[發明專利]一種鑒別黃酮類和二苯甲酮類化合物的神經網絡模型

在審

• 申請號: 202011054258.1
• 申請日: 2020-09-30
• 公開（公告）號: CN112215343A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 韓立峰;劉二偉;于海洋;張祎;王濤;竇志英;高秀梅
• 申請（專利權）人: 天津中醫藥大學
• 主分類號: G06N3/063
• 分類號: G06N3/063;G06N3/04;G06K9/62
• 代理公司: 天津展譽專利代理有限公司 12221
• 代理人: 劉紅春

本發明提供了一種鑒別黃酮類和二苯甲酮類化合物的神經網絡模型，涉及中醫藥化學成分的分類模型領域，包括輸入層、多層神經層和輸出層，其中神經層采用前饋神經網絡作為基礎架構，該神經網絡模型能夠實現對二苯甲酮類化合物和黃酮類化合物進行高精度區分，便于工作人員高效識別中草藥植物中的二苯甲酮類化合物和黃酮類化合物。

技術領域

本發明涉及中醫藥化學成分的分類模型領域，尤其涉及一種鑒別黃酮類和二苯甲酮類化合物的神經網絡模型。

背景技術

隨著深度學習技術的蓬勃發展，其在語音、圖像、數據分析等計算機領域都發揮出了舉足輕重的作用。近年來，深層學習也被成功地應用到金融、生物醫療、化學分析等其他學科中。不同的學科研究中，對深度學習技術的任務需求是不一樣的，例如股市預測、圖像生成等領域需要神經網絡模型完成回歸任務，也就是預測具體數據，實現數據生成的任務。而像醫療診斷、化合物成分鑒定等領域，更多地是需要神經網絡模型完成分類的任務，希望神經網絡模型能夠給出具體的分類結果，例如，判斷患者是否有病，給出鑒定的化合物類型等等。現代深度學習技術的發展過程中，涌現出了一系列非常強大的神經網絡模型。通常，我們將具有三層以上神經層的神經網絡模型稱為深層神經網絡模型，可以通過添加不同的神經網絡層和調整每層神經元的個數和組合方式，使得深層神經網絡可以實現更加復雜的功能。在給定足夠大的模型和足夠大的標記訓練示例數據集的情況下，可以通過模型的深入學習來完成大多數任務，這些任務就包括了將輸入向量映射到輸出向量的回歸任務，以及將輸入向量映射成一種分類結果的分類任務。雖然對于一個人來說，這些任務很容易快速完成，但是對于人工設計的神經網絡模型來說，這種將一個向量與另一個向量相關聯的任務是足夠困難的。

由于中藥成分分析領域中黃酮和二苯甲酮類化合物極其相似，人工分辨難度較大，因此如何快速分類黃酮和二苯甲酮類化合物成為了本領域技術人員亟待解決的問題。

發明內容

本發明所要解決的技術問題是克服現有技術中存在的不足，提供一種鑒別黃酮類和二苯甲酮類化合物的神經網絡模型。

本發明是通過以下技術方案予以實現：一種鑒別黃酮類和二苯甲酮類化合物的神經網絡模型，包括輸入層、多層神經層和輸出層，所述神經層的運算公式如下：

f⁽ⁱ⁾＝g(W^Tf^(i-1)+b)

其中，W和b分別表示加權運算的權重和偏置。

根據上述技術方案，優選地，所述輸出層包括兩組神經元，化合物的分類依據兩組神經元的概率確定，神經元的激活運算采用二分類的 Softmax函數如下：

其中，Si為神經模型的輸出，i的取值為1,2，分別代表著第一個和第二個輸出神經元，第一個神經元代表的黃酮類化合物，第二個神經元代表的是二苯甲酮類化合物。f1和f2分別表示輸出層的第一個和第二個神經元的線性輸出結果。

根據上述技術方案，優選地，兩組神經元的輸出概率之和等于1。

根據上述技術方案，優選地，還包括參數優化函數，所述參數優化函數采用交叉熵函數如下：

其中，T1和T2是用于模型訓練的已知數據的理想的類別標簽，T1 代表黃酮類化合物，T2代表二苯甲酮類化合物，兩類類別標簽數值為0 或1。

本發明的有益效果是：本發明的神經網絡模型能夠實現對二苯甲酮類化合物和黃酮類化合物進行高精度區分，便于工作人員高效識別中草藥植物中的二苯甲酮類化合物和黃酮類化合物。

附圖說明

圖1是應用于黃酮和二苯甲酮類化合物分類的前饋神經網絡模型設計圖；

圖2是實驗數據集的分配圖；