食源性致病菌檢測是一項(xiàng)重要的工作,傳統(tǒng)實(shí)驗(yàn)室檢測方法,會(huì)對(duì)樣本造成不可逆轉(zhuǎn)的破壞,且檢測時(shí)間長,容易出現(xiàn)假陽或假陰現(xiàn)象。拉曼光譜技術(shù)作為光譜分析技術(shù)的一種,近年來發(fā)展迅猛,由于拉曼光譜的形成與物質(zhì)內(nèi)部特定分子的性質(zhì)有關(guān),不同種類的食源性致病菌其嘌呤、多肽、蛋白等分子的構(gòu)成與性質(zhì)也不一樣,所以能利用拉曼光譜對(duì)食源性致病菌進(jìn)行檢測與鑒別。與傳統(tǒng)生物學(xué)檢測方法相比,拉曼光譜檢測最大的優(yōu)點(diǎn)就是能對(duì)樣品做到無損檢測,且拉曼光譜技術(shù)與計(jì)算機(jī)系統(tǒng)結(jié)合,能減少分析時(shí)間、提高識(shí)別準(zhǔn)確度,能最大程度提取和挖掘光譜中的有效信息。本文大腸桿菌O₁₅₇:H₇和魯氏菌S2株兩種食源性致病菌拉曼光譜由中國人民解放軍軍事科學(xué)研究院長春獸醫(yī)研究所提供采集。原始拉曼光譜存在噪聲、熒光背景、數(shù)據(jù)維度大等問題,若僅依靠人工識(shí)譜判別,將會(huì)產(chǎn)生識(shí)別誤差。針對(duì)此問題,本文建立智能化的食源性致病菌拉曼光譜識(shí)別模型,首先對(duì)初始拉曼光譜進(jìn)行了歸一化、降噪、去除基線,隨后使用主成分分析法對(duì)其進(jìn)行降維,最后研究了多個(gè)基本分類器,并受人工神經(jīng)網(wǎng)絡(luò)啟發(fā),提出融合模型來進(jìn)行分類識(shí)別,實(shí)驗(yàn)結(jié)果證明融合模型...

【文章頁數(shù)】：51 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 食源性致病菌檢測研究現(xiàn)狀
        1.2.1 傳統(tǒng)培養(yǎng)法
        1.2.2 分子生物學(xué)檢測
        1.2.3 免疫學(xué)檢測
        1.2.4 代謝學(xué)檢測
    1.3 拉曼光譜檢測與分類研究現(xiàn)狀
    1.4 研究目的和論文結(jié)構(gòu)安排
        1.4.1 研究目的
        1.4.2 論文結(jié)構(gòu)安排
第2章 拉曼光譜概述和噪聲分析
    2.1 拉曼光譜概述
        2.1.1 拉曼光譜理論
        2.1.2 拉曼光譜原理
        2.1.3 拉曼光譜的發(fā)展歷程
        2.1.4 拉曼光譜的特點(diǎn)
        2.1.5 表面增強(qiáng)拉曼光譜
    2.2 拉曼光譜儀簡介
    2.3 拉曼光譜噪聲分析
        2.3.1 拉曼光譜噪聲來源
        2.3.2 拉曼光譜噪聲的抑制
        2.3.3 拉曼光譜基線漂移的抑制
    2.5 本章小結(jié)
第3章 光譜數(shù)據(jù)采集
    3.1 實(shí)驗(yàn)材料
        3.1.1 實(shí)驗(yàn)菌種與試劑
        3.1.2 實(shí)驗(yàn)儀器
    3.2 光譜采集與分析
    3.3 本章小結(jié)
第4章 食源性致病菌拉曼光譜預(yù)處理與特征降維
    4.1 前言
    4.2 歸一化
    4.3 濾波去噪方法研究
        4.3.1 濾波去噪性能衡量
        4.3.2 .移動(dòng)平均濾波(Moving average filtering)
        4.3.3 移動(dòng)中值濾波(Moving median filter)
        4.3.4 Savitzky-Golay濾波(Savitzky–Golay filter)
        4.3.5 濾波去噪實(shí)驗(yàn)結(jié)果與分析
    4.4 基線校正方法研究
        4.4.1 手動(dòng)擬合
        4.4.2 非對(duì)稱最小二乘法(Asymmetric least squares,ALS)
    4.5 特征降維方法研究
        4.5.1 主成分分析原理(PCA)
        4.5.2 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
第5章 食源性致病菌拉曼光譜分類模型的建立
    5.1 前言
    5.2 模型評(píng)估
        5.2.1 留出法
        5.2.2 交叉驗(yàn)證法
        5.2.3 自助法
    5.3 弱分類器判別模型的建立
        5.3.1 K近鄰原理簡介(K-Nearest Neighbors,KNN)
        5.3.2 邏輯回歸原理簡介(Logistic regression,LR)
        5.3.3 支持向量機(jī)原理簡介(Support vector machine,SVM)
    5.4 基于融合學(xué)習(xí)的判別模型建立
        5.4.1 融合學(xué)習(xí)原理
        5.4.2 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 論文展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3909988