[发明专利]一种基于机器学习的高精度药物定量方法

说明书

本发明公开了一种基于机器学习的高精度药物定量方法，通过获取定量系统单次落料量的历史数据；将单次落料量的历史数据进行统计学分析，获取训练集；以单次落料量的训练集作为自适应神经网络的输入值，并对自适应神经网络进行学习，得到神经网络模型；输出模型结果；将模型输出响应和期望响应进行对比，输出误差信号；判断累计落料量是否达到目标值；若达到目标值，则完成药物的定量。该方法效率高，对环境适应能力强，定量精度高，操作简单，定量误差小。

技术领域

本发明涉及药物定量技术领域，具体是一种基于机器学习的高精度药物定量方法。

背景技术

医疗健康产业以维护和促进人民群众身心健康为目标，有国外学者指出，医疗健康产业将会成为继IT产业之后的“全球第五波财富”。部分发达国家经济增长的主要动力就来自于医疗健康产业，然而我国医疗健康产业远远落后于美国、加拿大以及日本等发达国家，甚至落后于部分发展中国家。在我国，很多大型制药企业依然使用普通的自动化仪器进行药物的定量称重，但是由于药物的硬度、湿度、粒径等参数的不确定性，很难实现药物定量设备的高精度定量。

有鉴于此，本发明提供了一种基于机器学习的高精度药物定量方法。本方法使用计算方法直接从数据中“学习”信息，而不依赖于预定的方程模型。当可用于学习的样本数量增加时，这些算法可自适应提高性能，不断缩短定量的时间、提高定重的精度。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种基于机器学习的高精度药物定量方法，该方法效率高，对环境适应能力强，定量精度高，操作简单，定量误差小。

实现本发明目的的技术方案是：

一种基于机器学习的高精度药物定量方法，具体包括如下步骤：

1)获取定量设备单次落料量的历史数据；

2)将单次落料量的历史数据进行统计学分析，获取训练集，从训练集中抽取最优期望，并根据实际环境参数建立期望响应；

3)以单次落料量的训练集作为自适应神经网络的输入值，根据输入值和误差信号及时调整自适应神经网络的参数，并对自适应神经网络进行学习，得到神经网络模型；

4)神经网络模型输出结果；

5)设期望响应与神经网络模型结果输出响应的误差为差ε⁽ⁱ⁾，预测结果θ^Tx⁽ⁱ⁾和真实结果y⁽ⁱ⁾满足下式：

y⁽ⁱ⁾＝θ^Tx⁽ⁱ⁾+ε⁽ⁱ⁾ (1)

误差满足平均值为0的高斯分布，则x和y的条件概率为：

该条件概率为最大似然估计，当最大似然估计最大时，确定θ，对最大似然估计公司进行求导，将求导结果作为误差信号，对期望响应和模型结果输出响应进行对比；所述的求导结果为：

6)判断累计落料量是否到达目标值，若未到达，将误差信号返回到步骤3)，继续学习；若到达目标值，则本次定量完成。

步骤3)中，所述的自适应神经网络分为四成，分别是源节点输入层、第一隐藏层、第二隐藏层和神经元输出层。

步骤3)中，所述的自适应神经网络的学习算法，采用梯度下降算法，梯度下降函数为：

梯度下降算法是按下面的流程进行的：

a)首先对θ赋值，这个值可以是随机的，也可以让θ是一个全为零的向量；