CN107677647B

CN107677647B - 基于主成分分析和bp神经网络的中药材产地鉴别方法

Info

Publication number: CN107677647B
Application number: CN201710877024.9A
Authority: CN
Inventors: 王金梅; 廖香玉; 郑培超
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2017-09-25
Filing date: 2017-09-25
Publication date: 2021-05-25
Anticipated expiration: 2037-09-25
Also published as: CN107677647A

Abstract

本发明公开了一种基于主成分分析和BP神经网络的中药材产地鉴别方法，包含以下步骤：步骤一，样品制备；步骤二，样品的光谱数据采集：步骤三，主成分分析：步骤四，BP神经网络建模：步骤五，产地识别。本发明将新型的LIBS检测技术用于中药材样品进行检测，简化了检测过程；本发明用主成分分析对全谱数据进行降维，提取一定累计贡献率的主成分数可以剔除不必要的噪声背景等信号；BP神经网络训练后，可以实现对中药材的快速识别，有效的保证中药材的质量和安全。

Description

基于主成分分析和BP神经网络的中药材产地鉴别方法

技术领域

本发明涉及光谱识别技术领域，是一种基于主成分分析和BP神经网络的中药材产地识别方法。

技术背景

中药是中华民族的瑰宝，千百年来，中药在中华民族的医学史上占据着不可替代的地位，为中华民族的繁衍生息做出了不可磨灭的贡献。中药材是我国传统中医治疗的必要材料，能在中医理论指导下用于预防、诊断、治疗疾病或调节人体机能。中药的药性受很多方面的影响，特别是植物类中药材，不同的产地、采集时间、和加工方法不同均会产生不同的性味和主治功能。不同产地的中药材，它们所含有的化学组分有差异，这必然会影响到以后作为原料生产出的中成药的临床疗效和质量品质。但是有不法商家为了获取利益，常常会以次充好，使得药材的药效下降，从而对人们的身体产生不利的影响，最终损害消费者。而目前对中药材的鉴别主要依靠人的经验进行鉴别，相当费时费力且成分本高。在面对外观相似的不同产地的中药材时，很难准确的分辨出来。激光诱导击穿光谱(laser-induced breakdown spectroscopy，LIBS)是一种基于原子发射光谱的检测物质成分与含量的分析技术。可用于各种形态的固体、液体甚至气体分析，而且无需繁琐的样品前处理过程，分析过程简便、快速。因此是一种极具使用价值和发展前景的光谱分析技术。目前LIBS已在地质勘探、含能材料、生物医药分析、文物鉴定等领域有着广泛的应用。在我国已有一些研究机构将LIBS技术运用于农产品的检测，例如水果中的微量元素进行分析，对不同地区的土壤进行识别等。

中国专利文献《基于支持向量机和离子迁移谱的中草药产地鉴别方法》(公告号CN103245713B)公开了一种以离子迁移谱分析技术为检测手段，以支持向量机分析技术为识别方法的中草药产地鉴别方法。虽然这种技术能够很好的鉴别产地，但中草药前处理十分复杂。专利《一种基于稳定同位素指纹的三七块根产地鉴别方法》(公告号CN104678019B)从三七本身具有的稳定同位素指纹特征差异入手，利用C、H、O、N四个元素稳定同位素特征建立产地判别模型对三七产地来源进行判别。但此判别方法应用质谱技术及Fisher判别模型，处理周期长并且判别率不高。目前应用激光诱导击穿光谱技术对中药材的研究很少，应用主成分结合神经网络的方法是未应用在中药鉴别中。

综上，对不同产地的中药材进行鉴别，以防以次充好，甚至掺假是目前急需解决的问题。本实验通过激光诱导击穿光谱技术结合主成分分析和BP神经网络的方法，实现对不同产地的中药材的鉴别。

发明内容

本发明的目地是针对上述存在的问题，提供了一种基于主成分分析和BP神经网络的中药材产地鉴别方法。

一种基于主成分分析和BP神经网络的中药材产地鉴别方法，包含以下步骤：

步骤一，样品制备：将植物类中药材根部粉碎、过筛得到均匀细腻的药材粉末样品，取同等质量的粉末样品制成厚度均匀的片状样品；

步骤二，样品的光谱数据采集：对n个不同产地的中药材进行LIBS光谱数据采集，每种产地的中药材样品采集m个等离子光谱，共获得N＝n*m个等离子光谱；

步骤三，主成分分析：将不同产地中药材的光谱数据贴上标签，对光谱数据进行标准化，再采用交叉验证方法进行主成分分析；通过方差极大旋转将高维的光谱数据映射到低维空间，根据得分图的聚类效果结合累计贡献率选取主成分数，提取主成分得分矩阵；

步骤四，BP神经网络建模：N组中药材样品光谱数据的主成分得分矩阵为建模数据，选择部分组数据作为训练集，用于训练BP神经网络，将剩余组数据作为模型测试集，用于测试所建立BP神经网络模型识别精度；

步骤五，产地识别：重新采集同种中药光谱数据，按步骤三提取相同的主成分数，将得分矩阵输入已建立的BP神经网络中，即可得到预测的产地。

步骤一所述的粉末样品是使用孔径0.075毫米的标准检验筛过筛，取0.5g的粉末样品制成片状样品。步骤二所述的产地数n≥3，等离子光谱数m≥50。

步骤三所述的标签数为产地数目，主成分分析软件为Unscrambler软件，标准化方法为平均数方差法，函数形式如下：

x_k＝(x_k-x_mean)/x_var

式中，x_mean为数据序列的均值，x_var为数据的方差，x_k为归一化后的数据。交叉验证方法中需选择片段数及对应的样本数，前N个样本属于第一个分段，接下来的N个样本属于第二个分段，以此类推，总的分段数目等于产地数目。步骤三所述的方差极大旋转为：原始数据表X分解为得分矩阵T和载荷矩阵P^T的乘积：X＝TP^T，有单位矩阵I＝RR^T，R为正交矩阵原始数据用旋转载荷和得分重构，有：X＝T×R(P×R)^T＝T×RR^TP^T＝T×I×P^T.定义R是为了使负载平方的方差最大化，最大化方差v可有下式计算出：

其中n是样本的数量，p是得分，h是标准化因素和y是定义不同类型旋转的换算系数，方差极大旋转法中y的值设为1；基于累计贡献率选取主成分数，选取累计贡献率在85％～99％之间的主成数。步骤四所述的BP神经网络包含输入层，隐含层，输出层，输入层数据矩阵为提取主成分数的得分矩阵，隐含层激励函数为：

输入矩阵随机排序后选择前 80％的样本作为训练集，剩余20％为预测集，输出变量为产地标签。步骤五所述的BP神经网络是步骤四中训练好的模型，输入新的数据作为模型的输入，模型输出相应的产地标签，得到每个光谱对应的产地，统计分析出产地识别率。

本发明具有以下突出优点：

本发明将新型的LIBS检测技术用于中药材样品进行检测，简化了检测过程；本发明用主成分分析对全谱数据进行降维，提取一定累计贡献率的主成分数可以剔除不必要的噪声背景等信号；BP神经网络训练后，可以实现对中药材的快速识别，有效的保证中药材的质量和安全。

附图说明：

图1：建立主成分和BP神经网络模型的流程图；

图2：三个产地的独活根的LIBS光谱图；

图3：主成分分析的前10个主成分的累积贡献率和残差平方图；

图4：独活根前三个主成分的得分图。

具体实施方式：

下面参照附图来具体说明本发明的一个实施例。

本发明的设计者根据该发明完成了以下实验。

实施例1独活根产地的鉴别

本实验是对城口、巫溪、巫山的独活根中药材进行产地鉴别。为了简化分析过程，对产地进行编号，依次标记为1，2，3。考虑到样品的物理性质，例如样品的干燥度，研磨的均匀度和密度会在一定程度上影响光谱信号，在开展LIBS检测实验前对样品进行简单的预处理。首先，使用电热鼓风干燥箱对所有中药材进行干燥，在40℃的温度下大约干燥4小时。然后使用粉碎机对样品进行粉碎，并用孔径0.075毫米的标准检验筛，得到均匀、细腻的粉末样品。然后将粉末样品加入到模具中，利用机械压片机对中药材粉末施加10Mpa左右的压强，持续2分钟，将粉末样品压制成直径和厚度相同的用于LIBS测试的片状中药材样品。

在相同的实验条件下，对3个产地的独活根中药材进行激发，采集光谱数据。对比光谱图发现三个产地的独活根有相似的光谱剖面图，有轻微的差异体现在光谱的强度上，图2为三个产地的独活根光谱图。对于如此相似的光谱图，很难分辨中药材的产地。为了避免人工挑选谱线出现的错误以及节约时间，本实验利用全谱数据进行后续的建模分析。

在相同的条件下，分别对每个产地的独活根采集200组光谱。将3个产地共600组光谱数据导入Unscrambler软件中，进行最大最小标准化处理，将光谱数据归一化到[-1 1]之间，然后进行主成分分析，此时选用的验证方法为交叉验证，段数设置为3。成分分析将高维的全谱数据转换到少数的主成分数中。通常最佳主成分数确定即在预测残差平方和变化不大的情况下选取较少的主成分数。独活根前10个主成分贡献率和残差平方和结果在图3中展示出。结合残差平方和，最佳的主成分数位7，累积贡献率为98.356％。主成分的前3个主成分累计解释率超过92％，主成分得分图如图4所示，每一个散点代表一个样本，有很好的聚类效果。从图4中可以看出，各个产地的样品都集中在一起，与其他产地有明显的间隔，除了城口和巫溪产地的样品有少量的重叠。

提取前7个主成分数的得分矩阵，7个主成分数即作为BP神经网络的输入层变量。隐含层使用的传输函数为Sigmoid函数，输出层的传输函数为线性传输函数。通过多次实验，选取的最佳隐含层节点数为14，此时的网络效果最好。实验模型网络初始化迭代次数100，学习率0.1，误差目标0.0004。输入数据矩阵80％作为训练集，20％作为测试集，每次对神经网络进行训练都会有一定的偏差，预测的结果为30次重复实验的平均结果。在本次试验中400 组数据作为训练集，200组数据作为预测集，得到的结果如表1所示。

为了检验BP神经网络的分类性能，我们把BP神经网络的分类结果与LDA和SVM的分类结果进行比较。三种分类方法的输入变量均为选择的最佳主成分得分矩阵。对于DA和SVM，均使用Matlab2015b中集成的分类工具箱进行分析，验证方法均采用5点交叉验证，快速的到分类识别效果，结果表1所示。从表中可以看出，BP神经网络训练的网络的综合预测能力很强，均在百分之九十九以上。三种分类方法，BP-ANN的综合识别率为99.89％，LDA 的综合识别率为98.2％，SVM的综合识别率为98.8％，BP-ANN的识别率高于其他两种方法。因此，采用BP神经网络能够对独活根产地进行准确鉴别，这种方法是有效的。

实施例2党参产地的鉴别

本实验是验证主成分分析结合BP神经网络方法对其他中药材产地识别的可行性，接下来对3个产地的党参根做相同的处理。即中药材样品预处理，获取光谱数据，全谱数据预处理后进行主成分分析，取前5个主成分，累积解释率为91.975％，选取的主成分作为BP神经网络的输入，对中药进行识别，结果如表2所示。

从表2中可以看出应用主成分结合BP神经网络的方法能够对中药材进行准确判断。其中党参根平均识别率达到95.83％，城口和巫溪产地的识别率都很高，仅巫山产地的识别率较低。因此主成分结合BP-ANN模型对中药的识别是有效的。

表1独活根样品的几种分类方法识别结果

表2党参根的主成分分析和BP神经网络方法识别结果

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于，包含以下步骤：

步骤三，主成分分析：将不同产地中药材的光谱数据贴上标签，对光谱数据进行标准化，再采用交叉验证方法进行主成分分析；通过方差极大旋转将高维的光谱数据映射到低维空间，根据得分图的聚类效果结合累计贡献率选取主成分数，提取主成分得分矩阵；所述的标签数为产地数目，主成分分析软件为Unscrambler软件，标准化方法为平均数方差法，函数形式如下：

x_k＝(x_k-x_mean)/x_var

式中，x_mean为数据序列的均值，x_var为数据的方差,x_k为归一化后的数据；交叉验证方法中需选择片段数及对应的样本数，前N个样本属于第一个分段，接下来的N个样本属于第二个分段，以此类推，总的分段数目等于产地数目，所述的方差极大旋转为：原始数据表X分解为得分矩阵T和载荷矩阵P^T的乘积：X＝TP^T,有单位矩阵I＝RR^T,R为正交矩阵原始数据用旋转载荷和得分重构,有：X＝T×R(P×R)^T＝T×RR^TP^T＝T×I×P^T；定义R是为了使负载平方的方差最大化，最大化方差v由下式计算出：

其中n是样本的数量,p是得分,h是标准化因素和y是定义不同类型旋转的换算系数，方差极大旋转法中y的值设为1；基于累计贡献率选取主成分数，选取累计贡献率在85％～99％之间的主成数；

步骤五，产地识别：重新采集同种中药光谱数据，按步骤三提取相同的主成分数，将得分矩阵输入已建立的BP神经网络中，即得到预测的产地。

2.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤一所述的粉末样品是使用孔径0.075毫米的标准检验筛过筛，取0.5g的粉末样品制成片状样品。

3.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤二所述的产地数n≥3,等离子光谱数m≥50。

4.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤四所述的BP神经网络包含输入层，隐含层，输出层，输入层数据矩阵为提取主成分数的得分矩阵，隐含层激励函数为：

输入矩阵随机排序后选择前80％的样本作为训练集，剩余20％为预测集，输出变量为产地标签。

5.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤五所述的BP神经网络是步骤四中训练好的模型，输入新的数据作为模型的输入，模型输出相应的产地标签，得到每个光谱对应的产地，统计分析出产地识别率。