异麦芽糖酐铁1000的智能化制备方法与流程

本技术涉及智能化制备，且更为具体地，涉及一种异麦芽糖酐铁1000的智能化制备方法。

背景技术：

1、异麦芽糖酐铁1000是三价氢氧化铁和异麦芽糖酐1000组成的复合物。化学名为低聚糖氢氧化铁复合物。微粒与内核结构：异麦芽糖酐铁是由feooh晶体内核和包裹内核的无定形的异麦芽糖酐壳组成的胶体颗粒。在溶液中，结合在胶体颗粒上的异麦芽糖酐与环境溶液中的异麦芽糖酐维持一种动态平衡状态。

2、现有技术制备异麦芽糖酐铁1000以分子量小于5kd的葡萄糖为起始原料，经过水解、膜分离纯化后，还原得到低聚氢化糖，低聚氢化糖与三氯化铁反应后，柠檬酸活化、干燥后得到异麦芽糖酐铁1000原料药。

3、这种制备方案存在诸多缺陷，需要进行复杂的多糖水解、提纯等繁杂的过程，导致制备效率不高。

4、因此，期待一种优化的异麦芽糖酐铁1000的制备方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种异麦芽糖酐铁1000的智能化制备方法，其通过深度神经网络模型挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的映射关系，以并以此作为分类特征向量通过分类器进行分类处理，以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。

2、根据本技术的一个方面，提供了一种异麦芽糖酐铁1000的智能化制备方法，其包括：

3、获取预定时间段内多个预定时间点的反应温度值和搅拌速度值，以及，所述预定时间段的反应液状态监控视频；

4、将所述多个预定时间点的反应温度值和搅拌速度值分别按照时间维度排列为反应温度输入向量和搅拌速度输入向量后，对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵；

5、将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵；

6、将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量；

7、计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；

8、基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量；以及

9、将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的反应温度值应增大或应减小。

10、在上述异麦芽糖酐铁1000的智能化制备方法中，所述对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到控制参数协同输入矩阵，包括：

11、以如下公式对所述反应温度输入向量和所述搅拌速度输入向量进行关联编码以得到所述控制参数协同输入矩阵；

12、其中，所述公式为：

13、

14、其中，ma是所述控制参数协同输入矩阵，va是反应温度输入向量，vb是所述搅拌速度输入向量，表示矩阵的kronecker积。

15、在上述异麦芽糖酐铁1000的智能化制备方法中，所述将所述控制参数协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到控制参数协同特征矩阵，包括:所述相邻层使用互为转置的卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：

16、对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；以及

17、对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；

18、其中，所述相邻层使用互为转置的卷积核的第一卷积神经网络模型的第一层的输入为所述控制参数协同输入矩阵，所述相邻层使用互为转置的卷积核的第一卷积神经网络模型的最后一层的输出为所述控制参数协同特征矩阵。

19、在上述异麦芽糖酐铁1000的智能化制备方法中，所述将所述反应液状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征向量，包括：

20、对所述反应液状态监控视频进行采样处理以得到多个反应液状态监控关键帧；

21、将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图；以及

22、对所述反应液状态变化特征图进行降维处理以得到所述反应液状态变化特征向量。

23、在上述异麦芽糖酐铁1000的智能化制备方法中，所述将所述多个反应液状态监控关键帧输入所述使用三维卷积核的第二卷积神经网络模型以得到反应液状态变化特征图，包括：使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：

24、对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；

25、对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及

26、对所述池化特征图进行非线性激活以得到激活特征图；

27、其中，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个反应液状态监控关键帧，所述使用三维卷积核的第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述使用三维卷积核的第二卷积神经网络模型的最后一层的输出为所述反应液状态变化特征图。

28、在上述异麦芽糖酐铁1000的智能化制备方法中，所述对所述反应液状态变化特征图进行降维处理以得到所述反应液状态变化特征向量，包括：

29、对所述反应液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述反应液状态变化特征向量。

30、在上述异麦芽糖酐铁1000的智能化制备方法中，所述计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量，包括：

31、以如下公式计算所述控制参数协同特征矩阵相对于所述反应液状态变化特征向量的转移向量作为分类特征向量；

32、其中，所述公式为：其中v2表示所述反应液状态变化特征向量，mb表示所述控制参数协同特征矩阵，v1表示所述分类特征向量，表示矩阵的kronecker积。

33、在上述异麦芽糖酐铁1000的智能化制备方法中，所述基于所述反应液状态变化特征向量，对所述分类特征向量进行类中心偏移校正以得到优化分类特征向量，包括：

34、以如下公式对所述分类特征向量和所述反应液状态变化特征向量进行类节点的拓扑-类中心融合以得到融合特征矩阵，其中，所述公式为：

35、

36、其中v1是所述分类特征向量，v2是所述反应液状态变化特征向量，和⊙分别表示矩阵的kronecker积和hadamard积，d(v1,v2)为所述分类特征向量和所述反应液状态变化特征向量之间的距离矩阵，且v1和v2均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，m表示所述融合特征矩阵；以及

37、将所述融合特征矩阵与所述分类特征向量进行相乘以得到所述优化分类在上述异麦芽糖酐铁1000的智能化制备方法中，所述将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的反应温度值应增大或应减小，包括：

38、使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到全连接编码特征向量；

39、将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述全连接编码特征向量归属于各个分类标签的概率值，所述分类标签包括当前时间点的反应温度值应增大和当前时间点的反应温度值应减小；以及

40、将所述概率值中最大者对应的分类标签确定为所述分类结果。

41、与现有技术相比，本技术提供的一种异麦芽糖酐铁1000的智能化制备方法，其通过深度神经网络模型挖掘搅拌速度与反应温度间的时序关联关系，以及两者的协同参数控制与反应液的状态变化之间的映射关系，以并以此作为分类特征向量通过分类器进行分类处理，以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果，通过这样的方式，实现基于反应液的实时状态变化来自适应地调控搅拌速度和反应温度的协同参数，以达到提高反应的效率和制成的异麦芽糖酥铁1000的质量的目的。