Resumen

Los cultivos modificados genticamente se plantan comercialmente a gran escala desde 1996. Sin embargo, la cuestin de la seguridad alimentaria de los cultivos modificados genticamente sigue siendo controvertida. Los mtodos convencionales de deteccin de cultivos modificados genticamente requieren mucho tiempo de deteccin y operaciones complejas que no pueden identificar rpidamente. Informes anteriores muestran que la combinacin de la espectroscopia terahertz en el dominio del tiempo y el aprendizaje supervisado ha avanzado en la identificacin de cultivos modificados genticamente, pero el aprendizaje supervisado requiere grandes datos para entrenar el modelo. Para resolver el problema anterior, propusimos un mtodo de aprendizaje no supervisado, PCA-mean shift, para identificar cultivos modificados genticamente. Se emple el anlisis de componentes principales para reducir la dimensionalidad de los datos de absorbancia. Tras el anlisis de componentes principales, se utilizaron los tres primeros componentes principales como entrada del desplazamiento medio. Por ltimo, nuestro mtodo propuesto tuvo una precisin de identificacin del 100%, y -medias tuvo una precisin de identificacin del 98,75%. Los resultados de la comparacin demuestran que PCA-mean shift supera a -means. Por lo tanto, PCA-mean shift combinado con espectroscopia terahertz en el dominio del tiempo es una herramienta potencial para la identificacin de cultivos modificados genticamente.

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Cultivos modificados genéticamente; Seguridad alimentaria; Métodos de detección; Espectroscopia terahertz en el dominio del tiempo; Aprendizaje supervisado; Aprendizaje no supervisado
• Keywords:Genetically modified crops; Food safety issue; Detection methods; Terahertz time-domain spectroscopy; Supervised learning; Unsupervised learning