数学建模-最优包衣厚度终点判别法-三(Bayes判别分析法和梯度下降算法)

💞💞 前言
hello hello~ ,这里是viperrrrrrr~💖💖 ,欢迎大家点赞🥳🥳关注💥💥收藏🌹🌹🌹
💥个人主页:viperrrrrrr的博客
💥 欢迎学习数学建模算法、大数据、前端等知识,让我们一起向目标进发!

基于近红外光谱的肠溶片最优包衣厚度终点判别法

       包衣是将片剂的外表面均匀地包裹上一层衣膜的过程,旨在控制药物在胃肠道中的释放部位和速度,遮盖苦味或不良气味,防潮、避光,改善外观等。然而,包衣膜太薄或太厚都不利于药效,并且包衣终点的判断方法目前存在一定的难度。近红外光谱技术(NIRS)是一种高效、无需试剂、无污染的分析方法,通过近红外光谱仪、化学计量学软件和应用模型,能快速、简便地实现多组分检测。为实现包衣终点的准确判断,对数据进行分析并完成以下问题:

问题一:对药品在不同包衣时间段包衣片剂的近红外光谱进行特征峰提取,选择具有有效信息的波长片段,即波长选择。

问题二:分析药品包衣厚度分类规律,建立合适的模型对药品包衣不同厚度进行划分,给出方法及结果,并进行灵敏度分析。

问题三:对于不同的包衣厚度,通过建立模型分析包衣之间的关联性,判别出最优的包衣厚度。

我们本次主要解决问题三。

  问题三

        依据问题一选取的特征峰数据以及问题二的初始分类建立判别模型进行包衣终点判别,最终达到该判别模型能够根据样本不同包衣时间段在各谱区吸收值准确预测该样本是否为最优包衣厚度。

1、Bayes判别

        针对问题三,本文使用问题一提取的特征峰数据和问题二聚类得到的初始分类作为判别模型的自变量和分组标记。通过Bayes判别对数据在分类,通过对比判别前后的差异反馈判别的正确率。当正确率较大时,说明该判别方法准确有效,能过对未知分组样本做准确的判别即是否为最优包衣厚度判别,达到有效预测的目的。除此之外,本文还通过梯度分析算法,采用Goldstein原则确定最优步长,同时利用Wolfe法线性搜索,确定损失函数,即我们想要优化的目标。 最后通过迭代,不断刷新损失函数的梯度和参数,迭代次数越多,越接近目标值。

对于解决不确定统计分析的问题,每个类别的样本取得不同特征向量的概率,实现依据某个待识别向量计算该样本每个类别的概率。对应关系公式4所示:

表3 部分符号说明

贝叶斯分类

贝叶斯公式

每类样本的整体出现概率

先验概率

每个类中样本取得某个具体特征向量的概率

类条件概率

要计算的样本取得某一个具体特征向量时属于每一类的概率

后验概率

计算公式如下:

     (4)

以问题二的聚类结果为基础数据,对问题一所提取的特征峰数据标记初始分组,通过Bayes准则下的判别分析方法,对数据进行判别再次划分类别,通过比对Bayes判别前后样本所属类别与初始分组是否一致,计算判别的准确性[4]。针对问题三,我们选取问题一提取的特征峰数据,对不同的包衣时间段各谱区的吸收值,最优包衣在谱区的吸收值和素片在谱区的吸收值进行Bayes判别。初始组别是根据问题二的聚类结果分组。其中组别1表示包衣不足,组别3为最优包衣组,组别三表示除组别1和组别2外的其他包衣样本的集合。如下表所示,1组中有一个样本被重新分组到了第3组,第2组和第3组分组完全正确。最终该Bayes判别预测模型的正确率高达99.3%。而且我们特别关注的第3组(最优包衣)不存在误判,说明该模型判别效果较佳,能够作为预测模型对未知分组样本做准确的最优包衣终点判别。

表4 分类结果a

案例的类别号

预测组成员

合计

1

2

3

初始

计数

1

51

0

1

52

2

0

51

0

51

3

0

0

47

47

%

1

98.1

.0

1.9

100.0

2

.0

100.0

.0

100.0

3

.0

.0

100.0

100.0

  1. 已对初始分组案例中的 99.3% 个进行了正确分类。

2、梯度分析算法

在梯度下降算法中,采用Goldstein原则确定最优步长,同时利用Wolfe法线性搜索,确定损失函数(objective function),来代表了我们想要优化的目标。起初,我们需要初始化部分参数,然后开始迭代过程。在每一次迭代中,都会计算出当前参数下损失函数的梯度,并利用该梯度来更新我们的初始参数。因为该方法下迭代次数越多,越接近目标值即包衣终点。

由于样本对不同包衣时间段在各谱区的吸收值存在在线性关系,故建立线性模型如下:

(5)

假设其损失函数为:

(6)

下一步对损失函数最小化,即对

求导:

(7)

其中

,所以不难得出:

(8)

结果如下图所示,其中图中黑色曲线表示梯度下降算法下降时的轨迹。

图7 梯度下降算法结果

样本数据通过迭代过程,最终收敛求得反馈数据即为包衣终点判别结果。

5.3.3灵敏度分析

敏感性分析(sensitivity analysis)是指从定量分析的角度研究有关因素发生某种变化对某一个或一组关键指标影响程度的一种不确定分析技术。每个输入的灵敏度用某个数值表示即敏感性指数(sensitivity index)。SALib是一个基于python进行敏感性分析并提供一个解耦的工作流的开源库,负责使用其中一个采样函数(sample functions)生成模型输入,并使用其中一个分析函数(analyze functions)计算模型输出的灵敏度指数。本文使用蒙特卡洛技术实现全局灵敏度分析,基于方差的方法(sabol方法)将输入和输出的不确定性量化为概率分布,并将输出方差分解为可归因于输入变量和和变量组合的部分。因此,通过该输入引起的输出变化量来度量输出对输入变量的敏感度。本文根据不同包衣时间的肠溶片对成分1和成分2波长下的吸收波变化率和包衣时间进行拟合和灵敏度分析,结果如下:

图8 成分1的灵敏度分析

图9 成分2的灵敏度分析

10 灵敏度拟合图

由图可知,在经过二次拟合再三次拟合之后不同包衣时间下的肠溶片对波长的吸收值二阶灵敏度和总灵敏度。(一个二阶灵敏度会涉及两个变量), 而对应他们名字加上_conf 则表示对应的置信度(95%)。从定量分析的角度研究有关因素发生某种变化对某一个或一组关键指标影响程度的一种不确定分析技术。每个输入的灵敏度用某个数值表示即敏感性指数(sensitivity index)每个x对应不同a,b取值下y的均值以及95%置信区间,得到右图为参数a,b的一阶指数。由图可知,再保证其拟合度不变的情况下,随着时间增加其灵敏度越高,但再一定程度之后其灵敏度将会下降。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处:http://www.mzph.cn/news/812034.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

JavaScript教程(十一)--- 使用对象

使用对象 JavaScript 的设计是一个简单的基于对象的范式。一个对象就是一系列属性的集合,一个属性包含一个名和一个值。一个属性的值可以是函数,这种情况下属性也被称为方法。除了浏览器里面预定义的那些对象之外,你也可以定义你自己的对象。…

Linux内核之自旋锁:自旋锁初始化之spin_lock_init用法实例(四十五)

简介: CSDN博客专家,专注Android/Linux系统,分享多mic语音方案、音视频、编解码等技术,与大家一起成长! 优质专栏:Audio工程师进阶系列【原创干货持续更新中……】🚀 优质专栏:多媒…

数字IC/FPGA——锁存器/触发器/寄存器

本文主要介绍以下几点: 什么是触发器和锁存器门电路和触发器的区别什么是电平钟控触发器电平钟控触发器触发器和锁存器的区别触发器的分类方式:逻辑功能、触发方式、电路结构、存储数据原理、构成触发器的基本器件寄存器利用移位寄存器实现串并转换或并…

Docker一键安装Memos个人笔记

嗨朋友们, 我最近在试用三丰云的免费云服务器,性能不错哦,1核1G内存10G磁盘5M流量,对daily使用来说够用了。三丰云提供这种配置的免费服务器真是太贴心了。 今天我来给大家分享一下如何在Ubuntu下用Docker一键部署Memos这个轻量级个人笔记应用。 首先简单介绍下,Docker是一个…

Android Studio 使用Flutter开发第一个Web页面(进行中)

附上Flutter官方文档 1、新建Flutter项目(需要勾选web选项) 新建项目构成为: 2、配置 Flutter 使用 path 策略 官方文档 在main.dart中,需要导入flutter_web_plugins/url_strategy.dart包,并在main(){}函数中usePath…

第07-2章 TCP/IP模型

7.7 TCP/IP模型详解 7.7.1 简介 应用层的PDU>APDU(Application PDU) 表示层的PDU>PPDU(Presentation PDU) 会话层的PDU>SPDU(Session PDU) 7.7.2 TCP/IP协议体系 (1)TCP…

WPF —— GDI画板

定义绘制对象 Graphics g; 起始点坐标 Point start; 画笔颜色 Color c1 Color.Black; 是否开始绘制 当flagtrue开始绘制,结束绘 private void Form1_MouseDown(object sender, MouseEventArgs e) {if (e.Button MouseButtons.Left) //点击了鼠标左键{start …

Mysql事务测试

mysql事务测试 1、打开mysql的命令行,将自动提交事务给关闭 --查看是否是自动提交 1表示开启,0表示关闭 select autocommit; --设置关闭 set autocommit 0;2、数据准备 --创建数据库 create database tran; --切换数据库 两个窗口都执行 use tran; -…

深度学习500问——Chapter07:生成对抗网络(GAN)(2)

文章目录 7.2 GAN的生成能力评价 7.2.1 如何客观评价GAN的生成能力 7.2.2 Inception Score 7.2.3 Mode Score 7.2.5 Wasserstein distance 7.2.6 Frchet Inception Distance (FID) 7.2.7 1-Nearest Neighbor classifier 7.2.8 其他评价方法 7.3 其他常见的生成式模型有哪些 7.…

洛谷题单 -- 图论的简单入门

B3643 图的存储 链接 : 图的存储 - 洛谷 思路 : 这一题要考察图的存储方式 , 一般可以使用邻接矩阵 或 邻接表来存储 图的结点 和1 边的信息 &#xff0c;详情请看代码 : 代码 #include<bits/stdc.h> using namespace std;const int N 1010 ; int n , m ; int …

【Python】实现导入、提交文件并显示其路径的基础GUI界面

The tkinter package (“Tk interface”) 是一个基于Tcl/Tk GUI工具标准的Python接口。集合在大多数操作系统都有Tk和tkinter 库&#xff0c;包括MacOS&#xff0c;Window还有一些Unix类的操作系统 【基础操作】 1 设置窗口 # -*- coding: utf-8 -*- from tkinter import *#创…

ASP.NET MVC企业级程序设计 (EF+MVP实现显示数据)

效果图 实现过程 1创建数据库 2创建项目文件 3创建控制器&#xff0c;右键添加&#xff0c;控制器 注意这里要写Home 创建成功 数据模型创建过程之前作品有具体过程 4创建视图&#xff0c;右键添加视图 5HomeController.cs代码 using System; using System.Collections.Gene…

【数学建模】2024认证杯C题完整思路和代码论文解析

经过不懈的努力&#xff0c;2024认证杯数学建模C题的完整论文和代码已完成&#xff0c;代码为A题全部4问的代码&#xff0c;论文包括摘要、问题重述、问题分析、模型假设、符号说明、模型的建立和求解&#xff08;问题1模型的建立与求解、问题2模型的建立与求解、问题3模型的建…

力扣爆刷第118天之CodeTop100五连刷76-80

力扣爆刷第118天之CodeTop100五连刷76-80 文章目录 力扣爆刷第118天之CodeTop100五连刷76-80一、221. 最大正方形二、240. 搜索二维矩阵 II三、162. 寻找峰值四、234. 回文链表五、112. 路径总和 一、221. 最大正方形 题目链接&#xff1a;https://leetcode.cn/problems/maxim…

简站WordPress主题:简洁、实用、无插件、更安全

在众多的WordPress主题中&#xff0c;简站WordPress主题以其简洁、实用、无插件和更安全的特性脱颖而出&#xff0c;成为众多网站开发者和用户的首选。本文将对简站WordPress主题进行详细介绍&#xff0c;帮助您更好地了解这款优秀的主题。 一、简洁的设计 简站WordPress主题…

数据结构1:动态顺序表的实现

文章目录 头文件实现文件测试文件 头文件 #pragma once#include<stdio.h> #include<stdlib.h> #include<assert.h>#define INIT_CAPACITY 4typedef int SLDataType;// 动态顺序表 -- 按需申请 typedef struct SeqList {SLDataType* a;int size;int capacity…

浏览器工作原理与实践--HTTP/1:HTTP性能优化

谈及浏览器中的网络&#xff0c;就避不开HTTP。我们知道HTTP是浏览器中最重要且使用最多的协议&#xff0c;是浏览器和服务器之间的通信语言&#xff0c;也是互联网的基石。而随着浏览器的发展&#xff0c;HTTP为了能适应新的形式也在持续进化&#xff0c;我认为学习HTTP的最佳…

【LAMMPS学习】八、基础知识(2.6)Lammps中的Walls墙

8. 基础知识 此部分描述了如何使用 LAMMPS 为用户和开发人员执行各种任务。术语表页面还列出了 MD 术语&#xff0c;以及相应 LAMMPS 手册页的链接。 LAMMPS 源代码分发的 examples 目录中包含的示例输入脚本以及示例脚本页面上突出显示的示例输入脚本还展示了如何设置和运行各…

解释器模式:专为语言处理定制的模式

在软件开发中&#xff0c;解释器模式是一种特定的行为型设计模式&#xff0c;它用于定义一种语法&#xff0c;并提供一个解释器来解释这种语法或表达式。这种模式用于专门的情况&#xff0c;当有一个简单的语言需要解释时&#xff0c;它可以被用来表达实例的规则。本文将详细介…

初识鸿蒙HarmonyOS系统

鸿蒙HarmonyOS的诞生背景 鸿蒙HarmonyOS的起源&#xff1a; 鸿蒙HarmonyOS是中华为面对全球科技发展趋势和自身战略需求&#xff0c;在2019年推出的全新一代面向全场景的分布式操作系统。它的诞生旨在应对物联网时代下各种智能设备互联互通的需求&#xff0c;以及构建自主可控…