[发明专利]一种黄芪甲苷的最佳提取工艺及优化提取工艺的方法在审
申请号: | 201810613422.4 | 申请日: | 2018-06-14 |
公开(公告)号: | CN108804864A | 公开(公告)日: | 2018-11-13 |
发明(设计)人: | 张宇燕;周静;李敏;金伟锋 | 申请(专利权)人: | 浙江中医药大学 |
主分类号: | G06F19/00 | 分类号: | G06F19/00;G06N3/08;G06N3/12;C07J53/00 |
代理公司: | 杭州裕阳联合专利代理有限公司 33289 | 代理人: | 姚宇吉 |
地址: | 310053 浙*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 黄芪甲苷 乙醇 优化 称取黄芪药材 趁热过滤 甲醇定容 水浴回流 糖浆状物 提取条件 遗传算法 黄芪浆 溶剂 寻优 正交 药材 验证 语言 分析 | ||
1.一种黄芪甲苷的最佳提取工艺,其特征在于,包括如下内容:称取黄芪药材,以乙醇作为溶剂,水浴回流提取黄芪甲苷,趁热过滤,收集滤液,蒸出乙醇,得糖浆状物,将黄芪浆状物质,用甲醇定容;提取条件为:乙醇浓度75%,乙醇与药材比例12:1,提取3小时,提取3次。
2.一种黄芪甲苷的优化提取工艺的方法,其特征在于,包括如下步骤:
步骤一,选取黄芪甲苷的提取水平因素,通过醇提法提取黄芪甲苷,进行正交试验并获得正交试验数据;
步骤二,在R语言环境下建立BP神经网络模型,确定黄芪甲苷提取工艺的因素参数;
步骤三,将正交试验数据分别采用留一法进行交叉验证,根据训练结果的拟合误差和预测误差选择隐层神经元;
步骤四,在参数相同的条件下,以正交试验数据为训练样本,对不同隐层神经元进行测试,以拟合误差为选择依据,确定隐层神经元的个数;
步骤五,采用实数编码方式,使用R语言进行编程,由遗传算法得到最优目标;
步骤六,对得到的优化提取工艺进行验证,测算黄芪甲苷平均提取量和相对标准偏差,并计算与预测结果的相对误差。
3.根据权利要求2所述的一种黄芪甲苷的优化提取工艺的方法,其特征在于,步骤一,选取黄芪甲苷的提取水平因素,通过醇提法提取黄芪甲苷,进行正交试验并获得正交试验数据;所述黄芪甲苷的提取水平因素包括:乙醇浓度、液料比、提取时间、提取次数。
4.根据权利要求2所述的一种黄芪甲苷的优化提取工艺的方法,其特征在于,步骤二,在R语言环境下建立3层结构的BP神经网络模型,确定黄芪甲苷提取工艺的因素参数;输入节点数为4个,即四因素乙醇浓度、液料比、提取时间以及提取次数;输出节点数为1个,即黄芪甲苷提取量。
5.根据权利要求2所述的一种黄芪甲苷的优化提取工艺的方法,其特征在于,步骤三,将正交试验的9组数据数据分别采用留一法进行交叉验证,初始随机权为0.3,参数重量衰变为5×10-4,最大迭代次数为800,其他参数均为默认值进行训练,以训练结果的拟合误差和预测误差为依据选择隐层神经元,得出隐层神经元的训练结果,通过训练结果得知当隐层神经元为0和1时,其平均拟合误差以及平均预测误差均小于5%,所以隐层神经元为0和1。
6.根据权利要求2所述的一种黄芪甲苷的优化提取工艺的方法,其特征在于,步骤四,在参数相同的条件下,以将9组正交试验数据为训练样本,对不同隐层神经元进行测试,以拟合误差为选择依据,确定隐层神经元的个数,得到隐层神经元测试训练结果,根据训练结果得知,神经网络的隐层神经元个数为0个。
7.根据权利要求2所述的一种黄芪甲苷的优化提取工艺的方法,其特征在于,步骤五,采用实数编码方式,其种群大小为500,接近的最大代数为100,最大不可变代数为10,收敛公差为1×10-4,其他参数则为默认值;使用R语言进行编程,由遗传算法得到以下结果:共运行12代,运行时间为5s,运行到第10代时黄芪甲苷提取量最大,其预测值为每3g黄芪药材可提取74.165mg黄芪甲苷,得到此结果的工艺条件为乙醇浓度75%,液料比12:1,提取时间3h,提取次数为3次。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江中医药大学,未经浙江中医药大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810613422.4/1.html,转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用