基于模块化设置的实验室管理方法及系统技术方案

公开了一种基于模块化设置的实验室管理方法及系统

【技术实现步骤摘要】
基于模块化设置的实验室管理方法及系统


[0001]本申请涉及实验室管理领域，且更为具体地，涉及一种基于模块化设置的实验室管理方法及系统
。

技术介绍

[0002]传统的实验室管理通常是基于人工管理的，通常采用手工记录或电子表格记录实验数据，缺乏标准化的实验流程和质量控制标准，容易出现实验误差和数据不准确的问题
。
并且，传统的实验室管理在没有构建出实验物理产线之前，无法进行物理实验和测验以优化实验室管理工艺流程
。
[0003]因此，期待一种优化的实验室管理方案
。

技术实现思路

[0004]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基于模块化设置的实验室管理方法及系统
。
该方法包括：配置生产环节所需的多个模块，其中，所述模块包括参数控制动作模块
、
启动选择模块
、
结束动作模块
、
比较符号模块和结束方式模块；以及，对所述生产环节所需的多个模块进行校验以判断所述生产环节所需的多个模块是否存在逻辑缺陷
。
通过这样的方式，可以对模块组合进行语义理解以判断模块组合是否存在逻辑缺陷
。
[0005]根据本申请的一个方面，提供了一种基于模块化设置的实验室管理方法，其包括：
[0006]配置生产环节所需的多个模块，其中，所述模块包括参数控制动作模块
、
启动选择模块
、
结束动作模块r/>、
比较符号模块和结束方式模块；以及
[0007]对所述生产环节所需的多个模块进行校验以判断所述生产环节所需的多个模块是否存在逻辑缺陷
。
[0008]在上述的基于模块化设置的实验室管理方法中，对所述生产环节所需的所有模块方案进行校验以判断所述生产环节所需的多个模块是否存在逻辑缺陷，包括：
[0009]获取所述多个模块中各个模块的文本描述；
[0010]将所述各个模块的文本描述通过
Word2Vec
模型以得到模块描述嵌入向量的序列；
[0011]将所述模块描述嵌入向量的序列通过基于转换器模块的模块序列语义理解器以得到多个上下文模块描述语义理解特征向量；
[0012]将所述多个上下文模块描述语义理解特征向量进行级联以得到第一尺度模块组合语义理解特征向量；
[0013]将所述多个上下文模块描述语义理解特征向量通过双向长短期记忆神经网络模型以得到第二尺度模块组合语义理解特征向量；
[0014]融合所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特征向量以得到模块组合语义理解特征向量；以及
[0015]将所述模块组合语义理解特征向量通过分类器以得到分类结果，所述分类结果用
于表示模块组合是否存在逻辑缺陷
。
[0016]在上述的基于模块化设置的实验室管理方法中，将所述模块描述嵌入向量的序列通过基于转换器模块的模块序列语义理解器以得到多个上下文模块描述语义理解特征向量，包括：
[0017]将所述模块描述嵌入向量的序列进行一维排列以得到全局模块描述特征向量；
[0018]计算所述全局模块描述特征向量与所述模块描述嵌入向量的序列中各个模块描述嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
[0019]分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
[0020]将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过
Softmax
分类函数以得到多个概率值；以及
[0021]分别以所述多个概率值中各个概率值作为权重对所述模块描述嵌入向量的序列中各个模块描述嵌入向量进行加权以得到所述多个上下文模块描述语义理解特征向量
。
[0022]在上述的基于模块化设置的实验室管理方法中，将所述多个上下文模块描述语义理解特征向量进行级联以得到第一尺度模块组合语义理解特征向量，包括：
[0023]以如下级联公式将所述多个上下文模块描述语义理解特征向量进行级联以得到所述第一尺度模块组合语义理解特征向量；
[0024]其中，所述级联公式为：
[0025]V1＝
Concat[V
a1
，
V
a2
，
V
a3
……
V
an
][0026]其中，
V
a1
，
V
a2
，
V
a3
……
V
an
表示所述多个上下文模块描述语义理解特征向量，
Concat[
·
]表示级联函数，
V1表示所述第一尺度模块组合语义理解特征向量
。
[0027]在上述的基于模块化设置的实验室管理方法中，融合所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特征向量以得到模块组合语义理解特征向量，包括：
[0028]以如下融合公式融合所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特征向量以得到所述模块组合语义理解特征向量；
[0029]其中，所述融合公式为：
[0030][0031][0032]其中，
V1是所述第一尺度模块组合语义理解特征向量，
V2是所述第二尺度模块组合语义理解特征向量，
<<s
和
>>s
分别表示将特征向量左移
s
位和右移
s
位，
round
为取整函数，是所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特征向量的所有特征值的均值，
‖
·
‖1表示特征向量的一范数，
d(V1,V2)
是所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特征向量之间的距离，且
log
为以2为底的对数函数，为向量减法，
α
和
β
为权重超参数
。
[0033]在上述的基于模块化设置的实验室管理方法中，将所述模块组合语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示模块组合是否存在逻辑缺陷，包括：
[0034]使用所述分类器的全连接层对所述模块组合语义理解特征向量进行全连接编码以得到编码分类特征向量；以及
[0035]将所述编码分类特征向量输入所述分类器的
Softmax
分类函数以得到所述分类结果
。
[0036]根据本申请的另一个方面，提供了一种基于模块化设置的实验室管理系统，其包括：
[0037]模块配置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于模块化设置的实验室管理方法，其特征在于，包括：配置生产环节所需的多个模块，其中，所述模块包括参数控制动作模块
、
启动选择模块
、
结束动作模块
、
比较符号模块和结束方式模块；以及对所述生产环节所需的多个模块进行校验以判断所述生产环节所需的多个模块是否存在逻辑缺陷
。2.
根据权利要求1所述的基于模块化设置的实验室管理方法，其特征在于，对所述生产环节所需的所有模块方案进行校验以判断所述生产环节所需的多个模块是否存在逻辑缺陷，包括：获取所述多个模块中各个模块的文本描述；将所述各个模块的文本描述通过
Word2Vec
模型以得到模块描述嵌入向量的序列；将所述模块描述嵌入向量的序列通过基于转换器模块的模块序列语义理解器以得到多个上下文模块描述语义理解特征向量；将所述多个上下文模块描述语义理解特征向量进行级联以得到第一尺度模块组合语义理解特征向量；将所述多个上下文模块描述语义理解特征向量通过双向长短期记忆神经网络模型以得到第二尺度模块组合语义理解特征向量；融合所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特征向量以得到模块组合语义理解特征向量；以及将所述模块组合语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示模块组合是否存在逻辑缺陷
。3.
根据权利要求2所述的基于模块化设置的实验室管理方法，其特征在于，将所述模块描述嵌入向量的序列通过基于转换器模块的模块序列语义理解器以得到多个上下文模块描述语义理解特征向量，包括：将所述模块描述嵌入向量的序列进行一维排列以得到全局模块描述特征向量；计算所述全局模块描述特征向量与所述模块描述嵌入向量的序列中各个模块描述嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过
Softmax
分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述模块描述嵌入向量的序列中各个模块描述嵌入向量进行加权以得到所述多个上下文模块描述语义理解特征向量
。4.
根据权利要求3所述的基于模块化设置的实验室管理方法，其特征在于，将所述多个上下文模块描述语义理解特征向量进行级联以得到第一尺度模块组合语义理解特征向量，包括：以如下级联公式将所述多个上下文模块描述语义理解特征向量进行级联以得到所述第一尺度模块组合语义理解特征向量；其中，所述级联公式为：
其中，表示所述多个上下文模块描述语义理解特征向量，表示级联函数，表示所述第一尺度模块组合语义理解特征向量
。5.
根据权利要求4所述的基于模块化设置的实验室管理方法，其特征在于，融合所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特征向量以得到模块组合语义理解特征向量，包括：以如下融合公式融合所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特征向量以得到所述模块组合语义理解特征向量；其中，所述融合公式为：其中，所述融合公式为：其中，是所述第一尺度模块组合语义理解特征向量，是所述第二尺度模块组合语义理解特征向量，和分别表示将特征向量左移位和右移位，为取整函数，是所述第一尺度模块组合语义理解特征向量和所述第二尺度模块组合语义理解特...

【专利技术属性】
技术研发人员：童华光，陈超，冯泳，
申请(专利权)人：台州道致科技股份有限公司，
类型：发明
国别省市：