-
公开(公告)号：CN113705608A
公开(公告)日：2021-11-26
申请号：CN202110837232.2
申请日：2021-07-23
Applicant: 暨南大学
Abstract: 本发明公开了一种利用机器学习和/或人工神经网络模型识别产痹性贝类毒素藻类的方法与应用。本发明通过提取产麻痹性贝毒的藻类或不产麻痹性贝毒的藻类在不同环境条件下的三维荧光光谱信息，运用SVM和CNN模型提取实验藻类的特征峰，通过反复训练模型，并不断优化参数，得到可用于识别产麻痹性贝类毒素和不产麻痹性贝类毒素藻类的机器学习和深度学习模型，能用于产毒藻的识别。本发明对麻痹性贝毒藻类和非麻痹性贝毒藻类判别正确率很高，基本实现了对产毒藻快速准确识别的目的。本发明无需去除荧光原始光谱的瑞利散射，可有效降低数据处理的繁杂程度，提高模型的运行速度，更方便、快捷、准确的对产麻痹性贝类毒素藻类进行判别。
-
公开(公告)号：CN113673090B
公开(公告)日：2023-08-18
申请号：CN202110837176.2
申请日：2021-07-23
Applicant: 暨南大学
Abstract: 本发明公开了一种检测产麻痹性贝类毒素微藻细胞密度的模型及其建立方法与应用。本发明通过提取产麻痹性贝毒的藻类或不产麻痹性贝毒的藻类在不同环境条件下的三维荧光光谱信息，通过Db7小波函数提取产毒藻密度的特征谱，并以此为基础，采用逐步回归分析的方法，建立产麻痹性贝毒藻定量模型。该荧光特征标准谱库可用于对产麻痹性贝类毒素微藻细胞密度定量分析。本发明以Db7小波函数第二尺度和第三尺度分量荧光特征谱，用逐步回归分析的方法，建立产麻痹性贝毒藻定量模型，当有毒甲藻为优势种与非产毒甲藻混合时，处于高、中和低浓度的有毒甲藻密度测试的准确率分别为98％、67％和90％，实现了对产毒藻细胞密度定量分析的目的。
-
公开(公告)号：CN113673090A
公开(公告)日：2021-11-19
申请号：CN202110837176.2
申请日：2021-07-23
Applicant: 暨南大学
Abstract: 本发明公开了一种检测产麻痹性贝类毒素微藻细胞密度的模型及其建立方法与应用。本发明通过提取产麻痹性贝毒的藻类或不产麻痹性贝毒的藻类在不同环境条件下的三维荧光光谱信息，通过Db7小波函数提取产毒藻密度的特征谱，并以此为基础，采用逐步回归分析的方法，建立产麻痹性贝毒藻定量模型。该荧光特征标准谱库可用于对产麻痹性贝类毒素微藻细胞密度定量分析。本发明以Db7小波函数第二尺度和第三尺度分量荧光特征谱，用逐步回归分析的方法，建立产麻痹性贝毒藻定量模型，当有毒甲藻为优势种与非产毒甲藻混合时，处于高、中和低浓度的有毒甲藻密度测试的准确率分别为98％、67％和90％，实现了对产毒藻细胞密度定量分析的目的。
-
-
Search Results
3
records
(took 0.018 seconds)
