Resumen

Los cultivos genéticamente modificados se han plantado comercialmente a gran escala desde 1996. Sin embargo, la cuestión de la seguridad alimentaria de los cultivos genéticamente modificados sigue siendo controvertida. Los métodos convencionales de detección de cultivos genéticamente modificados requieren mucho tiempo de investigación y operaciones complejas que no pueden identificar rápidamente. Informes anteriores muestran que la combinación de espectroscopía de dominio temporal terahertz y aprendizaje supervisado ha avanzado en la identificación de cultivos genéticamente modificados, pero el aprendizaje supervisado requiere una gran cantidad de datos para entrenar el modelo. Para resolver el problema anterior, propusimos un método de aprendizaje no supervisado, PCA-mean shift, para identificar cultivos genéticamente modificados. Se empleó el análisis de componentes principales para reducir la dimensionalidad de los datos de absorbancia. Después del análisis de componentes principales, los tres primeros componentes principales se utilizaron como entrada de mean shift. Por último, nuestro método propuesto tuvo una precisión de identificación

• 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