科研产出
数据融合快速鉴别9种野生食用牛肝菌
《菌物学报 》 2019 北大核心 CSCD
摘要：食用菌种类与产地品质存在差异,加上因牟利产生的混杂销售现象,严重制约了高原特色农产品来源鉴别、种质资源评价和深入挖掘利用。本试验融合牛肝菌光谱信息建立支持向量机(SVM)模型,寻找最佳的样品种类鉴别方法。结果显示:(1)元素标准曲线R~2>0.999,RSD<5.0%,标准物回收率94%–106%,测定方法可靠;(2)样品含Ca、Na等人体必需元素,但Cd含量超标;(3)脂肪酸、蛋白质等化合物和Ni、Co等矿质元素对种类鉴别贡献最大;(4)中级数据融合优于低级数据融合,优于单一光谱数据模型。数据融合结合化学计量学可实现样品种类快速准确鉴别,对食用菌市场监督、种质资源评价及挖掘利用具有理论参考意义。
关键词： 牛肝菌 傅里叶变换红外光谱 紫外可见光谱 电感耦合等离子体原子发射光谱 数据融合 种类鉴别
全文链接
请求原文
野生牛肝菌元素含量特征分析及其种类鉴别
《现代食品科技 》 2019 北大核心
摘要：野生牛肝菌的营养价值及暴露风险关系到消费者的健康安全,并严重影响其市场稳定和贸易出口。本文采用电感耦合等离子体原子发射光谱法和傅里叶变换红外光谱法测定8种野生牛肝菌429份样品中12种元素的含量和光谱数据,分析元素含量特征及食用健康风险,同时基于元素含量、红外光谱、初级融合和中级融合数据分别建立偏最小二乘判别分析和支持向量机(SVM)判别模型,比较其鉴别效果。结果显示:野生牛肝菌富含Ca、Mg、Na、Zn等矿质元素,适量摄入可以补充人体营养需求,同时也应当注意部分牛肝菌的Cd暴露风险;基于中级融合建立SVM判别模型,其训练集和预测集正确率均为100%,能够快速、准确鉴别牛肝菌种类,有效避免因误采误食导致的中毒事件发生。系统性的对牛肝菌进行元素含量分析、健康风险评估和种类鉴别,为其品质安全评估和资源的开发利用提供参考。
关键词： 野生牛肝菌 矿质元素 风险评估 数据融合 种类鉴别
全文链接
请求原文
17种分类算法在牛肝菌种类鉴别研究中的应用
《光谱学与光谱分析 》 2019 EI SCI 北大核心 CSCD
摘要：由于部分毒菌与野生食用菌形态和生物学特征相似,农民仅凭经验采集,难免将两者混淆,从而导致严重的食品安全事故。云南省作为国内野生食用菌产量最高、出口量最大的省份,野生食用菌产业发展为云南农村经济发展做出了突出贡献,对不同种类野生食用菌进行快速鉴别,有利于野生食用菌产业的健康发展;分析食用菌亲缘关系,对食用菌育种工作具有积极作用。七种牛肝菌样品,采自云南及周边七个产地,利用FTIR光谱仪分别采集菌柄和菌盖红外指纹图谱,基于低级与中级数据融合策略,将预处理后的菌柄和菌盖FTIR光谱数据进行融合,结合Decision Trees,Discriminant Analysis,Logistic Regression Classifiers,Support Vector Machines,Nearest Neighbor Classifiers和Ensemble Classifiers中的17种算法,分别建立菌柄、菌盖、低级数据融合和中级数据融合模型,每个分类模型连续进行10次运算,通过比较训练集分类正确率平均值,确定牛肝菌种类鉴别最佳分类算法。中级数据融合数据集进行系统聚类分析(HCA),对推测不同种类牛肝菌样品的亲缘关系进行鉴定。结果显示:(1)菌柄、菌盖和低级数据融合模型最佳分类算法均为Linear Discriminant,训练集分类正确率分别为92.8%,96.4%和97.6%。中级数据融合模型最佳分类算法为Subspace Discriminant,训练集分类正确率为100%;(2)菌柄、菌盖、低级数据融合和中级数据融合最佳分类模型,全部样品分类正确率平均值分别为93.61%,95.54%,96.99%和99.88%,中级数据融合模型优于其他三种模型,表明中级数据模型可以将相似度较高的样品区分开,且减少了产地对种类鉴别的影响;(3)中级数据融合模型数据集进行HCA,华丽牛肝菌和美味牛肝菌聚类距离最小,表明这两种牛肝菌化学信息较相似,亲缘关系较近;(4)华丽牛肝菌与皱盖疣柄牛肝菌聚类临界值距离最大,表明样品化学信息差异较大,亲缘关系较远。综上表明,基于中级融合策略将不同部位FTIR光谱数据融合,结合Subspace Discriminant与HCA,可以准确鉴别不同种类牛肝菌和快速推测样品亲缘关系,可作为野生食用菌种类鉴别与亲缘关系推测的一种新方法。
全文链接
请求原文
傅里叶变换红外光谱和紫外光谱数据融合对牛肝菌种类的鉴别
《食品科学 》 2018 EI 北大核心 CSCD
摘要：采集5种共272份牛肝菌样品的傅里叶变换红外光谱和紫外光谱,结合多光谱信息融合策略,建立牛肝菌种类快速鉴别的方法。多元散射校正(multiplicative signal correction,MSC)及二阶导数(second derivative,2D)等预处理方法对原始光谱进行优化,比较优化处理对区分不同种类牛肝菌影响;利用优化处理后的光谱数据及融合数据建立偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)模型和支持向量机(support vector machine,SVM)判别模型。结果显示:1)经过2D和MSC预处理后,不同种类牛肝菌的PLS-DA鉴别效果优于未优化模型,表明2D+MSC预处理优化了光谱信息并提高了分类准确度;2)基于傅里叶变换红外光谱、紫外光谱、低级融合和中级融合数据分别建立PLS-DA模型,预测正确率为86.87%、66.67%、78.89%和95.56%;建立SVM判别模型,预测正确率分别为88.89%、74.44%、91.11%和100.00%,表明中级融合技术对不同种类牛肝菌鉴别效果显著,优于其他技术;3)中级融合技术在PLS-DA模型和SVM判别模型中对样品的预测正确率分别为95.56%和100.00%,表明SVM判别模型对牛肝菌种类区分效果优于PLS-DA模型。采用中级融合技术建立SVM判别模型,快速鉴别牛肝菌种类,为牛肝菌种类鉴别和质量控制提供可靠、稳定的方法。
关键词： 数据融合 牛肝菌 种类鉴别 紫外光谱 傅里叶变换红外光谱
全文链接
请求原文
首页上一页1下一页尾页
