本發明涉及中藥提取現代化，特別是涉及一種基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法。

背景技術：

1、蒲公英俗稱婆婆丁、黃花地丁，為菊科蒲公英屬多年生草本植物，其干燥全草皆可入藥，有著“藥草皇后”和“天然青霉素”的美譽。綠原酸作為蒲公英葉中主要成分，已被國際公認為“植物黃金”，具有廣泛的降血脂、抑菌、抗氧化、抗腫瘤、保肝利膽等功能，因此蒲公英中綠原酸成分的提取成為功能性食品研究開發的熱點。

2、傳統的提取工藝優化方法通常使用部分試驗代替全面試驗，因此不能像全部實驗那樣逐一分析實驗效果及其相互作用。機器學習方法因能夠有效解決非線性問題以及進行全局尋優，可降低試驗成本和時間，應用于提取工藝的優化中，可以取得良好的效果。

3、支持向量回歸(svr)是機器學習中的一種經典算法，可以為中藥材有效成分提取優化提供技術支撐。svr通過引入核函數可以將數據映射到高維空間，在高維空間中進行回歸分析，能夠很好地處理非線性問題。然而，svr的性能高度依賴于其超參數的選擇，海象優化算法恰好能實現svr模型參數優化。

4、因此，亟需一種基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，通過構建改進海象優化器與svr融合的預測模型，確定蒲公英有效成分提取工藝優化方法，能夠提高中藥成分提取的效率。

技術實現思路

1、為了解決上述現有技術存在的問題，本發明的目的是提供一種基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，該方法能夠將人工智能算法與中藥提取工藝相結合，通過構建工藝參數的預測模型，在模型基礎上尋優，獲得提取工藝的最佳參數。

2、為實現上述目的，本發明提供了如下方案：

3、一種基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，包括：

4、獲取待預測因素，所述待預測因素包括：乙醇濃度、超聲時間、超聲溫度和超聲功率；

5、將所述待預測因素輸入i-wo-svr模型，獲取蒲公英花莖綠原酸提取率；所述i-wo-svr模型利用訓練集訓練svr預測模型，并采用改進后的海象優化器i-wo優化所述svr預測模型的懲罰參數和核參數獲得；其中，所述訓練集包括：提取影響因素和對應的綠原酸提取率。

6、可選地，采用改進后的海象優化器i-wo優化所述svr預測模型的懲罰參數和核參數包括：

7、確定svr目標函數，選擇徑向基函數作為所述svr預測模型的核函數，通過改進后的海象優化器i-wo確定所述svr預測模型的懲罰因子c及核函數參數g：

8、所述svr目標函數表達式為：

9、

10、

11、其中，ω和b為svr模型參數，xh、yh分別代表模型的輸入變量及輸出變量，n為支持向量的個數，ε表示容忍偏差；

12、所述核函數表達式為：

13、

14、其中，為支持向量，x為原始樣本集，g為核函數參數。

15、可選地，采用改進后的海象優化器i-wo優化所述svr預測模型包括：

16、步驟1、采用無限折疊迭代混沌映射初始化海象種群；

17、步驟2、當海象所處環境的危險信號過高時，對所述海象種群進行遷移，第一次引入自適應權重改進海象種群遷移過程；

18、步驟3、當海象在水下覓食受到自然捕食者的攻擊時，則發出所述危險信號，逃離當前的活動區域，第二次引入自適應權重改進海象逃離過程；

19、步驟4、重復步驟2至3，直至達到最大迭代次數，輸出最優的懲罰參數和核參數。

20、可選地，采用無限折疊迭代混沌映射初始化海象種群的公式為：

21、

22、其中，δ為控制參數，xi和xi+1分別表示無限折疊迭代混沌映射生成的序列中第i只海象和(i+1)只海象的值。

23、可選地，第一次引入自適應權重改進海象種群遷移過程的公式為：

24、

25、其中，表示遷移過程中第d+1次迭代時第i只海象在第j維上的新位置，表示遷移過程中第d次迭代時第i只海象在第j維上的當前位置，遷移過程中設置兩只巡邏海象，其位置分別為和α1表示第一次引入的自適應權重。

26、可選地，獲取自適應權重的公式為：

27、

28、其中，d為最大迭代次數，d為當前迭代次數，e為自然常數。

29、可選地，第二次引入自適應權重改進海象逃離過程的公式為：

30、

31、其中，表示當前海象與最佳海象之間的距離，λ為危險因子，α2為第二次引入的自適應權重。

32、可選地，獲取所述訓練集包括：

33、繪制標準曲線，利用所述標準曲線，計算蒲公英花莖中綠原酸濃度，然后計算綠原酸提取率；

34、在單因素試驗基礎上，以綠原酸提取率為評價指標進行4因素3水平的響應面試驗，獲取實驗樣本數據；

35、根據實驗結果，構建樣本集，對所述樣本集進行篩選與數據增強，將擴充后的樣本集進行標準化處理，并將樣本數據設置為訓練集。

36、本發明的有益效果為：

37、本發明能夠確定蒲公英有效成分提取的最優工藝參數，在保證產品質量的同時提高生產效率，為中藥提取及其智能工業化生產帶來新方法。

技術特征：

1.一種基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，其特征在于，包括：

2.根據權利要求1所述的基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，其特征在于，采用改進后的海象優化器i-wo優化所述svr預測模型的懲罰參數和核參數包括：

3.根據權利要求1所述的基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，其特征在于，采用改進后的海象優化器i-wo優化所述svr預測模型包括：

4.根據權利要求3所述的基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，其特征在于，采用無限折疊迭代混沌映射初始化海象種群的公式為：

5.根據權利要求3所述的基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，其特征在于，第一次引入自適應權重改進海象種群遷移過程的公式為：

6.根據權利要求5所述的基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，其特征在于，獲取自適應權重的公式為：

7.根據權利要求3所述的基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，其特征在于，第二次引入自適應權重改進海象逃離過程的公式為：

8.根據權利要求1所述的基于i-wo-svr模型的蒲公英有效成分提取工藝優化方法，其特征在于，獲取所述訓練集包括：

技術總結
本發明涉及一種基于I?WO?SVR模型的蒲公英有效成分提取工藝優化方法，包括：獲取待預測因素，待預測因素包括：乙醇濃度、超聲時間、超聲溫度和超聲功率；將待預測因素輸入I?WO?SVR模型，獲取蒲公英花莖綠原酸提取率；I?WO?SVR模型通過利用訓練集訓練支持向量回歸SVR預測模型，并采用改進后的海象優化器I?WO優化SVR預測模型的懲罰參數和核參數獲得；其中，訓練集包括：原始因素以及原始因素對應的綠原酸提取率。本發明結合現代人工智能技術和傳統的中醫藥領域設計中藥材有效成分提取優化方法，應用前景廣闊，能夠為中藥提取及其智能工業化生產提供新思路。

技術研發人員：劉少華,孫洪亮,許德軍,鐘曉昊,韓子義
受保護的技術使用者：吉林化工學院
技術研發日：
技術公布日：2025/4/10