[發(fā)明專利]一種基于深度學(xué)習(xí)的微型化學(xué)實驗系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 201910957280.8
• 申請日: 2019-10-10
• 公開（公告）號: CN110610747B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設(shè)計）人: 謝曉蘭;邱夢楠;劉亞榮;郭強
• 申請（專利權(quán)）人: 桂林理工大學(xué)
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/90;G06Q50/20
• 代理公司: 北京睿智保誠專利代理事務(wù)所(普通合伙) 11732
• 代理人: 周新楣

1.一種基于深度學(xué)習(xí)的微型化學(xué)實驗方法，其特征在于，具體的方法步驟如下：

步驟一：輸入要合成的物質(zhì)的數(shù)據(jù)；

步驟二：在與綠色化學(xué)配套的大數(shù)據(jù)平臺中采用關(guān)聯(lián)規(guī)則和聚類算法獲取所述要合成的物質(zhì)的歷史大數(shù)據(jù)；

步驟三：在所述大數(shù)據(jù)平臺中使用SparkMLlib提供的文本特征提取方法Countvectorizer提取所述要合成的物質(zhì)的特征信息；

步驟四：依據(jù)所述特征信息，在所述大數(shù)據(jù)平臺中使用并行粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法尋找與所述要合成的物質(zhì)的特征信息相關(guān)的試劑；

步驟五：采用滾動優(yōu)化算法應(yīng)用計算機仿真技術(shù)模擬所述試劑合成；

步驟六：結(jié)合所述合成的動態(tài)演化規(guī)律得到實時數(shù)據(jù)的性能評估指標(biāo)；

步驟七：將所述性能評估指標(biāo)存儲到所述大數(shù)據(jù)平臺中，同時反饋給用戶。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的微型化學(xué)實驗方法，其特征在于，所述的SparkMLlib提供的文本特征提取方法Countvectorizer具體內(nèi)容為：

Countvectorizer和Countvectorizermodel旨在通過計數(shù)來將一個文檔轉(zhuǎn)換為向量，當(dāng)不存在先驗字典時，Countvectorizer可作為Estimator來提取詞匯，并生成一個計數(shù)矢量器模型Countvectorizermodel，該模型產(chǎn)生文檔關(guān)于詞語的稀疏表示，模型產(chǎn)生的文檔可以傳遞給其他算法，包括但不限于LDA，在fitting過程中，countvectorizer將根據(jù)語料庫中的詞頻排序選出前vocabsize個詞，一個可選的參數(shù)minDF也影響fitting過程中，它指定詞匯表中的詞語在文檔中最少出現(xiàn)的次數(shù)，另一個可選的二值參數(shù)控制輸出向量，如果設(shè)置為真那么所有非零的計數(shù)為1，這對于二值型離散概率模型非常有用。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的微型化學(xué)實驗方法，其特征在于，所述的并行粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法，具體包括：

(1)讀入訓(xùn)練樣本和測試樣本，數(shù)據(jù)預(yù)處理，設(shè)定最大迭代次數(shù)T_max；

(2)隨機初始化每個粒子的速度V_id(t)和位置X_id(t)；

(3)初始化個體最優(yōu)位置Pbest_id(t)和全局最優(yōu)位置Gbest_id(t)；

(4)更新每個粒子的速度V_id(t)和位置X_id(t)；

(5)計算每個粒子對應(yīng)的適應(yīng)度值(即NN的輸出誤差)F(X_i)；

(6)更新個體最優(yōu)位置Pbest_id(t)和全局最優(yōu)位置Gbest_id(t)；

(7)若達到最大迭代次數(shù)T_max，則將訓(xùn)練樣本和測試樣本帶入訓(xùn)練好的NN,得到網(wǎng)絡(luò)輸出；否則返回更新每個粒子的速度V_id(t)和位置X_id(t)；

(8)將訓(xùn)練樣本和測試樣本帶入訓(xùn)練好的NN,得到網(wǎng)絡(luò)輸出；

其中，算法的速度更新和位置更新公式：

V_id(t+1)＝ωV_id(t)+c₁r₁(Pbest_id(t)-X_id(t))+c₂r₂(Gbest_id(t)-X_id(t))

X_id(t+1)＝X_id(t)+V_id(t+1)

其中，粒子群由N個粒子組成，每個粒子的位置代表優(yōu)化問題在D維搜索空間中的一個潛在的解；D為NN權(quán)閾值的數(shù)目；i為粒子數(shù)，i＝1，2...，N，d＝1，2...，D；c₁和c₂是學(xué)習(xí)因子，非負的常數(shù)；r₁和r₂是介于[0，1]的均勻分布的隨機數(shù)；V_id(t)∈[-V_max，V_max]，V_max限制了粒子飛行的最大速度，X_id(t)∈[-X_max，X_max]，X_max限制了粒子搜索空間的范圍，設(shè)定V_max＝kV_max，0≤k≤1；ω是慣性權(quán)重，介于[0，1]，用來平衡粒子的全局搜索能力。