基于支持向量机-遗传算法灰树花发酵模型的建立及优化

doi:10.7506/spkx1002-6630-201611025

食品科学

基于支持向量机-遗传算法灰树花发酵模型的建立及优化

徐利1，周丽伟2，郭文强1，张亚萍1，陈彦1,*

1.安徽大学生命科学学院，安徽合肥 230601；2.安徽农业大学茶与食品科技学院，安徽合肥 230036

出版日期:2016-06-15 发布日期:2016-06-27

Establishment and Optimization of a Predictive Model for the Growth and Exopolysaccharide Production of Grifola frondosa Based on Support Vector Machine and Genetic Algorithm

XU Li1, ZHOU Liwei2, GUO Wenqiang1, ZHANG Yaping1, CHEN Yan1,*

1. School of Life Science, Anhui University, Hefei 230601, China;
2. School of Tea and Food Science, Anhui Agricultural University, Hefei 230036, China

Online:2016-06-15 Published:2016-06-27

摘要/Abstract

摘要：

对食用药用真菌灰树花发酵进行建模，获得使目标发酵产物达到最大产量的培养条件。运用支持向量机（support vector machine，SVM）方法进行非线性拟合，并采用遗传算法预测优化培养基成分，结果表明其能够较好预测灰树花发酵过程。运用此方法可在灰树花发酵生产过程中根据所需产物控制发酵条件与时间，具有较高指导意义。

关键词: 支持向量机, 遗传算法, 发酵模型, 灰树花

Abstract:

To obtain the best medium constituents and culture conditions for maximum production of exopolysaccharides
(EPS) by Grifola frondosa, nonlinear fitting was done using support vector machine (SVM) and the response variables, EPS
production and mycelial biomass, were predicted using genetic algorithm. The results showed that the nonlinear model performed
well in predicting the growth and EPS production of Grifola frondosa. The approach proposed in this study can provide a
significant guideline to control culture conditions and time for the production of desired products by Grifola frondosa.

Key words: support vector machine (SVM), genetic algorithm, fermentation model, Grifola frondosa

中图分类号:

Q815

徐利，周丽伟，郭文强，张亚萍，陈彦. 基于支持向量机-遗传算法灰树花发酵模型的建立及优化[J]. 食品科学, doi: 10.7506/spkx1002-6630-201611025.

XU Li, ZHOU Liwei, GUO Wenqiang, ZHANG Yaping, CHEN Yan. Establishment and Optimization of a Predictive Model for the Growth and Exopolysaccharide Production of Grifola frondosa Based on Support Vector Machine and Genetic Algorithm[J]. FOOD SCIENCE, doi: 10.7506/spkx1002-6630-201611025.

[1]	胡翼然，李杰庆，刘鸿高，范茂攀，王元忠. 基于支持向量机对云南常见野生食用牛肝菌中红外光谱的种类鉴别[J]. 食品科学, 2021, 42(8): 248-256.
[2]	王娅，张存存，付玉叶，张凡，王颉，王文秀. 融合图谱特征信息的明虾挥发性盐基氮含量无损检测[J]. 食品科学, 2021, 42(2): 283-290.
[3]	潘海博，覃璐琪，黄燕婷，梁晓琳，黄国宏，聂梦琳，饶川艳，梅丽华，李全阳. 人工神经网络结合遗传算法优化保护剂提高罗伊氏乳杆菌抗冻性能[J]. 食品科学, 2021, 42(14): 70-77.
[4]	迟雷，王静雨，侯俊超，魏佳佳，魏涛，胡晓龙，何培新. 基于人工神经网络和遗传算法的普鲁兰酶重组大肠杆菌高密度发酵工艺优化[J]. 食品科学, 2021, 42(10): 73-78.
[5]	方东路，马晓惠，赵明文，郑惠华，陈惠，胡秋辉，赵立艳. 添加灰树花粉面团的酶法改性及面条品质评价[J]. 食品科学, 2021, 42(10): 23-31.
[6]	胡仁伟，俞玥，倪明龙，俞娇，周俊伟，朱诚，李占明. 基于深度信念网络的近红外光谱鉴别莲子粉掺假[J]. 食品科学, 2020, 41(6): 298-303.
[7]	王小艺，李柳生，孔建磊，金学波，苏婷立，白玉廷. 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[J]. 食品科学, 2020, 41(19): 17-24.
[8]	刘开放，席志文，黄林娜，惠丰立. 布拉酵母高密度发酵培养基及发酵工艺优化[J]. 食品科学, 2019, 40(8): 56-62.
[9]	吕吉光，吴杰. 基于智能手机声信号哈密瓜成熟度的快速检测[J]. 食品科学, 2019, 40(24): 287-293.
[10]	季方芳，吴明清，赵阳，陈坤杰. 基于IGS-SVM模型的牛肉生理成熟度预测方法[J]. 食品科学, 2019, 40(15): 71-77.
[11]	许锐，徐晓东，宋泽，贾茜，冯涛，宋诗清. 不同提取方法对灰树花呈味物质释放的影响[J]. 食品科学, 2019, 40(11): 88-94.
[12]	芦红云，吴天祥,，钟敏，聂文强. 天麻提取物及其3 种主要成分对灰树花产胞外漆酶和菌丝体的影响[J]. 食品科学, 2018, 39(6): 101-106.
[13]	王凤舞，阙斐，寇玲赟，迟方，王莹. 岩藻低聚糖的酶法制备及活性分析[J]. 食品科学, 2018, 39(4): 112-117.
[14]	赵聪，程晨，尹诗语，李云，朱灿，黄晓伶，陈贵堂. 基于亚铁螯合能力的灰树花蛋白酶解工艺优化及其抗氧化活性[J]. 食品科学, 2018, 39(2): 73-79.
[15]	孙俊，刘彬，毛罕平，武小红，高洪燕，杨宁. 基于介电特性的鸡蛋品种无损鉴别[J]. 食品科学, 2017, 38(6): 282-286.

基于支持向量机-遗传算法灰树花发酵模型的建立及优化

Establishment and Optimization of a Predictive Model for the Growth and Exopolysaccharide Production of Grifola frondosa Based on Support Vector Machine and Genetic Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价