优化SVR与自然启发的算法,用于食品虚拟水样中的真菌毒素的环境建模
Abdullahi G Usman1,2, Sagiru Mati3,4, Hanita Daud5
1Department of Analytical Chemistry, Faculty of Pharmacy, Near East University, 99138, Nicosia, Turkish Republic of Northern Cyprus. abdullahigusman@gmail.com.
这项研究引入了一种机器学习模型,将支持向量回归与哈里斯霍克斯优化 (SVR-HHO) 结合起来,以准确地预测食物中的真菌毒素. 这种先进的方法提高了食品安全和监管合规性.
科学领域:
- 分析化学 分析化学
- 计算化学计算化学
- 食品科学 食品科学 食品科学
背景情况:
- 准确的真菌毒素测定对于食品安全和预防人类和动物的毒性影响至关重要.
- 现有的真菌毒素分析方法可能耗时,需要复杂的样本准备.
研究的目的:
- 开发和验证一种预测模型,用于对食物菌毒素的染色体保留时间.
- 通过机器学习和元启发性优化,提高真菌毒素识别的准确性和效率.
主要方法:
- 使用了支持向量回归 (SVR) 模型,并通过哈里斯·霍克斯优化 (HHO) 和粒子集群优化 (PSO) 进行了优化.
- 经过训练和验证的SVR-HHO和SVR-PSO模型,使用来自二次来源的数据集.
- 使用平均平方误差,相关系数和纳什-萨特克利夫效率评估模型性能.
主要成果:
- 在训练和测试阶段,SVR-HHO模型表现出卓越的性能,在训练和测试阶段,其表现比现有方法高4-7%.
- 听优化有效地改善了参数调整,避免了局部最小值,并增强了模型通用化.
- SVR-HHO框架在预测菌毒素保留时间方面表现出高准确性和弹性,管理复杂的非线性相互作用.
结论:
- 将机器学习 (SVR) 与元启发学 (HHO) 结合起来,为准确的真菌毒素预测提供了一个强大的工具.
- SVR-HHO模型为商业质量保证,监管测试和食品安全计划提供了一个强大的框架.
- 这种方法通过准确识别真菌毒素并减少消费者和动物的健康风险来提高食品安全.
更多相关视频
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
00:05In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
相关概念视频
Environmental Applications of Microorganisms
Microorganisms in Agriculture and Food industry
Biological Methods for Microbial Control
Freshwater Microbial Ecology
Microbial Bioremediation of Pesticides
