基于MLP神经网络的离子色谱参数预测方法、装置、介质与流程
本发明属于色谱和信号处理,尤其涉及一种基于mlp神经网络的离子色谱参数预测方法、装置、介质。
背景技术:
1、在离子色谱实际分析过程中,色谱柱型号、淋洗液体系、流动相流速、柱温、进样体积、梯度淋洗程序、待测离子浓度等多项实验参数,均会直接影响离子分离效果与色谱峰特征参数,是决定检测结果准确性的核心关键条件。
2、目前,离子色谱分析领域多依赖传统实验试错法确定检测条件、获取色谱峰参数,同时行业内也逐步出现基于理论模型与简单机器学习的色谱保留行为预测技术。但现有离子色谱预测技术多依赖物理理论模型、简单机器学习模型,在实际应用中仍存在诸多难以规避的缺陷与技术瓶颈,无法满足复杂工况下高精度、全参数的预测需求。其中,传统理论模型依赖理想化假设,无法适配多实验参数耦合变化的复杂工况,难以精准拟合真实离子分离规律;常规机器学习预测技术多采用单一变量输入模式,仅能在固定实验条件下预测保留时间,无法兼容多维度变量的动态变化,工况适配性与通用性极差。同时,现有预测技术仅能实现单一保留时间参数估算,无法同步获取多类核心峰形参数,不能完整还原离子色谱分离图谱特征,存在预测参数单一、拟合精度低、复杂场景适配能力弱的缺陷。 此外,传统实验试错模式操作繁琐、耗材成本高、研发周期长,且易受人为操作、设备干扰影响,导致色谱参数获取重复性差、误差较大,严重制约离子色谱方法的快速开发与精准分析。
3、综上,现有技术存在工况适配性差、预测参数单一、精度不足等问题,亟需一种能够适配多变量复杂工况、可精准预测全套色谱峰特征参数的智能模拟技术,构建虚拟色谱柱实现离子色谱分离过程的高效仿真与参数预判。
技术实现思路
1、针对现有技术的不足,本发明提出一种基于mlp神经网络的离子色谱参数预测方法、装置、介质,其依托mlp多层感知机神经网络强大的非线性拟合与特征学习能力,深度挖掘多维度实验参数与色谱峰特征参数之间的内在关联,突破传统模型变量适配局限与拟合精度不足的问题。
2、为实现上述目的,本发明提供一种基于mlp神经网络的离子色谱参数预测方法,包括:
3、收集不同离子种类、不同色谱柱型号、多种淋洗条件、梯度程序及离子浓度下的离子色谱实测数据并预处理,得到标准化数据集;
4、搭建面向离子色谱参数预测的多层感知机神经网络模型,其中所述多层感知机神经网络模型包括输入层、隐藏层和输出层;所述输入层的神经元数量与输入维度保持一致,所述输入维度对应多个实验参数,所述多个实验参数包含待测离子名称、色谱柱名称、淋洗液名称、流速、柱温、进样体积、梯度曲线和离子浓度;所述隐藏层设置为多层全连接隐藏层,隐藏层选用relu作为激活函数,用于拟合多实验参数与色谱特征之间的非线性关联;所述输出层设置有四个神经元,分别对应一项色谱特征的预测数值,所述色谱特征包含峰起点、峰终点、保留时间和峰高;
5、利用所述标准化数据集对多层感知机神经网络模型进行迭代训练,优化模型参数,得到训练完成的虚拟色谱柱模型;
6、将待测实验参数预处理后输入至所述虚拟色谱柱模型,通过前向计算同步输出峰起点、峰终点、保留时间和峰高的预测数值,并对输出的预测数值进行反归一化处理,还原为实际物理量纲数值。
7、在本发明一实施例中,所述收集不同离子种类、不同色谱柱型号、多种淋洗条件、梯度程序及离子浓度下的离子色谱实测数据并预处理,得到标准化数据集,包括:
8、汇总不同离子种类、不同色谱柱型号、多种淋洗条件、梯度程序及离子浓度下的实验数据,整理形成原始数据集;
9、剔除所述原始数据集中的异常离群数据和缺失数据;
10、针对文本类输入参数采用标签编码方式转化为数值向量,所述文本类输入参数包括待测离子名称、色谱柱名称和淋洗液名称;
11、针对连续型数值参数采用最大-最小归一化映射至[0,1]区间,所述连续型数值参数包括流速、柱温、进样体积、离子浓度和梯度曲线;
12、将经编码和归一化处理后的标准输入向量组合为所述标准化数据集。
13、在本发明一实施例中,所述输入层接收经编码和归一化处理后的标准输入向量,并将所述标准输入向量传递至第一层隐藏层;
14、每一层隐藏层对接收到的输入数据依次执行线性变换和非线性激活,所述线性变换为对输入向量与权重矩阵进行矩阵乘法运算后叠加偏置向量,所述非线性激活为通过relu激活函数对线性变换结果进行非线性映射,得到当前隐藏层的特征输出,并将所述特征输出传递至下一层隐藏层或输出层;
15、所述输出层对最后一层隐藏层输出的特征向量与输出层权重矩阵进行矩阵乘法运算后叠加输出层偏置向量,得到初始输出结果,并通过线性激活函数将所述初始输出结果直接映射为峰起点、峰终点、保留时间和峰高的连续数值预测结果。
16、在本发明一实施例中,所述利用所述标准化数据集对所述多层感知机神经网络模型进行迭代训练,优化模型参数,得到训练完成的虚拟色谱柱模型,包括:
17、将所述标准化数据集划分为训练集、验证集与测试集;
18、以均方误差作为模型损失函数,迭代训练过程中,采用梯度下降优化算法反向传播逐层计算损失函数对各层权重矩阵和偏置向量的梯度,并依据所述梯度更新各层权重矩阵和偏置向量,使所述隐藏层在迭代过程中逐步学习到待测离子名称、色谱柱名称、淋洗液名称、流速、柱温、进样体积、梯度曲线和离子浓度八类实验参数与峰起点、峰终点、保留时间和峰高四项色谱特征之间的非线性映射关系;
19、每完成一轮迭代使用所述验证集计算模型误差,实时监测模型拟合状态;
20、当所述验证集的损失连续多轮不再下降时,判定模型收敛并停止训练;
21、利用所述测试集对模型泛化能力进行评估,筛选出预测精度最优的网络权重文件,完成所述虚拟色谱柱模型的构建。
22、在本发明一实施例中,相邻两层全连接隐藏层之间增设dropout层,所述dropout层在训练过程中以预设概率随机丢弃部分神经元的输出,使得被丢弃的神经元在该轮迭代中不参与前向传播和反向传播,以防止所述多层感知机神经网络模型过拟合。
23、在本发明一实施例中,所述隐藏层设置有两层以上全连接隐藏层,所述隐藏层的神经元数量逐层递减或保持不变,所述隐藏层的层数和各层神经元数量根据训练过程中的验证集误差通过超参数调优确定。
24、在本发明一实施例中,将待测实验条件参数按照与所述标准化数据集一致的编码规则和归一化规则进行预处理。
25、在本发明一实施例中,所述反归一化处理为最大-最小归一化的逆运算,将模型输出的[0,1]区间数值还原为对应色谱特征的实际物理量纲数值。
26、本发明另一方面还提供一种基于mlp神经网络的离子色谱参数预测装置,包括:
27、收集模块,用以收集不同离子种类、不同色谱柱型号、多种淋洗条件、梯度程序及离子浓度下的离子色谱实测数据并预处理,得到标准化数据集;
28、模型构建模块,用以搭建面向离子色谱参数预测的多层感知机神经网络模型,其中所述多层感知机神经网络模型包括输入层、隐藏层和输出层;所述输入层的神经元数量与输入维度保持一致,所述输入维度对应多个实验参数,所述多个实验参数包含待测离子名称、色谱柱名称、淋洗液名称、流速、柱温、进样体积、梯度曲线和离子浓度;所述隐藏层设置为多层全连接隐藏层,隐藏层选用relu作为激活函数,用于拟合多实验参数与色谱特征之间的非线性关联;所述输出层设置有四个神经元,分别对应一项色谱特征的预测数值,所述色谱特征包含峰起点、峰终点、保留时间和峰高;
29、模型训练模块,用以利用所述标准化数据集对多层感知机神经网络模型进行迭代训练,优化模型参数,得到训练完成的虚拟色谱柱模型;
30、预测模块,用以将待测实验参数预处理后输入至所述虚拟色谱柱模型,通过前向计算同步输出峰起点、峰终点、保留时间和峰高的预测数值,并对输出的预测数值进行反归一化处理,还原为实际物理量纲数值。
31、本发明再一方面还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述的基于mlp神经网络的离子色谱参数预测方法的步骤。
32、由以上方案可知,本发明的优点在于:
33、本发明提供的揭示的基于mlp神经网络的离子色谱参数预测方法,依托mlp神经网络强大的非线性拟合能力,整合离子色谱全维度实验条件作为统一输入,搭建通用型虚拟色谱柱模型,可一次性同步预测多项核心色谱峰参数,摆脱了传统模型仅支持单一参数预测、无法适配多变量复杂工况的局限;无需反复开展实体色谱实验,大幅降低实验成本与测试周期,预测精度和工况通用性显著优于传统理论模型与简易预测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com