

【技术实现步骤摘要】
一种微生物培养基优化方法及系统


[0001]本专利技术涉及多元统计
，特别是涉及一种微生物培养基优化方法及系统。

技术介绍

[0002]在现代发酵工业中，培养基优化一直是最重要的研究课题之一，培养基优化不仅可以有效降低发酵成本，还可以提高原材料的利用率与发酵产物的产量与品质，并能降低发酵工程下游处理的难度等。培养基优化主要通过一些试验设计方法来完成，均匀设计就是其中的杰出代表，因为该试验设计只考虑试验范围内试验点的“均匀散布”而不考虑其“整齐可比性”，因此对同一问题进行优化分析，所需的试验次数，明显少于正交试验与中心组合设计等试验设计，所以均匀设计用于培养基优化研究，可以极大地节约优化成本和压缩优化时间。然而研究表明，由于实验次数偏少，均匀设计存在典型的“小样本问题”和“多重共线性”问题，基于最小二乘法建立的回归模型，存在准确性差和可靠性低等问题。
[0003]目前，“小样本”培养基优化的多元回归建模方法主要有偏最小二乘回归(Partial least squares regression，PLSR)和支持向量机等。与此同时，解决多元回归共线性问题的方法主要有PLSR、岭回归和LASSO回归等。因此，PLSR能同时解决均匀设计多元回归建模面临的“小样本”和“多重共线性”问题。此外，研究发现PLSR处理多重共线性问题的效果优于岭回归，主要体现在回归模型有更小的平均绝对百分误差和更大的复测定系数。并且PLSR具有卓越的预测变量的筛选能力，效果明显优于岭回归和LASSO回归。
[0004]然而传统PLSR模型常倾向于保留全部建模自变量，即全回归模型(例如最常用的二次多项式PLSR模型就包括一次项、平方项和交叉项等所有建模自变量)，因此常导致PLSR模型显得异常“庞大和臃肿”，而简洁性和可解释性很差，这是目前亟待解决的关键问题之一。目前常采用变量投影重要性技术(Variable importance inprojection，VIP)以删除冗余自变量而保留关键自变量的策略去解决该问题。但文献调研发现，这些PLSR
‑
VIP方法或者没有使用假设性检验就直接删除VIP值偏小的非关键自变量，或者仅仅使用全模型筛选出来的关键自变量就直接组成PLSR回归模型，而忽略了非关键因素包含的信息，因此这些传统方法不够科学合理，还常导致模型稳健性差，拟合优度和泛化能力下降。

技术实现思路

[0005]本专利技术的目的是提供一种微生物培养基优化方法及系统，可以解决常规PLSR回归方程异常“庞大和臃肿”以及简洁性、可解释性和预测泛化能力差的问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种微生物培养基优化方法，包括：
[0008]以培养基成分为自变量，以实验产物为响应变量进行均匀设计实验得到多个实验样本；
[0009]根据所述均匀设计实验采用偏最小二乘回归法构建各所述响应变量的PLSR全模型，并将所述PLSR全模型作为当前模型；所述PLSR全模型为表示所述响应变量与所有所述
自变量之间关系的二次多项式形式的数学表达式；
[0010]判断所述当前模型中是否所有自变量的VIP得分均大于第一设定阈值，得到第一判断结果；
[0011]若所述第一判断结果为是，则将所述当前模型作为最终PLSR模型，所述最终的PLSR模型用于构建最优微生物培养基；
[0012]若所述第一判断结果为否，则以当前模型对应的显著性预测变量作为自变量构建各所述响应变量的VIP
‑
PLSR模型，并将所述VIP
‑
PLSR模型作为当前模型；所述显著性预测变量为VIP得分大于第一设定阈值的自变量；
[0013]对各所述PLSR全模型的决定系数和各所述VIP
‑
PLSR模型的决定系数进行偏F检验，并判断是否存在统计学显著性差异，得到第二判断结果；
[0014]若所述第二判断结果为是，则将各所述当前模型作为最终的PLSR模型；
[0015]若所述第二判断结果为否，则返回所述“判断所述当前模型中是否所有自变量的VIP得分均大于第一设定阈值”的步骤。
[0016]可选的，在所述根据所述均匀设计实验采用偏最小二乘回归法构建各所述响应变量的PLSR全模型，并将所述PLSR全模型作为当前模型之后还包括：
[0017]计算各所述PLSR全模型的决定系数；
[0018]采用变量投影重要性技术对所述PLSR全模型进行处理得到各自变量的VIP得分。
[0019]可选的，在所述对各所述PLSR全模型的决定系数和各所述VIP
‑
PLSR模型的决定系数进行偏F检验，并判断各所述VIP
‑
PLSR模型是否存在统计学显著性差异，得到第二判断结果之前还包括：
[0020]计算各所述VIP
‑
PLSR模型的决定系数；
[0021]采用变量投影重要性技术对所述VIP
‑
PLSR模型进行处理得到各显著性预测变量的VIP得分。
[0022]可选的，所述对各所述PLSR全模型的决定系数和各所述VIP
‑
PLSR模型的决定系数进行偏F检验具体为：
[0023]根据公式计算偏F检验值，其中，F
01
表示偏F检验值，表示PLSR全模型的决定系数，表示第i轮VIP
‑
PLSR模型的决定系数，n表示实验样本的数目，p表示VIP
‑
PLSR模型中的自变量数目。
[0024]一种微生物培养基优化系统，包括：
[0025]实验模块，用于以培养基成分为自变量，以实验产物为响应变量进行均匀设计实验得到多个实验样本；
[0026]PLSR全模型构建模块，用于根据所述均匀设计实验采用偏最小二乘回归法构建各所述响应变量的PLSR全模型，并将所述PLSR全模型作为当前模型；所述PLSR全模型为表示所述响应变量与所有所述自变量之间关系的二次多项式形式的数学表达式；
[0027]第一判断模块，用于判断所述当前模型中是否所有自变量的VIP得分均大于第一设定阈值，得到第一判断结果；
[0028]第一最终模型确定模块，用于若所述第一判断结果为是，则将所述当前模型作为最终PLSR模型，所述最终的PLSR模型用于构建最优微生物培养基；
[0029]VIP
‑
PLSR模型构建模块，用于若所述第一判断结果为否，则以当前模型对应的显著性预测变量作为自变量构建各所述响应变量的VIP
‑
PLSR模型，并将所述VIP
‑
PLSR模型作为当前模型；所述显著性预测变量为VIP得分大于第一设定阈值的自变量；
[0030]偏F检验模块，用于对各所述PLSR全模型的决定系数和各所述VIP
‑
PLSR模型的决定系数进行偏F检验，并判断是否存在统计学显著性差异，得到第二判断结果；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微生物培养基优化方法，其特征在于，包括：以培养基成分为自变量，以实验产物为响应变量进行均匀设计实验得到多个实验样本；根据所述均匀设计实验采用偏最小二乘回归法构建各所述响应变量的PLSR全模型，并将所述PLSR全模型作为当前模型；所述PLSR全模型为表示所述响应变量与所有所述自变量之间关系的二次多项式形式的数学表达式；判断所述当前模型中是否所有自变量的VIP得分均大于第一设定阈值，得到第一判断结果；若所述第一判断结果为是，则将所述当前模型作为最终PLSR模型，所述最终的PLSR模型用于构建最优微生物培养基；若所述第一判断结果为否，则以当前模型对应的显著性预测变量作为自变量构建各所述响应变量的VIP
‑
PLSR模型，并将所述VIP
‑
PLSR模型作为当前模型；所述显著性预测变量为VIP得分大于第一设定阈值的自变量；对各所述PLSR全模型的决定系数和各所述VIP
‑
PLSR模型的决定系数进行偏F检验，并判断是否存在统计学显著性差异，得到第二判断结果；若所述第二判断结果为是，则将各所述当前模型作为最终的PLSR模型；若所述第二判断结果为否，则返回所述“判断所述当前模型中是否所有自变量的VIP得分均大于第一设定阈值”的步骤。2.根据权利要求1所述的一种微生物培养基优化方法，其特征在于，在所述根据所述均匀设计实验采用偏最小二乘回归法构建各所述响应变量的PLSR全模型，并将所述PLSR全模型作为当前模型之后还包括：计算各所述PLSR全模型的决定系数；采用变量投影重要性技术对所述PLSR全模型进行处理得到各自变量的VIP得分。3.根据权利要求1所述的一种微生物培养基优化方法，其特征在于，在所述对各所述PLSR全模型的决定系数和各所述VIP
‑
PLSR模型的决定系数进行偏F检验，并判断各所述VIP
‑
PLSR模型是否存在统计学显著性差异，得到第二判断结果之前还包括：计算各所述VIP
‑
PLSR模型的决定系数；采用变量投影重要性技术对所述VIP
‑
PLSR模型进行处理得到各显著性预测变量的VIP得分。4.根据权利要求1所述的一种微生物培养基优化方法，其特征在于，所述对各所述PLSR全模型的决定系数和各所述VIP
‑
PLSR模型的决定系数进行偏F检验具体为：根据公式计算偏F检验值，其中，F
01
表示偏F检验值，表示PLSR全模型的决定系数，表示第i轮VIP
‑
PLSR模型的决定系数，n表示实验样本的数目，p表示VIP
‑
PLSR模型中...

【专利技术属性】
技术研发人员：朱新术，赵文慧，刘超，张苗，许国莹，林杉，赵传祥，
申请(专利权)人：江苏护理职业学院，
类型：发明
国别省市：