[发明专利]一种高通量组合实验中的空间填补最优设计方法

说明书

技术领域

本发明涉及一种最优设计方法，具体地说是一种适用于高通量组合实验系统，也可用于低通量组合实验中系统数据的分析的空间填补最优设计方法。

背景技术

近年来，高通量组合实验在材料科学中，尤其是新材料的发展中，应用日趋广泛。针对采样数据的准备及特特征，尽管实验设备和技术做了很大改进(有代表性的改进之一就是高端的自动化操作)，但对于实验设计和实验结果的分析关注仍然较少。许多用于传统实验设计和数据分析的方法仍然只是简单地移植用于高通量组合实验中。然而，值得注意的是，高通量组合实验方法特征往往与传统实验设计方法有一些显著不同：

(1)相比于传统实验设计，高通量组合实验往往涉及多因素，即因素空间维数大，而且每个考虑的因素变化范围也很宽。

(2)传统实验设计中，往往会考虑以最少的实验次数来获得所须信息。然而，在高通量组合实验设计中，保持实验次数最低并不是最重要的原则。对参数组合间进行上百次或上千次的实验循环是很正常。例如，一种多重高通量生物学和化学试验装置，采用重复性探针阵列的组分，其表面含有多个测定区来测定实验数据。

(3)高通量技术往往自动化程度高。因而，一般来说(至少相比于手动操作方法)，这也说明可获得更高的可重复性、更低的不可控变化以及更小的实验误差。

在高通量组合实验，为了进一步探究参数空间，传统的方法通常是开展一系列新的实验测试，并重复这一过程。但是，一个明显的问题是如何有效地选取下一批实验测试点。人们通常自然地会想到“完全探测”出参数空间，基于这种尽可能多地利用实验数据来进行“训练”的方法已经有了不少研究，比如：批量迭代法、神经网络法、遗传算法。但是，这些方法由于都不是通过参数空间严格数学推导建立的，所以都不是严格意义可靠的优化设计方法，并且这些设计方法中设计参数依赖比较严重。例如，神经网络系统网络初始权值对于学习是否达到局部最小、是否能够收敛以及训练时间的长短的关系很大；另外，若网络中间隐层的节点过少，则网络难以处理复杂的问题，但若中间隐层的节点过多，则将使网络学习时间急剧增加，而且还可能导致网络学习过度，使网络抗干扰能力下降。目前，还没有完善的理论来指导中间隐层节点数的选择而只是结合实际情况进行试探性选择再逐步优化。在遗传算法中，算法对初始种群的选择对有一定的依赖性。另外，这些设计方法对于新增数据情况下，不能在充分利用原有优化设计结构，只能对整套数据进行重新学习或训练。因此，有必要建立一种科学可靠的优化设计方法来分析高通量组合实验。

发明内容

本发明的目的在于克服上述不足之处，从而提供一种新的高通量组合实验空间填补最优设计方法，充分利用了新增实验前的优化设计结构，降低设计处理的重复性，提高设计的科学性、可靠性。

按照本发明提供的技术方案，一种高通量组合实验中的空间填补最优设计方法包括如下步骤：

(1)根据高通量组合实验数据，确定实验数据空间维数；所述实验数据空间维数，即实验因素的数目。

(2)计算最优指标均方逼近误差ε来衡量空间填补设计的效果，以获得基本元胞的最优设计结构。均方逼近误差ε的计算方法如下：

令q_ij(x)＝xixj/h²，i，j＝1，2，…，n用以衡量实验元胞E内实际数据单位最大值，为元胞E上q_ij(x)的线性插值；定义均方逼近误差为