本体模型 数据分析 管理决策 原型系统 案例研究  


Classification (Prediction on New Sample)

基于拉曼光谱-层次聚类分析的葡萄酒品质控制研究,分析科学学报,2018在线出版
基于拉曼光谱与k最近邻算法的酸奶质控研究,分析试验室,2018
基于稀疏主成分分析的乳制品拉曼光谱特征提取及解析技术研究,光谱学与光谱分析,2018
浙贝母产地快速识别系统 著作权登记号: 2019SR0763902 V1.0
基于核主成分分析的黄芪谱图特征提取与产地鉴别方法,申请号: CN201910375862.5 公布号: CN110097127A 类别: 发明公布 申请公布日: 2019-08-06

Feature Selection

Raman chemical feature extraction for quality control of dairy products, Journal of Dairy Science, 2018

Compressed Sensing on Raman Spectremetry



Adaptive compressed sensing of Raman spectroscopic profiling data for discriminative tasks [J]. Talanta, SCI, JCR Q1, 中科院1区top, 2020, doi: 10.1016/j.talanta.2019.120681

Data Fusion



Spectroscopic Profiling-based Geographic Herb Identification by Neural Network with Random Weights [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, SCI, IF 4.831. JCR Q1, 2022, doi: 10.1016/j.saa.2022.121348
一种基于动静态数据融合的食品质量判别分析方法. 发明专利, 申请号:CN201810871104.8, 公开号:CN109214423A
一种基于多谱融合与随机权神经网络的黄芪产地辨别方法,发明专利, 申请号 CN202110090656.7, 公开(公告)号CN112686335A

NNRW (Neural Network with Random Weights) - RVFL (Random Vector Functional-Link)


Deep Learning


Peach variety detection using VIS-NIR spectroscopy



Peach variety detection using VIS-NIR spectroscopy and deep learning[J]. Computers and Electronics in Agriculture, 2020, 175:105553, DOI: 10.1016/j.compag.2020.105553. SCI, JCR Q2

Matrix Factorization Based Dimensionality Reduction Algorithms



Matrix Factorization Based Dimensionality Reduction Algorithms - A Comparative Study on Spectroscopic Profiling Data [J]. Analytical Chemistry, SCI, IF 8.008. JCR Q1, 中科院1区top,2022, doi: 10.1021/acs.analchem.2c01922

pyDRMetrics - A Python toolkit for dimensionality reduction quality assessment



pyDRMetrics - A Python toolkit for dimensionality reduction quality assessment[J]. Heliyon, 2021, DOI: 10.1016/j.heliyon.2021.e06199. Cell子刊

Class Activation Mapping


《食药质量安全大数据分析方法、原理与实践》,科学出版社,2023,ISBN: 978-7-03-067133-2

第一章 食药质量安全数据的领域特点及研究现状

介绍食药质量安全大数据的种类,包括快检图谱数据以及图像、文本等。本书重点关注极具领域特色的快检图谱数据。本章将介绍其领域特点、为分析和处理带来的挑战。然后将综述研究现状并提出本书的内容结构。

1.	食药质量安全大数据的来源、特点、结构与表征
概述食药质量安全大数据的来源,重点聚焦快检图谱大数据。介绍主要的快检设备及优势,阐明该类数据独特的领域特点(大数据3V特征、异构数据差异大、同构数据相似度高等);分析这些特点所带来的挑战(如异构数据的融合分析、数据流的实时分析处理等)
2.	面向食药质量安全的快检图谱大数据研究现状
相关工作综述。介绍已有研究工作使用的方法及典型案例。
3.	面向食药质量安全的快检图谱大数据生命周期
介绍面向食药质量安全的快检图谱大数据的生命周期,将其划分为几个步骤:1. 数据源(图谱快速检测技术);2.数据模态分析(本体建模);3.数据采集和传输(重点介绍压缩感知);4.数据分析(重点介绍机器学习)。本书将按照“图谱快速检测”、“本体建模”、“数据采集和传输”、“机器学习”几个章节组织内容。


第二章 面向食药质量安全的图谱快速检测技术

以MALDI-TOF-MS、拉曼光谱和离子迁移谱为代表的快检图谱检测设备为食药质量安全的管理和分析提供了更为高效快捷的检测手段。与传统的GC/LC-MS相比,此类检测技术具有预处理简单、检测快速、能够获取样本整体信息等优点,是食药质量安全领域的重要数据源。本章将通过两个具体的案例说明快检图谱检测设备的应用效果。

1.	常见的快检图谱检测设备
介绍拉曼光谱、MALDI-TOF MS、IMS等常见的图谱检测设备:原理、特点及相比传统GC/LC-MS等设备的优势。
2. IMS案例介绍:电喷雾电离高效离子迁移谱法测定人造甜味剂
结合该具体案例说明IMS的特点,以及与传统检测设备的不同和优势
3. RAMAN案例介绍:基于微芯片的表面增强拉曼光谱法测定牛奶中硫氰酸钠
通过该具体案例突出SERS与传统检测设备的区别和优势

第三章 食药质量安全领域本体建模研究

针对不同模态检测数据的异构性及不同设备厂商缺少标准化数据格式的问题,提出了领域本体建模研究,设计能够涵盖各类食药快检图谱数据的本体模型,为食药质量安全大数据的统一存储和数据共享提供信息化基础。

1.	问题背景及本体建模相关研究
本节将阐述不同模态检测数据的异构性问题,以及不同设备厂商的私有数据格式缺少标准化的问题。然后对食药领域的本体建模及数据格式进行综述。
2.	能够涵盖各类食药快检图谱数据的本体模型
本节将介绍面向食药质量安全的领域本体模型,以及基于本体模型的数据库模式(schema)和数据标准格式。
3.	基于标准化领域本体的食药质量安全大数据管理系统
本节介绍领域本体模型的应用案例。基于上述领域本体,开发了食药质量安全大数据管理系统——图谱数据归档与传输系统(SPACS)。系统于2017 年上线,目前已几类各类图谱数据超过100GB。

第四章 基于压缩感知的图谱数据采集和传输

本章重点介绍使用压缩感知技术实现高效的图谱检测数据的采集和传输机制,以更好地服务于IOT(物联网)及远程监测等场景。然后介绍如何在压缩感知框架中集成领域任务(如分类判别)目标。最后介绍一种自适应的压缩感知变换基。

1.	采样定理及传统数据采集原理
介绍经典信号处理中的采样定理,以拉曼光谱仪为例,阐述数据采集的采样率受制于能奎斯特理论下限。
2.	压缩感知技术介绍
介绍压缩感知的数学理论,感知矩阵、变换基、测量矩阵等概念,信号重建算法(如OMP、LASSO等)
3.	领域任务自适应的压缩感知(RAMAN案例)
研究如何在保证判别任务分类准确率的前提下,通过压缩感知实现亚能奎斯特采样。
4.	压缩感知自适应变换基的设计(EBP案例)
提出一种基于领域数据构造自适应(adpative)变换基,并与非自适应(non-adaptive)变换基对比。

第五章 基于机器学习的快检图谱数据分析方法
机器学习与快检图谱检测技术的结合催生了数据驱动的食药分析新范式。本章对机器学习的整体概况进行梳理,并介绍若干代表性的应用案例,特别是对深度学习、多谱融合等新兴的机器学习方法进行介绍。

1.	机器学习方法介绍及食药案例应用综述
机器学习发展史、常用机器学习模型介绍、新兴的深度学习技术介绍
2.	基于拉曼光谱学的贝叶斯判别分析的乳制品质量鉴别技术
贝叶斯分类器原理,案例介绍
3.	基于 VIS-NIR 光谱和深度学习的桃品种检测
一维卷积神经网络介绍,深度学习技术结束,案例介绍
4.	基于多谱融合的黄芪产地鉴别
食药质量安全大数据的多源异构性,多谱融合分析相关工作介绍,案例介绍

第六章 总结与展望

本章对前沿问题和新兴技术进行展望。如:除了本书重点关注的快检图谱数据,与食药质量安全相关的图像和文本等非结构化数据如何分析和处理;如何将在食药质量安全管理的多个窗口期的快检图谱数据进行整合,开展全景式的风险预测预警应用;如何用快检图谱大数据赋能区块链溯源等新兴应用场景。

Eigenvector-Based Projection (EBP) as an Adaptive Compressed Sensing Transform



Task-Adaptive Eigenvector-Based Projection (EBP) Transform for Compressed Sensing – A Case Study of Spectroscopic Profiling Sensor, Wiley, Chemistry Europe, Analytical Science Advances

A unified classifiability analysis framework based on meta-learner and its application in spectroscopic profiling data


A unified classifiability analysis framework based on meta-learner and its application in spectroscopic profiling data [J]. Applied Intelligence, SCI, IF 5.086. JCR Q1, 2021, doi: 10.1007/s10489-021-02810-8

NNRW (Neural Network with Random Weights)


Spectroscopic Profiling-based Geographic Herb Identification by Neural Network with Random Weights [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, SCI, IF 4.831. JCR Q1, 2022, doi: 10.1016/j.saa.2022.121348

NNRW (Neural Network with Random Weights) Forest


image-2.png

pyDRMetrics - A Python toolkit for dimensionality reduction quality assessment



pyDRMetrics - A Python toolkit for dimensionality reduction quality assessment[J]. Heliyon, 2021, DOI: 10.1016/j.heliyon.2021.e06199. Cell子刊

Secured Telemetry based on Time-Variant Sensing Matrix – A case study of Spectroscopic Profiling


E-nose Time Series Analysis


Highlight:结合乳制品拉曼光谱谱图的化学先验信息,可以实现特征提取成分的信息归属解析。第一稀疏主成分载荷向量对应的波长为471~492cm-1,507~539cm-1和1007~1 029cm-1,主要可归属于糖类(葡萄糖)的C—C—C变形振动和C—O扭曲振动;第二稀疏主成分载荷向量对应的波长为464~505和1159~1174cm-1,主要可归属于糖类的C—C伸缩振动、C—O伸缩振动以及C—O—H变形振动;第三稀疏主成分载荷向量对应的波长为1188~1228和1380~1448cm-1,主要可归属于糖类的CH2扭曲振动、C—O伸缩振动以及C—O—H变形振动。

pyCLAMs: an integrated python toolkit for classifiability analysis



Group LASSO

image.png

Electronic Nose


Electronic Tongue


文本挖掘 - 食品添加剂案例研究

© 2024 - 浙ICP备2023001282号