[发明专利]一种基于贝叶斯概率优化的青蒿素提净度分析方法

权利要求书

1.一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于，包括步骤：

(1)预训练处理

S1：收集青蒿素提取过程中的实时数据，并对所述实时数据进行实体命名识别，提取出评语、提净度及影响因子的实体；

S2：收集青蒿素提取过程中的有机溶剂的实时状态时间序列，并对所述实时状态时间序列进行预训练图像处理，得到维度相同的输出特征；

S3：收集青蒿素提取过程中的关键工艺参数，并对所述关键工艺参数做归一化处理；

(2)多维异构数据整合

S4：将步骤S1、S2和S3得到的数据一并放入序列挖掘当中进行整合；

S5：将步骤S4整合后的数据先归一化为神经网络处理分布，进一步将归一化的神经网络处理分布转换为高斯分布；

在所述步骤S5中，归一化为神经网络处理分布的步骤包括：

S51：对步骤S4整合后的数据进行加权；所述步骤S51采用如下四个权重公式进行加权：

权重公式一：

其中，n(i,j)表示实体i和j同时出现的次数，i＝1,2,…,N，N表示按概率排序的前top-N预测；

权重公式二：

其中，n_i表示给定数据样本中包含相对应实体i的数量，D为实体特征矩阵；

权重公式三：

权重公式四：

其中，t_i表示整个训练语料中实体i出现的次数；

S52：对步骤S51进行加权后的权重分数进行整合；所述步骤S52进行权重分数整合依据：

其中，d代表步骤，Pr(d)指的是步骤d输出的先验概率，F⁺、F^-代表实体极性，“+”代表相关，“-”代表不相关，下标1、2、3分别对应实时数据、有机溶剂的实时状态时间序列、关键工艺参数，Pr(d_CNN)代表神经网络得到的先验概率，Pr(d_BN)代表贝叶斯网络上得到的后验概率；

(3)贝叶斯概率优化

S6：将步骤S5转化为高斯分布的数据放入贝叶斯概率模型中，进行贝叶斯概率分布，输出最优概率，从而得到最准确的青蒿素提净度并以此优化步骤(2)中的神经网络。

2.如权利要求1所述的一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于，步骤S1具体包括步骤：

S11：收集青蒿素提取过程的实时数据，并对不同过程的实时数据进行分组编号；

S12：分别采取不同的n-gram内核对步骤S11得到的数据进行预处理，得到分组后的文本数据；

S13：基于先进中文识别模型对步骤S12得到的数据进行实体命名提取，得到评语、提净度及影响因子的实体。

3.如权利要求1或2所述的一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于：在所述步骤S2中，基于Transformer预训练图像处理方法对所述实时状态时间序列进行预训练图像处理。

4.如权利要求3所述的一种基于贝叶斯概率优化的青蒿素提净度分析方法，其特征在于，在所述步骤S2中，基于Transformer预训练图像处理方法进行预训练图像处理的步骤包括：

S21：将采集的实时状态时间序列对应的图片x经过一个头结构Hⁱ()变换为特征图f_H＝Hⁱ(x),f_H∈R^H×C×W；

S22：对特征图f_H进行切块与拉平操作，具体是，按照P×P的大小将特征图切割成N块，每一个特征块再被拉平为维度为P^2×C的向量，得到特征向量

S23：将所有的特征向量送入Transformer进行处理，得到维度相同的输出特征