Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (07.2021) : ОПРЕДЕЛЕНИЕ ГЕНЕТИЧЕСКИ МОДИФИЦИРОВАННЫХ ПРОДУКТОВ НА ОСНОВЕ АНАЛИЗА ТЕРАГЕРЦОВЫХ СПЕКТРОВ МНОГОВЕСОВОЙ НЕЙРОННОЙ СЕТЬЮ

ОПРЕДЕЛЕНИЕ ГЕНЕТИЧЕСКИ МОДИФИЦИРОВАННЫХ ПРОДУКТОВ НА ОСНОВЕ АНАЛИЗА ТЕРАГЕРЦОВЫХ СПЕКТРОВ МНОГОВЕСОВОЙ НЕЙРОННОЙ СЕТЬЮ

 

© 2021 г. Jianjun Liu, Tiejun Li, Senquan Yang, Lanlan Fan Fan, Fan Ding

Генетически модифицированные продукты всегда являются объектами пристального внимания с точки зрения безопасности продуктов питания. Для детектирования генетически модифицированных материалов предложена бионическая модель распознавания на основе многовесовой нейронной сети, анализирующей спектры поглощения образцов в терагерцовой области спектра. Для каждого класса обучающих примеров случайным образом выбраны 50 образцов в качестве обучающей выборки для многовесовой нейронной сети, которые использованы как первый тест для подтверждения качества распознавания. Другие образцы использованы для второго теста, определяющего качество различения. Экспериментальные результаты показали, что предложенная модель обеспечивает эффективную идентификацию генетически модифицированных продуктов со сходными спектроскопическими характеристиками и перспективна для обнаружения и контроля генетически модифицированных организмов.

Ключевые слова: терагерцовая спектроскопия, метод главных компонентов, многовесовая нейронная сеть

 

Detection of genetically modified substances based on terahertz and multi-weight vector neural network

© 2021 г. J. Liu*, PhD; T. Li**, PhD; S. Yang*, PhD; L. Fan Fan*, postgraduate student; F. Ding, PhD*; X. Pan***, MD

*     School of Intelligent Engineering, Shaoguan University, Shaoguan Guangdong, China

**   Scholl of Information Engineering Jimei University, Xiamen, Fujian, China

*** School of Electronics and Information Engineering, Hunan University of Science and Engineering, Yongzhou Hunan, China

E-mail: liujianjun5518@qq.com

УДК 535.8, 617.7

Submitted: 14.10.2020

DOI:10.17586/1023-5086-2021-88-07-03-11

Genetically modified food has always been a hot issue in the field of food safety. Genetically modified food has always been a hot issue in the field of food safety. In order to realize the detection of genetically modified materials, a bionic recognition model of multi-weight vector neural network is proposed by combining multi-weight vector neural network with terahertz time domain spectroscopy. In this paper, for each class of samples, 50 samples are randomly selected as the training set, a multi-weight vector neural network bionic recognition model is established, and 50 samples are selected as the first test set to verify the recognition rate. Other dissimilar samples are used as the second test set to verify their misjudgment rate. The experimental results show that the model can effectively identify transgenic materials with similar spectral characteristics. The model proposed in this paper provides a new method for the detection and identification of genetically modified organisms.

Keyword: terahertz spectroscopy, principal component, multi weight vector neuron.

OCIS codes: 300.0300, 040.2235, 010.1030

 

Reference

1.    Jianjun Liu. Recognition of genetically modified product based on affinity propagation clustering and terahertz spectroscopy // Spectrochem. Acta A. 2018. V. 194. P. 14–20.

2.   Jianjun Liu. High-sensitivity detection method for organochlorine pesticide residues based on loop-shaped absorber // Mater. Chem. Phys. 2020. V. 242. P. 122542.

3.   Moreira Ivanira, Scarminio Ieda Spacino. Chemometric discrimination of genetically modified Coffea arabica cultivars using spectroscopic and chromatographic fingerprints // Talanta. 2013. V. 107. № 3. P. 416–422.

4.   Vergragt P.J., Brown H.S. Genetic engineering in agriculture: New approaches for risk management through sustainability reporting // Technol. Forecast. Soc. Change. 2008. V. 75. P. 783–798.

5.   Jianjun Liu, Lili Mao, Jinfeng Ku, et al. THz spectroscopy detection method for GMOs based on adaptive particle swarm optimization // Opt. and Quantum Electron. 2016. V. 48. № 2. P. 167–173.

6.   Jianjun Liu, Zhi Li, Fangrong Hu, et al. Identification of transgenic organisms based on terahertz spectroscopy and hyper sausage neuron // J. Appl. Spectrosc. 2015. V. 82. № 1. P. 104–110.

7.    Jianjun Liu, Zhi Li, Fangrong Hu, et al. Hyper sausage neuron: Recognition of transgenic sugar-beet based on terahertz spectroscopy // Opt. and Spectrosc. 2015. V. 118. № 1. P. 175–180.

8.   Jianjun Liu, Zhi Li. The terahertz spectrum detection of transgenic food // Optik. 2014. V. 125. № 23. P. 6867–6869.

9.   Nakamura K., Akiyama H., Kawano N., et al. Evaluation of real-time PCR detection methods for detecting rice products contaminated by rice genetically modified with a CpTI-KDEL-T-nos transgenic construct // Food Chem. 2013. V. 141. P. 2618–2624.

10. Alcantara G.B., Bsrison A., Santos M.S., et al. Assessment of genetically modified soybean crops and different cultivars by Fourier transform infrared spectroscopy and chemometric analysis // Orbital. Electron. J. Chem. 2010.V. 2. P. 41–52.

11.  Burnett A.D., Fan W.H., Upadhya P.C., et al. Broadband terahertz time-domain spectroscopy of drugs-of-abuse and the use of principal component analysis // Analyst. 2009. V. 134. P. 1658–1668.

12.  Jianjun Liu, Zhi Li, Fangrong Hu, et al. Method for identifying transgenic cottons based on terahertz spectra and WLDA // Internat. J. Light Electron Opt. 2015.V. 126. P. 1872–1877.

13.  Nie Jun-Yang, Zhang Wen-Tao, Xiong Xian-Ming, et al. Recognition of transgenic soybeans based on terahertz spectroscopy and PCA-BPN network // Acta Photonica Sinica. 2016. V. 45. № 5. P. 1–7.

14.  Jianjun Liu, Zhi Li, Fangrong Hu, et al. Identification of transgenic organisms based on terahertz spectroscopy and hyper sausage neuron // J. Appl. Spectrosc. 2015. V. 82. № 1. P. 109–114.

15.  Liu J., Yang S. Research on the terahertz temperature correlation of L-tyrosine and L-alanine // JOT. 2021. V. 88. P. 1–8.

16.  Wang Shou-Jue, Xu Jian, Wang Xian-Bao, et al. Multi-camera human-face personal identification system based on the biomimetic pattern recognition // Acta Electronica Sinica. 2003. V. 31. № 1. P. 1–3.

17.  Xiao-Na, Huang Da-Zhuang, Shen Zu-Rui, et al. Research on artificial neural network method used for insects classification and identification principal componet analysis and mathematical modeling // J. Biomathematics. 2013. V. 28. № 1. P. 23–33.

18.       Cao Fang, Wu Di, He Yong, et al. Variety discrimination of grapes based on visible-near reflection infrared spectroscopy // Acta Optica Sinica. 2009.V. 29. № 2. P. 537–540.

 

 

Полный текст