关键词： 智能假手   卷积神经网络   肌电信号识别   触觉感知反馈  

摘要： 假手能够帮助肢残人士修饰外形缺陷,且大多具有抓握等基础功能。现有的商用假手大多不具备触觉感知功能,难以帮助肢残人士有效获取周围的环境信息。为了提升肢残人士假手的抓取能力,研究人员提出了具有触觉感知功能的智能假手设想。针对上述需求,本文设计了一种融合压力、滑觉、温度及肌电感知功能的智能假手,并引入基于深度学习的模式识别算法对肌电信号进行解析,以识别操作者的动作意图,进而实现假手的精准操控。本文工作对于肢残人士提升假手操控能力、规避危险环境、改善生活质量等具有重要价值。本文主要研究内容包括:1、总体方案。通过分析触觉智能假手的整体需求,搭建了智能假手的系统架构,并在此架构的基础上制定了仿生手方案,肌电控制方案,触觉感知方案与假手控制方案。2、肌电模式识别算法。基于深度学习设计了一种肌电模式识别算法,算法的核心为带有环形填充的双流二维卷积神经网络模型。在此算法的基础上通过调整关键的超参数优化了模型的性能。最后通过实验证明了该算法能在保证实时性的前提下达到95.3%的动作意图识别准确率。3、系统硬件。在假手硬件架构的基础上,设计了包含温度与压力信息采集的触觉感觉系统以及对应的视觉反馈与振动反馈装置。其中振动反馈装置还负责危险信息的警示。4、系统软件。在假手软件架构的基础上,设计了假手初始化模式与正常工作模式的程序,以及正常工作模式下肌电识别模块、触觉感知模块、假手控制模块三部分的软件。5、实验与测试。依据智能假手的功能,开展了假手的操控实验以及温度、压力与滑觉的感知实验,结果表明假手具有良好的操控性能与触觉感知能力。本文将深度学习模型与触觉感知功能引入智能假手系统,从而辅助使用者准确地控制假手以及获取周围环境信息,满足肢残人士对假手的使用需求。

关键词： 微单倍型   Y-SNP   Y-STR   大规模并行测序   两人DNA混合物   基因型模式识别  

摘要： 由 Y 染色体短串联重复序列(Y-chromosomal short tandem repeats,Y-STRs)和Y-DNA单倍群所构成的Y染色体单倍型,可以用来描述未知男性的父系特征。但是,Y染色体遗传标记目前尚不足以进行精确的个体识别。近年来,随着大规模并行测序(massiveparallel sequencing,MPS)技术的发展,法医遗传学中引入了微单倍型(microhaplotype)的概念,微单倍型作为一种新型遗传标记,有望促进法医个体识别鉴定和DNA混合物的解析。因此,在不同的法医学应用场景中,特别是有男性嫌疑人的犯罪现场(如性侵犯案件),联合使用两者,可为案件提供更多的侦查线索。在本研究中,首次联合微单倍型和Y染色体遗传标记,基于多重PCR和150 bp 双端 MPS 技术,研发了 MY 系统(Microhaplotype and Y-SNP/STR),包含 114个 Y-SNPs(涵盖 12 种主要的 Y-DNA 单倍群),45 个 Y-STRs(N-1 Stutter<0.09;突变率<5 × 10-3)和22个微单倍型遗传标记(等位基因测序深度比>0.91;两两遗传距离>10Mb)。在100名广东汉族中,MY系统22个微单倍型遗传标记的有效等位基因数量(effective number of alleles,Ae)的平均值为7.17(3.62-14.72),其累积个体识别能力为1-5.00 × 10-31,累积二联体和三联体非父排除概率分别为 1-5.00 × 10-8 和 1-4.85 × 10-12。在千人基因组计划(1000 Genomes Project,1KG)群体中,经过全面法医学评估和法医群体遗传学分析,MY系统22个微单倍型遗传标记的系统效能,大致相当于26-28个法医常用STRs的系统效能,MY系统可作为STR的有效补充用于法医学实践(个体识别,亲子鉴定,DNA混合物解析和生物地理祖源推断等)。基于MY系统,针对两人DNA混合物的解析,我们提出了基因型模式识别(genotype pattern recognition,GPR)。根据等位基因测序深度(depth of coverage,DoC)的降序排列特征,将两人DNA混合物的26种不同的基因型组合整合为9种基因型模式,在此基础上,使用10组男性-男性DNA模拟混合物,验证了 GPR的实际应用范围(混合比例:1:10-1:2)。通过回归分析,针对不同的遗传标记和基因型模式,建立了真实混合比例(actualmixingratio,AMR)与DoC 比(RDOC)之间的回归关系。如果观测RDoC值位于RDoC交集内的5个重叠区域(overlapping areas),主要贡献者和次要贡献者的基因型需要似然比的方法判断;如果观测RDoC值位于其他非重叠区域(RDoC交集外的绝大部分区域和RDoC交集内的非重叠区域),在期望真实混合比例E(AMR)的辅助下,通过观测RDoC值与RDoC范围直接比较,观测RDoC值的基因型模式可以被识别。因此,基于MY系统,可以通过GPR策略来实现两人DNA混合物的解析(实际应用范围为1:10-1:2)。

关键词： 海洋平台   特征提取   聚类   卷积神经网络   作业模式  

摘要： 作业模式识别是海洋平台结构健康安全监测的关键技术之一。该技术可有效消除作业状态变化对结构损伤识别的干扰,提高损伤识别的准确率。另一方面,实时掌握平台作业模式,也是提高平台运维效率,保障安全生产,实现海洋平台数字孪生的技术基础。本文基于模糊聚类原理,结合卷积神经网络方法,对海洋平台振动响应信号进行分析和处理,形成一套平台作业模式识别方法。通过平台监测数据的时空差异性分析,选择可有效描述信号波动特点的特征参数,采用基于密度峰值的模糊聚类算法,对这些特征参数进行初级聚类分析。针对初级聚类结果不理想的问题,提出了一种分级聚类方法,将监测数据二分类为正常时间序列和特殊时间序列,对两类数据分别提取不同的特征参数进行二级聚类分析。根据二级聚类结果对各测点波动等级进行划分,分别对正常时间序列和特殊时间序列搭建了两个波动等级划分一级卷积神经网络模型,对监测数据的波动等级进行分类,从而得到反映平台整体振动情况的全景时空图。在此基础上建立平台全局信息的三阶张量表达,对全景时空图搭建了作业模式辨识三维卷积神经网络模型。使用该二级卷积神经网络模型对NB35-2 WHPBP平台2019年2月至2020年1月的作业模式进行识别,经平台代表性作业工况检验,可以有效辨识平台的实际作业状态。

关键词： 先进校正模型   模式识别   化学生物传感   复杂体系   定性和定量分析  

摘要： 实际样本通常比较复杂,存在基质效应和背景干扰等因素,很可能严重影响波谱仪器以及基于波谱信号的化学生物传感器定量分析结果的准确性。先进的化学计量学数据分析方法可以消除复杂波谱量测数据中的各种干扰效应,从而提高波谱仪器和化学生物传感器对复杂实际样本分析结果的准确度。本论文详细考察了本实验室开发的新型多元校正模型(即:广义比率型荧光定量模型、基于探针技术的广义标准加入多元校正策略)与化学生物传感器相结合用于复杂实际样本准确定量分析的可行性,以及模式识别方法在中药材产地溯源鉴别中应用。本论文的主要研究内容如下:本论文的第二章设计了一条5’端含有G4序列、中间部位标记了2-氨基吡啶荧光基团、以及3’端修饰了磷酸基团的DNA探针链(5’-AGGGTTAGGGTT AGGGTTAGGGAAA/i2-Amp/AAAA-PO-3’),在此基础上构建了一种用于碱性磷酸酶(Alkaline phosphatase,ALP)检测的比率型荧光传感分析方法,并将其与广义比率型荧光定量模型(Quantitative fluorescence model for generalized ratiometric probes,QFM)结合用于血清中的ALP的定量检测。实验结果表明:QFM可以有效地消除血清样本中基质效应和背景干扰对该比率型荧光传感器定量分析结果的影响,成功实现血清样本中ALP的准确定量分析,其加标回收率在92.7～107.0%之间。本论文的第三章首先设计两条可以杂交互补的t-DNA链和c-DNA链(其中t-DNA含有一个8-氧鸟嘌呤),然后在这两条链和核酸外切酶Ⅲ辅助信号放大策略的基础上构建了一种用于8-氧代鸟嘌呤糖基化酶(Formamidopyrimidine DNA glycosylase,Fpg)检测的荧光传感方法,并将其与基于探针技术的广义标准加入多元校正策略(Generalized standard addition multivariate calibration strategy based on probetechnology,GMSA)相结合成功实现了血清样本中Fpg的准确定量分析,其加标回收率在88.1～100.6%之间。本论文的第四章将电感耦合等离子质谱技术与化学模式识别方法相结合用于中药百合的产地溯源研究。实验结果表明:对百合样本进行简单的超声酸解预处理后即可直接获取其电感耦合等离子质谱数据。使用K最近邻域判决法、主成分-线性判别分析法和偏最小二乘法判别分析法对百合样本的电感耦合等离子质谱数据进行分析均可准确判别百合样本的产地,其准确率可达100%。

关键词： 局部放电   特征提取   模式识别   神经网络  

摘要： 由于开关设备在生产过程中可能会存在金属件打磨不够光滑或绝缘存在缺陷等隐患。并且由于开关设备现场运行环境复杂,在运行的过程中长期受到高温、凝露、盐雾得恶劣环境作用,将导致绝缘性能降低,发生局部放电现象,进而加速绝缘的劣化情况,给电力系统造成较大的经济损失。本文采用超高频法对开关柜局部放电现象进行检测,提高了检测灵敏度和系统可靠性,通过相对相位的处理方法解决了无法获取开关柜局部放电相位信息的问题。本文通过分析局部放电产生机理并结合开关柜常见绝缘故障类型共设计4种典型绝缘缺陷。在实验室环境下,将缺陷模型放置于开关柜电缆仓内部,模拟工况环境开关设备发生局部放电现象。通过局部放电超高频检测装置对局部放电信号进行采样并上传。本文基于大量实验数据通过对250个工频周期的局部放电信号进行叠加,构建局部放电PRPD(局部放电相位统计)和PRPS(局部放电脉冲序列分布)图谱,将PRPD图谱进行网格化处理,得到分辨率大小为36×30的灰度图,提取PRPS图谱中相邻放电脉冲间隔时间得到局部放电Δt图谱。通过分析不同放电类型下的图谱分布规律,从图像矩特征和统计特征两方面分别提取图谱特征值。由于开关柜内部相间距离较近,无法采集到准确的局部放电相位信息,本文构建的局部放电图谱均采用相对相位,即以采样起始点为相位0度,向后采集20ms数据作为一个工频周期,特征值选取过程中舍弃部分表征相位的特征值。最后分别采用BP神经网络及卷积神经网络两种方式对放电类型进行诊断分析,为验证网络的鲁棒性,在放电图谱中加入随机噪声干扰。在BP神经网络架构中,将图谱的矩特征和统计特征值作为输入。本文将PRPD图谱矩特征、PRPD图谱统计特征和Δt图谱统计特征,通过排列组合得到7组数据,分别作为BP神经网络输入,得到不同特征值的识别准确率,寻找最优组合。在卷积神经网络中,以PRPD图谱的灰度图片直接作为神经网络输入,通过卷积神经网络自动提取图片特征值,从而得出分类结果。实验结果表明,BP神经网络受到噪声信号影响后,识别准确率明显降低。卷积神经网络在局部放电缺陷识别中相比于BP神经网络取消了人为计算特征值步骤,具有更高的准确率并且对随机噪声信号干扰具有很好的适应性。

关键词： Copula模型   晶圆制造   质量监测   数据降维   模式识别  

摘要： 晶圆产业是当前国家建设的重点发展领域,是推动新一轮技术革命和产业转型的核心力量。在晶圆制造过程中,每个工序环节的质量情况都与晶圆的整体质量密切相关,因此,加强对各工序的质量控制是提升晶圆质量的基础。但整个晶圆制造流程步骤复杂、工序众多,生产过程中的任何瑕疵都可能导致晶圆缺陷,重点针对关键制造工序实施质量监测,可以有效提高晶圆质量,保证产品合格率。晶圆质量数据具有维度高且相关性强的数据特性,在实际工程中难以准确监测。Copula模型可以充分利用高维数据变量间的相关性,构建灵活准确的联合分布模型,便于更好地分析数据并对其进行异常监测。鉴于此,本文面向晶圆制造中的光刻工艺、晶圆检测、封装成型等关键工序,针对叠加误差、表面缺陷、封装分层等常见问题,展开基于Copula模型的晶圆质量监测研究。晶圆制造过程中光刻工艺产生的叠加误差会导致晶体管图案错位,进而造成产品合格率降低。本文基于模拟的高维叠加误差数据,首先通过加入结合数据特性及物理意义的惩罚项,改进基于最小二乘法的主成分降维模型,提出灵活度较高的稳健稀疏主成分分析技术。然后基于Copula的置换对称、反射对称两种性质,考虑晶圆几何特征,建立一种新的多元耦合统计量!。和其他几种控制图方法对比发现,所提出方法能更灵活有效地监测出异常数据,准确率高达91.75%,可用于监测晶圆制造的叠加过程异常。随后,本文针对晶圆图缺陷模式识别问题,考虑预处理后的晶圆图像复杂性,提出灵活度较高的CNN模型,对8种晶圆缺陷模式进行预分类。然后,基于密度、拉东变换、几何、Copula相关系数在内的有效特征,对缺陷模式进一步细致分类,得到最终的识别结果。和改进前模型对比发现,改进模型能更灵活准确地识别晶圆表面缺陷,准确率高达96.27%,可用于监测晶圆制造过程中的表面缺陷问题。最后,本文针对晶圆封装成型缺陷监测问题,引入Copula模型结构,对多维相关数据的联合分布表达式进行估计。同时,结合空间扫描统计量,考虑空间位置对数据造成的影响,建立了一种基于Copula模型的新的空间扫描统计量监测方法。和多元指数加权移动平均控制图方法对比发现,在绝大部分偏移场景下,所提出方法的失控平均链长更短,说明能尽早发现分层数据的变化趋势,更加灵活准确,可用于监测晶圆封装行业中的分层问题,具有较高的工程应用价值。综上所述,本文以晶圆制造过程中的多维质量数据为研究对象,考虑在关键工序流程添加监测环节,开展质量监测相关研究。一方面有助于生产质量控制,便于准确地监测缺陷并及时预警,另一方面为晶圆制造过程质量监测提供了新的研究思路,具有重要的理论价值。

关键词： 时空模式识别   认知抉择   神经信息处理   神经网络模型  

摘要： 在过去的半个世纪,人们对神经系统处理静态信息的计算机制有了深入的研究,并且据此发展的深度学习神经网络已被成功应用于静态物体识别上。但是,人们对神经系统如何处理时序动态信息的神经计算机制了解甚少。大脑无时无刻不在处理着时空信息,不论是运动控制、语音识别还是音乐欣赏,本质上都涉及对时空信息的表征和识别。成功提取和识别动态信息是我们实现脑的某些高级认知功能的关键。近几年,随着实验技术和方法的提高,实验科学家们以多种动物为实验对象,累积了大量的生理数据。人们在认识神经系统如何处理时空信息的机制上取得了关键性进展,为开展神经系统动态信息机理的理论研究提供了可靠的生理学数据和建模思路。基于已有神经生物学实验数据,本文主要研究时空模式识别的神经网络模型,包含两个部分:一是受脑认知抉择机制启发,提出了类脑的认知抉择神经网络模型,并将其应用于关键词语音识别任务当中(IEEE ICARM,2021)。二是基于听觉信息处理机制,构建初级听觉皮层的脉冲神经网络模型,以此研究初级听觉皮层对时空模式识别的神经信息处理机制(to be submitted)。同时本人对实时预测跟踪运动目标空间位置的神经计算机制及其应用作了系统地综述(河南师范大学学报,2021)。本文在时空模式识别的神经网络模型方面的研究成果具体如下:1)受脑认知抉择启发的神经网络模型:本文基于大脑的时空信息处理机制,发展了类脑的时空模式识别算法,并将其应用到关键词语音识别的任务中。其中,本文构建的神经网络模型主要包括两个部分:库网络模型,用于加工时空信息;认知抉择模型,用于实时接受并累积库网络模型中的时空信息,并最终完成判断。同时,本文还探究了多层级认知抉择网络的计算优势。对比其它机器学习算法,该模型在小样本学习条件下表现得更好,验证了该模型在实际问题中的应用潜力。2)初级听觉皮层的脉冲神经网络模型:为了探究初级听觉皮层中信息处理机制,本文受听觉系统音频拓扑结构特性和功能的启发,构建了初级听觉皮层的脉冲神经网络模型。本文所构建的神经网络模型只考虑MGB投射到A1L4,再到A1L2/3的局域神经环路。根据已有的神经生理学实验事实,对A1网络模型的参数进行细致地设置。该模型复现了初级听觉皮层中单神经元以及网络的响应特性,增强了初级听觉皮层模型的说服力,为更好地探究初级听觉皮层处理时空信息提供了重要启示。

关键词： 声发射   工程陶瓷   砂轮磨损   模式识别  

摘要： 工程陶瓷作为典型的硬脆性材料,其加工主要通过超硬精细磨料的精密磨削及研磨来实现,砂轮的磨损是影响工件表面质量和精度的主要因素之一,随着加工时间的推移,砂轮出现磨粒钝化、破碎、结合剂断裂及砂轮堵塞等损耗现象,造成砂轮磨削能力下降,影响陶瓷工件的表面质量。目前对于砂轮磨损程度的判别通常凭借人工经验,难以及时准确地做出判断,因此,为更好保证磨削质量、提高磨削效率以及延长砂轮使用寿命,需要制定合理方案,对砂轮磨损状态监测展开深入研究。基于声发射技术对氧化铝陶瓷磨削过程中的砂轮磨损状态监测开展研究,对比分析了声发射信号的处理方法、探究了不同工艺参数对声发射信号的影响,并对砂轮磨损识别的特征优选组合展开了深入探讨和分析。具体研究工作如下:(1)分析对比了声发射信号常用的模态分解方法,选择VMD算法对磨削声发射信号进行特征提取;并基于鲸鱼优化算法提出了一种参数自适应VMD的信号重构方法,通过仿真声发射信号对其可行性进行了测试验证。(2)通过对比不同工艺参数下的声发射信号特征,探讨了氧化铝磨削声发射事件的频段分布,发现磨削过程中磨粒弹性冲击及摩擦作用等噪声主要集中于中高频段;随后开展氧化铝磨削砂轮磨损全周期声发射信号采集实验,设置节点采集声发射信号并以恒定参数磨削至砂轮完全钝化,并通过砂轮表面形貌和工件表面质量对砂轮磨损状态和声发射信号进行了分类,为砂轮磨损的声发射表征提供理论依据与数据支撑。(3)采用参数自适应的VMD算法对声发射信号进行分解重构,分析了信号各频段与砂轮磨削事件的对应关系,并深入探讨了信号时域、频域特征伴随砂轮性能退化过程的变化规律;搭建随机森林模型,以平均基尼指数下降为指标对信号频段特征进行了排序筛选,并选择最优特征组合识别砂轮磨损状态,经过测试,模型对砂轮磨损状态的综合识别准确率为85%。

关键词： 电力数据   负荷模式识别   负荷预测   负荷概率预测   深度学习   聚类算法  

摘要： 电力是现代社会发展的命脉,是经济发展、人民生活和社会稳定的基本保障。电能具有不易存储的特点,要保证电网的稳定运行,必须使电网发电侧和负荷侧保持实时功率平衡,这就需要精确预测未来电量需求,为制定发电计划提供数据支持。然而,随着清洁能源大量接入电网,以及电动汽车数量的逐年增加,电网的复杂性和不确定性程度日益加深,对传统电力负荷预测模型提出了挑战。因此,提高电力负荷预测精度,可以减少不必要的发电,提高能源利用效率,进而降低电网运行成本,具有巨大的经济效益。深度学习作为一种端到端的特征学习模型,能够通过多层非线性变换实现对复杂数据的建模,已在诸多领域中得到了广泛的应用。基于深度学习方法开展电力负荷数据的特征学习,有望提高电力负荷预测精度,满足当前电力系统需求,是当前的一个研究热点。本文针对电力负荷模式识别和电力负荷预测需求,考虑电力负荷数据不平衡、周期性的特点,结合聚类和时间序列特征学习方法,主要开展的研究工作有:(1)提出一种基于不平衡数据聚类的电力负荷模式识别算法。在传统模糊c均值算法的基础上,利用模糊度矩阵量化聚类尺寸,并用其归一化传统算法的目标函数,进而推导出聚类中心和隶属度矩阵的更新公式。实验结果表明,所提算法能够从历史负荷数据集中识别出节假日的负荷模式,与同类算法相比,在多个聚类有效性评价指标上更优。利用多种回归模型进行负荷预测,与传统聚类算法相比,提高了对节假日的负荷预测效果。(2)建立一种基于聚类和周期增强LSTM的电力负荷预测模型。首先,利用不平衡数据聚类算法对历史数据集进行聚类分析,得到若干种典型负荷模式。其次,分别为每种负荷模式建立预测模型,考虑负荷序列的周期性特点,通过将输入序列中与待测时刻同周期的负荷值和LSTM网络的输出串联,构建出全连接层,输出负荷预测结果。实验结果表明,利用待测时刻前24小时的负荷和温度序列进行负荷预测,取得了比传统LSTM 网络和其他负荷预测模型更好的预测效果,在常用的北美电力数据集上的 MAPE 值为 1.51%。(3)建立一种基于周期增强Informer的电力负荷预测模型。将输入序列中的周期负荷值与传统Informer模型的输出串联构建一个全连接层,结合卷积神经网络,同时学习长序列中的时序特征、局部特征和周期特征,从而克服了传统Informer模型中概率稀疏自注意力机制对周期特征的丢失问题。实验结果表明,以待测时刻前1周的负荷和温度序列作为输入,进一步提高了负荷预测精度,在北美电力数据集上的MAPE值降低至1.15%。(4)开发一种联合LSTM和注意力机制的电力负荷概率预测模型。首先,分别以不同随机初值运行周期增强Informer模型,得到一组负荷预测结果,以其方差作为模型的不确定性。其次,计算负荷均值与真实值之间的差的平方,利用基于注意力机制的LSTM网络拟合与输入序列之间的关系,建立数据不确定性估计模型。最后,以模型不确定性和数据不确定的和作为负荷不确定性的估计结果,利用标准正态分布临界值确定不同置信度下的负荷上界和下界。实验结果表明,所提模型在多种指标上均优于传统Informer模型和其他同类模型。综上,本文结合电力数据特点和深度学习方法,开展了电力负荷模式识别算法和预测模型研究,取得了良好的效果。

关键词： 雨生红球藻   图像处理   模式识别   卷积神经网络  

摘要： 随着生物科技的发展,微藻及其产物被广泛应用于生物医药、食品保健、化妆品等领域。雨生红球藻是一种单细胞绿藻,由于它在特定培养环境下能够高效地生产并累积虾青素,被视为最佳的天然虾青素生产来源,具有较高的经济价值。雨生红球藻的生命周期主要分为细胞增殖和虾青素积累两个阶段,两个阶段所需的培养环境差异较大。因此,对雨生红球藻的生长状态检测是在培养过程中必不可少的环节。传统的微藻生物量、生长状态检测方法耗时耗力,需要操作人员具有相当的专业知识,还对实验设备依赖较高。种种条件限制使得生长状态检测的频次难以提高,准确率也不甚理想。近年来数字图像、神经网络技术发展较快,有研究将这些技术融入到微藻的分类中,实现了较高的准确率与实时性。本文在现有的基于图像处理技术的微藻生物量检测研究的基础上,设计了基于卷积神经网络的雨生红球藻生长状态检测与分类算法,具体内容如下:首先,设计了基于图像处理技术的雨生红球藻生长检测算法,以日常进行人工检测时留存的雨生红球藻显微图像为基础,实现了对显微图像自动化的处理与识别,获取图像内藻细胞的数量与平均直径。经过实验测试,发现该算法对细胞增殖阶段后期,藻液内胶状细胞团、杂质等较多的复杂环境下的显微图像识别率较差,需要进行改进。其次,设计了基于U-Net神经网络的雨生红球藻生长检测算法,并针对雨生红球藻显微图像的特征进行了一系列调整,引入了批标准化、Dropout方法、注意力机制等功能与特性,增强了算法对于复杂条件下的图像识别能力,使其能够更好地针对雨生红球藻图像进行分割。最后,设计了基于Alex Net神经网络的雨生红球藻生长阶段分类算法,通过调整卷积核参数,优化网络模块,扩充数据集等方法提高了网络性能,用以对图像样本的生长阶段进行分类,及时提醒实验人员转变藻的培养环境,以便提高雨生红球藻培养与虾青素生产的效率。