本发明涉及培养基优化，具体涉及用于人工神经网络法优化培养基的试验设计方法。
背景技术：
培养基是为了产生菌生长、繁殖、代谢和合成产物，而按一定比例组成的营养物质，组分中的氮源、碳源和微量元素等多个因子都会对桑黄的生长及代谢产生影响，培养基优化即利用技术手段找到培养基的最优配比，以达到产量最大化。
培养基优化中最具代表性的现有技术方案为响应面方法(Response Surface Methods)：在多因素数量处理试验的分析中，可以分析试验结果(因变量)与多个试验因素(自变量)间的回归关系，这种回归可能是曲线或曲面的关系，因而称为响应面分析。例如农作物产量与若干种肥料的施肥量有关，可以通过回归分析建立产量与施肥要素间的回归关系，从而求得最佳施肥配方，以求得最高产量。该方法最大的缺点即，在优化因素过多的情况下，首先需要利用单因素实验以及筛选试验设计方法(Plackett-Burman Design)确定出培养基各因素中的显著因子，从而以显著因子为中心，进行响应面实验。其中单因素实验的利用往往对实验准确性造成了很大的偏差，这是因为单因素实验忽略了培养基中各因素的交互作用，认定这些因素是单独对培养基起作用；筛选试验设计方法也只能筛选出某些显著因子，同样忽略因素间的交互作用。
而目前新兴起的人工神经网络法优化培养基，为培养基优化提供了一种全新的模式。人工神经网络即考虑培养基中各个因素，然后模拟神经网络中神经元传递信息的方式对这些因素进行建模。人工神经网络的最大优点即具有智能学习的能力，即利用已有的试验结果(培养基配比和对应产量)对网络进行训练，进行一定的训练后，人工神经网络即可判断出最优培养基配比和最大产量。人工神经网络相较于响应面方法的优点即对所有培养基因素都进行了全面的考量。但是利用人工神经网络的前提是已有大量的试验结果，单纯为了这个目的而进行大量培养试验成本高、效率低。
由此可见，目前的培养基优化的方法存在忽略培养基中各因素的交互作用或需要进行大量培养试验导致成本高、效率低的问题。
技术实现要素：
本发明所要解决的技术问题是目前的培养基优化的方法存在忽略培养基中各因素的交互作用或需要进行大量培养试验导致成本高、效率低的问题。
为了解决上述技术问题，本发明所采用的技术方案是提供了一种用于人工神经网络法优化培养基的试验设计方法，包括以下步骤：
首先，将培养基中的m个影响因素、每个影响因素的取值范围内的n个不同取值组成如下矩阵:
然后，在上述矩阵中，任意选择t行，1≤t≤m，并每行各取出一个值，组成具有t个元素的验证集合γ，并且验证集合γ在按照如下条件设计的试验中，至少出现一次，至多出现λ次，λ≥1，每组试验Bk,j应满足如下条件：
(1)中的每个元素均来自于上述矩阵，且分别取自矩阵的不同行，1≤j1,j2,...,jm；
令j＝1,2,...n，则共有n组这样的试验，βk＝{Bk,1,Bk,2,...Bk,n}表示这n组试验的集合；令k＝1,2,...,s，β＝{β1，β2，...，βs}，从而获得s×n组试验；
(2)对每一个βk＝{Bk,1,Bk,2,...Bk,n}，k＝1,2,...,s，要求即Bk,j(j＝1,2,...,n)的并集正好是整个矩阵里的元素；
最终，将按照以上方法得到的试验设计方案β＝{β1，β2，...，βs}进行试验，并将试验结构应用于人工神经网络的训练，从而得到可以准确体现培养基因素和产量的人工神经网络。
在上述方案中，m＝6，且各个影响因素分别为接种量、装液量、温度、PH值、酵母浓度和葡萄糖浓度。
在上述方案中，接种量的取值范围为5g/L～7g/L，装液量为50ml～100ml，温度为27.5℃～32.5℃，PH值为6～8，酵母浓度为4g/L～8g/L，葡萄糖浓度为45g/L～85g/L。
在上述方案中，t＝2。
在上述方案中，λ＝3。
本发明，克服以往实验方法对单因素实验的依赖，使得培养基中各因素都能被均衡考虑，并且体现出因素间的交互性，从而使得优化实验更准确；采用该方法进行培养试验，并将得到的实验结果应用于人工神经网络，可以很好地覆盖人工神经网络中的各个神经元，并且训练神经元可体现出培养基各元素间的交互性，使得在试验组数尽可能少的情况下，达到对人工神经网络最好的训练。
具体实施方式
下面结合具体实施例对本发明予以详细说明。
本发明提供的用于人工神经网络法优化培养基的试验设计方法包括以下步骤：
首先，将培养基中的m个影响因素、每个影响因素的取值范围内的n个不同取值组成如下矩阵:
然后，在上述矩阵中，选择t行，1≤t≤m，并每行各取出一个值，组成具有t个元素的验证集合γ，并且验证集合γ在按照如下条件设计的试验中，至少出现一次，至多出现λ次，λ≥1，每组试验Bk,j应满足如下条件：
(1)中的每个元素均来自于上述矩阵，且分别取自矩阵的不同行，1≤j1,j2,...,jm；
令j＝1,2,...n，则共有n组这样的试验，βk＝{Bk,1,Bk,2,...Bk,n}表示这n组试验的集合；令k＝1,2,...,s，β＝{β1，β2，...，βs}，从而获得s×n组试验；
(2)对每一个βk＝{Bk,1,Bk,2,...Bk,n}，k＝1,2,...,s，要求即Bk,j(j＝1,2,...,n)的并集正好是整个矩阵里的元素；
最终，将按照以上方法得到的试验设计方案β＝{β1，β2，...，βs}进行试验，并将试验结构应用于人工神经网络的训练，从而得到可以准确体现培养基因素和产量的人工神经网络。
在上述方案中，m＝6，且各个影响因素分别为接种量、装液量、温度、PH值、酵母浓度和葡萄糖浓度。
在上述方案中，接种量的取值范围为5g/L～7g/L，装液量为50ml～100ml，温度为27.5℃～32.5℃，PH值为6～8，酵母浓度为4g/L～8g/L，葡萄糖浓度为45g/L～85g/L。
在上述方案中，t＝2。在6个影响因素中，选择两个影响因素的取值来组成验证集合，更易操作，也更为合理。
在上述方案中，λ＝3。
现在通过具体实施例对本申请进行说明：
影响因素m为6个，且分别为：接种量，装液量，温度，PH值，酵母浓度，葡萄糖浓度，每个因素分别取三个值，即n＝3,具体取值情况如下：
接种量：5g/L,6g/L,7g/L；
装液量：50ml,75ml,100ml；
温度：27.5℃,30℃,32.5℃；
PH值：6,7,8；
酵母浓度：4g/L,6g/L,8g/L；
葡萄糖浓度：45g/L,70g/L,85g/L；
即为矩阵
针对以上取值,令s＝3，可以得到以下9组参数设置的试验：
β1＝{{a＝5g/L,b＝75ml,c＝32.5℃,d＝7,e＝4g/L,f＝70g/L},
{a＝6g/L,b＝50ml,c＝30℃,d＝6,e＝8g/L,f＝45g/L},
{a＝7g/L,b＝100ml,c＝27.5℃,d＝8,e＝6g/L,f＝85g/L}}；
β2＝{{a＝5g/L,b＝100ml,c＝30℃,d＝8,e＝6g/L,f＝45g/L},
{a＝6g/L,b＝75ml,c＝27.5℃,d＝7,e＝4g/L,f＝85g/L},
{a＝7g/L,b＝50ml,c＝32.5℃,d＝6,e＝8g/L,f＝70g/L}}；
β3＝{{a＝5g/L,b＝50ml,c＝27.5℃,d＝6,e＝8g/L,f＝85g/L},
{a＝6g/L,b＝100ml,c＝32.5℃,d＝8,e＝6g/L,f＝70g/L},
{a＝7g/L,b＝75ml,c＝30℃,d＝7,e＝4g/L,f＝45g/L}}；
在以上的试验设计中，令t＝2，组成具有2个元素的验证集合γ，如(a＝5g/L,b＝100ml)，(a＝5g/L,b＝50ml)，(a＝5g/L,b＝75ml)等，在9组试验中都分别只出现了一次)；
如(d＝7,e＝4g/L)，(d＝8,e＝6g/L)，(d＝6,e＝8g/L)在9组试验中都分别出现了3次)，则1≤λ≤3，因此，不仅保证了两个因素的取值的重复率较小，不会过分依赖于某一个元素，还保证了每个取值的覆盖率，不会遗漏，满足条件；
将按照以上9组试验设计进行的发酵产量数据应用到人工神经网的训练，从而得到可以准确体现培养基因素和产量的人工神经网络。
本发明，克服以往实验方法对单因素实验的依赖，使得培养基中各因素都能被均衡考虑，并且体现出因素间的交互性，从而使得优化实验更准确；采用该方法进行培养试验，并将得到的实验结果应用于人工神经网络，可以很好地覆盖人工神经网络中的各个神经元，并且训练神经元可体现出培养基各元素间的交互性，使得在试验组数尽可能少的情况下，达到对人工神经网络最好的训练。
本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。