[发明专利]一种基于近红外传感器融合的药物结晶过程质量非线性表征方法

权利要求书

1.一种莱鲍迪苷A结晶过程中上清液中药物含量的快速表征方法，其特征在于，所述方法包括：通过一种近红外传感器融合方法以及一种近红外传感器融合的药物结晶过程质量非线性表征方法建立非线性莱鲍迪苷A含量模型；

所述一种近红外传感器融合方法包括：近红外光经过待测物质再通过光纤分路器分别到达并联的两个近红外传感器，同时检测，检测信号通过上位机进行读取，完成融合光谱的采集，所述近红外传感器型号不同，根据目标物质的特征波长选择不同的传感器组合；两个近红外传感器检测波长范围分别为1350nm-1650nm和1550nm-1950nm；

所述一种近红外传感器融合的药物结晶过程质量非线性表征方法包括：基于近红外传感器融合方法的多光谱采集平台的搭建及光谱的采集，对近红外光谱进行处理并构建卷积神经网络非线性融合模型，通过对不同波段近红外传感器的融合改善模型性能；

其中，所述卷积神经网络非线性融合模型的构建是建立原始光谱融合CNN模型、外积融合CNN模型和主成分融合CNN模型，通过对各融合模型建模结果的比较，确定所建的原始光谱融合CNN模型是实现莱鲍迪苷A结晶过程非线性表征的最佳模型；所述原始光谱融合CNN模型建立的方法为：模型配置好后将光谱数据与一级数据导入神经网络进行训练，确定卷积核个数为128，全连接神经元个数为64，再对卷积核大小进行优化，确定卷积核大小为15，建立原始光谱融合CNN模型；以RMSEP、R_p²、RPD为模型评价参数。

2.如权利要求1所述方法，其特征在于，所述近红外传感器为微型近红外光传感器。

3.如权利要求1所述方法，其特征在于，近红外光谱采集模式为透射模式。

4.如权利要求1所述方法，其特征在于，所述近红外传感器融合方法中采用温控附件控温。

5.如权利要求1所述方法，其特征在于，利用PCA对原始光谱进行异常光谱并集剔除与样本集划分。

6.如权利要求1所述方法，其特征在于，外积融合CNN模型建立的方法为：优化卷积核大小、卷积核个数及全连接神经元个数。

7.如权利要求1所述方法，其特征在于，主成分融合CNN模型建立中，对两个传感器获得的光谱数据分别进行主成分分析，确定融合的主成分数，建立主成分融合CNN模型。