[发明专利]人工智能预测活性成分动态溶解度的方法、设备及系统在审
申请号: | 201910991714.6 | 申请日: | 2019-10-18 |
公开(公告)号: | CN110766156A | 公开(公告)日: | 2020-02-07 |
发明(设计)人: | 王昊昱;曹兆洋;王中彦;覃宁远 | 申请(专利权)人: | 王昊昱;曹兆洋;王中彦 |
主分类号: | G06N3/08 | 分类号: | G06N3/08;G06Q10/04;G01N13/00 |
代理公司: | 34158 合肥方舟知识产权代理事务所(普通合伙) | 代理人: | 朱荣 |
地址: | 315100 浙江省宁波市泰*** | 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: | 溶解度 神经网络模型 变量数据 活性成分化合物 溶解度数据 人工智能 预测 单因素考察 设备及系统 平行样本 实验数据 实验误差 输入变量 输入步骤 异常数据 影响因素 预测数据 准确度 标准差 再利用 导出 研发 剔除 平行 修正 | ||
1.人工智能预测活性成分动态溶解度的方法,其特征在于,包括以下步骤:
S1:任意选择一个影响活性成分化合物溶解度因素中的数据作为变量数据,在其他影响因素不变的情况下,通过多组实验得到溶解度数据,将变量数据与相对应的溶解度数据作为平行样本实验数据训练神经网络模型;
S2:将新的活性成分的变量数据作为输入变量输入步骤S1训练后的神经网络模型中,通过步骤S1训练后的神经网络模型计算出预测数据,再利用导出公式进行修正预测出活性成分化合物的溶解度曲线。
2.根据权利要求1所述的人工智能预测活性成分动态溶解度的方法,其特征在于,所述步骤S2中,导出公式的计算式:
y=m+3k(x-n)-3k2(x-n)2+k3(x-n)3,当时,y=Cs;
其中n为物料投放后,外界影响活性成分进行模型内溶出的时间校正系数;k为常数;m为润湿过程中,速度变量的校正系数;Cs为活性成分的溶解度;x为取样时间。
3.根据权利要求2所述的人工智能预测活性成分动态溶解度的方法,其特征在于,所述步骤S1中,建立神经网络模型的梯度平行样本实验数据不少于4个,取建立神经网络模型的平行样本实验数据中的溶出时间作为x,该时间点上的溶出量作为y,将导出公式以及x、y的数据矩阵输入至curve fitting模型中,得出参数m、n、k的值,所述溶解度的影响因素包括活性成分理化常数,溶出仪桨的转速、溶出仪桨的形状,溶出仪转篮的转速,溶出仪转篮的形状、溶出介质的理化常数,溶出杯的形状,溶出时间。
4.根据权利要求3所述的人工智能预测活性成分动态溶解度的方法,其特征在于,在输入x、y的数据矩阵至curve fitting模型中时,先设定标准值,curve fitting模型会自动计算x、y数据矩阵与其他的实验数据的x、y数据矩阵的标准差或方差,标准差或方差超过设定的标准值,则自动将数据清除。
5.根据权利要求4所述的一种利用人工智能预测活性成分动态溶解度的方法,其特征在于,所述步骤S1中,将平行样本实验数据中的变量数据作为输入值,溶解度作为输出值,根据神经网络逻辑进行训练,不断修正神经网络逻辑的权值和阈值,完成神经网络模型的建立。
6.根据权利要求5所述的人工智能预测活性成分动态溶解度的方法,其特征在于,所述神经网络模型选择BP神经网络模型或RBF神经网络模型中的一种。
7.根据权利要求6所述的人工智能预测活性成分动态溶解度的方法,其特征在于,采用n个平行样本实验数据分别建立BP神经网络模型和RBF神经网络模型,其中,n不小于4,将第n+1个平行样本实验数据的变量数据分别输入BP神经网络模型和RBF神经网络模型中,再利用导出公式得出预测数据,将预测数据与第n+1个平行样本实验数据的实际数据进行比较,选出误差较小的神经网络模型。
8.根据权利要求7所述的人工智能预测活性成分动态溶解度的方法,其特征在于,将经过BP神经网络模型和RBF神经网络模型,再利用导出公式得出预测数据分别与平行样本实验数据的实际数据计算方差,选择方差较小的神经网络模型。
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王昊昱;曹兆洋;王中彦,未经王昊昱;曹兆洋;王中彦许可,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/201910991714.6/1.html,转载请声明来源钻瓜专利网。