技术特征:
1.一种筛选用于酒类产品鉴定的嗅觉受体的方法,其特征在于,包括:获取初筛嗅觉受体对酒类产品响应的特征值;将所述特征值输入训练器,以所述酒类产品的已知属性作为标记,获得用于酒类产品鉴定的优选嗅觉受体。2.根据权利要求1所述的方法,其特征在于,所述训练器是极端随机树;所述极端随机树采用嵌入式的特征选择方法;所述初筛嗅觉受体包括选自下列的至少之一:mor106
‑
1、mor271
‑
1、mor22
‑
4、olfrb6、mor213
‑
1、mor110
‑
10、mor103
‑
2、mor103
‑
12、mor273
‑
3p、mor260
‑
8p、mor270
‑
1、mor103
‑
3、mor103
‑
7、mor103
‑
1、mor242
‑
1、mtaar1、mor14
‑
2、mor260
‑
3、olfr614、mor178
‑
1、olfr100、mor32
‑
1、mor7
‑
2、mor13
‑
1、mor179
‑
7、mtaar5、mor106
‑
4、mor106
‑
14、mor17
‑
1、mor286
‑
1、mor286
‑
2、mor268
‑
6、mor272
‑
1、mor256
‑
17、mor23
‑
1、mor10
‑
2、mor256
‑
31、mor286
‑
3p、mor31
‑
6、mor174
‑
13、mor268
‑
2、mor256
‑
20、mor13
‑
3、mor256
‑
8、mor1
‑
3、mor125
‑
5_p;所述优选嗅觉受体包括选自下列的至少之一:mor106
‑
1、mor271
‑
1、mor22
‑
4、olfrb6、mor213
‑
1、mor110
‑
10、mor103
‑
2、mor103
‑
12、mor273
‑
3p和mor260
‑
8p。3.一种训练机器学习模型的方法,所述机器学习模型用于酒类产品鉴定,其特征在于,包括:获取嗅觉受体对酒类产品响应的特征值;采用所述特征值作为机器学习模型的输入特征,所述酒类产品的已知属性作为标记,对所述机器学习模型进行训练,获得用于酒类产品鉴定的所述机器学习模型。4.根据权利要求1所述的方法,其特征在于,所述嗅觉受体包括选自下列的至少之一:mor106
‑
1、mor271
‑
1、mor22
‑
4、olfrb6、mor213
‑
1、mor110
‑
10、mor103
‑
2、mor103
‑
12、mor273
‑
3p、mor260
‑
8p、mor270
‑
1、mor103
‑
3、mor103
‑
7、mor103
‑
1、mor242
‑
1、mtaar1、mor14
‑
2、mor260
‑
3、olfr614、mor178
‑
1、olfr100、mor32
‑
1、mor7
‑
2、mor13
‑
1、mor179
‑
7、mtaar5、mor106
‑
4、mor106
‑
14、mor17
‑
1、mor286
‑
1、mor286
‑
2、mor268
‑
6、mor272
‑
1、mor256
‑
17、mor23
‑
1、mor10
‑
2、mor256
‑
31、mor286
‑
3p、mor31
‑
6、mor174
‑
13、mor268
‑
2、mor256
‑
20、mor13
‑
3、mor256
‑
8、mor1
‑
3、mor125
‑
5_p。5.根据权利要求3或4所述的方法,其特征在于,所述嗅觉受体是利用权利要求1或2所述的方法确定的;所述嗅觉受体包括选自下列的至少之一:mor106
‑
1、mor271
‑
1、mor22
‑
4、olfrb6、mor213
‑
1、mor110
‑
10、mor103
‑
2、mor103
‑
12、mor273
‑
3p和mor260
‑
8p;所述嗅觉受体对所述酒类产品响应的特征值是通过使所述酒类产品与嗅觉受体接触而获得的,其中,所述嗅觉受体表达在重组细胞的细胞膜上,所述重组细胞还表达报告蛋白,所述报告蛋白适于在所述嗅觉受体与所述酒类产品接触后产生可检测的信号;在所述接触前,预先将所述酒类产品稀释至酒精浓度在0.07%
‑
3.00%之间;所述机器学习模型为神经网络模型,所述机器学习模型用于输出酒类产品的身份信息。
6.一种对酒类产品进行鉴定的方法,其特征在于,包括:获取嗅觉受体对酒类产品响应的特征值;采用所述特征值作为机器学习模型的输入特征,利用预先采用权利要求3~5任一项所述方法训练的所述机器学习模型获得所述酒类产品的属性。7.根据权利要求6所述的方法,其特征在于,所述嗅觉受体包括选自下列的至少之一:mor106
‑
1、mor271
‑
1、mor22
‑
4、olfrb6、mor213
‑
1、mor110
‑
10、mor103
‑
2、mor103
‑
12、mor273
‑
3p、mor260
‑
8p、mor270
‑
1、mor103
‑
3、mor103
‑
7、mor103
‑
1、mor242
‑
1、mtaar1、mor14
‑
2、mor260
‑
3、olfr614、mor178
‑
1、olfr100、mor32
‑
1、mor7
‑
2、mor13
‑
1、mor179
‑
7、mtaar5、mor106
‑
4、mor106
‑
14、mor17
‑
1、mor286
‑
1、mor286
‑
2、mor268
‑
6、mor272
‑
1、mor256
‑
17、mor23
‑
1、mor10
‑
2、mor256
‑
31、mor286
‑
3p、mor31
‑
6、mor174
‑
13、mor268
‑
2、mor256
‑
20、mor13
‑
3、mor256
‑
8、mor1
‑
3、mor125
‑
5_p。8.根据权利要求6所述的方法,其特征在于,所述嗅觉受体包括选自下列的至少之一:mor106
‑
1、mor271
‑
1、mor22
‑
4、olfrb6、mor213
‑
1、mor110
‑
10、mor103
‑
2、mor103
‑
12、mor273
‑
3p和mor260
‑
8p。9.一种对酒类产品进行鉴定的装置,其特征在于,包括:预处理单元,用于对所述酒类产品进行预处理;检测单元,用于获取嗅觉受体对进行预处理的所述酒类产品响应的特征值;分析单元,用于采用所述特征值作为机器学习模型的输入特征,然后利用预先采用权利要求3~5任一项所述方法训练的所述机器学习模型获得所述酒类产品的属性。10.一种电子设备,其特征在于,包括:存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序以实现如权利要求6
‑
8任一项所述的方法。11.一种可执行的存储介质,其特征在于,所述存储介质存储有计算机程序指令,所述计算机程序指令在处理器上运行时,使得所述处理器执行如权利要求6
‑
8任一项所述的方法。
技术总结
本发明涉及一种嗅觉受体筛选、模型训练、酒类产品鉴定的方法与装置。嗅觉受体筛选包括获取初筛嗅觉受体对酒类产品响应的特征值;将特征值输入训练器,以酒类产品的已知属性作为标记,获得用于酒类产品鉴定的优选嗅觉受体;机器学习模型用于酒类产品鉴定,模型训练的方法包括:获取嗅觉受体对酒类产品响应的特征值;采用特征值作为机器学习模型的输入特征,酒类产品的已知属性作为标记,对机器学习模型进行训练,获得用于酒类产品鉴定的机器学习模型。该方法训练后的机器学习模型能够对酒类产品进行鉴定,具有高准确度和高精度的优点,有助于完善酒类产品的品质控制体系,筛查假冒伪劣产品,适于推广应用。适于推广应用。适于推广应用。
技术研发人员:刘卫红 郑玉 张琛 江世盛 陈林
受保护的技术使用者:汉王科技股份有限公司
技术研发日:2021.09.08
技术公布日:2021/10/15
再多了解一些
本文用于企业家、创业者技术爱好者查询,结果仅供参考。