[发明专利]一种分子生物学试验用提取研钵及其提取方法

摘要

本发明属于生物试验领域，公开了一种分子生物学试验用提取研钵及其提取方法，通过供电模块对蛋白质体系提取工艺中设备进行供电；通过温度检测模块、湿度检测模块检测控制蛋白质体系提取工艺中环境温度、湿度数据；通过摄像模块采集蛋白质体系提取过程图像数据；通过显示模块显示检测的数据信息及监控图像内容。本发明提供的提取研钵在使用时省时省力，其中研钵棒采用的硬质塑料材质，可以随时更换，研钵球上的凸起可以增大对试剂的摩擦力，是研磨更加彻底，顶盖通过卡扣固定在研钵体上，防止试剂外露，也防止外部环境对内部的污染，增加其安全性。

主权项

1.一种分子生物学试验用提取方法，其特征在于，所述分子生物学试验用提取方法包括：检测控制蛋白质体系提取工艺中环境温度、湿度数据；环境温度采集控制中，引入粒子群优化算法进行PID参数的合理优化；假定Xit为t时刻第i个粒子的位置，Vit为t时刻第i个粒子的速度，Sit为t时刻第i个粒子的最优位置；Stg为t时刻的全局位置，则则粒子i在t+1时刻的位置描述为式中：为t时刻第i个粒子在第D维空间的度，为t时刻第i个粒子在第D维空间的最优位置，为t时刻第i个粒子在第D维空间的位置，r1、r2为分布在(0，1)区间的两个独立随机数；c1、c2为学习因子，w为惯性权重；采集蛋白质体系提取过程图像数据；提取蛋白质体系过程图像数据中利用求解互信息的联合直方图法，重新定义联合直方图中的h(e，g)以及粒子的速度和位移更新公式，进行蛋白质体系过程图像数据预处理；粒子的速度和位移更新公式：其中，v表示粒子速度，t表示时间，i表示第i个粒子，j表示第j个路径，w是惯性权重，c₁、c₂表示学习因子，p_i,j表示第i个粒子经历过的最好位置，p_g,j表示群体所有微粒经历过的最好位置，其中e，g分别为待匹配路径和模板路径，h(e，g)表示在最优路径e出现的位置上，在历史路径相应的位置g出现的次数；通过粒子的速度和位移更新公式更新粒子的速度和位移，找到优解，优解公式为：x_i,j表示第i个粒子第j个路径所需要更新的位移，x_i,j(1)表示的是x_i,j的下一个，每次都在变化，下一次就为x_i,j(2)；进行蛋白质体系过程图像数据预处理后，提取颜色特征和自适应LBP算子特征；对原始训练集中包含的原始训练样本图像进行二维判别特征学习；通过紧凑局部类内散度和分离局部类间散度，进行图像特征学习建模，保持图像像素间的拓扑结构和内在相关性；通过优化一个特征分解，得到用于图像样本的二维鲁棒特征提取的投影矩阵；为：已知M维的投影矩阵V＝[V1,V2,…,VN]，其中Vj＝νj,j＝1,2,…,N，找到适当的投影的M×L的基矩阵W＝[W1,W2,…,WN]和L×N的系数矩阵H＝[H1,H2,…,HN]，使得：V≈WH公式(1)表示为向量标量积的形式：对于给定的M维数据向量VM×N的集合，其中N为集合中数据样本的个数，分解为两个矩阵WM×L和矩阵HL×N，这两个矩阵的积就近似于VM×N；选择L小于M或N，使W和N小于原始矩阵V，使分解矩阵降低原始数据矩阵V的维度；在投影矩阵分解算法中，通过NMF应用于图像融合；所述NMF算法通过迭代运算方法对原始数据矩阵V得到一个基于部分的近似表示形式WH；其中，W的列数即特征基的数量r是一个待定量，直接决定特征子空间的维数；对于特定的数据集，隐藏在数据集内部的特征空间的维数是确定的；当选取的r与实际数据集的特征空间的维数一致时，所得到的特征空间以及特征空间的基最有意义；当r＝1时，通过迭代算法将得到唯一的一个含有源数据全部特征的特征基；假设有k幅来自于多几何图像识别器的大小为m×n的观测图像f1,f2,…,fk，将每副观测图像的元素逐行存储到一个列向量中，得到一个mn×k的矩阵V，V中包含k个列向量v1,v2,...,vk，每个列向量代表k幅观测图像中的一幅图像的信息，如公式(3)所示；对这个观测矩阵V进行投影矩阵分解，分解时取r＝1，得到一个唯一的特征基W；此时的W包含参与融合的k幅图像的完整特征，将特征基W还原到源图像的像素级上得到比源图像效果都好的图像；其中，所述原始训练样本为具有与该原始训练样本的类别对应的类别蛋白质体系的样本。