下载文档原格式
文章编号：1674 − 7054(2022)05 − 0451 − 06基于深度神经网络的芯片上活体虫黄藻检测周诗正，陈 琳，颜 洪，傅鹏程（海南大学 南海海洋资源利用国家重点实验室，海口 570100）摘 要： 为了对活体虫黄藻进行快速、无标签和低成本的检测，笔者结合微流控技术、显微图像处理和深度学习神经网络，提出了基于深度神经网络的活体虫黄藻检测方法，对混合了微球、正常与漂白虫黄藻细胞溶液进行检测，结果表明：使用明场显微图像进行训练的神经网络模型泛化至微流控芯片上细胞检测当中，且能以93.9%的平均识别精确度识别不同生理状态下的虫黄藻细胞与其他目标，说明该方法可从大量复杂、异质的细胞群体中快速准确地识别出目标细胞。
关键词： 神经网络；虫黄藻；微流控芯片；计算机视觉；共生微藻中图分类号： Q 178.53；TP 391.41 文献标志码： A引用格式： 周诗正，陈琳，颜洪，等. 基于深度神经网络的芯片上活体虫黄藻检测[J]. 热带生物学报，2022,13（5）：451−456. DOI ：10.15886/ki.rdswxb.2022.05.004在海洋中，虫黄藻与珊瑚可以形成共生关系，依靠虫黄藻、适盐生物与珊瑚宿主的相互结合来生活和适应不同的环境与压力条件[1 − 3]。
由于人类活动和气候变化，在全球范围频繁发生大规模的珊瑚礁白化事件。
虫黄藻密度的变化反映虫黄藻的光化学能力，测定虫黄藻的种类与密度对珊瑚白化具有重要的预测意义[4]。
目前，快速、准确地检测海洋微藻细胞存在较大的局限[5]，特别是在虫黄藻种群和计算密度的方法上。
研究人员采样后需要将样品固定后带回实验室再进行检测鉴定，固定剂加上长时间的运输导致样品中绝大部分藻类死亡，而无法区分正常的虫黄藻细胞和白化珊瑚体内或游离的失去色素的虫黄藻细胞。
此外，由于藻体离开了原本的生存环境，在运输途中易受到温度、光照和压强等其它因素的影响，使细胞的一些特征发生改变。
基于半监督学习的异常检测和故障诊断技术研究在工业领域中，异常检测和故障诊断技术是日益受到重视的话题，其作用是对生产设备进行实时监测、分析和诊断，从而及时发现和排除设备故障，提高生产效率和质量。
其中，基于半监督学习的异常检测和故障诊断技术具有很大的应用潜力。
半监督学习是一种介于监督学习（有标签数据）和无监督学习（无标签数据）之间的学习方法，它利用有标签数据和无标签数据联合训练模型，提高数据利用率和模型精度。
在异常检测和故障诊断中，半监督学习可以利用少量有标签数据和大量无标签数据建立高精度的模型，从而降低成本和提高效率。
在异常检测中，一个常用的方法是基于主成分分析（PCA）的方法，它可以将数据降维到低维空间中，便于进行异常检测。
但是，PCA方法只考虑了数据的无标签信息，没有利用有标签信息进行建模，因此其精度有限。
而基于半监督学习的方法能够同时利用有标签数据和无标签数据进行建模，可以大大提高模型的精度。
在故障诊断中，半监督学习同样有很大的作用。
通常情况下，我们只能获取到一部分有标签的故障数据，而无法获取到所有的故障数据。
而基于半监督学习的方法可以利用少量有标签数据和大量无标签数据建立模型，从而进行故障诊断。
例如，可以利用少量有标签数据对机器进行分类，然后通过无标签数据和半监督学习方法对未知故障进行判别和预测，从而及时发现和排除故障。
除了半监督学习，还有很多其他的机器学习方法可以用于异常检测和故障诊断。
例如，支持向量机（SVM）方法、神经网络方法、决策树方法等等。
这些方法具有各自的优缺点，需要根据具体的实际应用场景进行选择。
除了机器学习方法外，还有很多其他的技术可以用于异常检测和故障诊断。
例如，传感器技术、虚拟仪器技术、人工智能技术等等。
这些技术可以对设备进行实时监测、在线分析和诊断，从而及时发现和解决问题，提高生产效率和质量。
总之，基于半监督学习的异常检测和故障诊断技术具有很大的应用潜力，可以利用有标签数据和无标签数据联合训练模型，提高数据利用率和模型精度。
基于半监督学习的异常检测算法研究一、引言在大数据时代，异常检测一直是数据分析领域中非常关键的问题之一。
异常检测的目标是在给定的数据集中识别出与一般情况不同的数据点，这些数据点可以被视为潜在的异常或异常值。
异常检测在许多领域中都具有广泛的应用，例如金融风险管理、网络入侵检测、医疗诊断等。
半监督学习是一种利用带标签和未标签的数据进行学习的机器学习方法，可以有效地提高异常检测的性能。
本文将介绍基于半监督学习的异常检测算法研究。
二、半监督学习概述半监督学习是一种介于监督学习和无监督学习之间的学习方式，具有监督学习中的部分标签和无监督学习中的特性。
在半监督学习中，我们使用有标签的数据来训练监督模型，同时使用未标签的数据来构建一个相对于有标签数据更广泛的数据模型。
半监督学习的优点包括：可以提高模型效果，可以扩展有标签数据的使用，可以利用大量未标签数据，可以降低标记成本。
三、半监督学习在异常检测中的应用异常检测是一种典型的半监督学习任务，其中带标签的数据通常只包含少量的异常和正常数据点。
在这种情况下，未标签的数据可以帮助半监督异常检测算法更好地识别异常点。
在半监督异常检测中，我们首先使用带标签数据训练一个二分类器（正常和异常），然后使用未标签数据来确定每个数据点相对于特定分类器的置信度。
可以根据每个数据点的置信度来确定它是正常的还是异常的。
半监督异常检测算法可以采用主动学习和半监督聚类等方法来进一步优化性能。
四、半监督异常检测算法研究不同的半监督异常检测算法可以使用不同的特征提取技术和分类器。
以下是一些常见的半监督异常检测算法：1. 半监督支持向量机半监督支持向量机（Semi-Supervised Support Vector Machines，SSVM）是半监督异常检测中广泛使用的一种算法。
SSVM模型使用支持向量机作为基本分类器，通过使用未标签数据来构建更完整、更准确的特征空间来优化模型。
SSVM算法能够有效地识别异常点，并且可以对大型数据集进行处理。
桑树黄化型萎缩病病原及其响应蛋白的蛋白质组学研究的开题报告一、研究背景和意义桑树是一种重要的经济植物，广泛分布于我国南部地区。
然而，近年来桑树黄化型萎缩病的发生率逐年上升，给桑树的生产和经济带来了极大的损失。
目前，对于桑树黄化型萎缩病的病原及其发病机制的研究还存在许多不明确的地方。
因此，对于该病的研究具有重要的科学意义和社会意义。
在此背景下，本研究将通过蛋白质组学手段探究桑树黄化型萎缩病的病原及其响应蛋白，以期为该病的防治提供一定的理论依据和实验基础。
二、研究内容和方法本研究将采用两种不同的蛋白质组学方法，即二维凝胶电泳和液相色谱-串联质谱联用技术，对桑树黄化型萎缩病的病原及其响应蛋白进行分析。
具体来说，首先通过对病树和健康树的组织样品进行采集和处理，将提取到的蛋白进行二维凝胶电泳分离，并利用质谱进行鉴定和分析，以获得相应的差异蛋白。
此外，还将利用液相色谱-串联质谱联用技术对提取蛋白进行鉴定和分析，以了解桑树在黄化型萎缩病程中的蛋白变化情况。
最后，结合生物信息学和生化分析等手段，对获得的蛋白进行深入的功能分析和相互作用研究。
三、预期研究结果和创新点本研究预期能够获得桑树黄化型萎缩病的病原及其响应蛋白的蛋白质组学数据，这将有助于揭示该病的发生、发展及病原途径等关键问题。
与现有研究相比，本研究的创新点主要体现在以下几个方面：1. 结合两种不同的蛋白质组学方法，对桑树黄化型萎缩病的病原及其响应蛋白进行分析，结果更具可靠性和准确性。
2. 运用生物信息学、生化分析等手段，深入挖掘差异蛋白的功能，有助于更好地理解黄化型萎缩病的发生机理和检测方法。
3. 提供新的参考和实验基础，为桑树黄化型萎缩病的发生防治提供一定的理论依据和实验基础。
四、研究进度安排本研究的进度计划如下：1. 第一年：收集病树和健康树的样品，对提取到的蛋白进行二维凝胶电泳分离，并利用质谱进行鉴定和分析。
2. 第二年：利用液相色谱-串联质谱联用技术对提取蛋白进行鉴定和分析，获得更全面和准确的差异蛋白信息。
比较基因组学研究方法的改进及其应用比较基因组学是研究不同生物间的遗传差异以及其演化关系的学科。
有了快速发展的高通量测序技术，越来越多的基因组数据可供比较，为了更有效地挖掘基因组学数据的信息，研究人员不断改进比较基因组学的研究方法。
本文将对比较基因组学研究方法的改进及其应用进行探讨。
一、半监督量化方法半监督学习是指在利用已知样本的标签训练模型的同时，也利用未知标签的样本进行训练，从而提升模型的泛化能力。
最近，科研人员将半监督学习应用到了比较基因组学中，提出了一种新的方法——半监督量化方法。
该方法对基因组学数据进行降维处理，减少噪音的影响，同时保留了样本间的相对距离，使得潜在的遗传差异更易于被发现。
这种方法已成功地应用于胰岛细胞癌的分类研究中，为肿瘤的早期检测、诊断和治疗提供了重要依据。
二、进化模型的改进比较基因组学的研究中，进化模型是基础和核心。
假设不同物种的基因组是由单一的祖先基因组演化而来，一些进化特征如基因特征、突变率、基因重排、水平基因转移等被用来描述基因组的演化。
但是，之前的模型没有考虑到基因的选择性和突变率的异质性，使得研究结果有偏差。
近年来，进化模型的改进使得基因选定的偏好、突变率的异质性、橡树混合的问题、mRNA选择等细节问题得以更好的刻画，进一步揭示了生物的演化过程。
三、结构变异分析结构变异是指基因组中的重排、插入、缺失等变化，这些变化常常是导致物种差异的重要原因。
研究人员发现单纯地比较基因组大小、基因数目等特征并不能很好地反映结构变异的情况，因此开发了一些新的方法来识别结构变异，其中最成功的是SVs（结构变异）。
只有从多个维度考虑基因组的差异，才能更准确地评估物种间的结构变异情况。
如今，SVs已大规模应用于各个物种的结构变异分析中，成为基因组学研究中不可或缺的一部分。
四、同步和非同步进化同步进化指两个生物的基因组演化速度和方向相同，而非同步进化则是速度和方向不同。
同步进化可以反映出生物进化的相似性，而非同步进化则揭示了不同物种间的异质性。
蒜芥茄SsWRKY1基因克隆及黄萎病病原菌胁迫下表达分析作者：尹梦莹蔚亚楠杜光辉桂敏黎志彬鲍锐龚亚菊吴丽艳来源：《南方农业学报》2022年第04期摘要：【目的】克隆蒜芥茄WRKY1基因（SsWRKY1），并分析其在黃萎病病原菌胁迫下的表达模式，为探究WRKY1基因在野生蒜芥茄黄萎病抗性中的调控机制提供理论参考。
【方法】利用染色体步移技术克隆SsWRKY1基因，通过在线生物信息学软件进行序列分析及构建系统发育进化树;采用GFP融合蛋白表达法对WRKY1蛋白进行亚细胞定位，利用实时荧光定量PCR（qRT-PCR）检测SsWRKY1基因在不同组织及接种黄萎病病原菌后不同时间的相对表达量。
并分析9种野生茄材料接种黄萎病病原菌后的病情指数与WRKY1基因表达变化量的相关性。
【结果】克隆获得的SsWRKY1基因（GenBank登录号MZ846202）ORF序列长度为1224 bp，编码407个氨基酸残基，蛋白相对分子量为44.87 kD，理论等电点（pI）为6.91，属于亲水性不稳定蛋白，亚细胞定位于细胞核，符合转录因子特征。
SsWRKY1蛋白含有2个WRKY保守结构域和C2H2型锌指结构，属于Ⅰ类WRKY转录因子，其二级结构主要由α-螺旋（7.13%）、β-折叠（4.67%）、无规则卷曲（73.71%）和延伸链（14.50%）组成。
SsWRKY1蛋白与番茄、野生潘那利番茄、野生番茄、马铃薯WRKY1蛋白的亲缘关系较近。
SsWRKY1基因在根和茎的相对表达量显著高于叶中的相对表达量（P<0.05，下同）。
黄萎病病原菌接种后不同时间，SsWRKY1基因的相对表达量均低于对照组（无菌水接种），但仅在24 h时二者差异达显著水平。
9种野生茄材料接种黄萎病病原菌后的病情指数与接种前后WRKY1基因表达变化量间呈显著正相关。
【结论】SsWRKY1属于第Ⅰ类WRKY转录因子，序列高度保守，在细胞核中表达，其基因具有组织表达特异性，黄萎病菌胁迫后该基因的表达下调，推测WRKY1在野生茄黄萎病抗性中起负调控作用。
半监督学习算法在目标检测中的应用研究目标检测是计算机视觉领域中的一个重要研究方向，它在许多应用领域中具有重要的实际价值，如智能监控、自动驾驶、图像搜索等。
然而，传统的目标检测方法通常需要大量标注好的训练样本，这在实际应用中往往是非常困难和耗时的。
为了解决这个问题，半监督学习算法被引入到目标检测中，并取得了一定的研究进展。
本文将重点探讨半监督学习算法在目标检测中的应用研究，并对其优势和挑战进行深入分析。
一、半监督学习算法概述1.1 半监督学习概念半监督学习是介于有监督学习和无监督学习之间的一种机器学习方法。
它利用少量有标签样本和大量无标签样本进行模型训练，以提高模型性能。
与传统的有监督学习方法相比，半监督学习能够更好地利用未标注数据的信息，从而提高模型的泛化能力。
1.2 半监督学习算法分类半监督学习算法可以分为基于生成模型和基于判别模型的方法。
基于生成模型的方法假设数据是由潜在变量和观测变量组成，通过建立潜在变量和观测变量之间的联合分布来进行学习。
而基于判别模型的方法则直接对条件概率进行建模。
二、半监督学习算法在目标检测中的应用2.1 半监督目标检测方法概述半监督目标检测方法是将半监督学习算法应用于目标检测任务中。
通过利用大量未标注数据，可以减少对大规模标注数据集的需求，从而降低了人力成本和时间成本。
2.2 基于生成模型的半监督目标检测方法基于生成模型的半监督目标检测方法通过建立观察变量和潜在变量之间的联合分布来进行学习。
其中，一种常用的方法是使用高斯混合模型（GMM）对未标注样本进行建模，并利用EM算法进行参数估计。
此外，还有一些基于变分推断的方法，如变分自编码器（VAE）和生成对抗网络（GAN）等。
2.3 基于判别模型的半监督目标检测方法基于判别模型的半监督目标检测方法直接对条件概率进行建模。
其中，一种常用的方法是使用半监督支持向量机（S3VM），它通过最小化有标签样本和无标签样本之间的边界距离来进行学习。
大麦黄矮病毒的生物信息学分析作者：刘艳莉王艳芳赵彦宏柏新富刘林德来源：《南方农业学报》2018年第09期摘要：【目的】分析大麦黄矮病毒（BYDV）株系的生物学信息，为深入研究BYDV各株系的遗传特性及防治提供参考。
【方法】从NCBI数据库搜索BYDV的全基因组序列，利用DNASTAR 7.1对其进行序列比对分析，并以MEGA 7.0构建BYDV系统发育进化树。
用CodonW分析BYDV的密码子使用偏好性；运用NCBI中的E-Utilities工具搜索BYDV各株系的基因及蛋白，采用SWISS-MODEL预测BYDV蛋白的三级结构。
【结果】BYDV各株系碱基序列相似性存在明显差异，其中PAV株系组内核苷酸序列最低相似性最低，仅为77.9%，表明该株系全基因组序列变异较多。
PAV、Ker-II、GAV和RPV株系存在碱基突变，均以C—T碱基突变数目最多，且碱基变异倾向于碱基转换。
BYDV各株系分为五大分支，其中分离地相近的株系或同一株系BYDV间亲缘关系较近，来自法国克尔格伦群岛的Ker-II株系与PAV株系亲缘关系较近，来自美国的MAV株系与来自我国的GAV株系亲缘关系较近，来自我国的GPV株系（NC-012931）与美国的RPV、RMV和RPS株系亲缘关系较近。
BYDV密码子使用无明显的偏好性。
PAS、MAV和GAV株系的基因组中均包含7个基因，而PAV株系基因组包含8个基因。
在BYDV各株系gp1～gp4蛋白中，gp4蛋白的三级结构保守性最强，而gp1蛋白的空间结构发生一定变异，正是不同BYDV株系的传播媒介及对寄主植物侵染能力存在差异的原因。
【结论】BYDV各株系普遍发生分子变异，但变异程度不同，以PAV株系变异程度最大；推测GPV和RMV株系隶属于马铃薯卷叶病毒属。
关键词：大麦黄矮病毒；株系；基因组序列；多序列比对；分子变异；亲缘关系；密码子偏好性中图分类号： S435.123 文献标志码：A 文章编号：2095-1191（2018）09-1760-080 引言【研究意義】大麦黄矮病毒（Barley yellow dwarf virus，BYDV）是隶属于黄症病毒科（Luteovirade）的正单链RNA病毒，经蚜虫传播，可侵染多种禾本科植物（尤其是麦类作物）而引发黄矮病（杨洋等，2011；Jarošo vá et al.，2016；Ju et al.，2017），对禾本科作物生产造成巨大经济损失（Choudhury，2018）。
基于Huang变换和BP神经网络的时间序列预测方法
陈莺;徐晨;张维强
【期刊名称】《计算机工程与应用》
【年(卷),期】2007(043)030
【摘要】Huang变换是近几年发展起来处理非平稳信号的新方法.时间序列同信号一样具有非平稳的特性,研究了Huang变换在时间序列预测中的应用.首先将时间序列通过Huang变换分解为有限个固有模态函数和一个残余函数之和,每一个的固有模态函数反映了时间序列在各个尺度的特征,而残余函数则很好地反映了时间序列的总体趋势,然后应用BP神经网络对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,就得到原始时间序列的预测值.实例证明,基于Huang 变换和BP神经网络的时间序列的预测方法,优于小波变换和神经网络相结合的预测方法,提高了预测精度.
【总页数】3页(P242-244)
【作者】陈莺;徐晨;张维强
【作者单位】深圳大学,智能计算科学研究所,广东,深圳,518060;深圳大学,智能计算科学研究所,广东,深圳,518060;深圳大学,智能计算科学研究所,广东,深圳,518060【正文语种】中文
【中图分类】O29
【相关文献】
1.基于动态学习比率BP神经网络的时间序列预测方法 [J], 丁守銮;王洁贞;胡平
2.基于Huang变换和ARIMA模型的时间序列预测方法 [J], 马亮亮;陈龙
3.一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法 [J], 马亮亮
4.基于BP神经网络的混沌时间序列预测方法及应用研究 [J], 霍晓宇;杨仕教;吴长振
5.基于改进BP神经网络的混沌时间序列预测方法对比 [J], 温文;龚祝平
因版权原因，仅展示原文概要，查看原文内容请购买。
