[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

说明书

本发明涉及青蒿素提净度分析技术领域，具体公开了一种基于贝叶斯概率优化的青蒿素提净度分析方法，结合青蒿素提取过程数据来源多维异构的特点将多源数据(包括实时数据、实时状态时间序列和关键工艺参数)先进行整合，而后将整合后的多维异构数据与权重相结合融入到贝叶斯概率模型之中以构建贝叶斯概率模型，以确保最后输出的最优概率能反映提净效果的综合表现。本发明使青蒿素提净程度变得可监控，填补目前无法再现跟踪提净效果的空白，并且输出可靠度高，能帮助指导青蒿素生产及其副产物综合利用开发，逐步替代现有人工操作，降低安全生产风险，提高产品收率，降低生产成本。

技术领域

本发明涉及青蒿素提净度分析技术领域，尤其涉及一种基于贝叶斯概率优化的青蒿素提净度分析方法。

背景技术

青蒿素是一种新型抗疟药，是目前世界上公认的治疗脑型疟疾和抗氯喹恶性疟疾最有效的药物。它具有低毒、高效、速效的特点，已成为世界卫生组织推荐的治疗疟疾的首选方法，在国际市场上供不应求，应用及经济前景十分看好。青蒿素目前主要是直接从青蒿中提取，研究表明，青蒿的叶片和花表面的腺毛是青蒿素的主要合成和储存部位，青蒿的不同部位在不同时期的青蒿素含量不同，青蒿素的含量也与产地和生长环境相关。目前，青蒿药用成分提取率低是造成资源浪费的重大原因。未来，青蒿素及其副产物不仅应用于人类健康，还可辐射到生物农药、兽药等更多领域。但目前青蒿素生产车间因安全要求级别高，无法人工进入设备，而目前又无法在线跟踪提净效果。

发明内容

本发明提供一种基于贝叶斯概率优化的青蒿素提净度分析方法，解决的技术问题在于：现有青蒿素生产车间因安全要求级别高，无法人工进入设备监控青蒿素提净程度，也无法再现跟踪提净效果。

为解决以上技术问题，本发明提供一种基于贝叶斯概率优化的青蒿素提净度分析方法，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；

(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。

进一步地，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。

进一步地，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。

进一步地，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：