1.一种基于深度学习的微型化学实验系统,其特征在于:包括数据录入模块、数据处理模块、数据显示模块、数据分析模块、性能评估模块、数据存储与反馈模块,数据录入模块与数据处理模块相连,数据处理模块与数据显示模块相连,数据显示模块与数据分析模块相连,数据分析模块与性能评估模块相连,性能评估模块与数据存储与反馈模块相连;
所述数据录入模块,用于输入要合成的物质的数据;
所述数据处理模块,用于在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据,如果存在所述历史大数据,则将历史大数据在数据显示模块显示,否则,在所述大数据平台中提取所述要合成的物质的特征信息;
所述数据显示模块,用于在所述大数据平台中,将所述历史大数据或所述性能评估指标进行可视化处理并显示出来;
所述数据分析模块,用于依据所述特征信息,在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂;
所述性能评估模块,用于应用计算机仿真技术模拟所述试剂合成;结合所述合成的动态演化规律得到实时数据的性能评估指标;
所述数据存储与反馈模块,将所述性能评估指标存储到所述大数据平台中,同时反馈给用户。
2.一种基于深度学习的微型化学实验方法,其特征在于,具体的方法步骤如下:步骤一:输入要合成的物质的数据;
步骤二:在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据;
步骤三:在所述大数据平台中提取所述要合成的物质的特征信息;
步骤四:依据所述特征信息,在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂;
步骤五:应用计算机仿真技术模拟所述试剂合成;
步骤六:结合所述合成的动态演化规律得到实时数据的性能评估指标;
步骤七:将所述性能评估指标存储到所述大数据平台中,同时反馈给用户。
3.根据权利要求2所述的方法,其特征在于,步骤二中采用关联规则和聚类算法获取所述要合成的物质的历史大数据。
4.根据权利要求2所述的方法,其特征在于,步骤三中使用Spark MLlib提供的文本特征提取方法Countvectorizer,Countvectorizer和Countvectorizermodel旨在通过计数来将一个文档转换为向量,当不存在先验字典时,Countvectorizer可作为Estimator来提取词汇,并生成一个Countvectorizermodel,该模型产生文档关于词语的稀疏表示,其表示可以传递给其他算法如LDA,在fitting过程中,countvectorizer将根据语料库中的词频排序选出前vocabsize个词,一个可选的参数minDF也影响fitting过程中,它指定词汇表中的词语在文档中最少出现的次数,另一个可选的二值参数控制输出向量,如果设置为真那么所有非零的计数为1,这对于二值型离散概率模型非常有用。
5.根据权利要求2所述的方法,其特征在于,步骤四中使用并行粒子群优化神经网络算法,具体包括:(1)读入训练样本和测试样本,数据预处理,设定最大迭代次数Tmax;
(2)随机初始化每个粒子的速度Vid(t)和位置Xid(t);
(3)初始化个体最优位置Pbestid(t)和全局最优位置Gbestid(t);
(4)更新每个粒子的速度Vid(t)和位置Xid(t);
(5)计算每个粒子对应的适应度值(即NN的输出误差)F(Xi);
(6)更新个体最优位置Pbestid(t)和全局最优位置Gbestid(t);
(7)若达到最大迭代次数Tmax,则将训练样本和测试样本带入训练好的NN,得到网络输出;否则返回更新每个粒子的速度Vid(t)和位置Xid(t);
(8)将训练样本和测试样本带入训练好的NN,得到网络输出;
其中,算法的速度更新和位置更新公式:
Vid(t+1)=ωVid(t)+c1r1(Pbestid(t)-Xid(t))+c2r2(Gbestid(t)-Xid(t))Xid(t+1)=Xid(t)+Vid(t+1)
其中,粒子群由N个粒子组成,每个粒子的位置代表优化问题在D维搜索空间(D为NN权阈值的数目)中的一个潜在的解;i为粒子数,i=1,2...,N,d=1,2...,D;c1和c2是学习因子,非负的常数;r1和r2是介于[0,1]的均匀分布的随机数;Vid(t)∈[-Vmax,Vmax],Vmax限制了粒子飞行的最大速度,Xid(t)∈[-Xmax,Xmax],Xmax限制了粒子搜索空间的范围,可设定Vmax=kVmax,0≤k≤1;ω是惯性权重,介于[0,1],用来平衡粒子的全局搜索能力。
6.根据权利要求2所述的方法,其特征在于,步骤五采用滚动优化算法应用计算机仿真技术模拟所述试剂合成。
7.根据权利要求2所述的方法,其特征在于,步骤六的具体过程包括:(1)通过迭代优化算法建立性能评估指标;
(2)计算所述性能评估指标的最小值。
8.根据权利要求2所述的方法,其特征在于,还包括:通过所述实时数据对所述个体的最优参数序列进行矫正更新。