[发明专利]智能微藻培养系统及其工作方法

说明书

本申请涉及智能微藻培养的领域，其具体地公开了一种智能微藻培养系统及其工作方法，其以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从所述输入参数的向量提取高维特征，再以分类器来确定特征向量在所述标签值下的概率值，以确定培养基添加量是否合理。并且在此过程中，还基于所述标签值与所述输入参数之间的关联来构造损失函数，以使得深度神经网络的参数更新能够考虑所述标签值的类别概率信息，以及概率标签值与输入数据间的关联信息。这样，可以更准确地对培养基添加量是否合理进行准确地判断，进而使得微藻的生长更佳。

技术领域

本申请涉及智能微藻培养的领域，且更为具体地，涉及一种智能微藻培养系统及其工作方法。

背景技术

微藻通常是表示形态极小的藻类微生物，其细胞结构简单，能适应在恶劣的环境中生长和繁殖，是科学界认定的生存在地球上最古老的物种之一。微藻无论对于资源环境还是生活健康，都具有极高的研究和应用价值。

然而，微藻具有广泛利用价值和广阔发展空间的同时，也伴随着更高难度的培养和保存技术，大批量的规模化培养和生产仍存在继续解决的关键性技术瓶颈。

微藻的生长过中会受到大量的因素影响，不同的光照、温度、营养物质、盐度、酸碱度、溶解含氧量等都会使微藻的生长状态发生变化。并且，微藻的生长过程并不是简单的线性系统，其受环境影响较多，而且在环境调节时会面临较大的时滞问题。因此，为了对环境的调节是否合理进行准确地判断，以更利于微藻的生长，期待一种智能微藻培养系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能微藻培养系统及其工作方法，其以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从所述输入参数的向量提取高维特征，再以分类器来确定特征向量在所述标签值下的概率值，以确定培养基添加量是否合理。并且在此过程中，还基于所述标签值与所述输入参数之间的关联来构造损失函数，以使得深度神经网络的参数更新能够考虑所述标签值的类别概率信息，以及概率标签值与输入数据间的关联信息。这样，可以更准确地对培养基添加量是否合理进行准确地判断，进而使得微藻的生长更佳。

根据本申请的一个方面，提供了一种智能微藻培养系统，其包括：

训练模块，包括：

训练数据获取单元，用于获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；

特征编码单元，用于将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量；

分类损失函数值计算单元，用于将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值；

损失函数值构造单元，用于基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基含氧比和所述混氧系数有关；

训练单元，用于以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型；以及

推断模块，包括：

待预测数据获取单元，用于获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；

编码单元，用于将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；以及