基于蚁群-遗传算法的光谱选择方法与应用

脂肪作为牛奶中的重要营养成分,是评价牛奶质量的一项重要指标。高光谱图像技术能够提供几十到数千波长的数据,能够反映牛奶中不同组成成分细微的光谱差异;另一方面,相邻波段之间往往具有很强的相关性,不仅增加了计算量,而且容易造成维数灾难等问题,因此对高光谱数据进行波段选择非常重要。工作中提出了PLS-ACO特征波段选择方法,并与遗传算法结合,组合成了PLS-ACO-GA的特征波段选择新方法。提出的两种方法以蚁群算法为基础,PLS回归模型回归系数的绝对值作为评价波长重要性的主要依据,以此作为蚁群算法的启发式信息,利用蚁群算法进行智能搜索,结合遗传算法,产生更多优秀的特征波段组合,避免PLS-ACO算法得到的只是局部最优解,得到的最优波段组合能够更好的反映牛奶中脂肪成分的信息;通过计算波长贡献率,筛选出最优波段组合,并与遗传算法,CARS算法和基本蚁群算法光谱特征选择方法比较,最后比较不同特征选择方法下的PLS回归模型预测效果。PLS-ACO, PLS-ACO-GA, CARS, GA和ACO分别筛选了牛奶样品光谱中的18,16,40,43和42个特征波段。其中PLS-ACO-GA筛选波段后的PLS预测模型效果最好,预测集R2_p和RMSEP分别为0.997 6和0.062 2,PLS-ACO次之,预测集R2_p和RMSEP分别为0.997 0和0.077 8。PLS-ACO和PLS-ACO-GA不仅减少了特征波段数量,而且提高了模型的精度。对PLS-ACO-GA进行特征波段选择后的数据,建立MLR,RFR和PLS回归预测模型。MLR预测模型的R2_p和RMSEP分别为0.997 6和0.062 3。RFR回归模型R2_p和RMSEP分别为0.999 9和0.003 0,PLS回归模型的R2_p和RMSEP分别为0.997 6和0.062 2。RFR模型在三种回归预测模型中表现最好。研究结果表明PLS-ACO和PLS-ACO-GA这两种方法可以实现光谱数据特征波段选择,高光谱技术可以实现牛奶中脂肪含量的检测,为牛奶脂肪含量检测提供了一种新的、快速无损的方法。     

梅花鹿茸快速生长及骨化期相关差异表达蛋白分析

采用同位素标记相对定量(iTRAQ)技术、超高效液相色谱-质谱联用技术和生物信息学分析方法对东北梅花鹿快速生长期(60 d)与骨化期鹿茸(90 d)进行比较蛋白质组学研究,共鉴定出127种差异蛋白。与骨化期鹿茸比较,快速生长期鹿茸中显著上调的差异蛋白80种,显著下调差异蛋白47种,这些差异表达蛋白主要分布在细胞外基质、核小体、珠蛋白-血红蛋白复合物、肌动蛋白丝、内质网-高尔基中隔室、内质网官腔及核内膜等部位。快速生长期鹿茸显著上调的差异蛋白主要是参与血氧运输、神经生长和再生、软骨和骨组织发育及ATP合成的功能蛋白,而显著下调的差异蛋白主要为参与软骨内骨化过程的功能蛋白,这些蛋白在鹿茸不同生长时期表达量的变化与鹿茸的快速生长和骨化进程密切相关。本研究为系统揭示鹿茸快速生长及骨化的分子机制提供了基础数据,同时对研究鹿茸的药效物质基础及临床应用具有重要的指导意义。     

牛奶蛋白质含量的SSA-SVM高光谱预测模型

牛奶中包含着很多人体需要的营养元素,如脂肪、蛋白质、钙等;对牛奶营养元素进行分析是牛奶安全检测关键的一部分.高光谱技术可以有效地结合图像和光谱数据识别牛奶种营养元素.为了实现对牛奶中蛋白质含量快速、精确的预测,采用竞争性自适应重加权(CARS)算法选取特征波长,并提出一种基于麻雀搜索算法(SSA)优化支持向量机(SVM...