[发明专利]基于深度神经网络的生物发酵数据预测方法

权利要求书

1.一种基于深度神经网络的生物发酵数据预测方法，其特征在于，包括如下步骤：

获取样本光谱数据以得到训练集，所述样本光谱数据为N组具有2048个值的数值型数据2048*N，对其进行归一化处理；

根据经验制作自监督学习的pretext任务标签，所述制作自监督学习的pretext任务标签，由如下规则生成：

1)定义由整数1至2048形成的横坐标轴为数据的维度轴，横坐标i为光谱数据的第i个维度，其所对应的纵坐标的值代表散射光强度，将每个横坐标对应的全部N个纵坐标的值求平均值，得到一条平均值曲线；

2)将每个横坐标对应的纵坐标的值与1)中求得的平均值做差并取绝对值，得到一组差值矩阵，然后对每个横坐标中所有N个差值经过处理后取最大值，从而得到2048个最大差值，形成一差值曲线；

3)将2)所得的差值与设定阈值比较，大于设定阈值为与浓度相关特征标为1，小于设定阈值为与浓度不相关特征标为0，这样就得到了一串2048个0，1序列；所述阈值的设定是，所有训练数据每个横坐标共2048个维度所对应纵坐标的最大值与最小值之差，然后将全部2048个差值取平均作为所述阈值；

利用训练集以及pretext任务标签对自监督特征提取网络模型进行训练以优化特征提取网络模型参数；

利用经特征提取的数据对自动编码器网络模型进行训练以建立降维模型；

对经降维模型挑选的数据进行TSK模糊回归以建立浓度预测模型；

输入待测溶液的光谱数据以预测溶液浓度。

2.根据权利要求1所述的预测方法，其特征在于，所述自监督特征提取网络模型的损失函数为交叉熵损失函数。

3.根据权利要求1所述的预测方法，其特征在于，所述自动编码器包括降维编码器和升维编码器，所述降维编码器将经特征提取的数据降维到400后再降维到n，所述升维编码器将降维后数据升维到400后再还原到输入数据大小，其中n的取值范围为2至10。

4.根据权利要求1所述的预测方法，其特征在于，所述自动编码器网络模型的损失函数为基于L1距离的重建损失。

5.根据权利要求1所述的预测方法，其特征在于，所述N大于150。

6.根据权利要求1所述的预测方法，其特征在于，所述利用训练集对自监督特征提取网络模型进行训练，为100至200轮训练。