最小角回归结合核极限学习机的近红外光谱对柑橘黄龙病的鉴别

传统的柑橘黄龙病检测方法存在准确度低、稳定性差等问题,该文提出了一种基于最小角回归结合核极限学习机(Least angle regression combined with kernel extreme learning machine,LAR-KELM_((RBF)))的近红外柑橘黄龙病鉴别方法。该方法将光谱数据通过小波变换进行预处理,然后用最小角回归(LAR)算法进行光谱波长的筛选,最后通过核极限学习机(KELM_((RBF)))实现样本的分类。实验采用柑橘叶片的近红外光谱数据,验证了LAR-KELM_((RBF))算法的性能,其分类准确度最高为99.91%,标准偏差为0.11。不同规模训练集的实验结果表明,LAR-KELM_((RBF))模型较极限学习机(ELM)、波形叠加极限学习机(SWELM)、反向传播神经网络(BP_((2层)))、KELM_((RBF))和支持向量机(SVM)模型分类准确度高、稳定性强,能够广泛应用于柑橘黄龙病的检测鉴别。     

基于堆栈稀疏自编码融合核极限学习机的近红外光谱药品鉴别

提出一种基于堆栈稀疏自编码融合核极限学习机(Stacked sparse auto-encoders combine kernel extreme learning machine,SSAE-KELM)的近红外药品鉴别方法,通过引入核极限学习机代替SSAE的Softmax分类和BP微调阶段,减少了模型的训练步骤、训练参数以及训练时间,提高了深度学习网络的实际应用能力,核函数的引入提高了模型的分类能力。其中,SSAE用于初始化整个网络模型,并且从输入数据中学习到有用的特征,KELM用于实现分类任务。研究了SSAE-KELM模型对不同厂商生产的同一包装形式(铝塑或非铝塑)药品鉴别的预测能力、稳定性及训练时间,以实现药品的二分类和多分类的无损鉴别。同时,与ELM、SSAE、BP、SVM及随机隐退深度信念网络(Dropout-DBN)进行对比。结果表明,无论是二分类还是多分类,SSAE-KELM不仅具有更优的分类能力和稳定性、还减少了训练时间。因此,SSAE-KELM是一种有效的光谱分类建模工具。     

基于非接触式拉曼光谱分析人血与犬血的PCA-LDA鉴别方法

将拉曼光谱分析法与数理统计方法有机结合,构建人血与犬血种属判别模型,实现了不同种属血液样本的高效无损鉴别.采用拉曼光谱的无损测试模式对血液样本进行测试,考察了抗凝管管材、聚焦位置及曝光时间等对血液样本拉曼光谱的影响,在激发波长为632.8 nm,光谱扫描范围为200~1800 cm-1,功率衰减率50%,曝光时间5 s及累加次数为2次的优化条件下,获得了无损检测条件下的血液样本拉曼光谱图.针对血液样本组分复杂、拉曼光谱信号基底背景高等问题,提出了基于小波变换去噪,进行分段多项式基线校正的预处理方法,有效解决了血液样本拉曼光谱谱图的高噪音和基线漂移问题.实验选择30例正常人血和33例比格犬血为样本训练集,5例正常人血和5例比格犬血为测试集,基于主成分分析法(PCA)联合线性判别法(LDA)模型,训练集分类正确率达到95.23%,盲测集分类正确率达90.00%.这种基于非接触式血液样本拉曼光谱和PCA-LDA判断模型的测试方法在进出口检验检疫等涉及血液无损鉴别的领域具有广泛的应用价值和前景.     

近红外光谱技术结合教与学算法优化极限学习机实现烤烟等级判定

该研究基于近红外光谱（NIRs）技术,以2016～2018年来自13个省份的937个烟叶样本为研究对象,比较了竞争性自适应重加权采样方法（CARS）、蒙特卡洛无信息变量消除法（MC－UVE）以及随机青蛙算法（RF）3种变量筛选方法的极限学习机（ELM）模型效果,与常规判别方法偏最小二乘判别分析（PLS－DA）比较,验证了ELM模型的优势。并通过教与学优化（TLBO）算法对ELM模型进行优化,建立烤烟样本的等级判定模型。结果表明,验证集的分类正确率达到90.16%,测试集的外部验证表现良好,TLBO－ELM模型收敛速度快,泛化能力强,可应用于烤烟等级判定。近红外光谱技术结合教与学算法优化极限学习机为智能化实现烟叶等级判定提供了一种新方法。     

基于多特征算法选择的太赫兹时域光谱用于水稻种子掺假研究

该文提出了一种基于太赫兹时域光谱的水稻种子模式识别方法。实验以10种不同品牌混合掺假的水稻种子为样本,基于采集的样本太赫兹时域光谱数据,通过建立Relief、随机森林（RF）、支持向量机递归特征消除（SVM-RFE）和最大相关最小冗余（mRMR）模型分别对样本光谱波长进行特征选择,最后设计分类器对4种特征选择方法处理后的样本进行分类识别。结果表明,基于布谷鸟算法（CS）优化的极限学习机模型对经RF特征选择算法提取后的样本光谱数据具有最佳识别效果,其准确率可达100%,实验对于法庭科学领域内种子的掺假鉴定具有一定的借鉴意义。     

基于可见光/近红外反射光谱的沉积型 稀土矿La元素含量无损检测

以黔西北二叠系宣威组沉积型稀土矿中的La元素为研究对象,对其进行光谱学分析的基础上,应用机器学习中遗传算法优化的极限学习机(Genetic algorithm-extreme learning machine model,GA-ELM)建模方法对La元素进行了高光谱定量估算反演.通过多种光谱变换(Savitzky-Go...     

软质聚氯乙烯分子网络及其Gaussian模量

采用应力松弛实验及Haward模型, 研究了增塑剂含量、填料[CaCO3、炭黑(CB)]和丁腈橡胶(NBR)对软质聚氯乙烯(PPVC)的分子链缠结网络结构、分子链滑移及Gaussian模量的影响. 结果表明, 在PPVC主网络达到极限伸长之前, PPVC材料的粘弹行为能很好地符合Haward模型. 增塑剂、CaCO3和CB虽然不改变主网络的缠结结构, 并且主网络的极限伸长不变, 但增塑剂可以降低主网络的网链密度, 而CaCO3和CB可以提高主网络的网链密度; 同时增塑剂可减弱次级网络, 增大PVC分子链滑移, 使材料的Gaussian模量下降; CaCO3和CB可增强次级网络, 减小PVC分子链滑移, 使材料的Gaussian模量增加. NBR的加入可以改变主网络的缠结结构, 增加主网络的极限伸长; 既可降低PPVC主网络的缠结密度, 又可减弱次级网络, 使Gaussian模量降低.     

激光诱导击穿光谱对U元素的定量分析

铀矿是核领域最重要的矿产资源之一,快速、有效勘探铀矿资源能促进核领域平稳、健康发展。激光诱导击穿光谱(LIBS)技术具备多目标元素现场快速检测的优点,能实现铀矿资源准确、快速的现场分析。本工作基于LIBS技术对铀矿中U元素进行了定量分析,对比了偏最小二乘(PLS)和随机森林(RF)两种机器学习算法的定量效果。结果显示,RF模型的定量线性相关系数为0.996,对三个验证集的相对误差分别是22.33%、12.79%和12.04%;PLS模型的定量线性相关系数为0.997,对三个验证集的相对误差分别是4.33%、6.63%和6.85%。对比结果表明,本研究中的PLS模型定量准确度更高,同RF算法相比,PLS算法更适用于铀矿中U的LIBS定量分析。     

基于随机森林算法的原位质谱快速鉴别肺癌的方法研究

随机森林(Random forest, RF)算法是一种基于决策树的机器学习算法,具有良好的分类与变量筛选性能,因而在生物医学高维数据分析中应用广泛。本研究开发了一种基于RF算法的原位质谱快速鉴别肺癌的模型和方法,通过构建液体辅助表面解吸常压化学电离质谱技术平台(DAPCI-MS),结合RF算法,在常温常压条件下,直接实现对未处理人体肺鳞癌组织切片的准确鉴别与区分,并获取肺癌区别于正常组织的生物特征标记物。研究表明,当决策树数目n_tree=100时,对人体肺鳞癌组织与邻近正常组织的区分准确率可达到100%。与其它分类方法相比,本模型具有稳健性高、分类效果好、泛化能力强等特点,为实现复杂基质的人体肺癌组织与相邻正常组织的区分提供了一种快速、准确和可靠的分类模型。     

卷烟滤棒中三醋酸甘油酯含量的现场快速检测研究

为了提高卷烟滤棒中三醋酸甘油酯含量的检测效率,该文通过使用手持式近红外光谱仪,结合粒子群优化－极限学习机（PSO－ELM）回归算法建立了三醋酸甘油酯含量的定量预测模型,并与偏最小二乘回归（PLSR）和极限学习机回归（ELMR）进行了比较。实验结果表明：相比于PLSR和ELMR模型,所建立的PSO－ELM预测模型的决定系数R2为0.921 2,远高于PLSR预测模型的0.860 4和ELMR预测模型的0.877 2;同时,使用PSO－ELM模型的预测均方根误差（RMSEP）为0.392 12,小于PLSR预测模型的0.497 72和ELMR预测模型的0.470 18。以上实验结果表明,所建立的近红外光谱定量模型能够应用于卷烟滤棒中三醋酸甘油酯含量的快速准确测量,为实现滤棒中三醋酸甘油酯含量的现场快速检测提供了良好的技术参考。     

基于分子描述符和机器学习方法预测和虚拟筛选乳腺癌靶向蛋白HEC1抑制剂

HEC1(癌症高表达蛋白)是纺锤体检查点控制、着丝粒功能、细胞存活的关键的有丝分裂调节器,与原发性乳腺癌的不良预后有关.筛选具有高亲和力的HEC1新型抑制剂对探索乳腺癌的靶向治疗具有重要意义.本文从结构多样性的化合物库中筛选HEC1抑制剂.通过对分子描述符的特征筛选,采用支持向量机(SVM)和随机森林(RF)方法分别对HEC1抑制剂和非抑制剂建立了分类模型.经对比, RF模型显示了更好的预测精度.我们采用RF模型对HEC1抑制剂进行了虚拟筛选,从“in-house”实体库筛选得到2个潜在的HEC1抑制剂分子.随后对筛出的化合物进行了体外活性实验,发现对乳腺癌细胞株MDA-MB-468和MDA-MB-231均有一定程度的抗肿瘤活性.研究结果表明,机器学习方法对于设计和虚拟筛选HEC1抑制剂有良好的效果.     

基于特征肽的超高效液相色谱-串联质谱法检测矛头蝮蛇蛇毒种属来源及类凝血酶含量

蛇毒血凝酶类药物是以蝮蛇蛇毒为原料制备的止血药,主要活性成分为蛇毒类凝血酶(svTLEs)。不同蛇种来源的svTLEs结构不同,止血机制不同,药理作用也存在差异,因此准确鉴别蛇毒种属来源和svTLEs含量对于保障该类产品的质量至关重要。研究基于蛋白质组学技术,筛选出了具有种属特异性的矛头蝮蛇svTLE特征肽,并建立了基于特征肽的超高效液相色谱-串联质谱(UHPLC-MS/MS)检测矛头蝮蛇蛇毒种属来源及类凝血酶含量的方法。采用胰蛋白酶对纯化的矛头蝮蛇svTLE进行酶解,利用纳升液相色谱-四极杆/静电场轨道阱高分辨质谱(Nano LC-Q-Exactive-MS)和Proteome Discoverer 2.2软件分别进行多肽的检测和鉴定,通过BLAST搜索与Uniprot数据库对比分析,筛选出具有种属特异性的矛头蝮蛇svTLEs特征肽“EAYNGLPAK”。针对该特征肽对酶解温度、酶解时间和酶用量等样品前处理方法进行了优化,利用超高效液相色谱-串联质谱,以m/z 481.9>315.2和481.9>485.2作为检测离子对,采用ESI⁺模式进行了多反应...     

环丁烷型嘧啶二聚体的电子诱导裂解机理及动力学

采用脉冲辐解瞬态吸收光谱法研究了水溶液中水合电子引发cis-syn型1, 3-二甲基尿嘧啶环丁烷型二聚体(DMUD)裂解、生成嘧啶单体和嘧啶阴离子自由基, 以及在核黄素(RF)和黄素腺嘌呤二核苷酸(FAD)存在下, 尿嘧啶阴离子自由基和RF及FAD之间的电子转移反应过程, 测定了电子转移反应的速率常数. 当没有RF或FAD作为电子受体时, 尿嘧啶阴离子自由基可能继续和DMUD反应, 以链反应形式进行.     

基于显微拉曼检测蛋白核小球藻鉴别丁草胺及草甘膦

以蛋白核小球藻(Chlorella pyrenoidosa)作为鉴别载体,利用共聚焦显微拉曼光谱仪分别获取生长在除草剂草甘膦、丁草胺污染水体以及正常水体的蛋白核小球藻β-胡萝卜素的拉曼光谱信息,对2种除草剂进行了鉴别.利用预处理后的光谱信号,建立偏最小二乘回归(PLS)预测模型及线性判别分析(LDA)分类模型.当阈值为±0.3时,全波段建立的PLS模型对草甘膦和丁草胺的预测正确率高达83.33%,特征峰建立的LDA分类模型对2种除草剂的分类正确率均达到了100%.结果表明,利用蛋白核小球藻为载体对丁草胺和草甘膦2种除草剂进行鉴别是可行的,且LDA分类模型更适合除草剂的分类研究.     

基于PLS-自组织竞争神经网络近红外光谱技术对鲜乳和掺假乳的检测方法研究

通过偏最小二乘法(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对鲜乳和掺有植物奶油的牛乳建立识别模型.用PLS法对原始数据进行主成分压缩,采用自组织竞争神经网络建模.取前3个主成分的21个吸收峰值输入网络,学习参数为0.05,网络训练迭代次数为200,模型鉴别准确率达100%.其次建立了植物奶油掺假量的定量检测PLS模型,并采用交互校验和外部检验考察模型的可靠性,模型的校正相关系数为0.996 3,均方估计残差(RMSEC)为0.110;交互校验均方残差(RMSECV)为0.142;应用所建PLS模型对样品中植物奶油添加量进行预测,并对预测值与真值进行配对t检验,结果表明两者差异均不显著.     

基于分子描述符和机器学习方法预测和虚拟筛选MMP-13对MMP-1的选择性抑制剂

基质金属蛋白酶-13 (MMP-13)为预防和治疗骨关节炎(OA)提供了充满希望的靶标. 通过抑制剂来阻断MMP-13的活性将会对治疗OA疾病产生潜在的作用. 然而,宽谱抑制剂同样抑制MMP家族的其它成员,特别是MMP-1,这将会导致肌与骨的综合症. 因此,设计和发现潜在的MMP-13 相对于MMP-1 的高效选择性抑制剂,在对治疗OA新型药物的研发中具有相当重要的现实意义. 本研究通过两种机器学习方法(ML)：支持向量机(SVM)和随机森林(RF)来建立分类模型,用于预测不同结构的MMP-13 对MMP-1 的选择性抑制剂. 所建这些模型的预测效果都已经达到了令人满意的精度. 在这两种ML模型中,RF对于MMP-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%. 同时,与MMP-13对MMP-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来. 最后,用预测效果最好的RF模型虚拟筛选了ZINC数据库的“fragment-like”子集,从而得到了一系列潜在的候选药物. 研究表明,机器学习方法,特别是RF方法,对于发现潜在的MMP-13选择性抑制剂十分有效. 同时还得到了一些与MMP-13的选择性抑制相关的分子描述符.     

基于分子描述符和机器学习方法预测和虚拟筛选MMP-13对MMP-1的选择性抑制剂

基质金属蛋白酶-13(MMP-13)为预防和治疗骨关节炎(OA)提供了充满希望的靶标.通过抑制剂来阻断MMP-13的活性将会对治疗OA疾病产生潜在的作用.然而,宽谱抑制剂同样抑制MMP家族的其它成员,特别是MMP-1,这将会导致肌与骨的综合症.因此,设计和发现潜在的MMP-13相对于MMP-1的高效选择性抑制剂,在对治疗OA新型药物的研发中具有相当重要的现实意义.本研究通过两种机器学习方法(ML):支持向量机(SVM)和随机森林(RF)来建立分类模型,用于预测不同结构的MMP-13对MMP-1的选择性抑制剂.所建这些模型的预测效果都已经达到了令人满意的精度.在这两种ML模型中,RF对于MMP-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%.同时,与MMP-13对MMP-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来.最后,用预测效果最好的RF模型虚拟筛选了ZINC数据库的"fragment-like"子集,从而得到了一系列潜在的候选药物.研究表明,机器学习方法,特别是RF方法,对于发现潜在的MMP-13选择性抑制剂十分有效.同时还得到了一些与MMP-13的选择性抑制相关的分子描述符.     

机器学习方法用于二氢叶酸还原酶抑制剂的活性预测

分别采用支持向量学习机、人工神经网络、调节性逻辑回归和K-最临近等机器学习方法对761个二氢叶酸还原酶抑制剂建立了其活性分类预测模型. 采用组成描述符和拓扑描述符表征抑制剂的分子结构及物理化学性质, 使用Kennard-Stone方法进行训练集的设计, 并用Metropolis Monte Carlo模拟退火方法作变量选择. 结果表明, 支持向量学习机优于其它机器学习方法, 所得到的最优模型具有较好的预测结果, 其预测正确率为91.62%. 说明通过合适的训练集设计及变量选择, 支持向量学习机方法可以很好地用于二氢叶酸还原酶抑制剂的活性分类预测.     

FTIR、ATR-FTIR和UV多光谱鉴别不同产地重楼

测定了云南省及贵州省6个不同产地重楼的FTIR、ATR-FTIR及UV信息,并对ATR-FTIR光谱数据进行ATR校正(ATR-FTIR-A)、一阶导数(FD)、二阶导数(SD)、标准正态变量(SNV)等预处理,结合偏最小二乘判别分析(PLS-DA)与支持向量机(SVM)建立了单光谱与低级数据融合分类判别模型。结果表明,校正后的重楼ATR-FTIR(ATR-FTIR-A)光谱信息与KBr压片法展现的信息基本吻合; UV二阶导数图谱较原始图谱分辨率提高; ATR-FTIR-A单光谱及ATR-FTIR-A-UV低级数据融合的PLS-DA及SVM模型鉴别效果最好,预测正确率均达到100. 00%。基于ATR-FTIR-A建立的PLS-DA或SVM产地鉴别模型分类正确率高,在实际生产应用中有简便、高效、准确等优点,若采用ATR-FTIR-A-UV建立模型可进一步加强模型稳定性。     

近红外光谱法定性描述酵母菌的生长过程

提出了一种基于近红外光谱分析技术的酵母菌生长过程描述方法.利用Antaris Ⅱ型傅里叶变换近红外光谱仪获取酵母菌培养过程中,发酵物样本在10000~4000 1范围内的光谱数据,同时采用光电比浊法测定各样本的光密度(Optical density, OD)值;运用竞争性自适应重加权采样(Competitive adaptive reweighted sampling, CARS)算法优选特征光谱,再利用极限学习机(Extreme learning machine, ELM)建立酵母菌生长过程4个阶段的分类模型.研究结果显示,参与CARS-ELM模型建立的波长个数为30,其10次运行在训练集和测试集中的平均识别率分别为98.68%和97.37%.研究结果表明,利用近红外光谱分析技术结合适当的化学计量学方法描述酵母菌生长过程是可行的.