技术新讯 > 医药医疗技术的改进,医疗器械制造及应用技术 > 基于蚁群算法-反向传播神经网络优化红花籽的提取工艺  >  正文

基于蚁群算法-反向传播神经网络优化红花籽的提取工艺

  • 国知局
  • 2024-08-22 14:53:50

本发明涉及中药提取,具体涉及基于蚁群算法反向传播神经网络优化红花籽提取工艺。

背景技术:

1、红花(carthamus tinctorius l.)为菊科红花属,别名菊红花,起源于印度,分布于中亚、西南亚及地中海地区。红花属药食兼用作物,其花冠、种子、茎叶等都富含多种活性物质,红花中含有脂肪、蛋白质、多种维生素和微量元素等营养成分,具有降血脂、抑菌、预防心血管疾病、增强细胞代谢等作用。红花籽为白色倒卵形瘦果,功效与花相同,可药食兼用。红花籽提取物含有多种成分,其中最常见的是n-(p-香豆酰)-羟色胺(cs)和n-阿魏羟色胺(fs)。其中,cs已被证明对心血管疾病、神经胶质瘤和胆固醇具有治疗作用。fs可以通过减少相关炎症来治疗动脉粥样硬化。

2、超声波提取主要通过振动增加溶剂与药材的接触,增加溶剂对细胞的渗透,提高提取效率。超声波提取无需配套加热装置,并且超声波提取对热不稳定,且易分解的药用物质有保护功能。与传统方法相比,超声提取时间也大大缩短,一般超声提取时间24-40min即可达到理想的提取率。超声波提取的普遍优点是可以对大多数类型的草药和各种类型的成分进行提取。超声辅助提取具有时间短、提取效率高、提取得率高、产品纯度高、绿色安全等优点。

3、人工神经网络(ann)是使用机器来训练和预测数据的模型,可以处理各种复杂或非复杂的问题。蚁群算法(aco)是一种多元聚类数据算法,通过正反馈和负反馈获得数据的最优解。aco-bpnn是一种结合了蚁群算法和反向传播神经网络的新模型。人工神经网络已逐渐应用于植物科学、医学、信息传输等领域。

4、红花籽油在食品、化妆品、畜牧业等方面已被广泛研究。然而,红花籽提取物的研究却很少。目前缺乏通过模型优化获得红花籽最佳提取工艺的研究。

技术实现思路

1、本发明的目的是提供基于蚁群算法反向传播神经网络优化红花籽提取工艺的方法,优化条件下的红花籽提取物具有显著的抗氧化应激作用,为红花籽大规模的提取提供理论支撑。

2、为实现上述发明目的,本发明的技术方案如下:

3、一方面,本发明提供了一种基于蚁群算法反向传播神经网络优化红花籽提取工艺的方法,包括以下步骤:

4、(1)将红花籽进行超声提取,进行单因素实验,选择超声功率、乙醇浓度、料液比和提取温度作为单因素实验的影响因素;

5、(2)采用hplc法计算出n-(p-香豆酰)-羟色胺(cs)和n-阿魏羟色胺(fs)的提取率,根据提取率确定影响因素的最优值;

6、(3)通过熵权法计算出综合评价值,采用蚁群算法反向传播神经网络模型得出最佳工艺参数;

7、所述的蚁群算法反向传播神经网络的具体步骤包括:

8、(1)构建反向传播神经网络模型

9、①构建单层隐含层神经元为n的神经网络模型,n=2,3,4,5,6;

10、②隐含层激活函数为sigmoid函数a,输出层激活函数为线性函数;

11、③反向传播优化器设置:优化器:adam,学习步长lr:0.01;

12、④损失函数:mselossb;

13、⑤使用反向传播优化器,根据初始权重,以epoch为400个循环对神经网络模型进行优化,寻找损失函数最小值;

14、(2)构建蚁群算法优化神经网络模型

15、①随机生成分布在不同空间位置的蚂蚁,并对空间位置进行解码,即初始权重;

16、②通过上述构建的反向传播神经网络模型,对不同蚂蚁的空间位置进行优化,寻找蚂蚁们各自最优位置并记录信息素fc;

17、③将蚂蚁们各自权重进行编码,并记录蚂蚁们中的最优位置d;

18、④将蚂蚁们的信息素f进行归一化e;

19、⑤根据归一化后的信息素f与转移概率p0的大小关系f,对蚂蚁的空间位置进行全局更新g或局部更新h;

20、⑥根据挥发率lf对蚂蚁们信息素进行更新i;

21、⑦循环上述①-⑥步骤,直至达到蚁群算法循环上限,输出最优模型结果。

22、具体地,a处的sigmoid函数为:

23、

24、式中,x为权重;

25、b处的损失函数mseloss为:

26、

27、yi是真实值,yi'是预测值,i代表不同样本。

28、c处的函数为:

29、fk=-mselossk;

30、式中,k代表不同蚂蚁;

31、d处的函数为:min{mseloss};

32、e处的函数为:

33、f处的函数为:

34、g处的函数为:

35、全局更新:w(i,j)=w(i,j)+(sigmoid(r(i,j)-0.5))×lr×w(i,j);

36、上式中,lr是蚁群算法的学习率,r(i,j)是0-1的随机矩阵;

37、h处的函数为:

38、局部更新:w(i,j)=w(i,j)+(arctan((r(i,j)-0.5)×2))×lr×w(i,j);

39、式中,arctan是反正切函数,lr是蚁群算法的学习率,r(i,j)是0-1的随机矩阵;

40、i处的函数为:fk(t+1)=fk(t)×(1-lf);

41、式中,lf是蚁群算法的挥发率,t代表第t个蚁群算法的循环。

42、具体地,步骤(1)中所述的料液比为红花籽粉的质量与乙醇的体积比。

43、优选地,步骤(2)中hplc法的色谱柱为agilent eclipse xdb-c18(4.6×250mm,5μm)。

44、优选地,步骤(2)中hplc法的流动相为0.4%甲酸的水溶液(a)和甲醇(b)溶液。

45、优选地,步骤(2)中hplc法的流动速度为1ml/min。

46、优选地,步骤(2)中hplc法的梯度洗脱方法为:0min,90%a;3分钟,90%a;20分钟,50% a;30min,10% a。

47、优选地,步骤(2)中hplc法的进样量10μl,柱温35℃,检测波长310nm。

48、优选地,步骤(2)中所述的提取率(%)=提取液中化合物浓度(mg/ml)/[生药重量(mg)/生药提取溶剂体积(ml)]×100%。

49、优选地,步骤(2)中确定的影响因素的最优值为:超声功率160-320w、乙醇浓度70-90%、液料比15-25ml/g、提取温度60-80℃。

50、优选地,步骤(3)中的综合评价值(y)=(提取率cs)×0.5036+(提取率fs)×0.4964。

51、优选地,步骤(3)中的最佳工艺参数为:超声功率320w、乙醇浓度80%、液料比15ml/g、提取温度80℃。

52、又一方面,本发明提供了上述的方法制备得到的红花籽提取物。

53、又一方面,本发明提供了上述的方法制备得到的红花籽提取物或上述的红花籽提取物在制备抗氧化剂中的应用。

54、具体地,所述的抗氧化剂能够降低mda的含量,升高sod的含量。

55、具体地,所述的抗氧化剂能够升高ho-1mrna水平,降低nox2 mrna水平。

56、本发明的有益效果为:

57、本发明提供了基于蚁群算法-反向传播神经网络优化红花籽提取工艺的方法,优化条件下的红花籽提取物具有显著的抗氧化应激作用,为红花籽的临床开发提供理论依据,本发明还拓宽了aco-bpnn模型的应用领域,为红花籽的大规模提取提供参考。

本文地址:https://www.jishuxx.com/zhuanli/20240822/280294.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。