摘要：將傅里葉變換紅外光譜法和人工神經(jīng)網(wǎng)絡(luò)用于鑒別和非大黃樣品。在對神經(jīng)網(wǎng)絡(luò)訓練前用小波變換對測量的紅外光譜進行壓縮，將原700個數(shù)據(jù)點的光譜壓縮到44個變量，因此加速了神經(jīng)網(wǎng)絡(luò)的訓練速度。52個大黃樣品被用于網(wǎng)絡(luò)模型的建立，其中包括25個大黃和27個非大黃的樣品。文章還對隱含層神經(jīng)元數(shù)目和動量參數(shù)的影響做了考察。結(jié)果表明，在優(yōu)化的條件下用該方法對大黃樣品的鑒別正確率達到98％。這種方法可被用于含大黃中藥生產(chǎn)的質(zhì)量控制。
主題詞：大黃；紅外光譜；神經(jīng)網(wǎng)絡(luò)；小波變換
引 言
大黃是我國*的特產(chǎn)藥材，大黃只產(chǎn)于中國。藥典規(guī)定的大黃只有藥用大黃R．officinale Bail1．、掌葉大黃Rheum palmatum L．和唐古特大黃R．tanguticm Maxim．Ex Balf三種。由于國內(nèi)外對大黃的需求日益增多，不少地區(qū)將同屬其他種大黃如華北大黃、波葉大黃混入商品，充當大黃使用。多年來大黃生藥鑒定主要依靠宏觀與微觀特征，利用化學反應(yīng)和在紫外光下觀察顏色來區(qū)分大黃和非大黃。常規(guī)的光譜分析方法則需對藥材進行分離提取，利用紅外光譜法直接鑒別中藥材也已有報道，但采用光譜法保持藥材原性狀（無損傷）鑒別同名藥材則較少報道。
大黃中含有多種有效成分，其中包括大黃素、大黃酸、大黃蒽醌、蘆薈、土大黃甙、大黃素甲醚、大黃酚及其葡萄糖苷等，這些成分在中紅外區(qū)都有比較明顯的吸收峰出現(xiàn)。比如，大黃酚含有苯環(huán)和羥基，因此在紅外光譜圖中就能檢測到苯環(huán)的骨架振動和羥基的吸收峰；如果有大黃酸，就能檢測到羧基的存在，另外大黃素甲醚的存在，就能夠出現(xiàn)醚的官能團所*的吸收峰。但是這些物質(zhì)都存在于大黃樣品中，而在測試的時候只是將大黃樣品進行直接紅外測試，而不是先通過色譜進行分離，因此得到的光譜圖將含有各種成分的吸收峰，而不是其中某一種成分的特征光譜。因此，用紅外光譜進行掃描，只能檢測出樣品中含有哪些基團，通過比較譜圖的差異也很難對和非大黃樣品做出識別。
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），有時簡稱為神經(jīng)網(wǎng)絡(luò)，是在現(xiàn)代生物學研究人腦組織時所取得成果的基礎(chǔ)上提出的，它是利用大量簡單的處理單元廣泛連接組成網(wǎng)絡(luò)，用來模仿人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。目前應(yīng)用zui廣泛的網(wǎng)絡(luò)是BP網(wǎng)絡(luò)，它采用誤差反傳播算法，即沿誤差負梯度的方向調(diào)整處理單元間的權(quán)重值來實現(xiàn)，該算法可以實現(xiàn)由輸入到輸出的非線性映射。用該學習算法對網(wǎng)絡(luò)進行訓練時，可分為兩個步驟：*步（正向傳播階段）是對于給定的網(wǎng)絡(luò)輸入，通過正向傳播得到各個單元的實際輸出；第二步（誤差反向傳播過程）是計算輸出層各單元的輸出誤差項，然后根據(jù)這些誤差逐層向輸入層方向逆向傳播，以調(diào)整各連接權(quán)值。兩個步驟交替重復進行，直到代價函數(shù)或輸出層的輸出誤差項zui小。
本文利用紅外光譜法和人工神經(jīng)網(wǎng)絡(luò)對52個同科屬、不同種、不同產(chǎn)地、不同采集時間的大黃屬植物樣品進行了測試和鑒別，結(jié)果可以區(qū)分其中的大黃和非大黃。此鑒別方法與常規(guī)的鑒別方法相比具有更直接、快速、不破壞樣品等特點，因此是一種科學性的鑒別中藥材的方法。
1 實驗部分
1．1 儀器與測試條件
儀器設(shè)備：傅里葉變換中紅外光譜儀為PE1730型光譜儀，DTGS檢測器。
測試條件：光譜分辨率4/cm。測量范圍：4000-400/cm。溫度控制在22℃ 。
1．2 樣品來源及簡單制備
本工作選用的52個不同品種和不同產(chǎn)地的大黃樣品。根據(jù)我國藥典的要求，我們將這些樣品分為大黃和非大黃兩類，其中25個為樣本（～25），27個為非樣本（No．26～52）。大黃樣品經(jīng)干燥后粉碎成60目的粉末后直接測定。采用壓片法對大黃樣品進行測量，取l～2mg大黃樣品，研細，加入100-200mg的溴化鉀，在壓片機上壓成厚度為0.1mm透明的薄片進行測量。
1．3 數(shù)據(jù)的采集和處理
每個樣品在測試之前*行背景掃描，背景掃描的目的主要是減少空氣中水蒸氣和二氧化碳對測試帶來的影響。背景的掃描次數(shù)為30次。為了保證樣品數(shù)據(jù)的代表性，用紅外光譜儀對樣品掃描30次，然后取其平均值。
數(shù)據(jù)處理：將測試結(jié)果以ASCII碼儲存，用另一臺計算機處理。為了減少光譜的變量，從而提高神經(jīng)網(wǎng)絡(luò)的訓練速度，我們利用小波變換方法將二階導數(shù)NIR光譜進行壓縮。經(jīng)小波壓縮后的光譜變量點由原來的700個減少為44個。利用小波變換數(shù)據(jù)壓縮技術(shù)既能地減少數(shù)據(jù)的變量數(shù)目，又能保持原光譜的特征。為了更好地對大黃樣品的紅外光譜圖進行觀察和比較，我們對所測得的數(shù)據(jù)進行歸一化處理。因為紅外吸收峰的強度一方面取決于鍵的極性，極性越強，紅外吸收峰就越強；另一方面還和被測物質(zhì)的量有關(guān)，在這一點上符合朗伯一比爾定律，即被測樣品的含量越高，吸光度越強，透光率越低。進行歸一化處理避免了由于被測樣品的量的不同對吸收峰強弱造成影響。經(jīng)過歸一化處理后的樣品光譜更具有可此性。用經(jīng)過歸一化的含44個變量的大黃NIR光譜作為神經(jīng)網(wǎng)絡(luò)的輸入。
本工作使用誤差反向傳播算法的神經(jīng)網(wǎng)絡(luò)（BP-ANN）建立大黃樣品的分類模型。神經(jīng)網(wǎng)絡(luò)的輸入層單元為44，輸出層單元為1個，以1．0代表大黃，0．0代表非大黃。對隱含層單元進行優(yōu)化選擇。
為了簡化計算步驟，本工作首先使用Matlab 5．0（Mathworks，Inc．，uSA）的內(nèi)部函數(shù)appcoef進行一維小波變換，對光譜進行壓縮。然后使用Trainbpx（快速BP算法的函數(shù)）進行網(wǎng)絡(luò)的訓練和建模。為了驗證神經(jīng)網(wǎng)絡(luò)建立的分類模型，本文采用交叉驗證方法。使用n中取1的方法選取檢驗樣本。即每次選取一個樣本作為檢驗樣本，其余樣本作為訓練樣本。這樣，每個樣品作為檢驗樣本1次，作為訓練集樣本n-1次。預(yù)測結(jié)果的判定閾值設(shè)為0.5，即當輸出值大于0.5判為大黃，當輸出值小于0．5判為非大黃。
2 結(jié)果與討論
2．1 大黃的紅外光譜
將不同的大黃樣品的紅外光譜放在一起進行比較，可以看出樣品間的細微差別。對于吸收峰出現(xiàn)得比較多的區(qū)域，可以對該區(qū)域進行放大。比較在同一位置是否都出現(xiàn)了吸收峰，不同樣品的吸收峰的強度是否相同，同一樣品在不同位置的吸收峰的相對強度是否相同。這樣可以比較出樣品之間的一些差別。
大黃的紅外譜圖在4000～1800/cm范圍內(nèi)，差別很小，很難找出譜圖之間的差別。而從1 800-400/cm這個范圍譜圖之間的差別就相對要大一些。所以，我們選擇了波數(shù)從1800～400/cm的范圍。
2．2 隱含層結(jié)點的影響
在這項試驗中，我們用BP-ANN鑒別大黃和非大黃。實際上，隱含層的結(jié)點數(shù)決定著BP網(wǎng)絡(luò)的復雜性。因此，我們必須選擇一個*的隱含層結(jié)點數(shù)。我們把隱含層個數(shù)從1到8逐個進行比較。
可以看出，隨著隱含層結(jié)點數(shù)的變化，BP-ANN網(wǎng)絡(luò)的識別正確率也在變化。當隱含層結(jié)點數(shù)為1時，識別正確率zui低，為90.38％。當隱含層結(jié)點數(shù)為3時，識別正確率zui高，達到98.08％。
2．3 動量因子的影響
動量因子和學習速率是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓練速率和收斂度的兩個重要因素。到目前為止，還沒有嚴格的系統(tǒng)的理論規(guī)則來選擇動量因子和學習速率。對于特定的問題，這些參數(shù)通常根據(jù)實驗來選擇。在這項實驗中，我們使用的是Matlab軟件中的內(nèi)部函數(shù)Trainbpx，其中學習速率一項是由函數(shù)自我調(diào)整的。因此，在實驗中我們只需要選擇合適的動量因子。我們把動量因子從0.1到0.9逐個比較，zui后，我們確定zui合適的動量因子為0.9。
我們可以看出，BP網(wǎng)絡(luò)對大黃的識別正確率隨著動量因子的變化比較平穩(wěn)，都達到了92％以上。調(diào)節(jié)動量因子，可以使我們找到zui高的識別正確率，但是如果動量因子太大了，BP網(wǎng)絡(luò)就不能收斂了。
可以發(fā)現(xiàn)，BP-ANN網(wǎng)絡(luò)對大黃樣品的識別只有一個大黃樣品被識別錯誤。第30個樣品輸出值為0.9936，這個樣品為鑒別錯誤的樣品。其他51個樣品的鑒別是正確的。從總體來看，使用BP網(wǎng)絡(luò)鑒別大黃樣品識別正確率達到了98.08％。
3 結(jié)論
通過對52個大黃樣品的測試和鑒別可以看出，大黃樣品紅外譜圖比較相似，根據(jù)譜圖的差異并通過BP-ANN網(wǎng)絡(luò)可以識別大黃和非大黃。傅里葉變換紅外光譜技術(shù)快速、準確，不需對樣品進行分離、提取而直接測定植物類藥材。利用人工神經(jīng)網(wǎng)絡(luò)與之相結(jié)合可以對藥材進行真?zhèn)蔚蔫b別。這種科學的評價體系可以避免經(jīng)驗鑒定的人為性和一些其它方法的復雜性，從而加快中藥現(xiàn)代化研究的進程。
參 考 文 獻
[1] SUN Su-qin，ZHANG Xuan，QIN Zhu et al（孫素琴，張宣．秦竹等）．Spectroscopy and Spectral Analysis（ 譜學與光譜分析），1999，19（4）：542．
[2] SUN Su-qin ，YU Jian-yuan，HU Xin-yao（孫素琴，郁監(jiān)源，胡鑫堯）．Spectroscopy and Spectral Analysis（ 譜學與光譜分析），1999，19（6）：841大黃素_search11（）' onmouseover=this.style.cursor='hand' id=蘆薈大黃素 value=蘆薈大黃素>蘆薈大黃素