微生物生长智能预测模型的构建与优化研究

Predictive microbiology mathematical modelling is one of important research contents of food safety control from the aspect of risk assessment. In view of the current empirical and non-intelligent microbiology predictive models, such as the primary models without considering the uncertainty and the secondary model without considering some more factors resulted in difficulty prediction of lag phase except for environment factors, this study will propose the novel microbiology predictive model which combines the latest research results of predictive microbiology and intelligent machine learning algorithms. Listeria monocytogenes in fresh fruits and vegetables are selected as the research object. Based on the experimental data samples, the primary model is built by gaussian process and the obtained probability results could explain the uncertainty of growth. The secondary models of lag phase and exponential growth are built by support vector machine and get more precise results with the deterministic and nondeterministic factors. Then the hybrid intelligent algorithms are applied to optimize the parameters of the above primary and secondary models. The obtained models are evaluated by mathematical indicators and compared with the open databases. Finally, the predictive model software will be development and generalized friendly. The success of this study will provide new idea for stochastic predictive microbiology model. It is of great significance to further improve current research system of predictive microbiology.

预测微生物数学模型是从风险评估角度实现食品安全控制的重点研究内容之一。针对现有微生物预测模型以经验性为主，不具有智能性等缺陷，如一级模型未考虑微生物生长过程中的不确定性，二级模型未考虑除环境因素之外的多种因素导致的延滞期难以准确预测等问题，本课题以果蔬中的单增李斯特菌为研究实例，结合预测微生物学最新研究成果与智能机器学习方法，以数据样本为出发点，利用高斯过程建立微生物生长时序的一级模型，并以概率性结果解释微生物生长过程的不确定性；利用支持向量机建立微生物延滞期和对数生长期的二级模型，得到确定和不确定因素下更准确的预测结果；随后利用混合智能算法优化上述智能模型的参数，通过数学检验指标进行模型评价，并与公开数据库结果进行比较分析；在此基础上，将提出的预测模型以软件友好界面形式供用户推广应用。本项目的成功实施对建立新的微生物智能预测模型提供新思路与参考，同时对推动预测微生物研究体系具有重要意义。

本项目主要研究微生物生长的智能预测模型，各项研究内容按照项目计划进行，具体情况如下：滚动窗口采样方法构造单增李斯特菌浓度随时间变化的实测数据训练集和测试集，采用平方指数协方差函数 (SEGPR)、有理二次协方差函数 (RQGPR)和提出的组合核函数高斯过程回归 (CKGPR)算法分别进行预测分析，预测结果显示提出的CKGPR的预测平均相对误差为1.8027%，均方根误差为0.1614,优于单一核函数高斯过程回归算法,预测结果可以概率性的解释微生物生长的不确定性。提取287组微生物菌状态值（生长/非生长/生长过渡，数据分别用0，1和2表示）数据，采用SMOTE方法解决不平衡数据集问题，支持向量分类机模型采用RBF核函数对平衡后的数据集进行分类，并用新的数据集去测试模型分类的准确性。仿真结果表明，经SMOTE数据处理后的支持向量机的生长/非生长界面模型分类准确率达到85.7%，且优于已有的MLogistic、SLogistic方法。提出不同环境条件下的基于神经网络Gompertz模型和分级神经网络弗氏至贺菌预测模型。以Gompertz模型的参数A、C、B和M为研究对象,采用留一法来构造数据集，使用WinBUGS软件实现模型的贝叶斯推断。GNN和NN实验结果模型评价指标DIC3分别为85.474和85.175，预测效果良好。提出了一种基于ELMAN神经网络的非经验型李斯特菌微生物生长预测的一级模型，该模型可以对微生物生长的延滞期、指数期和稳定期三个阶段都能进行预测，利用细菌觅食算法和粒子群算法对ELMAN神经网络的权值和阈值参数进行优化进而更智能的得到更准确的结果，从残差分析，相对误差以及模型预测曲线对比的结果上显示出，细菌觅食算法在优化的预测结果上要优于粒子群算法的优化预测结果。完成了基于以上智能模型的微生物生长预测软件开发，建立小型数据库，具有数据导入、模型选取、模型参数分析和结果显示分析功能，可用于实验室微生物生长模型管理与预测。基于对项目中使用的预测、分类和优化智能算法，进一步拓展了智能算法在原子簇结构优化问题和蛋白质功能预测的应用领域，实现交叉学科的探索。到目前为止，本项目已发表研究论文14篇，其中10篇国际期刊，4篇中文核心期刊，获得奖励3项，发表软件著作权2项，培养硕士研究生6名，与上海理工大学和美国RUTGERS大学建立良好的合作关系。