玛咖中脂溶性有效成分的提取工艺研究Word格式文档下载.docx

玛咖中脂溶性有效成分的提取工艺研究Word格式文档下载.docx

《玛咖中脂溶性有效成分的提取工艺研究Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《玛咖中脂溶性有效成分的提取工艺研究Word格式文档下载.docx（47页珍藏版）》请在冰豆网上搜索。

③工艺稳定时间tA,即在最优提取率的附近持续的时间,衡量着提取工艺的稳定性。

有效时间长度越长,则提取工艺的可操作性越强,工艺稳定性越好。

tA主要取决于有效成分的分解速度。

由于无法用数学公式显式表达各个指标与操作条件的函数关系,对模型的分析借助于基本的数学推理和图形表达。

下面介绍外界参数与最优提取率及最优提取时刻的关系。

1.2、微波的概念和性质

物质吸收微波能而发热的现象,称为微波热效应。

微波最早应用于通讯和军事,是频率在300MHZ~300GHZ,位于电磁波谱的红外辐射（光波）和无线电波之间,即波长在1mm~1m之间的特殊电磁波。

因其比无线电波更为微小,故称之为”微波”。

最常用的频率为2450MHz[6]。

1.3、面向对象概念

遥感领域得到了广泛的应用。

其核心思想地理学中的最邻近相关定律,根据影像临近象元的相关性采取区域异质性合并算法在给定的合并截止阈值下（分割尺度）可以合并得到一定尺度的斑块（Object-oriented）,即影像处理的最小单元tiAl。

即使用一定的图像分割算法或者从已有的地图数据[20〗获取一组具有相似象元DN值的图像基元,图像基元可能对应于现实世界实体,或者是实体的特征区域。

因此以面向对象思想对遥感影像进行解译是,在一个解译操作者看来,一组具有相同或者内部差异很小的象元组就代表了现实世界的一个地物特征体。

面向对象的思想表现在于使用遥感影像分割技术获取的基元具有多种信息维度,包括DN值、实体形状、纹理、临近关系、上下文背景关系和方位关系等。

而这些维度信息依靠传统的基元象元方法是无法体现的。

因为单个的象元并不对应于现实世界的地理实体,而是代表了从外部获取能力的积分值。

“面向对象”有多种表达,通常可以成为”基于分割”、”基于群组”、”基于区域”的方法等,不同的表达方式本质差异很小,主要是看研究者在研究中侧重使用到的对象信息。

1.4、抗菌肽的发现及定义

抗菌肽广泛存在于昆虫、植物、动物及人体,是生物体内经诱导产生的一种具有生物活性的小分子多肽。

这类活性多肽多数具有强碱性、热稳定性以及广谱抗菌等特点[67]。

很早以前,科学家们就注意到昆虫从来不会被细菌感染,苍蝇就是其中最典型的例子,它在人类和动物间传播多种疾病,而其自身却很少患病,而且苍蝇自身并没有免疫器官。

在1972年,瑞典科学家Boman领导的斯德哥尔摩大学微生物系的研究小组,利用惜古比天蚕做了一次实验。

他们在蚕体内注射了阴沟通杆菌及大肠杆菌液,然后将蚕体内分泌出用以抗击这些菌液的化学物质收集起来加以研究,结果他们得到了一种有35-39种氨基酸组成的、具有抗菌活性的多肽,细菌在这些多肽的作用下会很快死亡,原来这就是天蚕用以防身的武器。

20世纪80年代初,Hultmark等（1980）领导的研究小组将活的大肠杆菌（E.coli）注入滞育的惜比古天蚕（Hyalophoracecropia）蛹中进行诱导,从其血淋巴中分离出三种蛋白,这三种蛋白都具有抗菌活性。

第一种为分子量为15kD的溶菌酶,另两种的分子量都在7kD左右,与Boman所发现的多肽氨基酸组成相似,且具有热稳定性。

这两种蛋白的物理特性、抗菌特异性都不属于溶菌酶类,而是一类新型具有抗菌作用的蛋白。

随后,Steiner等（1981）测定了它们的一级结构并给这类肽命名为天蚕素（Cecropins）,从此,揭开了抗菌肽研究的新篇章。

由于这些肽类物质和抗生素一样具有抑菌活性,人们就称它为”肽抗生素”（Peptideantibiotics）,缩写为ABP,中文译为抗菌肽。

起初人们认为,抗菌肽只是存在于低等动物体内,可是后来发现,在哺乳动物以及人类身上都可以分泌抗菌肽。

比较人体的呼吸道、小肠和尿道都可以分泌抗菌肽,当人体受到感染时,抗菌肽的合成会出现一个合成高峰。

起初,有些专家认为这只是一种返祖现象,但在很多研究中证明,抗菌肽也是高等动物和人类所必需的免疫物质。

不过,目前人类体内合成抗菌肽的因素是什么还不清楚。

4

1.5、蒙药指纹图谱的概念

蒙药指纹图谱概念与中药指纹图谱的概念类似,也是一种综合的,可量化的鉴定手段。

只是蒙药指纹图谱是以常用蒙药为研究对象,实现指纹图谱技术在蒙药质量控制方面的应用研究。

模糊性与整体性也是其基本属性。

开展蒙药指纹图谱研究的最终目的是建立能够反映蒙药整体化学特征的科学、合理、可行的蒙药质量控制方法。

1.6、本体的概念提取流程

本体的概念语义主要隐含在数据库的实体关系表表名中。

然而由于关系数据库表分为实体表和关联表,并且可能出现多个实体关系表表示的同一个实体、或者不同关系表之间具有层次关系的情形,因此,不可以把每个关系表一一对应的生成本体概念。

本体概念的提取工作主要根据3.4.1节和3.4.4节的讨论,从以下三个方面入手:

1）从多个需要合并生成概念的实体关系表中提取一个共同的概念;

2）从其他不需要合并生成概念的实体关系表中提取概念;

3）从具有层次关系的实体关系表中提取具有层次关系的子概念。

华南理工大学硕士学位论文36图4-2从关系表提取概念的总流程图图4-2描述了从关系数据库表提取概念的处理流程,得到以下流程4-1:

Tables=所有被待处理的数据库表;

while（tables未遍历完）{A=tables的下一个表;

if（表A未生成过本体类）{efkeys=表A的所有导出外键;

pkeys=表A的所有主键;

if（efkeys的数量大于0）{进入多个表合并生成类及具生成具有层次关系的类的处理过程,即图4_3_1中的”X”节点,详细处理过程将在流程4-2中说明,流程4-2执行完毕将会从”Z”节点返回。

}else{进入根据实体关系表生成类的处理流程,即图4-2中的”Y”节点,详细处理过程将在流程4-3中说明,流程4-3将会从”Z”节点返回。

}}}流程4-1从关系表提取概念的总流程

1.7、提取与匹配相关概念

3.1.1特征信息类型3.1.1特征信息类型为了建立有效匹配,确定检测哪种类型的特征信息来进行匹配将会直接决定着三维建模的精度,而在三维特征点云重建中,提取出的特征信息通常都是特征点。

从前期的立体视觉研究开始[29-32],学者们就已经进行着基于特征点的提取与匹配研究了。

点特征可以用来寻找出同一场景不同位置图像的对应位置的稀疏集合,同时也是计算摄像机内外部参数的基础,摄像机姿态信息对进行立体视觉配准以及稠密点的配准起着至关重要的作用。

因此在进行图像配准或者真实物体建模时,检测或提取出的图像特征点,应该具有一定的适应能力,即使在出现遮挡问题、18旋转变化、大尺度方向的变化时也要能达到鲁棒的匹配效果。

立体匹配是在多幅图像中去建立两两图像之间匹配信息对应关系的过程;

广义上的匹配信息包括几何点元、局部区域以及边缘特征等等,与普通的图像匹配、图像配准相比而言,立体匹配一般更为复杂,由于立体图像之间的差异主要由照相机在不同的视角或观察点采集同一场景拍摄所致,而与场景自身的变化运动关系不大。

根据所匹配的信息类型不同,立体匹配又可进一步分为区域匹配和特征匹配两种类型。

区域匹配是在每个像素确定对应像素,建立稠密的对应关系,由于该稠密对应场通常呈现出相对规则分布状态,能够直接以像素网格作为区域参照,而不同像素网格之间的邻近关系简单明了,方便描述并在立体匹配中直接使用。

该方法直接利用了图像的像素值作为匹配特征,通过计算不同图像对应区域之间在灰度、色差、轮廓、纹理上存在的关联性进行图像区域特征的匹配。

特征匹配[33]是在图像序列中建立比图像像素更少的稀疏特征之间的相互对应关系,与稠密特征比较而言,稀疏特征的布局区域更不规则,这表示特征间的匹配关系的描述将变得更为复杂;

由于基于特征的匹配算法不同,所利用的特征信息亦不相同,通常可作为特征信息的包括线段类的直线、边缘线、曲线、局部区域;

特征点类的包括边缘点、角点、拐点、直线交点或者特定区域的中心、重心等等,当然,由于所使用的特征信息的类别不同,其所匹配后的产生精度差异也很大。

表3.1匹配信息的类型及特点匹配信息类型具体内容匹配复杂度灰度值对比度、明暗等一般点类角点、交点、中心点等较高线类直线、边缘线、曲线等中等区域类局部区域、窗口区域等一般模型类精确内部结构较高由于不同图像之间的视点变化很大,同一场景在不同的视点下其投影将出现较大的变化,特别是对于一些倾斜场景图像,此状况尤为严重,在利用基于局部匹配的算法时更加容易造成错误的匹配,因此就对基于特征点的匹配算法提出了更多的要求,而Harris角点特征检测算法能够应付在图像旋转、灰度变化、视点变化以及噪声影响情形下的不变性,是一种比较稳定的特征点提取算法。

1.8、本体概念的提取规则研究

从关系数据库里面提取本体概念,主要需要考虑多个表合并生成同一个概念的情况以及根据单独的实体关系表生成概念的情况两种情况。

1）多个表合并成同一个概念的情况由3.3.1节分析知道,本体的概念来自实体关系表。

当一对一的情形出现时,可能出现需要把多个实体表合并成生成同一个概念的情况,也就是出现多个实体表相互等价的情况。

1.9、多孔淀粉的定义

多孔淀粉（porousstarch）,又称为微孔淀粉（microporousstarch）,是指生淀粉粒于淀粉糊化温度以下,在具有生淀粉酶活力的酶作用形成的多孔性蜂窝状产物[8]。

多孔淀粉保持原淀粉的外观,呈白色或淡黄色,但在其淀粉颗粒表面会有许多开放的、1直径为0.5-1.5μm左右的小孔。

这些小孔由表面向中心深入,分布不均、大小不一,且不同的淀粉表面的孔径、孔数和孔深都不一致。

表面孔数、孔径和孔深的大小直接影响着多孔淀粉结构的稳固性。

粒子孔隙容积约占50%的淀粉颗粒容积[9,10]。

多孔淀粉的吸附性能受自身结构以及被吸附对象的性质的影响。

若吸附对象为特定物质,其吸附能力主要取决于自身微孔的直径大小、微孔孔腔体积与淀粉总体积比率及微孔在淀粉表面分布,其中微孔大小往往决定多孔淀粉吸附与缓释性能。

1.10、主成分的概念

假设观测指标共有p个,分别加x1,x2,,xp,将这些指标综合为一个综合指标的方法显然有很多,但最简单的方法就是将这些指标用线性组合的方法综合起来。

因此,可设定其综合指标的形式为这些指标的线性组合,即:

1122ty=ax=ax+ax+?

?

+apxp（4.1）显然,各指标组合的系数不同,就得到不同的综合指标。

也就是说,p个指标的这种线性组合形成的综合指标可以有多个,我们自然要构造少数几个这样的综合指标来代替原始观测指标。

为了避免所构造的综合指标之问信息的重叠,我们自然还要求构造的这少数几个综合指标彼此之问是不相关的。

这少数几个综合指标当然都必须能在一定程度上反映原始观测指标的