拉曼光谱结合Adaboost算法的食源性致病菌分类识别

食源性致病菌的检测分类一直是食品安全领域的重要研究对象,与传统的病原菌分类方法相比,基于拉曼光谱的分类识别方法具有更高的灵活性和准确性。实验以常见食源性致病菌的拉曼光谱为对象,利用11种病原菌的132条光谱数据,提出一种基于主成成分分析(PCA)和线性判别分析(LDA)的Adaboost集成分类识别模型。实验结果表明,该集成模型不仅优于传统的病原菌分类方法,而且分类准确率比决策树、支持向量机和logistic回归等单一算法模型更高,可以有效地对食源性致病菌进行分类,且分类准确率达到99.23%。

基于卷积网络的血清新冠病毒拉曼光谱定性分类

将拉曼光谱技术与深度学习相结合,以健康人群以及患病人群的血清拉曼光谱数据作为实验样本,提出一种基于卷积神经网络(CNN)的新冠病毒拉曼光谱分类方法。在训练过程中,只需对样本数据进行简单的扩充,无需进行复杂的预处理工作,训练效率远高于依赖于复杂数据预处理的传统机器学习算法。与K近邻、逻辑回归、支持向量机等相比,CNN具有最高的分类准确率,达到96.77%,是一种新型的新冠病毒检测方法。