[发明专利]基于机器学习技术的液相色谱分离仪的梯度推荐方法

权利要求书

1.一种基于机器学习技术的液相色谱分离仪的梯度推荐方法，其特征在于，方法包括；

构建评价系数：设置至少基于分离度系数e_sep、溶剂成本系数e_sol、分离柱成本系数e_col和时间成本系数e_time的评价系数e；

获得梯度推荐算法模型：构建基于影响因子的梯度走势G，将梯度走势G在机器学习模型中进行学习，以获得梯度推荐算法模型；

评价系数e的取值如下：e＝w_i’e_sep+w₂’e_sot+w₃’e_col+w₄’e_time；

其中，w₁’、w₂’、w₃’、w₄’为权重且w₁’+w₂’+w₃’+w₄’＝1；

所述影响因子中包括评价系数e；

获得梯度推荐算法模型的步骤包括：

对收集的某一类包含影响因子的实验数据进行清洗；

将清洗后的实验数据划分为训练集和测试集；

构建基于包含评价系数e在内的影响因子的梯度走势G；

将梯度走势G带入机器学习模型中利用训练集进行训练，得到梯度推荐预测模型；

使用测试集对梯度推荐预测模型进行评估；

根据评估结果调整梯度推荐预测模型，最终得到梯度推荐算法模型。

2.根据权利要求1所述的方法，其特征在于，

设e_init-sep＝e_init-sol＝e_init-col＝e_init-time，e_mit-sep，e_init-sol、e_init-col、e_init-time分别为e_sep、e_sol、e_col、e_time初始值；

不同维度的评价方法包括：

(1)分离度系数e_sep取值如下

其中，R_n为标准分离时每个峰的分离间隔，[R_min，R_max]为标准分离阈值范围，d₁、d₂为变化斜率，ΔR为R_n的变化值；

(2)溶剂成本系数e_sol取值如下

其中，CV_base为消耗柱体积基础值，ΔCV为消耗柱体积的偏移量；

(3)分离柱成本系数e_col取值如下

e_col＝f₃(sc)

其中，sc为分离柱的选型；

(4)时间成本系数e_time取值如下

其中，T_base为预设的时间基准，ΔT为最小时间变化单元；

f₁(*)、f₂(*)、f₃(*)、f₄(*)、f₅(*)均为y＝kx+d形式表示，f(*)为机器学习算法。

3.根据权利要求1所述的方法，其特征在于，

所述机器学习模型为线性回归模型。