径向基函数神经网络和近红外光谱法鉴别大黄的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇径向基函数神经网络和近红外光谱法鉴别大黄的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：测定了41个大黄（Rhubarb）样品的近红外光谱数据，结合径向基函数神经网络模型，对正品与非正品大黄加以鉴别。为了提高神经网络的训练速度，在利用径向基函数神经网络建立模型之前，通过小波变换压缩了光谱变量，分析了建立模型的参数。结果表明，该法对大黄样品的识别正确率达97.56%，可用于大黄中药生产的质量控制。

关键词：大黄（Rhubarb）；近红外光谱；径向基函数神经网络；鉴别

中图分类号：R917 文献标识码：A 文章编号：0439-8114（2014）02-0423-03

Identification of Rhubarb Based on Near Infrared Spectrum and RBF Neural Network

TANG Yan-feng1，HOU Zhan-zhong1，XI Qing-chuan1，FAN Guo-qiang2

（1.Hebei North University， Zhangjiakou 075000，Hebei，China；

2. Institute for Chinese Medicine， Beijing Tongrentang Group Co. Ltd.，Beijing 100011，China）

Abstract： The 41 unknown rhubarb samples were analyzed by near infrared spectral data combining with the radial basis function neural network model identification. In order to improve the training speed of neural network， the radial basis function neural network（RBF-NN） model and the wavelet transform for spectrum variables were adopted and the related parameters were discussed. The results showed that the accuracy of identification could reach 97.56%， which could be used to control the quality of rhubarb.

Key words： Rhubarb； near infrared spectroscopy； RBF-NN； identification

大黄（Rhubarb）是蓼科（Polygonaceae）大黄属（Rheum）植物的合称，为中国常见中药材。随着国内外对大黄需求量的日益增加，少数不法商贩为牟求利益，将次品大黄或非大黄充当正品大黄使用。因此，大黄的质量控制、真伪和道地性鉴定是保证大黄真实性、疗效和用药安全的重要环节。近红外光谱是叠加谱，只要中药材的各成分组成相对稳定，其光谱就有一定的重现性，应用于中药材鉴别非常简便、快速[1-5]，与此同时，径向基函数神经网络适宜处理大量的模糊数据[6-9]。两种方法将为中药材准确快速的鉴定提供参考[10]。

1 材料与方法

1.1 样品

41个不同品种和不同产地的大黄样品由北京同仁堂研究所提供。根据《中国药典》相关描述，将样品分为正品大黄和非正品大黄2类，其中23个为正品样本，18个为非正品样本（表1）。

1.2 仪器

Foss 6500型近红外光谱仪（Foss NIR Systems Inc，USA），石英卤灯，PbS检测器。

1.3 方法

1.3.1 样品预处理 药材经烤箱烘干，机器粉碎，过60目筛，取约2.5 g样品放入样品池中。

1.3.2 数据采集和处理 测量范围1 100～2 500 nm，每隔2 nm采集一个数据点，样品池直径38 mm，厚度10 mm，每个样品扫描测量30次，取其平均值作为该样品的光谱数据。为了保证样品数据具有代表性，在测定一定次数后，需将样品池取出并均匀摇动，使样品完全填充。

1.3.3 大黄近红外光谱的RBF-NN模型 程序采用Matlab语言编写，以函数appcoef进行一维小波变换，提高神经网络的训练速度，得到大黄近红外光谱数据组成44×41矩阵，利用Matlab中神经网络工具箱的newrb函数做网络训练，在隐层中传递函数调用高斯函数radbas，并应用函数sim对径向基网络仿真分析。

2 结果与分析

大黄样品近红外光谱非常相似，由图1光谱数据比较分析可知，不同大黄的近红外光谱虽然具有细微差别，但存在多个区域重复，而且还有暗纹，对比分析难度较大，且近红外原光谱图中光谱变量点多，分析速度慢。为了减少光谱的变量，提高训练速度，利用小波变换方法对近红外原光谱进行压缩，压缩后光谱变量点仅为44个。

以大黄近红外光谱为依据，通过建立径向基函数神经网络模型加以分类。以1代表正品大黄，0代表非正品大黄，0.5为阈值。正品数为23，非正品数为17，只有一个非正品大黄样本33号未识别出来（图2），方法的识别正确率为97.56%，可在一定程度上用来鉴别大黄样品。

在应用Matlab 7.0软件编译程序、构建与训练径向基函数网络的过程中，应用了神经网络工具箱中newrb函数，其中影响分类结果的参数主要有目标误差（Error goal，EG）和径向基函数分布常数（Spread constant，SC）。其中EG是影响网络训练终点的重要参数，决定网络训练次数和精度。不同的目标误差经程序分析，其正确率有所差异。图3是不同EG对正确率的影响，目标误差最大为0.003时，识别正确率也最低，仅为82.92%；当EG为0.001时，有最大的识别正确率97.56%，同时，均方根误差也最小，为0.264。

径向基函数的分布常数（SC）表示输入数据到中心点的距离，其大小直接影响计算结果的准确性。分布常数为1～10时对结果影响最大。由图4可以看出，分布常数为5时，大黄样品识别率最低，仅为87.80%。当分布常数为7时识别正确率达到最大值97.56%，均方根误差为0.287。

根据上述分析，选定目标误差（EG=0.001），径向基函数分布常数（SC=7）时，结果最优。依此为条件对大黄样品预测分类，其识别正确率为97.56%，能较好地鉴别大黄样品。

3 小结

本研究建立了基于径向基函数神经网络与近红外光谱法的分析方法，将小波变换数据压缩技术处理的近红外光谱调入径向基函数神经网络模型中，实现了中草药大黄的无损鉴别。该方法避免了传统方法中成本高，操作复杂，工作效率低的缺点，识别正确率达到97.56%，为鉴别中药大黄提供了一种质量控制方法。

参考文献：

[1] 范积平，张柳瑛，张贞良，等.不同产地大黄药材的近红外漫反射光谱法鉴别[J].药学实践杂志，2005，23（3）：148-150.

[2] 黄安丽.近红外光谱分析技术在假药识别中的应用[J].食品药品监管，2008，17（2）：123- 125.

[3] 白 雁，李艳英，龚海燕，等.近红外判别分析法鉴别不同厂家一清颗粒[J].中国医药学杂志，2009，29（3）：188-191.

[4] WOO Y A， KIM H J， CHO J H. Identification of herbal medicines using pattern recognition techniques with near-infrared reflectance spectra[J]. Microchem J，1999，63（1）：61-70.

[5] 白 雁，贾 永，王 东，等.应用近红外漫反射光谱技术测定酒炖熟地黄中的还原糖含量[J].中药材，2006，29（10）：68-69.

[6] CHEN S， COWAN C F， GRANT P M. Orthogonal least squares learning algorithm for radial basis function networks[J]. IEEE Transactions on Neural Networks，2002，2（2）：302-309.

[7] 李仲谨，邱 辉，朱 雷，等.基于径向基函数神经网络的高血压分类诊断系统的建立[J].广东微量元素科学，2008，15（12）：14-19.

[8] 于晓辉，张卓勇，马 群，等.径向基函数神经网络和近红外光谱用于大黄中有效成分的定量预测[J]. 光谱学与光谱分析，2007，27（3）：481-485.

[9] 逯家辉，张益波，张卓勇，等.小波变换近红外光谱结合径向基神经网络快速分析异福片[J].光谱学与光谱分析，2008，28（6）：1264-1268.

[10] 张益波，何 欢，孟庆繁，等.近红外光谱结合径向基神经网络在云芝菌丝体无损分析中的应用[J].光学学报，2010，30（12）：3552-3557.