Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 北京工业大学杨新武获国家专利权

北京工业大学杨新武获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉北京工业大学申请的专利基于DWT-CARS-MC-PLS的药品API预测方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115440315B

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202211086843.9,技术领域涉及:G16C20/30;该发明授权基于DWT-CARS-MC-PLS的药品API预测方法是由杨新武;李亦铭设计研发完成,并于2022-09-07向国家知识产权局提交的专利申请。

基于DWT-CARS-MC-PLS的药品API预测方法在说明书摘要公布了:本发明提出了基于DWT‑CARS‑MC‑PLS的药品API预测方法。该方法大致分为三个阶段:1.双波段变换包括四种方式,差分系数DI、比值系数RI、归一化差分系数NDI和综合二维相关谱i2DCOS可以解决模型在一维光谱上的信息少、不利于建模的问题。2.采用竞争性加权自适应采样策略根据偏最小二乘回归模型PLS的拟合情况提取重要波长特征,减少了人为特征选择的主观性误差。3.使用集成学习的思想,使用T次蒙特卡洛迭代建立T个PLS子模型,将这些子模型的预测结果的均值作为整个模型的预测结果。通过在公开的tablet数据集上进行5次不同划分的重复实验并与药品定量分析中常用的机器学习方法相比,证明了本发明方法的有效性。

本发明授权基于DWT-CARS-MC-PLS的药品API预测方法在权利要求书中公布了:1.基于DWT-CARS-MC-PLS的药品API预测方法主要包括两个阶段,数据准备阶段和模型搭建阶段; 方法分为两个阶段:数据准备阶段和模型构建阶段; 1.在数据准备阶段,准备已知API的药品数据集大小为m×p,和待测药品数据集大小n×p,其中m、n代表药品数量,p表示样本的特征数量; 2.数据准备完毕后进入,模型构建阶段,具体步骤如下: 步骤1:通过双波段变换将药品的一维特征空间映射到二维空间;双波段变换包括差分系数DI、比值差分系数RI、归一化差分系数NDI和综合二维相关谱i2DCOS四种形式,选择使用其中的一种变换完成特征映射;DI、RI、NDI的变换公式如下: DIi,j=Ri-Rj1 RIi,j=RiRj2 NDIi,j=Ri-RjRi+Rj3 其中,Ri,Rj表示药品数据的第i和第j个特征药品在第i,第j个波长下的吸光度值; 二维相关谱是一种通用的工具,可以从样品在某些物理或化学刺激下采集的一系列光谱中提取有用信息,对摄动引起的谱变化进行互相关分析可以得到同步和异步相关谱,一般情况下,同步相关谱表示频带强度变化的相对方向,而异步相关谱表示频带强度变化的顺序,2DCOS通过在第二维上扩展光谱信息,可以有效的分辨重叠光谱和提高表观光谱分辨率; 二维相关谱的离散形式计算过程如下: 对于等m间隔的摄动t,光谱特征在特征v处的动态光谱强度表示为列向量y: 于是,同步相关谱和异步相关谱ψ特征i和j处的表达式可以通过如下公式计算: N是Hilbert-Noda矩阵,矩阵元素被定义如下: 综合二维相关光谱i2DCOS可以通过同步相关谱和异步相关谱的乘积得到,综合二维相关谱在波长特征i和j处的表达式如下: 对于实际应用,可以使用参考光谱r模拟等间隔扰动,综合二维相关谱的计算可以化简为如下形式: 其中t表示待测光谱,代表二维同步相关谱,ψ代表二维异步相关谱,I代表综合二维相关谱; 步骤2:使用CARS选择重要红外光谱波长特征,CARS的执行过程如下,程序流程图如图2: Step1:进行第ii<=N次蒙特卡洛采样,选出药品的样本子集,建立PLSR子模型,同时在最大主成分限制内进行交叉验证,选择最优的主成分数量; Step2:计算PLS子模型对当前每个波长特征的回归系数bj,计算每个特征的重要性分数wj=|bj|sum|bj|,按照降序排序;计算保留特征比例ri=αe-ki,其中这样可以保证在第一次迭代中输入空间为全部特征,在最后一次迭代中,输入空间只包含两个波长特征; Step3:使用p×ri保留重要性高的特征,同时过滤掉权重小的特征,计算子模型在当前特征子集下的交叉验证均方根误差RMSECV;若i<=N,则返回Step1; Step4:当i>N时,选择N次蒙特卡洛迭代中RMSECV最小时对应的波长特征,即特征选择的最终结果; 步骤3:通过T次蒙特卡洛迭代构建T个PLS子模型,每个子模型使用全部训练集的80%样本构成训练子集,且每次迭代时训练集的采样相互独立,结合集成学习的思想将T个子模型构成一个高精度、稳定性强DWT-CARS-MC-PLS的模型,最终的预测结果为每个子模型的平均结果。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人北京工业大学,其通讯地址为:100124 北京市朝阳区平乐园100号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。