多元指纹图谱技术结合模式识别在牛乳品质控制中的应用
发布时间：2021-04-05 04:52
计算机技术的出现为生物科学的深入研究提供了重要的分析手段。指纹图谱技术的发展为全面和精准研究生物样本的重要组分信息如蛋白质和脂质提供技术支持,也为寻找生物标记物提供了技术保障。因此将两者结合,一方面可保证数据采集的完整性,另一方面可通过相应模式识别算法快速准确寻找指纹图谱差异和内在规律,为生物检测提供研究新思路。针对乳品工业中频繁出现的牛乳掺假问题,已有一系列牛乳质量检测的靶标性方法。但是,现有的检测方法大多集中在针对某一种掺假物质检测,倘若是未知的掺假物,则需要对牛乳中的物质逐一检测,当面对乳品工业化中大量需检测的乳制品时,此种方法不仅耗时耗力,而且在检测还原乳时,此种方法显的力不从心。因此,基于以上问题,我们采用指纹图谱技术结合模式识别算法研究牛乳经济掺假。本研究以牛乳掺假植物性外源蛋白和还原乳为研究对象,从牛乳完整蛋白和多肽指纹图谱出发,利用流动注射指纹技术、凝胶电泳技术、傅里叶变换衰减全反射红外光谱（ATR-FTIR）,超高效液相色谱时间飞行质谱（UPLC-Q-TOF-MS）、三维内源荧光技术及二维外源荧光技术采集样品的指纹图谱,结合多种模式识别方法判断牛乳是否掺假,旨在为牛乳...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：161 页
【学位级别】：博士
【部分图文】：
图1-1支持向量机与间隔
而后才得到稳步发展。期间经历了萌芽期、第一次研究高潮、反、第二次研究高潮期和稳定发展期等五个阶段[129]。至今，其已发展的一门学科。神经网络的学习方式分为有导师学习、无导师学习及导师学习是属于有外部信息对神经网络的学习进行指导，则称此外习网络的导师，这种学习方式也称之为监督学习。无导师学习则与反，无需外部信息对网络学习的指导，其学习过程属于自组织类型监督学习。强化学习是介于有导师和无导师学习之间，该学习方式果如“正确”和“错误”进行评价，然后网络学习只根据“正确”的的网络连接权值，从而提高模型的性能。 P 神经网络通过模拟人脑神经元的学习和认知的过程，采用激活函数据达到 0 和 1 的目标输出[130]。人脑神经元异常复杂，但具有相似的结构示意图如下图 1-2 所示：
1 1j ij i j j ij im m 1 1, ( ) ( ), 1,2, ,J JP J P P Jp jp j p p jp jm mu w v v u w v p P (1. 41( )JP Jkp p jp jmy v w v (1. 4层的误差信号为 ( ) ( ) ( )kp kp kpe n d n y n (1. 4元的误差能量定义为21( )2kpe n，则输出层误差能量总和为211( )2PkpE n e 网络的输出，则可计算得到正向传播的学习误差，因而传播结束。而过程中，信号则是从后向前传播，开始逐级修改联接权值，误差反向图所示：
【参考文献】：
期刊论文
[1]云南不同产地大米的傅里叶变换红外光谱研究[J]. 黄方田,欧全宏,刘刚,郭杰,盛红佼. 光谱学与光谱分析. 2016(S1)
[2]我国2004—2012年媒体曝光食品安全事件分析[J]. 厉曙光,陈莉莉,陈波. 中国食品学报. 2014(03)
[3]偏最小二乘回归原理、分析步骤及程序[J]. 秦浩,林志娟,陈景武. 数理医药学杂志. 2007(04)
[4]食品质量指纹技术[J]. 周围,陈立仁,王彩霞,赵生国,蒋玉梅. 甘肃农业大学学报. 2006(02)
[5]基于BP神经网络的改进算法研究[J]. 李义宝,张学勇,马建国,汪力君. 合肥工业大学学报(自然科学版). 2005(06)
[6]我国乳品工业的现状与发展前景[J]. 励建荣. 中国乳品工业. 2004(09)
博士论文
[1]基于核磁共振体系的量子信息测量与图像处理应用[D]. 王恒岩.中国科学技术大学 2017
[2]基于三维荧光光谱的水中矿物油检测技术的研究[D]. 王惠新.燕山大学 2015
[3]不同产地黑茶的化学指纹图谱研究[D]. 胡燕.四川农业大学 2014
[4]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014
[5]谱主成分分析及其在多指标评价体系中的应用[D]. 苏时光.中国农业大学 2004
[6]支持向量机算法的研究及其应用[D]. 范昕炜.浙江大学 2003
硕士论文
[1]Sparse方法在多标签分类中的应用[D]. 马宗杰.浙江师范大学 2014
[2]利用荧光纳米探针检测牛奶中三聚氰胺的研究[D]. 张民伟.吉林大学 2013
[3]基于近红外光谱技术食品检测软件开发及其应用研究[D]. 韩明.电子科技大学 2013
[4]BP神经网络的研究分析及改进应用[D]. 李友坤.安徽理工大学 2012
[5]基于主成分分析方法的蛋白质亚细胞定位[D]. 史舵.大连理工大学 2010
[6]朴素贝叶斯分类器的研究与应用[D]. 王国才.重庆交通大学 2010
[7]原料奶中掺入外源蛋白快速检测模型的研究[D]. 郑凌焱.内蒙古农业大学 2007
本文编号：3119171
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：161 页
【学位级别】：博士
【部分图文】：
图1-1支持向量机与间隔
而后才得到稳步发展。期间经历了萌芽期、第一次研究高潮、反、第二次研究高潮期和稳定发展期等五个阶段[129]。至今，其已发展的一门学科。神经网络的学习方式分为有导师学习、无导师学习及导师学习是属于有外部信息对神经网络的学习进行指导，则称此外习网络的导师，这种学习方式也称之为监督学习。无导师学习则与反，无需外部信息对网络学习的指导，其学习过程属于自组织类型监督学习。强化学习是介于有导师和无导师学习之间，该学习方式果如“正确”和“错误”进行评价，然后网络学习只根据“正确”的的网络连接权值，从而提高模型的性能。 P 神经网络通过模拟人脑神经元的学习和认知的过程，采用激活函数据达到 0 和 1 的目标输出[130]。人脑神经元异常复杂，但具有相似的结构示意图如下图 1-2 所示：
1 1j ij i j j ij im m 1 1, ( ) ( ), 1,2, ,J JP J P P Jp jp j p p jp jm mu w v v u w v p P (1. 41( )JP Jkp p jp jmy v w v (1. 4层的误差信号为 ( ) ( ) ( )kp kp kpe n d n y n (1. 4元的误差能量定义为21( )2kpe n，则输出层误差能量总和为211( )2PkpE n e 网络的输出，则可计算得到正向传播的学习误差，因而传播结束。而过程中，信号则是从后向前传播，开始逐级修改联接权值，误差反向图所示：
【参考文献】：
期刊论文
[1]云南不同产地大米的傅里叶变换红外光谱研究[J]. 黄方田,欧全宏,刘刚,郭杰,盛红佼. 光谱学与光谱分析. 2016(S1)
[2]我国2004—2012年媒体曝光食品安全事件分析[J]. 厉曙光,陈莉莉,陈波. 中国食品学报. 2014(03)
[3]偏最小二乘回归原理、分析步骤及程序[J]. 秦浩,林志娟,陈景武. 数理医药学杂志. 2007(04)
[4]食品质量指纹技术[J]. 周围,陈立仁,王彩霞,赵生国,蒋玉梅. 甘肃农业大学学报. 2006(02)
[5]基于BP神经网络的改进算法研究[J]. 李义宝,张学勇,马建国,汪力君. 合肥工业大学学报(自然科学版). 2005(06)
[6]我国乳品工业的现状与发展前景[J]. 励建荣. 中国乳品工业. 2004(09)
博士论文
[1]基于核磁共振体系的量子信息测量与图像处理应用[D]. 王恒岩.中国科学技术大学 2017
[2]基于三维荧光光谱的水中矿物油检测技术的研究[D]. 王惠新.燕山大学 2015
[3]不同产地黑茶的化学指纹图谱研究[D]. 胡燕.四川农业大学 2014
[4]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014
[5]谱主成分分析及其在多指标评价体系中的应用[D]. 苏时光.中国农业大学 2004
[6]支持向量机算法的研究及其应用[D]. 范昕炜.浙江大学 2003
硕士论文
[1]Sparse方法在多标签分类中的应用[D]. 马宗杰.浙江师范大学 2014
[2]利用荧光纳米探针检测牛奶中三聚氰胺的研究[D]. 张民伟.吉林大学 2013
[3]基于近红外光谱技术食品检测软件开发及其应用研究[D]. 韩明.电子科技大学 2013
[4]BP神经网络的研究分析及改进应用[D]. 李友坤.安徽理工大学 2012
[5]基于主成分分析方法的蛋白质亚细胞定位[D]. 史舵.大连理工大学 2010
[6]朴素贝叶斯分类器的研究与应用[D]. 王国才.重庆交通大学 2010
[7]原料奶中掺入外源蛋白快速检测模型的研究[D]. 郑凌焱.内蒙古农业大学 2007
本文编号：3119171
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3119171.html
