智能微藻培养系统及其工作方法与流程

1.本技术涉及智能微藻培养的领域，且更为具体地，涉及一种智能微藻培养系统及其工作方法。


背景技术：

2.微藻通常是表示形态极小的藻类微生物，其细胞结构简单，能适应在恶劣的环境中生长和繁殖，是科学界认定的生存在地球上最古老的物种之一。微藻无论对于资源环境还是生活健康，都具有极高的研究和应用价值。
3.然而，微藻具有广泛利用价值和广阔发展空间的同时，也伴随着更高难度的培养和保存技术，大批量的规模化培养和生产仍存在继续解决的关键性技术瓶颈。
4.微藻的生长过中会受到大量的因素影响，不同的光照、温度、营养物质、盐度、酸碱度、溶解含氧量等都会使微藻的生长状态发生变化。并且，微藻的生长过程并不是简单的线性系统，其受环境影响较多，而且在环境调节时会面临较大的时滞问题。因此，为了对环境的调节是否合理进行准确地判断，以更利于微藻的生长，期待一种智能微藻培养系统。


技术实现要素：

5.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智能微藻培养系统及其工作方法，其以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从所述输入参数的向量提取高维特征，再以分类器来确定特征向量在所述标签值下的概率值，以确定培养基添加量是否合理。并且在此过程中，还基于所述标签值与所述输入参数之间的关联来构造损失函数，以使得深度神经网络的参数更新能够考虑所述标签值的类别概率信息，以及概率标签值与输入数据间的关联信息。这样，可以更准确地对培养基添加量是否合理进行准确地判断，进而使得微藻的生长更佳。
6.根据本技术的一个方面，提供了一种智能微藻培养系统，其包括：
7.训练模块，包括：
8.训练数据获取单元，用于获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；
9.特征编码单元，用于将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量；
10.分类损失函数值计算单元，用于将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值；
11.损失函数值构造单元，用于基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加
量、所述培养基含氧比和所述混氧系数有关；
12.训练单元，用于以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型；以及
13.推断模块，包括：
14.待预测数据获取单元，用于获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；
15.编码单元，用于将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；以及
16.分类单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。
17.在上述智能微藻培养系统中，所述特征编码单元，包括：全连接编码子单元，用于：进一步用于使用所述编码器模型的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征；以及，一维卷积编码子单元，用于使用所述编码器模型的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间关联的高维关联隐含特征。
18.在上述智能微藻培养系统中，所述全连接编码子单元，进一步用于：以如下公式对所述输入向量进行全连接编码，其中，所述公式为所述输入向量进行全连接编码，其中，所述公式为其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。
19.在上述智能微藻培养系统中，所述分类损失函数值计算单元，进一步用于：使用所述分类器以如下公式对所述特征向量进行处理以获得分类结果，其中，所述公式为softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为特征向量；以及，计算所述分类结果和真实值之间的交叉熵数值作为所述分类损失函数值。
20.在上述智能微藻培养系统中，所述损失函数值构造单元，进一步用于：基于所述培养基添加量、培养基含氧比和混氧系数以如下公式来计算所述损失函数值；其中，所述公式为l
label
＝kh×
(j
×kj-do)，其中，j为培养基添加量，kj为培养基含氧比，kh为混氧系数，do为修正参数。
21.在上述智能微藻培养系统中，所述修正参数通过对损失函数值的时间序列求导和进行拉普拉斯变换得到：
[0022][0023]
根据本技术的另一方面，提供了一种智能微藻培养系统的工作方法，其包括：
[0024]
训练阶段，包括：
[0025]
获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；
[0026]
将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量；
[0027]
将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失
函数值；
[0028]
基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基含氧比和所述混氧系数有关；
[0029]
以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型；以及
[0030]
推断阶段，包括：
[0031]
获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；
[0032]
将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；以及
[0033]
将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。
[0034]
在上述智能微藻培养系统的工作方法中，将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量，包括：使用所述编码器模型的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征；以及，使用所述编码器模型的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间关联的高维关联隐含特征。
[0035]
在上述智能微藻培养系统的工作方法中，将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量，包括：以如下公式对所述输入向量进行全连接编码，其中，所述公式为其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。
[0036]
在上述智能微藻培养系统的工作方法中，用于将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值，包括：使用所述分类器以如下公式对所述特征向量进行处理以获得分类结果，其中，所述公式为softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为特征向量；以及，计算所述分类结果和真实值之间的交叉熵数值作为所述分类损失函数值。
[0037]
在上述智能微藻培养系统的工作方法中，基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，包括：基于所述培养基添加量、培养基含氧比和混氧系数以如下公式来计算所述损失函数值；其中，所述公式为l
label
＝kh×
(j
×kj-do)，其中，j为培养基添加量，kj为培养基含氧比，kh为混氧系数，do为修正参数。
[0038]
在上述智能微藻培养系统的工作方法中，所述修正参数通过对损失函数值的时间序列求导和进行拉普拉斯变换得到：
[0039][0040]
与现有技术相比，本技术提供的智能微藻培养系统及其工作方法，其以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参
数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从所述输入参数的向量提取高维特征，再以分类器来确定特征向量在所述标签值下的概率值，以确定培养基添加量是否合理。并且在此过程中，还基于所述标签值与所述输入参数之间的关联来构造损失函数，以使得深度神经网络的参数更新能够考虑所述标签值的类别概率信息，以及概率标签值与输入数据间的关联信息。这样，可以更准确地对培养基添加量是否合理进行准确地判断，进而使得微藻的生长更佳。
附图说明
[0041]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0042]
图1为根据本技术实施例的智能微藻培养系统的应用场景图。
[0043]
图2为根据本技术实施例的智能微藻培养系统的框图。
[0044]
图3为根据本技术实施例的智能微藻培养系统的工作方法的流程图。
[0045]
图4为根据本技术实施例的智能微藻培养系统中训练模块的工作方法的架构示意图。
[0046]
图5为根据本技术实施例的智能微藻培养系统中推断模块的工作方法的架构示意图。
具体实施方式
[0047]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0048]
场景概述
[0049]
如前所述，微藻通常是表示形态极小的藻类微生物，其细胞结构简单，能适应在恶劣的环境中生长和繁殖，是科学界认定的生存在地球上最古老的物种之一。微藻无论对于资源环境还是生活健康，都具有极高的研究和应用价值。
[0050]
然而，微藻具有广泛利用价值和广阔发展空间的同时，也伴随着更高难度的培养和保存技术，大批量的规模化培养和生产仍存在继续解决的关键性技术瓶颈。
[0051]
微藻的生长过中会受到大量的因素影响，不同的光照、温度、营养物质、盐度、酸碱度、溶解含氧量等都会使微藻的生长状态发生变化。并且，微藻的生长过程并不是简单的线性系统，其受环境影响较多，而且在环境调节时会面临较大的时滞问题。因此，为了对环境的调节是否合理进行准确地判断，以更利于微藻的生长，期待一种智能微藻培养系统。
[0052]
特别地，微藻生长在需要适宜的光照和温度的同时，也需要消耗营养物质。在本技术的技术方案中，采用bg11培养基作为培养雨生红球藻的营养物质，为微藻提供充足的碳源和氮源，微藻消耗这些营养物质从而产生氧气。因此，可以通过依据藻液内部溶解氧的变化得知营养物质的消耗程度，而溶解氧过高会对微藻生成产生抑制作用。
[0053]
在本技术的技术方案中，影响溶解氧含量的变化主要有微藻的光合作用产氧、空
气复氧、内部微生物的呼吸与沉积物的耗氧、藻液循环系统及培养基添加等因素。本技术技术方案中，对溶解氧的控制主要是通过对溶解氧含量进行调节。
[0054]
本设计中对溶解氧的控制主要是通过添加培养基对溶解氧含量进行的调节，受到培养基添加量j、培养基含量比kj以及混氧系数kh的共同影响。加入培养基后的溶解氧含量为：
[0055]op
(t)＝kh×
[j(t)
×kj-do(t-t0)]
[0056]
微藻培养系统的培养环境相对封闭，空气复氧、内部微生物的呼吸与沉积物的耗氧、微藻循环系统的影响较小且相对固定，忽略人工调节相对较短时间内其他因素对溶解氧产生的影响，对于藻液溶解氧含量的人工调节控制系统，控制效果的关系可表示为：
[0057][0058]
对o
p
(t)公式进行拉普拉斯变换，可得：
[0059][0060]
具体地，在本技术的技术方案中，由于通过添加培养基来对溶解氧含量进行调节，因此以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从输入参数的向量提取高维特征，从而获得特征向量，再以分类器来确定特征向量在该标签值下的概率值，以确定培养基添加量是否合理。
[0061]
但是，上述方法虽然能够比较充分地利用输入参数信息，但并没有能够很好地利用标签值与输入参数之间的关联信息，因此需要完全通过深度神经网络的参数更新来使得提取出的高维特征向标签域迁移，使得深度神经网络的训练速度慢，且分类精度不高。
[0062]
基于此，在本技术的技术方案中，进一步基于标签值与输入参数之间的关联来构造损失函数，从而使得深度神经网络的参数更新能够不仅考虑标签值的类别概率信息，而且能够考虑到概率标签值与输入数据间的关联信息。具体地，损失函数基于培养基添加量j，培养基含氧比kj以及混氧系数kh间的关系，构造为：
[0063]
l
label
＝kh×
(j
×kj-do)
[0064]
其中do为修正参数，通过对损失函数值的时间序列求导和进行拉普拉斯变换，可以得到：
[0065][0066]
因此，以分类损失函数值与该损失函数l
label
的加权和来训练深度神经网络。
[0067]
基于此，本技术提出了一种智能微藻培养系统，其包括训练模块和推断模块。其中，训练模块，包括：训练数据获取单元，用于获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；特征编码单元，用于将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量；分类损失函数值计算单元，用于将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失
函数值；损失函数值构造单元，用于基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基含氧比和所述混氧系数有关；训练单元，用于以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型。其中，推断模块，包括：待预测数据获取单元，用于获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；编码单元，用于将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；以及，分类单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。
[0068]
图1图示了根据本技术实施例的智能微藻培养系统的应用场景图。如图1所示，在该应用场景的训练阶段中，首先，通过传感器(例如，如图1中所示意的t)获取微藻(例如，如图1中所示意的h)培养的训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量。然后，将获得的所述训练数据输入至部署有智能微藻培养算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够用于智能微藻培养算法以获得的所述训练数据对智能微藻培养的所述编码器模型进行训练。
[0069]
在训练完成后，在推断模块中，首先，通过传感器(例如，如图1中所示意的t)获取微藻(例如，如图1中所示意的h)培养的待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量。然后，将获得的所述待预测数据输入部署有智能微藻培养算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够以智能微藻培养算法对获得的所述待预测数据进行处理，以生成用于表示培养基添加量是否合理的分类结果。
[0070]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0071]
示例性系统
[0072]
图2图示了根据本技术实施例的智能微藻培养系统的框图。如图2所示，根据本技术实施例的智能微藻培养系统200，包括：训练模块210和推断模块220。其中，训练模块210，包括：训练数据获取单元211，用于获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；特征编码单元212，用于将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量；分类损失函数值计算单元213，用于将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值；损失函数值构造单元214，用于基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基含氧比和所述混氧系数有关；训练单元215，用于以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型。其中，推断模块220，包括：待预测数据获取单元221，用于获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧
量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；编码单元222，用于将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；以及，分类单元223，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。
[0073]
具体地，在本技术实施例中，在训练模块210中，所述训练数据获取单元211和所述特征编码单元212，用于获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量，并将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量。如前所述，考虑到影响溶解氧含量的变化主要有微藻的光合作用产氧、空气复氧、内部微生物的呼吸与沉积物的耗氧、藻液循环系统及培养基添加等因素。因此，在本技术的技术方案中，通过添加培养基来对溶解氧含量进行调节，具体地，以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从所述输入参数的向量提取高维特征，从而获得特征向量，再以分类器来确定所述特征向量在该所述标签值下的概率值，以确定所述培养基添加量是否合理。
[0074]
相应地，在一个具体示例中，首先，通过传感器获取微藻培养的训练数据，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量。然后，将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型中进行处理，以提取出所述输入向量的高维关联特征，从而获得特征向量。
[0075]
更具体地，在本技术实施例中，所述特征编码单元，包括：首先，使用所述编码器模型的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征。相应地，在一个具体示例中，以如下公式对所述输入向量进行全连接编码，其中，所述公式为码，其中，所述公式为其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。然后，使用所述编码器模型的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间关联的高维关联隐含特征。
[0076]
具体地，在本技术实施例中，在训练模块210中，所述分类损失函数值计算单元213，用于将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值。也就是，在得到所述特征向量后，为了对所述编码器模型进行训练，以使得分类的结果更为准确，需要将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值。在一个具体示例中，使用所述分类器以如下公式对所述特征向量进行处理以获得分类结果，其中，所述公式为softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为特征向量；以及，计算所述分类结果和真实值之间的交叉熵数值作为所述分类损失函数值。
[0077]
具体地，在本技术实施例中，在训练模块210中，所述损失函数值构造单元214和所述训练单元215，用于基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基
含氧比和所述混氧系数有关，并以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型。应可以理解，由于如前所述方法虽然能够比较充分地利用所述输入参数信息，但并没有能够很好地利用所述标签值与所述输入参数之间的关联信息，因此需要完全通过深度神经网络的参数更新来使得提取出的高维特征向标签域迁移，但是这样使得所述深度神经网络的训练速度慢，且分类精度不高。因此，在本技术的技术方案中，进一步基于所述标签值与所述输入参数之间的关联来构造损失函数，从而使得深度神经网络的参数更新能够不仅考虑所述标签值的类别概率信息，而且能够考虑到所述概率标签值与所述输入数据间的关联信息。具体地，在本技术的技术方案中，基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，进一步以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型。
[0078]
更具体地，在本技术的实施例中，所述损失函数值构造单元，进一步用于：基于所述培养基添加量、培养基含氧比和混氧系数以如下公式来计算所述损失函数值；其中，所述公式为l
label
＝kh×
(j
×kj-do)，其中，j为培养基添加量，kj为培养基含氧比，kh为混氧系数，do为修正参数。特别地，在一个具体示例中，所述修正参数通过对损失函数值的时间序列求导和进行拉普拉斯变换得到：
[0079][0080]
在训练结束后，进入推断模块，也就是，在对所述编码器模型进行训练完成后，将其应用于实际的推断中。
[0081]
具体地，在本技术实施例中，在推断模块220中，所述待预测数据获取单元221和所述编码单元222，用于获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量，并将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量。也就是，同样地，首先通过传感器获取微藻培养的待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量。然后，将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的编码器模型中进行编码处理，以提取出所述输入向量的高维关联特征，从而获得分类特征向量。
[0082]
具体地，在本技术实施例中，在推断模块220中，所述分类单元223，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。也就是，在本技术的技术方案中，在得到用于分类的分类特征向量后，将所述分类特征向量通过分类器以获得用于表示培养基添加量是否合理分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述特征向量进行处理以获得分类结果，其中，所述公式为softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为特征向量。
[0083]
综上，基于本技术实施例的所述智能微藻培养系统200被阐明，其以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从所述输入参数的向量提取高维特征，再以分类器来确定特征向量在所述标签值下的概率值，以确定培养基添加量
是否合理。并且在此过程中，还基于所述标签值与所述输入参数之间的关联来构造损失函数，以使得深度神经网络的参数更新能够考虑所述标签值的类别概率信息，以及概率标签值与输入数据间的关联信息。这样，可以更准确地对培养基添加量是否合理进行准确地判断，进而使得微藻的生长更佳。
[0084]
如上所述，根据本技术实施例的智能微藻培养系统200可以实现在各种终端设备中，例如智能微藻培养算法的服务器等。在一个示例中，根据本技术实施例的智能微藻培养系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能微藻培养系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能微藻培养系统200同样可以是该终端设备的众多硬件模块之一。
[0085]
替换地，在另一示例中，该智能微藻培养系统200与该终端设备也可以是分立的设备，并且该智能微藻培养系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0086]
示例性方法
[0087]
图3图示了根据本技术实施例的智能微藻培养系统的工作方法的流程图。如图3所示，根据本技术实施例的智能微藻培养系统的工作方法，包括训练阶段和推断阶段。其中，训练阶段，包括步骤：s110，获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；s120，将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量；s130，将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值；s140，基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基含氧比和所述混氧系数有关；s150，以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型。其中，推断阶段，包括步骤：s210，获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；s220，将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；以及，s230，将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。
[0088]
图4图示了根据本技术实施例的智能微藻培养系统中训练模块的工作方法的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，将获取的所述训练数据(例如，如图4中所示意的p)中的各项数据排列为输入向量(例如，如图4中所示意的v)后通过包含一维卷积层和全连接层的编码器模型(例如，如图4中所示意的e1)以获得特征向量(例如，如图4中所示意的vf)；接着，将所述特征向量通过以所述培养基添加量作为标签值的分类器(例如，如图4中所示意的圈s)以获得分类损失函数值(例如，如图4中所示意的clv)；然后，基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值(例如，如图4中所示意的lv)；最后，以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型。
[0089]
图5图示了根据本技术实施例的智能微藻培养系统中推断模块的工作方法的架构示意图。如图5所示，在推断阶段中，在该网络架构中，首先，将获取的所述待预测数据(例如，如图5中所示意的q)中的各项数据排列为输入向量(例如，如图5中所示意的v)后通过经训练模块训练的所述编码器模型(例如，如图5中所示意的e2)以获得分类特征向量(例如，如图5中所示意的vf)；以及，最后，将所述分类特征向量通过分类器(例如，如图5中所示意的圈s)以获得分类结果，所述分类结果用于表示培养基添加量是否合理。
[0090]
更具体地，在训练阶段中，在步骤s110和步骤s120中，获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量，并将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量。也就是，首先，通过传感器获取微藻培养的训练数据，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量。然后，将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型中进行处理，以提取出所述输入向量的高维关联特征，从而获得特征向量。
[0091]
具体地，在本技术实施例中，将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量的过程，包括：首先，使用所述编码器模型的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征。相应地，在一个具体示例中，以如下公式对所述输入向量进行全连接编码，其中，所述公式为其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。然后，使用所述编码器模型的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间关联的高维关联隐含特征。
[0092]
更具体地，在训练阶段中，在步骤s130中，将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。也就是，在得到所述特征向量后，为了对所述编码器模型进行训练，以使得分类的结果更为准确，需要将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值。在一个具体示例中，使用所述分类器以如下公式对所述特征向量进行处理以获得分类结果，其中，所述公式为softmax{(wn，bn)：
…
：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为特征向量；以及，计算所述分类结果和真实值之间的交叉熵数值作为所述分类损失函数值。
[0093]
更具体地，在训练阶段中，在步骤s140和步骤s150中，基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基含氧比和所述混氧系数有关，并以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型。应可以理解，由于如前所述方法虽然能够比较充分地利用所述输入参数信息，但并没有能够很好地利用所述标签值与所述输入参数之间的关联信息，因此需要完全通过深度神经网络的参数更新来使得提取出的高维特征向标签域迁移，但是这样使得所述深度神经网络的训练速度慢，且分类精度不高。因此，在本技术的技术方案中，进一步基于所述标签值与所述输入参数之间的关联来构
造损失函数，从而使得深度神经网络的参数更新能够不仅考虑所述标签值的类别概率信息，而且能够考虑到所述概率标签值与所述输入数据间的关联信息。具体地，在本技术的技术方案中，基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，进一步以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型。
[0094]
具体地，在本技术的实施例中，基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值的过程，包括：基于所述培养基添加量、培养基含氧比和混氧系数以如下公式来计算所述损失函数值；其中，所述公式为l
label
＝kh×
(j
×kj-do)，其中，j为培养基添加量，kj为培养基含氧比，kh为混氧系数，do为修正参数。特别地，在一个具体示例中，所述修正参数通过对损失函数值的时间序列求导和进行拉普拉斯变换得到：
[0095][0096]
在训练结束后，进入推断阶段，也就是，在对所述编码器模型进行训练完成后，将其应用于实际的推断中。
[0097]
更具体地，在推断阶段中，首先，获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；然后，将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；最后，将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。
[0098]
综上，基于本技术实施例的所述智能微藻培养系统的工作方法被阐明，其以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从所述输入参数的向量提取高维特征，再以分类器来确定特征向量在所述标签值下的概率值，以确定培养基添加量是否合理。并且在此过程中，还基于所述标签值与所述输入参数之间的关联来构造损失函数，以使得深度神经网络的参数更新能够考虑所述标签值的类别概率信息，以及概率标签值与输入数据间的关联信息。这样，可以更准确地对培养基添加量是否合理进行准确地判断，进而使得微藻的生长更佳。
[0099]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0100]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0101]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0102]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本
申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0103]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种智能微藻培养系统，其特征在于，包括：训练模块，包括：训练数据获取单元，用于获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；特征编码单元，用于将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量；分类损失函数值计算单元，用于将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值；损失函数值构造单元，用于基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基含氧比和所述混氧系数有关；训练单元，用于以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型；以及推断模块，包括：待预测数据获取单元，用于获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；编码单元，用于将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；以及分类单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。2.根据权利要求1所述的智能微藻培养系统，其中，所述特征编码单元，包括：全连接编码子单元，用于：进一步用于使用所述编码器模型的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征；以及一维卷积编码子单元，用于使用所述编码器模型的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间关联的高维关联隐含特征。3.根据权利要求2所述的智能微藻培养系统，其中，所述全连接编码子单元，进一步用于以如下公式对所述输入向量进行全连接编码，其中，所述公式为其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。4.根据权利要求3所述的智能微藻培养系统，其中，所述分类损失函数值计算单元，进一步用于使用所述分类器以如下公式对所述特征向量进行处理以获得分类结果，其中，所述公式为softmax{(w
n
,b
n
):
…
:(w1,b1)|x}，其中，w1到w
n
为权重矩阵，b1到b
n
为偏置向量，x为特征向量；以及，计算所述分类结果和真实值之间的交叉熵数值作为所述分类损失函数值。5.根据权利要求4所述的智能微藻培养系统，其中，所述损失函数值构造单元，进一步用于基于所述培养基添加量、培养基含氧比和混氧系数以如下公式来计算所述损失函数值；
其中，所述公式为l
label
＝k
h
×
(j
×
k
j-do)，其中，j为培养基添加量，k
j
为培养基含氧比，k
h
为混氧系数，do为修正参数。6.根据权利要求5所述的智能微藻培养系统，其中，所述修正参数通过对损失函数值的时间序列求导和进行拉普拉斯变换得到：7.一种智能微藻培养系统的工作方法，其特征在于，包括：训练阶段，包括：获取训练数据，其中，所述训练数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量；将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值；基于所述培养基添加量、培养基含氧比和混氧系数来计算损失函数值，其中，所述损失函数值为所述培养基含氧比与所述混氧系数之间的乘积减去修正参数的差值与所述培养基添加量之间的乘积，所述修正参数与所述培养基添加量、所述培养基含氧比和所述混氧系数有关；以所述分类损失函数值和所述损失函数值之间的加权和来训练所述编码器模型；以及推断阶段，包括：获取待预测数据，所述待预测数据包括微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量、沉积物的耗氧量、藻液循环系统参数和培养基添加量；将所述待预测数据中的各项数据排列为输入向量后通过经训练模块训练的所述编码器模型以获得分类特征向量；以及将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示培养基添加量是否合理。8.根据权利要求7所述的智能微藻培养系统的工作方法，其中，将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量，包括：使用所述编码器模型的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征；以及使用所述编码器模型的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间关联的高维关联隐含特征。9.根据权利要求7所述的智能微藻培养系统的工作方法，其中，将所述训练数据中的各项数据排列为输入向量后通过包含一维卷积层和全连接层的编码器模型以获得特征向量，包括：以如下公式对所述输入向量进行全连接编码，其中，所述公式为以如下公式对所述输入向量进行全连接编码，其中，所述公式为其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。
10.根据权利要求7所述的智能微藻培养系统的工作方法，其中，用于将所述特征向量通过以所述培养基添加量作为标签值的分类器以获得分类损失函数值，包括：使用所述分类器以如下公式对所述特征向量进行处理以获得分类结果，其中，所述公式为softmax{(w
n
,b
n
):
…
:(w1,b1)|x}，其中，w1到w
n
为权重矩阵，b1到b
n
为偏置向量，x为特征向量；以及，计算所述分类结果和真实值之间的交叉熵数值作为所述分类损失函数值。

技术总结
本申请涉及智能微藻培养的领域，其具体地公开了一种智能微藻培养系统及其工作方法，其以微藻的光合作用产氧量、空气复氧量、内部微生物的呼吸耗氧量与沉积物的耗氧量、藻液循环系统参数等作为输入参数，以培养基添加量作为标签值，通过深度神经网络从所述输入参数的向量提取高维特征，再以分类器来确定特征向量在所述标签值下的概率值，以确定培养基添加量是否合理。并且在此过程中，还基于所述标签值与所述输入参数之间的关联来构造损失函数，以使得深度神经网络的参数更新能够考虑所述标签值的类别概率信息，以及概率标签值与输入数据间的关联信息。这样，可以更准确地对培养基添加量是否合理进行准确地判断，进而使得微藻的生长更佳。生长更佳。生长更佳。


技术研发人员：杨志鹏
受保护的技术使用者：杭州清淮科技有限公司
技术研发日：2022.02.14
技术公布日：2022/5/25