基于八角红外光谱的反向人工神经网络鉴别.docVIP

基于八角红外光谱的反向人工神经网络鉴别 　　摘要：采用傅里叶红外光谱法（FT-IR）获取样品红外指纹图谱，利用人工神经网络误差反向传播算法（BP-ANN）建立八角茴香（Illicium verum Hook.f.）的红外指纹模型。结果表明，该方法可有效鉴别八角茴香和伪八角，与传统鉴别方法结果基本一致，但更直接和快速。该方法可为八角茴香的鉴别提供借鉴和参考。 　　关键词：八角茴香（Illicium verum Hook.f.）；红外光谱；反向传播人工网络；鉴定 　　中图分类号：R931.5 文献标识码：A 文章编号：0439-8114（2013）18-4497-02 　　八角茴香（Illicium verum Hook. f.）为木兰科常绿乔木八角的干燥成熟果实，又名大茴香、大料等[1，2]。八角茴香性味辛、甘、温，具有温中散寒、理气止痛的功效，常用于治疗胃寒疼痛、呕逆食少、寒性腰痛等[3]。近期常在市场上发现八角伪品——同属植物果实，因此建立八角的品质鉴定标准十分必要[4-7]。人工神经网络（Artificial neural network，ANN），简称为神经网络，是利用大量简单的处理单元广泛连接组成的复杂网络，可模仿人脑神经网络结构和功能的一种信息处理系统。目前应用较多的是反向传播人工神经网络（Back-propagation，BP-ANN），该系统采用误差逆传播算法，即多层误差修正梯度下降法离线学习，按离散时间方式运行，该算法通过最小化代价函数实现由输入到输出的映射[8-11]。本试验通过人工神经网络系统对48个不同批次、不同产地八角样品的红外光谱分析，找到八角茴香和伪八角间的差异，以期为八角茴香的快速鉴定提供借鉴和参考。 　　1 材料与方法 　　1.1 材料 　　PE1730型傅里叶变换红外光谱仪，配备DTGS检测器。 　　48份八角样品，采购于张家口市某市场，经河北北方学院药物研究所鉴定。 　　1.2 方法 　　1.2.1 样品测定 样品经烤箱烘干，机器粉碎，过60目筛，备用。称取1～2 mg样品，研细，加入100～200 mg溴化钾，压制为0.1 mm透明薄片后，上机测定。测定条件：光谱分辨率4 cm-1，测量范围4 000～400 cm-1，环境温度22 ℃左右。样品在测试前扫描背景，扫描30次，取30次测量值的平均值。 　　1.2.2 方法学验证 同一样品供试片连续测定5次，验证方法的精密度；同一份样品分别取样5次进行压片测定，验证方法的重现性；取同一样品片放入干燥器内保存，分别放置0、1、2、4、6、12、24 h 后测定，验证方法的稳定性。 　　1.2.3 数据的采集和处理 采用误差反向传播算法的神经网络（BP-ANN）建立八角样品的分类模型。神经网络的输入层单元为44，输出层单元为1个，以1.0代表八角茴香，0.0代表伪八角。对隐含层单元优化选择。采用Matlab的appcoef函数进行一维小波变换，压缩光谱。然后使用Trainbpx（快速BP算法）进行网络训练和建模。为了验证神经网络建立的分类模型，采用交叉验证方法。使用n中取1的方法选取检验样本，即每次选取一个样本作为检验样本，其余样本作为训练样本。每个样品作为检验样本1次，作为了训练集样本n-1次。预测结果的判定阈值设为0.5，即当输出值大于0.5判为八角茴香，当输出值小于0.5判为伪八角。 　　2 结果与分析 　　2.1 方法学结果 　　八角样品的红外光谱分析结果表明，同一样品连续测定5次后以及不同时间测定后，其光谱图一致，同一样品分别取样5次后，测定图谱的相对标准偏差为0.1%。结果表明，本方法具有较好的精密度、重现性和稳定性。 　　2.2 八角的红外光谱分析 　　比较八角样品的红外光谱（图1）可知，八角红外谱图在3 000～1 600 cm-1间差异较大，以该区域作为后续分析对象。为减少光谱变量，提高神经网络的训练速度，对该区域光谱进行小波变换压缩。其光谱变量点由原来的700个减少为44个。为方便比较样品光谱图，对所测数据归一化处理，得到的红外光谱图能较好反映出不同产地不同年限八角的光谱差别。故采用含44个变量的归一化八角红外光谱作为神经网络分析数据。 　　2.3 隐含层结点的影响 　　隐含层的结点数决定着BP网络的复杂性。因此把隐含层个数从1到8逐一比较（图2）。随着隐含层结点数的变化，BP-ANN网络的识别正确率也在变化。当隐含层结点数为1时，识别正确率最低，为85.42%；当隐含层结点数为5时，识别正确率最高，达到91.67%。因此，最佳隐含层结点数为5。 　　2.4 动量因子的影响 　　动量因子和学习速率是影响BP神经网络训练速率和收敛度的2个重要因素。根据分析结果（图3），本试验确定最合适的动