论文部分内容阅读
对微生物进行快速、准确、有效的检测对保障人民生活质量和生命安全、维护社会安全稳定具有十分重要的现实意义。本文以液态培养基中不同浓度的大肠杆菌、金黄色葡萄球菌和沙门氏菌为研究对象,采集样本的近红外光谱和中红外光谱数据,分别探讨近红外光谱和中红外光谱技术对细菌种类识别和浓度检测的能力。主要研究结果如下:(1)确定了基于近红外光谱与中红外光谱的细菌分类检测全波长模型。比较了近红外和中红外光谱数据在不同预处理方法下所建立的偏最小二乘判别分析(PLS-DA)、粒子群优化支持向量分类(PSO-SVC)和遗传算法优化支持向量分类(GA-SVC)等全波长模型。研究结果表明,基于中红外光谱建立的模型性能普遍优于近红外光谱,其中最优模型为基于中红外光谱建立的PLS-DA模型,其校正和预测分类准确率都达到100%。(2)确定了近红外光谱与中红外光谱细菌分类的最优简化模型。运用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)以及CARS与SPA联用等方法,分别对近红外和中红外光谱数据进行特征波长选择,并建立简化模型。其中,基于中红外光谱所建立的简化模型准确率高于基于近红外光谱的模型,且以利用CARS对中红外光谱进行波长优选而建立的GA-SVC模型为最优,其校正和预测分类准确率分别为100%和95.83%。(3)确定了基于近红外光谱与中红外光谱的细菌浓度检测全波长模型。综合比较了近红外与中红外光谱数据在不同预处理下所建立的偏最小二乘回归(PLSR)模型、主成分回归(PCR)模型。提出利用土狼优化算法(COA)优化SVR的惩罚系数C和核函数参数g,并将结果与粒子群算法优化支持向量回归(PSO-SVR)模型对比。研究结果表明,近红外光谱技术对细菌浓度检测效果不理想,而中红外模型的预测性能较好,其中基于中红外光谱建立的原始数据下COA-SVR模型最优,模型预测决定系数2和预测均方根误差RMSEP分别达到0.94和0.44 log CFU/m L。(4)确定了基于近红外光谱与中红外光谱的细菌浓度简化模型。选用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)以及CARS与SPA联用的方法,分别对近红外和中红外光谱数据进行特征提取,并建立简化模型。由模型结果可知,基于中红外光谱的CARS-SPA-PLSR模型性能最优,模型预测决定系数2为0.87,预测均方根误差RMSEP为0.60 log CFU/m L。本研究结果表明,中红外光谱技术在液态培养基中检测细菌浓度和类别的模型性能优于近红外光谱技术,且中红外光谱技术可以对液态培养基中细菌样本的类别和浓度进行快速、无损的检测。