[发明专利]一种鉴别黄酮类和二苯甲酮类化合物的神经网络模型

说明书

本发明提供了一种鉴别黄酮类和二苯甲酮类化合物的神经网络模型，涉及中医药化学成分的分类模型领域，包括输入层、多层神经层和输出层，其中神经层采用前馈神经网络作为基础架构，该神经网络模型能够实现对二苯甲酮类化合物和黄酮类化合物进行高精度区分，便于工作人员高效识别中草药植物中的二苯甲酮类化合物和黄酮类化合物。

技术领域

本发明涉及中医药化学成分的分类模型领域，尤其涉及一种鉴别黄酮类和二苯甲酮类化合物的神经网络模型。

背景技术

随着深度学习技术的蓬勃发展，其在语音、图像、数据分析等计算机领域都发挥出了举足轻重的作用。近年来，深层学习也被成功地应用到金融、生物医疗、化学分析等其他学科中。不同的学科研究中，对深度学习技术的任务需求是不一样的，例如股市预测、图像生成等领域需要神经网络模型完成回归任务，也就是预测具体数据，实现数据生成的任务。而像医疗诊断、化合物成分鉴定等领域，更多地是需要神经网络模型完成分类的任务，希望神经网络模型能够给出具体的分类结果，例如，判断患者是否有病，给出鉴定的化合物类型等等。现代深度学习技术的发展过程中，涌现出了一系列非常强大的神经网络模型。通常，我们将具有三层以上神经层的神经网络模型称为深层神经网络模型，可以通过添加不同的神经网络层和调整每层神经元的个数和组合方式，使得深层神经网络可以实现更加复杂的功能。在给定足够大的模型和足够大的标记训练示例数据集的情况下，可以通过模型的深入学习来完成大多数任务，这些任务就包括了将输入向量映射到输出向量的回归任务，以及将输入向量映射成一种分类结果的分类任务。虽然对于一个人来说，这些任务很容易快速完成，但是对于人工设计的神经网络模型来说，这种将一个向量与另一个向量相关联的任务是足够困难的。

由于中药成分分析领域中黄酮和二苯甲酮类化合物极其相似，人工分辨难度较大，因此如何快速分类黄酮和二苯甲酮类化合物成为了本领域技术人员亟待解决的问题。

发明内容

本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种鉴别黄酮类和二苯甲酮类化合物的神经网络模型。

本发明是通过以下技术方案予以实现：一种鉴别黄酮类和二苯甲酮类化合物的神经网络模型，包括输入层、多层神经层和输出层，所述神经层的运算公式如下：

f⁽ⁱ⁾＝g(W^Tf^(i-1)+b)

其中，W和b分别表示加权运算的权重和偏置。

根据上述技术方案，优选地，所述输出层包括两组神经元，化合物的分类依据两组神经元的概率确定，神经元的激活运算采用二分类的 Softmax函数如下：

其中，Si为神经模型的输出，i的取值为1,2，分别代表着第一个和第二个输出神经元，第一个神经元代表的黄酮类化合物，第二个神经元代表的是二苯甲酮类化合物。f1和f2分别表示输出层的第一个和第二个神经元的线性输出结果。

根据上述技术方案，优选地，两组神经元的输出概率之和等于1。

根据上述技术方案，优选地，还包括参数优化函数，所述参数优化函数采用交叉熵函数如下：

其中，T1和T2是用于模型训练的已知数据的理想的类别标签，T1 代表黄酮类化合物，T2代表二苯甲酮类化合物，两类类别标签数值为0 或1。

本发明的有益效果是：本发明的神经网络模型能够实现对二苯甲酮类化合物和黄酮类化合物进行高精度区分，便于工作人员高效识别中草药植物中的二苯甲酮类化合物和黄酮类化合物。

附图说明

图1是应用于黄酮和二苯甲酮类化合物分类的前馈神经网络模型设计图；

图2是实验数据集的分配图；