高寒草原地区安格斯和西门塔尔母牛血液及肌内脂肪酸组成特性

随机采集48 月龄安格斯和西门塔尔母牛各37 头血液样品以及用于肉质分析的各5 头母牛背最长肌肉样。样品经过前处理和甲酯化后,利用气相色谱-质谱联用仪测定脂肪酸组成和含量,对血液和肌内脂肪酸组成特性进行分析。结果表明：安格斯和西门塔尔母牛血液和肌内脂肪中均测得36 种脂肪酸,样品中均含有51%以上的高含量饱和脂肪酸（saturated fatty acids,SFA）,且具有以棕榈酸和硬脂酸为主的组成特点,二者总含量分别约占血液和肌内脂肪SFA的92%和89%;不饱和脂肪酸（unsaturated fatty acids,UFA）中油酸相对含量最高,其次为亚油酸;血液和肌内脂肪的油酸含量均约占单不饱和脂肪酸总量的87%,UFA中各主要脂肪酸组成在血液中有显著性差异,而在肌内脂肪中无显著性差异;血液和肌内脂肪中n-6/n-3 PUFA均符合联合国粮农组织（United Nations Food Agriculture Organization,FAO）推荐比例（5～10）,血液中P/S高于世界卫生组织（World Health Organization,WHO）推荐标准（≥0.4）。综上所述,高寒草原饲养的纯种安格斯和西门塔尔母牛血液和肌内脂肪酸组成特性相似,UFA符合FAO和WHO理想比值及推荐标准,具有较高的营养价值。     

关于红霉素药物残留检测的研究概况

主要概括了红霉素的特性、残留危害以及目前国内外的检测情况,主要包括高效液相色谱法、液相色谱-串联质谱法、气质联用法、薄层色谱法、微生物检测法、酶联免疫分析法、胶体金免疫层析法、荧光微球免疫层析法、固相微萃取、分子印迹固相萃取。     

基于宽度回声状态网络的菜籽油加工参数自动决策方法研究

目的 实现菜籽油生产过程中加工参数的自动给定,研究基于人工神经网络的自动决策方法。方法 利用菜籽油加工过程的检测数据,建立一种宽度回声状态网络模型对加工参数与危害物的内在映射关系进行建模;在危害物含量要求下,利用此模型可实现加工过程参数的自动给定。结果 以脱臭工序为例的实验表明,所提方法能够有效利用已知变量自动计算出加工参数,宽度回声状态网络的计算精度优于其他几种典型循环神经网络模型。结论 所提方法可有效提升菜籽油加工过程危害物的自动控制水平,进而提升加工过程的科学性和规范性。     

硬脂酰辅酶A去饱和酶1基因表达对草原安格斯牛血液脂肪酸组成的影响

研究硬脂酰辅酶A去饱和酶1(stearoyl-coenzyme A desaturase 1,SCD1)基因表达对草原安格斯牛血液脂肪酸组成的影响,采集38头平均体质量(698±34)?kg、48月龄草原安格斯牛血液样品,测定其脂肪酸组成与含量,采用实时荧光定量聚合酶链式反应测定SCD1基因表达量,一代测序技术检测SC...     

基于深度学习的农作物病虫害图像识别APP系统设计

为准确有效识别出农作物病虫害类别及位置,构建一款农作物病虫害图像识别App系统,为广大农户、研究人员及管理者提供智能信息服务.该系统基于Android平台开发,在所收集的大量病虫害数据集上,开展了Darknet、YOLO等深度网络模型训练和测试,并使用批量正则化、维度聚类和课程设计学习等技术优化模型,实现了181种作物...     

基于优化的灰色关联分析-极限学习机食用油污染物风险评价模型研究

近年来食用油安全事故频发,为降低这类事件的威胁,对其风险评价模型进行研究有着极其重要的意义。针对目前食用油检测数据高维性、非线性、离散性和含噪声的特点,现有风险评价模型存在噪声抑制能力差、评价不准确和模型参数调整主观性强等问题。对此,本实验提出一种食用油污染物风险评价模型。首先进行风险指标筛选以及数据预处理,然后将处理后的数据输入到基于小波阈值法的滤波模块中进行滤波,随后通过灰色关联分析计算各风险指标的权重来制定多指标综合风险值标签;由极限学习机(extreme learning machine,ELM)对综合风险值进行预测,在上述过程中利用实用贝叶斯优化算法分别来优化滤波模块和ELM网络的参数;最后利用模糊综合分析对预测综合风险值进行风险等级划分。本研究依托150组食用油数据进行分析,详细阐述了该模型的使用流程,通过不同模型对比实验,本研究模型决定系数R²和均方根误差分别为0.056 3和0.946 1,进一步验证了方法的优越性和有效性,可以为相关部门制定风险控制策略、抽检策略以及优化加工链提供更为合理的依据。     

工业大气污染物浓度的复合自回归网络预测

针对工业园区大气污染管理中预测能力较弱的问题,考虑工业大气污染物的多因素耦合及非线性时序特征,提出一种工业大气污染物浓度预测方法。根据预测指标数值特征,提出复合自回归神经网络（CNAR）。对目标预测指标及影响因素进行关联分析及时序建模,实现对工业大气污染物浓度的短期预测。选用河北省某市大气网格化监测数据进行模型训练与方法验证,实验结果表明CNAR预测模型可对工业大气污染物浓度进行有效预测,效果优于传统自回归神经网络,为工业大气污染防控提供参考依据。     

小麦加工链中重金属镉含量的深度网络预测模型

镉污染范围广、毒性大、易侵入,被认为是最具危害性的重金属之一,人长期摄入过量的镉会引起很多疾病甚至癌症。因此,在小麦加工链中预测镉元素含量的变化趋势,制定相应对策来降低其危害,具有重要的现实意义。针对小麦加工链镉含量数据含有强非线性、强随机性噪声而导致的传统建模拟合度不高等问题,本研究提出一种基于正则化方法的深度预测模型。首先,利用门控循环单元（gated recurrent unit,GRU）建立深度预测模型。其次,使用正则化方法修改模型的损失函数,通过加入噪声惩罚项来淡化训练时模型对于噪声的拟合程度,减小噪声对模型预测性能的影响。最后,使用贝叶斯优化方法进行超参数的选择,保证所建立的模型能够准确地预测小麦加工链各环节中的镉含量。本研究的预测结果表明,如果原麦中镉含量小于0.1 mg/kg,则经过加工的成品小麦粉也基本满足GB 2762—2017《食品安全国家标准 食品中污染物限量》的要求。     

基于深度置信网络-多类模糊支持向量机的粮食供应链危害物风险预警

近些年粮食供应链安全问题频发,为减少食源性风险威胁,风险预警正逐渐成为强化粮食食品安全体系的有力保障。但现有风险预警方法在面对多源异构非结构化食品数据时,存在预警准确率低、人工成本高等局限问题。本文在分析全国26个省份的大量抽检数据及关联信息基础上,建立了基于深度置信网络(deep belief network,DBN)-多类模糊支持向量机(multiclass fuzzy support vector machine,MFSVM)的风险分级预警模型,先对海量粮食供应链抽检数据进行嵌入编码和归一化处理,获得结构化食品数据;将其输入到DBN模型进行高维度特征提取,自适应地挖掘供应链中各危害因素间风险变化及内在关联概率,最后将高维特征输入到优化的MFSVM进行训练,实现供应链中各主要危害物风险分级预警。对比实验结果表明,DBN-MFSVM模型在粮食抽检数据上具有更好鲁棒性和泛化性,其准确率达到98.44%,运行时间85 s,可快速识别出粮食供应链中危害物风险程度和优先次序,为监管部门制定有针对性的抽检策略、确立优先监管领域和分配风险监管资源提供科学依据。     

基于FPG-SOM的粮食供应链危害物风险分级评价

为科学合理评价危害物在粮食供应链各环节中的综合风险,本研究在分析全国各省粮食供应链抽检数据及其他维度数据的基础上,结合粮食供应链中风险因素,构建多维层次风险指标体系,将大量多维异构数据转化为半定量风险指标。应用关联规则挖掘一级指标和二级指标的内在关联确定权重分配,结合自组织映射算法将各指标变量映射到风险等级,明确指标交叉关联,构建粮食供应链危害物综合风险等级评价方法。通过对粮食产品风险等级进行评价,得出风险较高的重点省份为山东省、河南省,典型区域为城市区域,关键环节为流通环节以及以铝残留为代表的一系列高风险危害物。该评价体系的确立可以为监管机构制定有针对性的抽检策略、确立优先监管领域,并为合理分配风险监管资源提供科学依据。