一种基于人工神经网络模型的灭菌参数选择方法及系统与流程

本发明涉及灭菌领域，特别是涉及一种基于人工神经网络模型的灭菌参数选择方法及系统。

背景技术：

由于超声杀菌过程的复杂性，采用传统的分析方法很难建立其精确的理论数学模型，即使能够建立，也往往是一个极其复杂的微分方程组。据此来建立超声效应模型的解析表达式来选择灭菌效果好的超声参数不现实，也无法根据超声参数来分析超声波空化作用与灭菌效果的分析。

随着人工智能学科的研究和发展，通过系统辨识来建立复杂对象的模型已成为一种常用的有效手段。相对于其它辨识方法，使用基于人工神经网络(artificialneuralnetwork，ann)的建模方法对系统进行参数优化设计可以有效弥补实验研究的不足，降低实验研究成本。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于人工神经网络模型的灭菌参数选择方法及系统，用于解决现有技术中根据微分方程组建立超声效应模型的解析表达式来选择灭菌效果好的超声参数不现实以及无法根据超声参数来分析超声波空化作用与灭菌效果的分析的问题。

为实现上述目的及其他相关目的，本发明提供一种基于人工神经网络模型的灭菌参数选择方法，所述灭菌参数选择方法包括以下步骤：

获取灭菌参数样本数据，根据所述灭菌参数样本数据建立样本数据集，所述灭菌参数样本数据至少包括超声参数和空化作用参数；

对所述样本数据集进行训练，建立人工神经网络模型；

对人工神经网络模型进行验证，获取最优参数，建立灭菌参数选择模型；

根据所述灭菌参数选择模型确定最优的超声参数和空化作用参数之间的关系，完成灭菌参数选择。

可选的，所述超声参数至少包括超声强度和辐照时间，所述空化作用参数至少包括细菌存活数量或者细菌死亡数量。

可选的，所述对人工神经网络模型进行验证包括：

选取用于验证的超声参数，并将所述用于验证的超声参数输入到所述人工神经网络模型，得到系统结果参数；

获取所述用于验证的超声参数对应的所述空化作用参数；

判断所述空化作用参数与所述系统结果参数是否符合一预设条件；

若是，则根据符合所述预设条件的超声参数和空化作用参数之间的关系建立灭菌参数选择模型；

若否，则重新选择用于验证的超声参数。

可选的，当所述空化作用参数与所述系统结果参数不符合一预设条件时，通过阶跃函数对多个所述用于验证的超声参数进行处理或/和使用残差原理对多个所述用于验证的超声参数进行处理。

本发明还提供一种基于人工神经网络模型的灭菌参数选择系统，包括：

获取模块，用于获取灭菌参数样本数据，并根据所述灭菌参数样本数据建立样本数据集，其中，所述灭菌参数样本数据至少包括超声参数和空化作用参数；

处理模块，用于对所述样本数据集进行训练，建立人工神经网络模型；

验证模块，用于对人工神经网络模型进行验证，获取最优参数，建立灭菌参数选择模型；

选择模块，用于根据所述灭菌参数选择模型确定最优的超声参数和空化作用参数之间的关系，完成灭菌参数选择。

可选的，所述验证模块还用于选取用于验证的超声参数，并将所述用于验证的超声参数输入到所述人工神经网络模型，得到系统结果参数：

获取所述用于验证的超声参数对应的所述空化作用参数；

判断所述空化作用参数与所述系统结果参数是否符合一预设条件；

若是，则根据符合所述预设条件的超声参数和空化作用参数之间的关系建立灭菌参数选择模型；

若否，则重新选择用于验证的超声参数。

可选的，当所述空化作用参数与所述系统结果参数不符合一预设条件时，所述验证模块还用于通过阶跃函数对多个所述用于验证的超声参数进行处理或/和使用残差原理对多个所述用于验证的超声参数进行处理。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于人工神经网络模型的灭菌参数选择方法。

本发明还提供一种电子终端，包括：处理器及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述基于人工神经网络模型的灭菌参数选择方法。

如上所述，本发明的一种基于人工神经网络模型的灭菌参数选择方法及系统，以实际的超声参数以及灭菌结果参数为基准，建立人工神经网络模型，并根据所述超声参数对应的所述系统结果参数与所述超声参数对应的所述实验结果参数的判断结果对人工神经网络进行自适应训练和调整，至得到可以输出可靠系统参数结果；本发明通过大量的实验样本数据训练模型后，得到的仿真结果或拟合值，如此建立的灭菌参数选择模型可以选择灭菌效果好的超声参数，并根据超声参数来分析超声波空化作用与灭菌效果的分析。

附图说明

图1显示为本发明的一种基于人工神经网络模型的灭菌参数选择方法流程图。

图2显示为本发明的一种基于人工神经网络模型的灭菌参数选择方法的实验结果表格。

图3显示为本发明的一种基于人工神经网络模型的灭菌参数选择系统的框图。

图4显示为本发明的一种基于人工神经网络模型的灭菌参数选择方法的实验结果参数与系统结果参数的对比图。

元件标号说明

10获取模块

20处理模块

30验证模块

40选择模块

s10～s40步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，本发明提供一种基于人工神经网络模型的灭菌参数选择方法，所述灭菌参数选择方法包括以下步骤：

s10：获取灭菌参数样本数据，根据所述灭菌参数样本数据建立样本数据集，所述灭菌参数样本数据至少包括超声参数和空化作用参数；

s20：对所述样本数据集进行训练，建立人工神经网络模型；

s30：对人工神经网络模型进行验证，获取最优参数，建立灭菌参数选择模型；

s40：根据所述灭菌参数选择模型确定最优的超声参数和空化作用参数之间的关系，完成灭菌参数选择。

在某些实施方式中，所述超声参数至少包括超声强度和辐照时间，所述空化作用参数至少包括细菌存活数量或者细菌死亡数量。

可以理解，所述灭菌参数选择模型为经过验证的一种可以用于灭菌参数选择的人工神经网络模型。

在某些实施方式中，根据实际的实验来获得多个超声参数以及与超声参数对应的实验结果。诸如，以灭结核分枝杆菌为例，实验的具体步骤如下：将培养好的菌液加入六孔板中，在板底和超声探头之间均匀涂抹超声耦合剂，排除空气干扰；使用设定的超声参数的超声探头发射超声波引起的空化效应杀灭细菌，可选的，超声探头可以对超声强度和辐照时间等超声参数进行设定。一般的，经荧光染料fda(fluoresceindiacetate，荧光素双醋酸酯)和pi(propidiumiodide，碘化丙啶)对细菌标记后，经超声辐照杀灭，然后使用流式细胞仪检测菌体内两种荧光强度。

可以理解的，fda进入活细胞后，被细胞内的脂酶分解，生成有极性的、能产生绿色荧光的物质即荧光素，该物质不能自由透过活的细胞膜，积累在细胞膜内，因而能反映活细菌的数量；pi则不能通过活细胞膜，但却能穿过破损的细胞膜而对核染色，反映死细菌的数量。一般的，fda与pi一起使用，能同时对活细胞和死细胞染色，使用流式细胞仪可以得到相应的定量结果，即在实验过程中可以通过流式细胞仪快速的测出并显示空化作用参数，诸如，流式细胞仪可以快速的测出并显示细菌存活数量或者细菌死亡数量。

在某些实施方式中，通过选择超声参数，诸如超声波的超声强度和辐照时间进行灭菌实验，不同取值的超声强度以及不同取值的辐照时间会对产生不同的灭菌结果。诸如以超声强度为0.14w/m2(瓦/每平方米)辐照时间分别为5min(分钟)、10min和15min为三组实验组合，为保证实验结果的准确率，每组超声参数不限于仅做一次实验，当然，关于超声强度以及辐照时间的取值选择以及组合有多种方式。每一组超声参数会有对应的实验结果，根据试验结果可以得到对应的细菌存活数量或者细菌死亡数量以及细菌存活率，一般的，根据不同实验的不同需求，可以设定不同的误差范围。请参阅图2，以图2的表格为例，诸如实验得到在超声强度为0.14w/m2(瓦/每平方米)辐照时间为5min时的细菌存活率为91.96％，其误差允许范围为2.19％，即细菌存活率落在91.96±2.19％的范围内，皆可认定实验结果是可靠的。通过实验结果得到的超声参数组合以及与其对应的实验结果参数建立为一标准数据库，以便后续对系统结果参数进行验证。

在某些实施方式中，步骤s30中对人工神经网络模型进行验证包括：

选取用于验证的超声参数，并将所述用于验证的超声参数输入到所述人工神经网络模型，得到系统结果参数；

获取所述用于验证的超声参数对应的所述空化作用参数；

判断所述空化作用参数与所述系统结果参数是否符合一预设条件；

若是，则根据符合所述预设条件的超声参数和空化作用参数之间的关系建立灭菌参数选择模型；

若否，则重新选择用于验证的超声参数。

可以理解的，诸如以超声强度为0.14w/m2(瓦/每平方米)辐照时间分别为5min(分钟)为例及进行实验，实验得到的结果有细菌存活数量或者细菌死亡数量以及细菌存活率，在超声强度为0.14w/m2(瓦/每平方米)辐照时间为5min时的细菌存活率为91.96％，其误差允许范围为2.19％，即细菌存活率落在91.96±2.19％的范围内，皆可认定实验结果是可靠的。在进行建立人工神经网络模型过中，需要对样本数据集进行训练以及对人工神经网络模型进行验证，在进行验证的过程中需要选择进行验证的超声参数。以一组实验的超声参数为例，当超声参数即超声强度为0.14w/m2(瓦/每平方米)辐照时间分别为5min(分钟)时，用于验证的超声参数可以是超声强度为0.14w/m2(瓦/每平方米)辐照时间分别为5min(分钟)，可选的，还可以以实验的各组超声参数或以实验的各组超声参数为基准浮动的区间值作为验证的超声参数，诸如实验的超声强度为0.14w/m²(瓦/每平方米)，模型的输入量中的超声强度则可以是0.138～0.142w/m²(瓦/每平方米)取值中的任意一个，在进行建模以及建模验证时，输入量的取值可以精确到小数点后多位，在此不做限制，以此范围的取值得到的输出结果，皆可以认为是超声强度为0.14w/m²(瓦/每平方米)对应的系统结果参数。请参阅图2表格，诸如实验得到在超声强度为0.14w/m²(瓦/每平方米)，辐照时间为5min时的细菌存活率为91.96％，其误差允许范围为2.19％，即细菌存活率落在91.96±2.19％的范围内，皆可认定实验结果是可靠的，细菌存活率为实验结果参数。可以理解，用于验证的超声参数中的超声强度则可以是0.138～0.142w/m²(瓦/每平方米)取值中的任意取值，输入量中的辐照时间可以为4.800～5.200min中的任意取值，在这两个取值范围内进行的任意取值的组合作为人工神经网络模型的输入得到的系统结果参数，皆可以认为是超声强度为0.14w/m²(瓦/每平方米)，辐照时间为5min对应的系统结果参数。鉴于用于验证的超声参数的取值有多组，得到的系统结果参数也有多个，因此需要判断判断所述空化作用参数与所述系统结果参数是否符合一预设条件，在此实施例中，判断得到的多个系统结果参数与空化作用参数是否相同，即系统结果参数是否落在细菌存活率为91.96±2.19％的范围内。诸如，其中一系统结果参数即人工神经网络模型的输出的细菌存活率为92.01％，此时系统结果参数92.01％落在91.96±2.19％的范围内，可以判断空化作用参数与系统结果参数符合一预设条件，可以认定细菌存活率92.01％为最优参数，即可以根据符合所述预设条件的超声参数和空化作用参数之间的关系建立灭菌参数选择模型。

可以理解的，上述实施例仅以一组超声参数以及其对应的空化作用参数即实验结果作为对照，在具体的实施方式中，对人工神经网络模型进行验证的过程中，可以选取多组实验结果作为对照并对人工神经网络模型进行验证，保证构建的灭菌参数选择模型的准确性。

在某些实施方式中，所述预设条件包括所述超声参数对应的所述空化作用参数与所述超声参数对应的所述系统结果参数相同；此外，还可以根据实际的需求设定一容差范围，当所述超声参数对应的系统结果参数落在容差范围内，可以认定所述超声参数对应的所述空化作用参数与所述超声参数对应的所述系统结果参数相近，此时也可以认定所述空化作用参数与所述系统结果参数符合一预设条件。诸如，当以超声参数对应的所述系统结果参数与所述超声参数对应的所述实验结果参数的差值小于3％为预设条件，也可认定此条件下的系统结果参数与实验结果参数符合预设条件。

在某些实施方式中，步骤s30中：对人工神经网络模型进行验证，获取最优参数，建立灭菌参数选择模型；可以理解，此处的最优参数为对人工神经网络模型进行验证的过程中，当所述空化作用参数与所述系统结果参数符合一预设条件时的所述系统结果参数。

在某些实施方式中，当所述空化作用参数与所述系统结果参数不符合一预设条件时，需要重新选择用于验证的超声参数，为保证样本数据的丰富性以及模型建立的准确性，需要选择多组用于验证的超声参数。当用于验证的超声参数数量较多时，可以通过阶跃函数对多个所述用于验证的超声参数进行处理或/和使用残差原理对多个所述用于验证的超声参数进行处理。

可以理解，对样本数据集进行训练，建立人工神经网络模型，灭菌参数样本数据至少包括超声参数和空化作用参数。可以理解，人工神经网络模型的输入量x包括指超声强度i和辐照时间τ，用下面的公式表示：

x＝[i,τ](1)

输出量y包括杀菌效率fda和pi、细菌存活率ζ，其中，公式中的fda表征活菌数量，pi表征死菌数量，用下面的公式表示：

y＝[fda,pi,ζ](2)

映射关系f用下面的公式表示：

fx＝y(3)

在某些实施方式中，引用阶跃函数得到

δfda＝lfda,iδi+lfda,τ(4a)

δpi＝lpi,iδi+lpi,τδτ(4b)

δζ＝lζ,iδi+lζ,τδτ(4c)

其中，δi,δτ是输入增量；δfda,δpi,δζ是输出增量；是阶跃响应系数

则得到：

δy＝θδx(5)

其中

在某些实施方式中，引用阶跃函数对超声参数进行处理，可以对阶跃函数进行调整来改变系统的训练样本数量。如此，对于多个连续的超声强度值或辐照时间值，引用阶跃函数对超声参数进行处理，可以降低系统的训练样本数量，减少计算量。

在某些实施方式中，当超声参数对应的所述系统结果参数与所述超声参数对应的空化作用参数不符合预设条件则需要对人工神经网络模型的映射关系进行调整，需要选择适量的灭菌参数样本数据对人工神经网络模型进行训练来找到超声参数与细菌存活率的映射关系，此处，灭菌参数样本数据至少包括超声参数和空化作用参数。可选的，可引用阶跃函数对多个所述超声参数进行处理来降低计算量，或/和使用残差原理对多个所述超声参数进行处理来优化人工神经网络模型的隐含层的节点数。残差是指实际值与模型估计值或拟合值之间的差，通过不断试错，寻找残差下降最快的算法，提高找到人工神经网络模型的映射关系的效率。

请参阅3，本发明还提供一种基于人工神经网络模型的灭菌参数选择系统，包括：

获取模块10，用于获取灭菌参数样本数据，并根据所述灭菌参数样本数据建立样本数据集，其中，所述灭菌参数样本数据至少包括超声参数和空化作用参数；

处理模块20，用于对所述样本数据集进行训练，建立人工神经网络模型；

验证模块30，用于对人工神经网络模型进行验证，获取最优参数，建立灭菌参数选择模型；

选择模块40，用于根据所述灭菌参数选择模型确定最优的超声参数和空化作用参数之间的关系，完成灭菌参数选择。

本发明提供的一种基于人工神经网络模型的灭菌参数选择系统可以实现上述一种基于人工神经网络模型的灭菌参数选择方法，对应的具体实施以及相应的有益效果在此不再赘述。

如此，完成人工神经网络模型建立后，如图4所示，图4为实验结果的空化作用参数与系统结果参数的对比图。可以验证，同一取值的超声参数条件下，空化与系统结果参数基本拟合。通过将超声参数输入灭菌参数选择模型，在不用进行反复多次的实验下便可以得到超声参数对应的细菌存活数量、细菌死亡数量以及细菌存活率；还可以在不进行实验的前提下通过灭菌参数选择模型研究超声参数与灭菌效果之间的联系，筛选出最优的超声参数。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于人工神经网络模型的灭菌参数选择方法。

本发明还提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述基于人工神经网络模型的灭菌参数选择方法。

如上所述，本发明的一种基于人工神经网络模型的灭菌参数选择方法及系统，以实际的超声参数以及灭菌结果参数为基准，建立人工神经网络模型，并根据所述超声参数对应的所述系统结果参数与所述超声参数对应的所述实验结果参数的判断结果对人工神经网络进行自适应训练和调整，至得到可以输出可靠系统参数结果；本发明通过大量的实验样本数据训练模型后，得到的仿真结果或拟合值，如此建立的人工神经网络模型可以选择灭菌效果好的超声参数，并根据超声参数来分析超声波空化作用与灭菌效果的分析。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。