基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求，采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象，利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法，分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明，基于全波段高光谱数据的OS-ELM模型分类性能最好，准确率达到98.3%。经MDS处理后，输入的数据变量减少了96.6%，MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析，OS-ELM训练时间明显优于MLP，在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求，采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象，利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法，分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明，基于全波段高光谱数据的OS-ELM模型分类性能最好，准确率达到98.3%。经MDS处理后，输入的数据变量减少了96.6%，MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析，OS-ELM训练时间明显优于MLP，在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

SD大鼠术后急性疼痛向慢性疼痛转化的差异代谢物分析

术后慢性疼痛病因十分复杂,迄今发生机制尚未明析。本研究旨在通过动物模型解析术后急性疼痛向慢性疼痛转化的相关物质,以期找到引发术后疼痛的关键物质。采用气相色谱-质谱（GC-MS）代谢组学技术,比较分析大鼠术后急性疼痛和慢性坐骨神经紧缩损伤疼痛的相关物质,筛选差异代谢物。结果经分析后得到224种代谢物,其中,35种代谢物具有显著差异（VIP>1,P<0.05,∣log₂FC∣≥2）,代谢通路富集分析发现,45条潜在相关代谢通路（P<0.05）。分析表明,N-乙酰天冬氨酸（NAA）、泛酸、天冬氨酸、3-羟基丁酸、β-丙氨酸、葡萄糖等差异代谢物及其相关代谢通路可能与术后急性疼痛向慢性疼痛转变密切相关。解析出术后急性疼痛向慢性疼痛转化的相关物质,这为术后疼痛机制的研究提供了参考,也为术后疼痛的识别和治疗提供了新的方法和思路。     

基于云平台的大米产地确证方法研究

针对大数据背景下地理标志大米产地真伪鉴别的算法模型与实现技术,以大米中矿物质元素含量数据为基础,运用Hadoop分布式集群技术,构建了基于MapReduce的并行化随机森林、支持向量机、人工神经网络与线性判别分析算法模型.结果表明,并行化随机森林模型的判别准确率为97.55％,与相同条件下并行化构建的支持向量机、人工神经网络与线性判别分析模型相比具有更好的产地判别精度,同时依托并行化随机森林模型构建的云平台能获取到较好加速比,不仅能够实现对未知地区大米数据进行准确的产地鉴别,而且能够通过提升数据量或计算节点数,更高效地处理大规模数据.     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

基于机器学习的地标大米掺假鉴别模型研究

为有效鉴别国家地理标志大米(以下简称地标大米)中是否被掺入了普通大米,本研究以大米中矿物元素含量和近红外光谱中级融合数据为基础,建立SVM、Adaboost以及Adaboost-SVM三种机器学习鉴别模型.研究表明:三种模型均有优异的鉴别能力.SVM模型在小比例(2％～6％)鉴别时更优于其他两种模型,准确率达100％.Adaboost模型在最优融合数据集选择方面更有优势.三种模型鉴别的最低检出比可达2％,准确率分别为100％、100％及97.75％.数据融合技术结合机器学习方法可以作为大米掺假精确鉴别的可靠工具,为维护大米市场的健康有序发展提供技术支持.     

D型流感病毒NP蛋白的原核表达及多克隆抗体的制备

该研究旨在对D型流感病毒(influenza D virus, IDV)NP蛋白进行原核表达并制备多克隆抗体，为D型流感快速诊断技术奠定基础。采用PCR技术扩增D/bovine/Mississippi/c00046N/2014毒株的NP片段编码区，并对其序列进行跨膜区、信号肽、疏水键、抗原性及结构域分析，筛选出最优区段以制备多克隆抗体。该研究将IDV NP最优编码区序列插入原核表达载体pET-B2M,构建pET-B2M-NP重组阳性质粒，经PCR和测序鉴定后将重组阳性质粒转化至大肠杆菌Trelief^TM 5α中；IPTG诱导表达后采用镍柱亲和层析法纯化重组NP蛋白，并免疫新西兰白兔制备多克隆抗体。序列分析结果显示，1～500氨基酸区段无跨膜区和信号肽序列，局部亲水性好且具备良好的免疫原性，为制备重组NP蛋白的最佳抗原区段。经测序验证构建了pET-B2M-NP重组阳性质粒，转化后经IPTG诱导，主要以包涵体的形式表达了相对分子质量大小约为72 kDa的蛋白，符合预期。间接ELISA结果显示，制备的多克隆抗体效价达1∶100000且免疫原性良好。Western blo...