基于最小平方误差的单倍体和二倍体分类方法研究

基于玉米油分的花粉直感效应,采用核磁共振鉴别单倍体,快速、准确、低成本地确定单倍体与二倍体之间的含油率阈值,是实现大批量自动鉴别的前提和关键。提出一种基于最小平方误差的单倍体和二倍体分类方法,通过少量籽粒确定含油率阈值的研究,对单倍体和二倍体进行识别。以10个玉米组合为研究对象,利用核磁共振分析仪测定各组合一定数量单倍体和二倍体籽粒的含油率,依据最小平方误差方法确定各组合油分阈值,并通过逐级递增训练集样本数量的方法,确定油分阈值所需训练集规模,获得含油率阈值,能够满足单倍体正确识别率及对二倍体正确拒识率的均值达到90%以上的要求,为核磁共振全自动单倍体鉴别系统的后期大规模分类提供参数指导,提高分选效率。同时因单倍体生产效率低,运用最小平方误差的方法,通过少量的单倍体及二倍体籽粒来构建油分鉴别单倍体模型,以较小的投入获得更优的分类效果在玉米单倍体自动化分选中具有非常重要的现实意义,将该分类方法应用到全自动核磁分选单倍体系统中,可以达到较好的效果,为加快单倍体工程化育种提供保障。     

基于栈式自编码神经网络的包衣单籽粒玉米品种识别

常规近红外定性识别研究中，玉米籽粒为表皮裸露状态，未经种衣剂覆盖处理，但是在实际农业生产中，为抵御病虫害侵袭，提高玉米种子发芽率，达到保产增产的功效，玉米种子常需经种衣剂包裹处理。玉米种衣剂的类型多样，对近红外光谱具有一定的吸收，因此种衣剂对近红外定性识别具有干扰作用。本文针对种衣剂对玉米品种识别准确性影响的问题，提出了一种基于栈式自编码神经网络（SAE）的近红外光谱定性建模方法。首先采用无种衣剂玉米籽粒光谱作为训练集，通过栈式自编码无监督学习算法与softmax分类器构建栈式自编码网络定性分析模型，再利用所建模型对有种衣剂玉米籽粒进行品种识别。实验结果表明，基于SAE的建模方法能够将种衣剂对玉米籽粒识别率的影响降低至3%以内。