洋葱种类的群分析和仿造的神经网络多元分类

洋葱种类的群 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 和仿造的神经网络多元分类 洋葱种类的聚集分析和仿造的神经网络多元分类 摘要:在相同的环境和农业条件下评估不同颜色(白色，金色和红色)洋葱的八个cultivars用于耕种和栽培新鲜的鳞茎。基于不同的黄酮类，多酚类, 和刺激性聚集分析和重要的成分分析，根据种类(基因数相似水平)据显示洋葱不是群聚的。然而，随着最高的影响，其颜色是多变的，在50%到70%之间。在洋葱种类中间人造的神经网络用于研究识别的可能性。根据种子的种类和优先性，洋葱的特性在95%到100%中间。属于优先性中间的样品用于数据的25%有着不确定的分类。 介绍:由于对保健食品的现今的结果，进行了许多关于Allium蔬菜的抗氧化活性的研究。结果表明洋葱和大蒜是许多抗氧化的来源，它们在人体中产生的以防反应的氧气种类的生理防护起到重要的作用。洋葱是一个好的 quercetin来源，水果和蔬菜中最丰富的黄酮醇类型的黄酮类之一。 黄酮类是独有的并广泛应用于植物王国。它们主要由色素产生，并在植物的正常生长，发育，防卫方面起重要作用。在活细胞中阻止油脂过氧化反应的这种所谓的饮食的 黄酮类能力在文献(4，5)中已被描述。在生物化学水平，黄酮类因为酶抑制剂而起作用，阻止紫外照射伤害，五金的整合代理，也作为引出代理。由于它们饮食的成分，黄酮类，尤其是槲皮黄酮派生物，最近已成为特别注意的主 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 。流行病学的研究指出它们阻止心血管的疾病和癌症的可能的作用。这种促进健康的活性似乎和黄酮类的抗氧化(阻止自由基)活性有关。在洋葱中，槲皮黄酮是主要的黄酮化合物。在试管内类黄酮槲皮黄酮是一个有效的薄膜脂质过氧化反应，其低密度脂蛋白能力(mM 抗氧化剂)被证明比维生素C和维生素E的高五倍。事实上差不多180种不同槲皮黄酮的类黄酮被描述。 在许多国家洋葱被广泛用作蔬菜，在不同环境下它们很容易耕种。在过去十年里洋葱被消费者广泛注意，这表明他们对洋葱的生物活性或者提供包括疾病预防的健康益处的功能的化合物渐感兴趣。有高黄酮类量的食物，再加上它们的营养价值，对人们的健康有防护的作用。Bordia和Dorant等人证实了这样的药物特性，在高脂肪饮食后洋葱消费似乎阻止了血清胆固醇的上升，也控制了幽门螺杆菌的增长，幽门螺杆菌是引起粘液质的溃疡和胃癌的 1 危险因素之一。 除营养和药物价值外，洋葱因为它们的风味而被消费，因为众所周知它们的作用是提高其他食物的风味。洋葱的刺激性是由洋葱中的挥发性的硫磺化合物引起，这种化合物和洋葱中的香料强度有关。一些这些化合物影响眼睛，经常产生所谓的催泪作用。洋葱的风味和其他葱属植物蔬菜通过蒸自于S-alk(en)yl-L-cysteineS-oxide 辛辣先行者的酶分解的葱属植物蔬菜有机硫而占主导地位。这种典型的洋葱风味来自于一种叫蒜氨酸酶的酶。除过这些，和这种风味有关的化合物(例如:丙酮酸 和氨以及化学的不稳定的次磺酸)，产生于前体细胞。在洋葱中大量的酶促的产生丙酮酸均化反应，因此这是蒜氨酸经酶作用于辛辣前体细胞的一种方式，研究显示这和可感知的洋葱刺激性有关。辛辣和糖类之间的平衡影响了洋葱的甜味。 酚类化合物是糖分解代谢的第二个产品。环境条件能够修改某种转换速度，有时在成熟的洋葱中能够加速生理的改变。 这项工作的目的是通过申请多元分析技术(例如:首要的成分分析, 有区别的分析, 在它们的槲皮黄酮和山奈酚的人造的神经网状物l, 苷类槲皮黄酮合成物, 总酚类, 以及刺激性)研究变量的影响(例如:洋葱种子的培育之物和优先品种。) 材料和 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 洋葱抽样和样品制备 研究 Guayonje (n = 24), San Juan de la Rambla (n = 12), Carrizal Alto (n = 6), Carrizal Bajo (n = 12), 和从特内里费岛(加那利群岛) 来的Masca (n= 18) 这五个传统品种以及一个商业品种。Texas Early Grano 502 (n = 6)，其中n对应于样品的数量。洋葱品种有两个不同颜色的皮肤:(i)黄色,属于Texas和San Juan de la Rambla品种，(ii)红色,对于其余的品种。来自于不同岛地区的分析的洋葱品种的种子。Texas品种的种子是从z系列种子中获得的,Masca品种种子来自于Turro?n,Guayonje品种种子来自于Puerto de laMadera (n=12)和Juan Ferna?ndez (n=12)， San Juan de la Rambla品种种子来自于Las Aguas (n = 6) 和 El Rosario (n = 6)，Carrizal Alto和Carrizal Bajo 品种种子分别来自于 Carrizal Alto和 Carrizal 2 Bajo。 洋葱种子在实验的塔科隆特农业培养(特内里费、西班牙)。种植的所有的洋葱品种使用相同的 农艺、土壤和气候条件。因为在同样的农业条件下种植,分析变量的变化可能和多种因素的影响有关。实验的洋葱种植通过采用3次重复和15次登记得随机区组设计。从每个实验块收集的含三到五个鳞茎的两个洋葱样本，分析了每个品种的六个复制的样品。当50至80%的植物的叶子没有精神时，在相同的成熟阶段收集洋葱。收获发生在6月和7月。洋葱是通过特纳利夫岛的生物多样性保护中心的农业提供(CCBAT)。 分析方法 曾报导过类黄酮,总酚类、和刺激性测定的实验细节。在这项研究中，只有某些特定的细节在这里给出为八个变量所使用。 总酚类化合物 提取总酚类成分使用经80%甲醇，用超声波降解10分钟的混合样本。采用由Kujala等人描述的福林酚比色方法在750 nm的分光光度法分析洋葱样本中的酚含量。使用配备惠普威达XA计算机紫外可见(二极管阵列)惠普8453分光光度计。使用没食子酸(西格玛奥德里奇)作为结果的量化和表达的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 。 高效液相色谱法测定黄酮 高效液相色谱法是基于由Lombard等人提出的方法的小的修改。大约1g混合有20%甲醇2ml，pH2.5三氟乙酸酸化的冷冻洋葱酱直接在聚丙烯管内称重。随后,试管被放入超声波水浴30分钟40度,然后用离心机4000rpm离心10分钟。上层慢慢恢复防止均质洋葱颗粒污染。这种液相在-80 C的冰箱里冷藏。高效液相色谱分析一毫升的这种溶液通过一个0.45μm的过滤器GHP(水域,米尔福德,MA)。重复进行注射,使用平均峰值区域用于量化。 在45%的A和55%的B比例的平均支配的移动阶段使用HPLC级甲醇(A)和0.05%三氟乙酸(B)。362nm吸光度监测。样品的注入体积是15μL,流率为0.9毫升/分钟,柱子的温度是30度。槲皮素二水合物(西格玛奥德里奇)和山奈酚(西格玛奥德里奇)作为确定游离槲皮素和山奈酚的标准。我们使用相配槲皮素的校准(槲皮素3-氧-葡萄糖苷),因为它的化学性质类似于主要槲皮素糖 3 甙。 刺激性 每个洋葱样本的鳞茎纵向切成两半。一部分使用T-25 Basic Turmix 模型，使用加入水1毫升或者洋葱1克的比率。剩下的匀浆在室温中保留10分钟,然后过滤。使用改进的Schwimmer和Westonm方法进行丙酮酸比色测定。在含有1毫升水的试管中加入一小部分25ml的洋葱滤液。一毫升0.25 g / L的 2，4-二硝基苯肼加入1M的盐酸，样本放置在一个37 ?的水浴锅内。样本水浴10分钟后拿出,加入1.5M的氢氧化钠。然后确定515 nm的吸光度。对照品是加入25μL的丙酮酸，使其浓度范围从0到6mM。 统计的数据分析 根据它们的黄酮类容量，八个变量(槲皮黄酮(Q),槲皮黄酮糖苷(QDG),槲皮黄酮葡萄糖苷1(QMG1),槲皮黄酮葡萄糖苷2(QMG2), 异槲皮素 (IQ), 山柰酚 (K), 刺激性(P), 总酚类(TP), 以及平均重量(W))，被研究区分不同颜色的洋葱的六个商业的栽培品种。根据zij = (xij-平均值j)/(水平偏差)j,每个数据都是合乎标准的，在数据分析中提供每个变量的相等重量用于分析。在黄酮类、总酚类容量以及分析的刺激性领域洋葱植物优先的培育品种的作用被评估以用于变异的分析 (ANOVA)。 为了探索图案识别的化学数据，首要的成分分析(PCA)用于分散我们对样品中主要的种类和自然趋势的注意力。当进行PCA时，投射叫最初的化合物的少量新种类的关于包括最初种类的样品。 聚集分析(CA)是在化学计量学中，在数据中包含的根本的信息抽取分析中用于发现组织和分析有趣的分派和模式的最用用的分析工具之一。根据我们的目的，有许多的聚集的算法，离差平方和法 ,被选择作为连接方法和用欧几里得距离测试相似性。线状的判别式分析 (LDA)是基于独立变量的判别式功能的额外的抽取，通过定性的独立的的变量以及一些定量的独立的变量。使用StatisticaV.6 (StatSoft Inc., Tulsa, OK) and Trajan 3.0 软件包图拉真神经网络模拟器进行所有的数据分析,释放3.0D(版权 Trajan Software Ltd., 1996-1998)。 人造的神经网络(ANN):6个培育品种的78个洋葱样品。通过8个种类描 4 述，在训练过程中被使用。根据培育品种使用ANN技术区分洋葱样品。应用感知器学习演算法的多层感知器(MLP)被使用。这个最低根均方误差(rms)是通过反向传播算法的和快速传播的结合体而达成的。这个数据集被随机分成训练、测试和验证设置。 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 了一个由输入,隐藏,和输出层组成的三层神经网状物。在洋葱资料,输入和输出之间的层，加工神经网络以生成一个具有潜在关系功能的模型。在训练步骤中，检测到众多具有不同架构的神经网络。输入神经元的数量以及输出神经元的数量通过变量和品种,分别被设置。神经网络选择是基于在多层感知器中隐藏层的数量(a)以及在网络中隐藏的神经元数目(b)的适当的选择。Nh通过研究几种类型的3-MLP，省略最后的均方根误差，发现隐藏的神经元的数量。发现隐藏单位的最佳数量打破了依赖于所有的研究问题的均方根Nh。在交叉验证中设置的关于网络设计的这个决定是基于相应的训练集而不是单独为每个验证。 结果和讨论 在洋葱鳞茎中个人测定的类黄酮含量是一个重要的化学分析，以这种方式来评估它们的质量。图1显示了一个关于获得自由黄酮醇类化合物(槲皮素、山奈酚)、槲皮素苷类(QDG,QMG1,QMG2,IQ),和刺激性的定性和定量信息的总结。在洋葱中槲皮素及其衍生物是其主要的类黄酮,而类黄酮山奈酚是小类黄酮。研究发现在所有的洋葱品种中QMG1是最丰富的槲皮素糖苷。根据其他作者分析的化学物种，这类黄酮可能是过氧化物或槲皮苷。洋葱品种显示最大的刺激性是Masca品种;相比之下, Carrizal Bajo品种显示最低的刺激性。在洋葱品种之间分析的许多类黄酮,总酚类、和刺激性的有很大差异。 根据品种或优先的种子，由罗德里格斯等人研究显示单变量的数据处理不能 够区分含有黄酮类洋葱它们的类黄酮容量。因此，在这项工作中需要考虑许多的方法。CA,PCA,LDA和人工神经网络用于揭开数据中隐藏的模式。 聚类分析 CA,一个非监督学习方法,用于发现可能的相似或者洋葱样本之间的关联性，其目的是在数据集中识别自然物质的种类。由于其无监督字符,CA是一个模式识别技术,可以用来揭示了结构中驻留的数据集(33)。因为考虑到高数量的样品(n = 78),当每个样本被确认时获得的系统树图变得非常复杂， 5 因此，这个没有被显示。根据品种样本或优先的种子，CA没有集群。发现Guayonje和Masca品种的样品有很大的变异。监督化学计量学方法赋予的分类规则通过交叉验证程序验证了,这是由划分完整的数据放入一个训练集和一个评价集而进行。 根据不同的皮肤颜色，CA未能区分洋葱(图这里没有显示由于其大小)。因为没有观察到自然组样本,CA用于研究考虑到的变量的随机相似的行为。构建的聚类图显示两个变量A和B的主要团体。第一组(A)包括两个主要子组:(i)Q和(ii)IQ,QDG,QDG1,QMG2,而第二组(B)包含刺激性、总酚类、和山奈酚变量。 主成分分析 PCA使用自动尺度刺激性变量(Q,IQ,QDG,QDG1,QMG2,总酚类、和山奈酚)进行。因此,第一个七个人生产控制系统(PCs)解释了高达95.6%的总方差(特征值g 1)。用于在一个空间变量加载的前三个PCs表征的洋葱是图2所示。负荷图系统的方差主要和QDG，QMG1,QMG2和IQ相关,而辛辣、山奈酚、总酚类、平均体重负荷在很大程度上与PC2有关。 此外，刺激性是对PC2有很大贡献的变量,Q是对PC3有较最高负荷的类黄酮,总酚类化合物的贡献被认为是非常低的。因此，Q和槲皮素苷与不同的PCs有关,这可能解释了这些化合物的溶解度的不同。因此,糖基化增加了槲皮素的极性。自由槲皮素相比槲皮素苷有较低的水溶性。投射到分子空间的洋葱样本具有随后的基本的趋势的目标。前两个PCs(大约占68.02%的总方差)的分子空间揭露了大部分的样本倾向组织成一个大型集群，在这个集群中可以看到样品的小型组织。在这些集群中进一步分化是不可能。人们可以观察到,在图3中,Juan de la Rambla, Carrizal Alto, 和 Carrizal Bajo 品种的洋葱样本有一个负的PC2值，这些品种较其他三个洋葱品种(Masca,Guayonje,和Texas cultivars品种)显示较低的刺激性、山奈酚,和总酚类化合物。洋葱样本不是按颜色或平均重量分组的。 研究上面品种的每个结果的化学和营养解释可用性的重要性，变量选择策略已经在文献中被使用。这里使用的变量选择策略与主成分分析和因子分析(FA)相结合使得抛弃对主要组件贡献低的变量(最低载荷)成为可能。应用 6 最大方差法循环后，通过应用FA和第一循环因素是QDG,IQ,QMG1,QMG2,在第二个因素中总酚类化合物有高的体重,而Q,山奈酚,和刺激性分别是最大第三、第四,和第五因素的最大影响。Mogren 等人从氮肥的最高水平的结报道在洋葱属性中最小的影响因素，比如产量和大小。这项研究表明,洋葱在哪里种植是主要的环境因素决定了槲皮素浓度，作者提到在8月槲皮素中最高的变量与全球辐射有关。在第一个因素中QDG的苷,IQ,QMG1,QMG2被分组,这在主成分分析中可以观察到结果的协议。根据以前的评论,这样的分组可能是由于这样的事实:槲皮素苷的水溶性比槲皮素本身更高,在植物细胞液泡中存储苷是必要的。 线性判别分析 LDA——一个监管模式识别方法,应用于区分洋葱样品。该方法提供了一些线性判别函数来提供一种方法来预测该群体中一个新的情况很可能下降。进行一个使用向前选择方法的逐步LDA,以评估其差别能力。作为选择准则应用Wilk的λ,以及一个F统计量来确定当一个新的变量λ被测试时λ中改变的重要性。当因为一个分类因素使用品种时,LDA为洋葱样品的分类提供高百分比的认可(为每个品种95%置信区间)。Texas和Carrizal Alto品种达到100%的可识别,Carrizal Bajo品种达到91.7%的可识别。然而,预测能力没有这么高,尤其是对属于Masca和 Guayonje品种的洋葱样本，它们分别有77.8%和54.2%的分类。属于Guayonje和Masca品种的样品的群聚趋势显示这些品种和其他一些洋葱之间一些的相似点。这些结果和在其他以前的研究中发现的结果达成共识。 根据种子优先作为分类因素，当LDA被用于区分洋葱时，样品的79.5%被正确分类。考虑到所有8个种子优先。Puerto de la，Madera, Juan Fernandez, 和 El Turron相应的优先分组被定义为前两个判别式功能。当研究这些样品的特征时,有定义洋葱样本分布的一些因素。黄色洋葱——Texas和San Juan de la Rambla品种(平均体重< 180 g)，用于区分。 人工神经网络 当考虑变量或种子优先因素时，CA和LDA没有显示任何清晰的洋葱样本的分类。因此,作为一个数学工具数据处理的ANN的使用，通过这种方式数据 7 过程的特点可以通过生物神经分析表现。具有三层神经网络的ANN结构，其输入层包括变量Q,QDG,QMG1,QMG2,IQ,K,总酚类、和平均重量，输出层是优化的品种变量(V)。发现最优结构是 9:6:2。9:6:2神经网络的结构在隐藏层中被选择使用作为标准的均方根误差，起到节点数目的功能。以这样一个结构不同的算法如反向传播、共轭梯度,和快速传播被应用。我们提到五个品种的样品和八个种子优先通过网络和算法被分类。根据均方根误差，发现这个优化网络结构是9:6:2(输入层/隐藏层/输出层)。变量和种子优先因素的计算,使用学习率0.5,动量0.9,和20.000新纪元,在描述的训练过程条件下接着进行留一法变量。该计划随机的设计样本用于训练、测试和验证集合,在预测期间保持最小均方根的标准。图6中的结果显示属于名叫Carrizal Alto优先和变量的例外的洋葱样本的两者的分类聚集具有95 - 98%分类成功。 为了从不同品种和种子起源区分洋葱，洋葱具备它们的类黄酮，总酚含量和刺激性的基础特征。主成分分析——两种聚集方法(非监督和监督分析)，和人工神经网络用于区分洋葱的数据处理进程。根据获得的CA和LDA未能分类样本的结果,基于区分属于不同种类的洋葱的变量Q,QDG, QMG1,QMG2, IQ, K, 总酚类，和平均重量的使用。在洋葱分类中对它们多种的标记的一个重要的改进是通过变量和优先品种作为区分因素被考虑时使用ANNS而实现的。这个开发的分析程序可能导致加那利地区洋葱产量的一种改进的特性和控制。 8 9 10