中國５８論文網淺析芹菜總黃酮含量預測

所屬分類：農業論文閱讀次時間：2015-05-18 14:09

本文摘要：摘要：利用混合蛙跳算法(SFLA)對最小二乘支持向量機(LSSVM)的參數進行優化，建立了一種基于混合蛙跳算法和最小二乘支持向量機的芹菜總黃酮提取預測模型。仿真結果表明，該預測模型提高了預測精度，性能更加穩定，為芹菜總黃酮提取的在線預估和優化控制提供了

　　摘要：利用混合蛙跳算法(SFLA)對最小二乘支持向量機(LSSVM)的參數進行優化，建立了一種基于混合蛙跳算法和最小二乘支持向量機的芹菜總黃酮提取預測模型。仿真結果表明，該預測模型提高了預測精度，性能更加穩定，為芹菜總黃酮提取的在線預估和優化控制提供了可靠的技術參考。

　　關鍵詞：芹菜;混合蛙跳算法;最小二乘支持向量機;總黃酮;預測　農業期刊

　　黃酮類化合物是一類存在于植物中的天然產物，屬于植物的次級代謝產物。現代醫學研究發現，芹菜的莖葉中含有豐富的黃酮類物質，其具有清除自由基、抗氧化、抑菌、抗病毒、抗癌和抗腫瘤等作用[1，2]。從芹菜中提取黃酮類物質，以開發新型天然黃酮類藥物為目標，促進芹菜的深加工，已成為資源高效利用的研究熱點[3，4]。

　　目前，對芹菜總黃酮的提取主要采用堿液法、微波法、超聲波法等，而對芹菜中總黃酮含量的測定，大多采用分光光度法、光譜法等方法。這些傳統的提取和測定方法容易受到人為操作及環境變化等不可預見性因素的影響，造成數據準確性降低。采用軟件方法實現芹菜總黃酮提取量的預測是解決此類生物量參數難以準確實時測量和控制的有效方法[5]。近年來，神經網絡、支持向量機等預測方法成為當前研究的熱點[6-8]。其中，神經網絡對訓練樣本數據要求高，對于小樣本數據應用受到一定限制;支持向量機適用于非線性小樣本數據，但泛化能力有限，對于異常樣本預測偏差較大。

　　本研究采用改進的混合蛙跳算法對最小二乘支持向量機的參數進行優化建模[9，10]，避免了算法過早收斂陷入局部最優，提高了模型的預測精度，實現了芹菜總黃酮提取量的快速準確預測，為芹菜資源的高值化利用提供了技術支撐。

　　1 算法基礎

　　1.1 最小二乘支持向量機

　　最小二乘支持向量機(LSSVM)對支持向量機(SVM)進行了改進[11]，很好地解決了小樣本、非線性和高維數的問題，提高了求解速度和泛化能力。將非線性問題轉化為高維特征空間的線性估計問題，構建了如下回歸函數：

　　其中，?滓為核寬度，對于最小二乘支持向量機，核寬度?滓和正規化參數?酌是其重要的兩個參數，它們的選取直接影響著算法的學習能力和泛化性能。

　　1.2 SFLA算法的改進

　　1.2.1 SFLA算法的種群初始化改進策略由于標準SFLA算法采用隨機方式產生初始種群，導致個體分布缺乏均勻性，影響了種群的多樣性，算法的求解效率也受到限制。因此，在種群初始化階段，引入反向學習策略，確保初始種群具有多樣性，主要步驟如下所示：

　　1)隨機生成初始解，用集合形式表示解集為：

　　x=xij|xij∈[minj，maxj]，其中j=1，minj，maxj分別為第j維的下界和上界。

　　2)計算每個初始解對應的反向解，公式如下所示：

　　其中，?孜為變異因子，N(0，1)為均值為0、方差為1的隨機量。

　　2 芹菜總黃酮含量的測定和預測建模

　　2.1 芹菜總黃酮含量的測定

　　將芹菜原料進行低溫烘干粉碎后，稱取芹菜干粉1.00 g于50 mL錐形瓶中，加入一定量的乙醇浸泡，然后將浸泡好的溶液進行超聲波提取，提取完成后抽濾、定容，作為待測液備用。取上述樣品液2.0 mL并以30%乙醇定容至5 mL，加入0.3 mL 15%NaNO2搖勻靜置6 min，再加入0.3 mL 10% Al(NO3)3，搖勻靜置6 min后加入4 mL 1 mol/L NaOH，再用蒸餾水定容，搖勻靜置15 min后測定吸光度。根據吸光度由下式計算樣品液中的總黃酮含量：

　　式中，m為總黃酮含量(mg/g);C為溶液中總黃酮的測定濃度(mg/mL);V1為芹菜總黃酮提取液總體積(mL);W為芹菜干粉質量(g);V為所取待測液體積(mL)。