CN107727609A - 一种基于近红外光谱的多元掺伪三七定量分析方法 - Google Patents
一种基于近红外光谱的多元掺伪三七定量分析方法 Download PDFInfo
- Publication number
- CN107727609A CN107727609A CN201710928116.5A CN201710928116A CN107727609A CN 107727609 A CN107727609 A CN 107727609A CN 201710928116 A CN201710928116 A CN 201710928116A CN 107727609 A CN107727609 A CN 107727609A
- Authority
- CN
- China
- Prior art keywords
- pseudo
- ginseng
- polynary
- near infrared
- infrared spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 244000131316 Panax pseudoginseng Species 0.000 title claims abstract description 85
- 235000003181 Panax pseudoginseng Nutrition 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 29
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 11
- 239000003814 drug Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 31
- 238000012628 principal component regression Methods 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 244000163122 Curcuma domestica Species 0.000 description 31
- 230000005284 excitation Effects 0.000 description 25
- 235000014375 Curcuma Nutrition 0.000 description 17
- 240000009138 Curcuma zedoaria Species 0.000 description 17
- 235000003405 Curcuma zedoaria Nutrition 0.000 description 17
- 239000001812 curcuma zedoaria berg. rosc. Substances 0.000 description 17
- VFLDPWHFBUODDF-FCXRPNKRSA-N curcumin Chemical compound C1=C(O)C(OC)=CC(\C=C\C(=O)CC(=O)\C=C\C=2C=C(OC)C(O)=CC=2)=C1 VFLDPWHFBUODDF-FCXRPNKRSA-N 0.000 description 17
- 235000019509 white turmeric Nutrition 0.000 description 17
- 238000012549 training Methods 0.000 description 15
- 235000003392 Curcuma domestica Nutrition 0.000 description 13
- 235000003373 curcuma longa Nutrition 0.000 description 13
- 235000013976 turmeric Nutrition 0.000 description 13
- 239000000203 mixture Substances 0.000 description 11
- 238000013461 design Methods 0.000 description 8
- 244000062241 Kaempferia galanga Species 0.000 description 7
- 235000013421 Kaempferia galanga Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000010453 quartz Substances 0.000 description 6
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 238000003556 assay Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 244000178320 Vaccaria pyramidata Species 0.000 description 2
- 235000010587 Vaccaria pyramidata Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000272827 Anser caerulescens Species 0.000 description 1
- 238000007400 DNA extraction Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000003712 anti-aging effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003935 denaturing gradient gel electrophoresis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于近红外光谱的多元掺伪三七定量分析方法。具体为先用近红外光谱仪扫描掺伪样品的近红外光谱。之后分别考察主成分回归(PCR)、支持向量回归(SVR)、偏最小二乘回归(PLSR)、人工神经网络(ANN)和极限学习机(ELM)模型的预测精度及运算效率,确立最佳建模方法。最后利用最佳模型对未知样品进行含量预测。本发明的优势在于采用近红外光谱技术,绿色无损,检测迅速;采用多种多元校正技术并选取最佳方法,准确度高。本发明适用于各种多元掺伪三七的定量分析。
Description
技术领域
本发明属于中药材分析检测领域,具体涉及一种基于近红外光谱的多元掺伪三七定量分析方法。
背景技术
作为一种名贵的中药材,三七因其具有活血化瘀、消肿定痛、清热解毒、抗衰老氧化、提高机体免疫力等功效而市场需求量巨大。由于三七资源紧缺,价格不断飙升,因此市场上常有与三七形貌、颜色非常接近的伪品出现,如莪术、姜黄和高良姜等。这些伪品虽然外貌与三七相似,但药性及功能相差甚远,三七掺伪直接影响三七的药效,严重威胁临床用药安全。市场上三七一般是磨粉之后使用,粉末状三七与其伪品的鉴别更加困难,仅凭肉眼很难辨别掺伪。因此,有必要发展更快速简便的多元掺伪三七准确定量分析方法。
对于掺伪药品的检测,多是使用气相色谱和液相色谱法对三七进行成分分析。以上方法虽然准确率高,但是样品的预处理时间长且复杂,不适于过程控制。最近,有发明专利对中药进行DNA提取,通过PCR扩增后检测(郑夏生,陈士林,成金乐,赖智填,一种利用DGGE鉴定混合中药粉末组成物种的方法,中国发明专利,2016,201610736167.3),这种方法检测虽然精度高、快速,但样品提取复杂,普及度不高。
近红外光谱技术由于其快速、无损、无需样品预处理等优点成为医药、化工、农产品、食品等复杂样品分析的首选方法(白雁,龚海燕,陈志红,王星,利用近红外光谱技术评价中药药材综合质量的方法,中国发明专利,2008,200810050097.1)。然而近红外光谱存在光谱重叠严重、背景大、干扰性信息多等问题,必须结合化学计量学才能完成定性定量分析。多元校正是化学计量学的主要内容,应用各种多元统计的方法在测量数据矩阵与目标值之间建立定量模型,包括多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘回归(PLSR),支持向量回归(SVR)、人工神经网络(ANN)等。在中药三七的掺伪研究中,已有专利鉴别三七的真伪优劣(谢绍鹏,杨添钧,杨杰,一种三七真伪优劣快速鉴别方法,中国发明专利,2015,201410784877.4),但很少有研究对于掺伪三七进行定量分析。
发明内容
本发明的目的是针对上述问题,以近红外光谱作为检测手段,采用合适的多元校正模型,提供一种多元掺伪三七定量分析方法。
为实现本发明所提供的技术方案包括以下步骤:
1)准备实验样品并采集样品的近红外光谱
准备掺伪三七样品若干个。设置近红外仪器的参数采样波数范围为12000-4000cm-1,分辨率为4cm-1,背景及样品扫描次数均为64次,扫描所有样品的近红外光谱。
2)选取合理的分组方法将数据划分为训练集和预测集
采用整体顺序局部随机的分组方式,每3个数据点中,随机选取1个点作为预测集,剩余点作为训练集,总共选取2/3的数据点作为训练集,1/3的数据点作为预测集。
3)优化多元校正方法的参数
①优化PLSR的因子数。因子数变化范围为1-25,间隔为1,计算不同因子数下PLSR建模的RMSECV值。RMSECV最小时的因子数为最佳因子数。
②优化ELM的隐含层节点数和激励函数。隐含层节点数变化范围为1-100,间隔为1,选取sig函数、sin函数、hardlim函数、tribas函数及radbas函数为激励函数,在每个参数下运行ELM,得到预测值与真实值的相关系数,计算相关系数平均值与方差的比值(MSR),MSR的最大值所对应的隐含层节点数和激励函数分别作为ELM最佳的隐含层节点数和激励函数。
③优化ANN的隐含层节点数。隐含层节点数变化范围为1-50,间隔为1,计算不同隐含层节点数下ANN建模的RMSECV值。RMSECV最小时的隐含层节点数为最佳隐含层节点数。
4)比较五种多元校正方法对多元掺伪三七中各组分的预测效果,选取最佳建模方法
采用建模方法的最佳参数,对多元掺伪三七中的各组分分别建立ELM模型、PCR模型、PLSR模型、SVR模型和ANN模型并进行预测,比较五种模型的预测精度与运算效率,得到多元掺伪三七组分定量分析的最佳建模方法。
本发明优势在采用近红外光谱对样品进行检测,快速无损,采用多种多元校正方法进行建模,能够实现多元掺伪三七样品组分的准确定量。
附图说明
图1是75个三七二元掺伪样品的近红外光谱图
图2是三七二元掺伪数据PLSR建模的RMSECV随因子数变化图
图3是三七二元掺伪数据三七组分ELM建模的MSR随隐含层节点数及激励函数变化图
图4是三七二元掺伪数据ANN建模的RMSECV随隐含层节点数变化图
图5是66个三七三元掺伪样品的近红外光谱图
图6是三七三元掺伪数据PLSR建模的RMSECV随因子数变化图
图7是三七三元掺伪数据三七组分ELM建模的MSR随隐含层节点数及激励函数变化图
图8是三七三元掺伪数据ANN建模的RMSECV随隐含层节点数变化图
图9是75个三七四元掺伪样品的近红外光谱图
图10是三七四元掺伪数据PLSR建模的RMSECV随因子数变化图
图11是三七四元掺伪数据三七组分ELM建模的MSR随隐含层节点数及激励函数变化图
图12是三七四元掺伪数据ANN建模的RMSECV随隐含层节点数变化图
具体实施方式
为更好理解本发明,下面结合实施例对本发明做进一步地详细说明,但是本发明要求保护的范围并不局限于实施例所表示的范围。
实施例1:
本实施例是应用于三七、莪术二元掺伪样品的定量分析。具体的步骤如下:
1)准备实验样品并采集样品的近红外光谱
准备好莪术和高、中、低档三个等级的三七若干,分别对干燥后的药材进行磨粉,过120目筛,储存在干燥器内备用。设计三七、莪术的浓度范围为0%-100%,主要间隔为5%,其中每个浓度比配制3个样品,三个样品中所使用的三七分别由高、中、低档中随机编号三七配制,共配制75个样品。按照每个样品设计的质量百分比,采用分析天平称量,记录各组分的实际质量,再计算各组分实际质量百分比。设置近红外光谱采样波数范围为12000-4000cm-1,分辨率为4cm-1,背景及样品扫描次数均为64次,将仪器预热1个小时后开始测样。首先将未装样品的石英瓶置于光点的中心处,作为背景保存,然后进行待测样品扫描,将样品装在石英瓶中高2cm处左右(避免光透过),在垫有擦净纸的桌面上旋转上下振动20次左右,保证粉末样品表面平整。将装样石英瓶置于光点的中心处,每个样品采集光谱3次,每采集1次,旋转石英瓶1次,最终取3次光谱的平均值作为该样品的最终光谱。图1显示了该实施例75个三七二元掺伪样品的近红外光谱。
2)选取合理的分组方法将数据划分为训练集和预测集
采用整体顺序局部随机的分组方式,每3个数据点中,随机选取1个点作为预测集,剩余点作为训练集,总共选取50个数据点作为训练集,25个数据点作为预测集。
3)优化多元校正方法的参数
①优化PLSR的因子数。因子数变化范围为1-25,间隔为1,计算不同因子数下PLSR建模的RMSECV值。RMSECV最小时的因子数为最佳因子数。图2显示了该实施例PLSR建模的RMSECV随因子数的变化。从图中可以看出,RMSECV最小时三七和莪术组分的最佳因子数都为10。
②优化ELM的隐含层节点数和激励函数。隐含层节点数变化范围为1-100,间隔为1,选取sig函数、sin函数、hardlim函数、tribas函数及radbas函数为激励函数,在每个参数下运行ELM,得到预测值与真实值的相关系数,计算相关系数平均值与方差的比值(MSR),MSR的最大值所对应的隐含层节点数和激励函数分别作为ELM最佳的隐含层节点数和激励函数。图3显示了该实施例ELM建模的MSR随着隐含层节点数及激励函数的变化,从图中可以看出,MSR最大时三七和莪术组分的最佳隐含层节点数分别为97和99,最佳激励函数均为sin函数。
③优化ANN的隐含层节点数。隐含层节点数变化范围为1-50,间隔为1,计算不同隐含层节点数下ANN建模的RMSECV值。RMSECV最小时的隐含层节点数为最佳隐含层节点数。图4显示了该实施例ANN建模的RMSECV随着隐含层节点数的变化。从图中可以看出,三七和莪术组分的最佳隐含层节点数分别为2和35。
表1 不同多元校正方法对三七二元掺伪数据的预测结果比较
4)比较五种多元校正方法对多元掺伪三七中各组分的预测效果,选取最佳建模方法采用上述参数优化方法确定各组分的最佳参数后,对该实施例中的各组分分别建立ELM模型、PCR模型、PLSR模型、SVR模型和ANN模型并进行预测。表1总结了五种建模方法的RMSECV、RMSEP、训练集和预测集的R以及运行时间。从表中可以看出,ELM方法运算速度最快,PLSR其次,ANN最慢。SVR、ANN和PLSR的预测精度要优于ELM和PCR,但SVR、ANN和ELM存在严重的过拟合。因此,综合考虑预测精度与运算效率,得出PLSR是一种最优的建模方法,能实现二元掺伪三七样品组分的准确定量。
实施例2:
本实施例是应用于三七、莪术、姜黄三元掺伪样品的定量分析。具体的步骤如下:
1)准备实验样品并采集样品的近红外光谱
准备好莪术、姜黄和高、中、低档三个等级的三七若干,分别对干燥后的药材进行磨粉,过120目筛,储存在干燥器内备用。设计三七、莪术、姜黄的浓度范围为0%-100%,主要间隔为5%,其中每个浓度比配制3个样品,三个样品中所使用的三七分别由高、中、低档中随机编号三七配制,共配制66个样品。按照每个样品设计的质量百分比,采用分析天平称量,记录各组分的实际质量,再计算各组分实际质量百分比。设置近红外光谱采样波数范围为12000-4000cm-1,分辨率为4cm-1,背景及样品扫描次数均为64次,将仪器预热1个小时后开始测样。首先将未装样品的石英瓶置于光点的中心处,作为背景保存,然后进行待测样品扫描,将样品装在石英瓶中高2cm处左右(避免光透过),在垫有擦净纸的桌面上旋转上下振动20次左右,保证粉末样品表面平整。将装样石英瓶置于光点的中心处,每个样品采集光谱3次,每采集1次,旋转石英瓶1次,最终取3次光谱的平均值作为该样品的最终光谱。图5显示了该实施例66个三七三元掺伪样品的近红外光谱。
2)选取合理的分组方法将数据划分为训练集和预测集
采用整体顺序局部随机的分组方式,每3个数据点中,随机选取1个点作为预测集,剩余点作为训练集,总共选取44个数据点作为训练集,22个数据点作为预测集。
3)优化多元校正方法的参数
①优化PLSR的因子数。因子数变化范围为1-25,间隔为1,计算不同因子数下PLSR建模的RMSECV值。RMSECV最小时的因子数为最佳因子数。图6显示了该实施例PLSR建模的RMSECV随因子数的变化。从图中可以看出,RMSECV最小时三七、莪术和姜黄组分的最佳因子数分别为5、5和10。
②优化ELM的隐含层节点数和激励函数。隐含层节点数变化范围为1-100,间隔为1,选取sig函数、sin函数、hardlim函数、tribas函数及radbas函数为激励函数,在每个参数下运行ELM,得到预测值与真实值的相关系数,计算相关系数平均值与方差的比值(MSR),MSR的最大值所对应的隐含层节点数和激励函数分别作为ELM最佳的隐含层节点数和激励函数。图7显示了该实施例ELM建模的MSR随着隐含层节点数及激励函数的变化,从图中可看出,MSR最大时三七、莪术和姜黄组分的最佳隐含层节点数分别为96、100和96,最佳激励函数均为sin函数。
③优化ANN的隐含层节点数。隐含层节点数变化范围为1-50,间隔为1,计算不同隐含层节点数下ANN建模的RMSECV值。RMSECV最小时的隐含层节点数为最佳隐含层节点数。图8显示了该实施例ANN建模的RMSECV随着隐含层节点数的变化。从图中可以看出,三七、莪术和姜黄组分的最佳隐含层节点数分别为32、28和6。
4)比较五种多元校正方法对多元掺伪三七中各组分的预测效果,选取最佳建模方法
采用上述参数优化方法确定各组分的最佳参数后,对该实施例中各组分分别建立ELM模型、PCR模型、PLSR模型、SVR模型和ANN模型并进行预测。表2总结了五种建模方法的RMSECV、RMSEP、训练集和预测集的R以及运行时间。
表2 不同多元校正方法对三七三元掺伪数据的预测结果比较
分析表中数据可得,ELM方法运算速度最快,PLSR其次,ANN最慢。SVR、ANN和PLSR的预测精度要优于ELM和PCR,但SVR、ANN和ELM存在严重的过拟合,而PCR和PLSR预测精度非常接近,但是PLSR的运行时间较PCR短,运算效率更高。因此,综合考虑预测精度与运算效率,PLSR是一种最优的建模方法,能实现三元掺伪三七样品中各组分的准确定量。
实施例3:
本实施例是应用于三七、莪术、姜黄高、良姜四元掺伪样品的定量分析。具体的步骤如下:
1)准备实验样品并采集样品的近红外光谱
准备好莪术、姜黄、高良姜和高、中、低档三个等级的三七若干,分别磨粉,过120目筛,储存在干燥器内备用。设计三七莪术姜黄高良姜掺伪的数据集,在数据的设计中,先确定三七质量百分数及浓度间隔,三七的质量百分数为100~0%,主要间隔为5%,再设计剩余三种组分的质量百分数。对四种组分所有样品的百分比加和,减去三七组分所有样品百分比加和,剩余部分由三种伪品平分。然后在一种伪品百分比总和一定的情况下选出尽量等间隔的较大浓度数值,另外两种伪品也以同样的方法得出较大数值,剩余的以较小数值补全,保证每一样品中四个组分之和100%。按照设计的每个样品的质量百分比,设计每个样品总重为4g并计算出每个组分理论质量,根据理论质量采用分析天平称量,记录每个样品中实际组分的质量,再计算各组分实际质量百分比。设置近红外光谱采样波数范围为12000-4000cm-1,分辨率为4cm-1,背景及样品扫描次数均为64次,将仪器预热1个小时后开始测样。首先将未装样品的石英瓶置于光点的中心处,作为背景保存,然后进行待测样品扫描,将样品装在石英瓶中高2cm处左右(避免光透过),在垫有擦净纸的桌面上旋转上下振动20次左右,保证粉末样品表面平整。将装样石英瓶置于光点的中心处,每个样品采集光谱3次,每采集1次,旋转石英瓶1次,最终取3次光谱的平均值作为该样品的最终光谱。图9显示了该实施例75个样品的近红外光谱。
2)选取合理的分组方法将数据划分为训练集和预测集
采用整体顺序局部随机的分组方式,每3个数据点中,随机选取1个点作为预测集,剩余点作为训练集,总共选取50个数据点作为训练集,25个数据点作为预测集。
3)优化多元校正方法的参数
①优化PLSR的因子数。因子数变化范围为1-25,间隔为1,计算不同因子数下PLSR建模的RMSECV值。RMSECV最小时的因子数为最佳因子数。图10显示了该实施例PLSR建模的RMSECV随因子数的变化。从图中可以看出,RMSECV最小时三七、莪术、姜黄和高良姜组分的最佳因子数分别为7、8、11和10。
②优化ELM的隐含层节点数和激励函数。隐含层节点数变化范围为1-100,间隔为1,选取sig函数、sin函数、hardlim函数、tribas函数及radbas函数为激励函数,在每个参数下运行ELM,得到预测值与真实值的相关系数,计算相关系数平均值与方差的比值(MSR),MSR的最大值所对应的隐含层节点数和激励函数分别作为ELM最佳的隐含层节点数和激励函数。图11显示了该实施例ELM建模的MSR随着隐含层节点数及激励函数的变化,从图中可以看出,MSR最大时三七、莪术、姜黄和高良姜组分的最佳隐含层节点数分别为100、100、94和99,最佳激励函数均为sin函数。
③优化ANN的隐含层节点数。隐含层节点数变化范围为1-50,间隔为1,计算不同隐含层节点数下ANN建模的RMSECV值。RMSECV最小时的隐含层节点数为最佳隐含层节点数。图12显示了该实施例ANN建模的RMSECV随着隐含层节点数的变化。从图中可以看出,三七、莪术、姜黄和高良姜组分的最佳隐含层节点数分别为44、2、3和49。
4)比较五种多元校正方法对多元掺伪三七中各组分的预测效果,选取最佳建模方法
采用上述参数优化方法确定各组分的最佳参数后,对该实施例中的各组分分别建立ELM模型、PCR模型、PLSR模型、SVR模型和ANN模型并进行预测,表3总结了五种建模方法的RMSECV、RMSEP、训练集和预测集的R以及运行时间。分析表中数据可得,对于四种组分,ELM方法运算速度最快,PLSR其次,ANN最慢。SVR、ANN和PLSR的预测精度要优于ELM和PCR,但SVR、ANN和ELM存在严重的过拟合。因此,综合考虑预测精度与运算效率,PLSR是一种最优的建模方法。PLSR对三七、莪术、姜黄和高良姜组分预测的相关系数分别为0.9954、0.9661、0.9680和0.9952,因此,能实现四元掺伪三七样品中各组分的准确定量。
表3 不同多元校正方法对三七四元掺伪数据的预测结果比较
Claims (3)
1.一种基于近红外光谱的多元掺伪三七定量分析方法,其特征在于:它是先用近红外光谱仪扫描样品的近红外光谱,对采集光谱进行处理后,选定最佳的整体顺序局部随机分组方法,然后考察ELM、PCR、PLSR、SVR和ANN对多元掺伪三七中组分定量分析的效果,最后确立最佳建模方法,实现对多元掺伪三七定量分析。
2.根据权利要求1所述的一种基于近红外光谱的多元掺伪三七定量分析方法,其特征在于:所述的考察ELM、PCR、PLSR、SVR和ANN对多元掺伪三七中组分定量分析的效果的过程为:首先优化模型的参数,在最佳参数下,比较五种模型的预测精度与运算效率,综合考虑预测精度与运算效率,选取最佳建模方法。
3.根据权利要求1所述的一种基于近红外光谱的多元掺伪三七定量分析方法,其特征在于:对多元掺伪三七中掺伪伪品的种类没有限制,与三七类似的中药材都可以实现定量分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710928116.5A CN107727609A (zh) | 2017-09-27 | 2017-09-27 | 一种基于近红外光谱的多元掺伪三七定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710928116.5A CN107727609A (zh) | 2017-09-27 | 2017-09-27 | 一种基于近红外光谱的多元掺伪三七定量分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107727609A true CN107727609A (zh) | 2018-02-23 |
Family
ID=61209899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710928116.5A Pending CN107727609A (zh) | 2017-09-27 | 2017-09-27 | 一种基于近红外光谱的多元掺伪三七定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107727609A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507123A (zh) * | 2018-11-22 | 2019-03-22 | 天津工业大学 | 一种基于紫外可见漫反射光谱及化学模式识别的当归及其相似品的鉴别方法 |
CN109738391A (zh) * | 2019-02-20 | 2019-05-10 | 南京中医药大学 | 一种基于近红外光谱技术的干姜药材质量评价方法 |
CN109932332A (zh) * | 2019-03-18 | 2019-06-25 | 陇西保和堂药业有限责任公司 | 一种红外光谱检测中药材的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101961360A (zh) * | 2009-07-24 | 2011-02-02 | 天津天士力现代中药资源有限公司 | 三七的近红外光谱鉴别方法 |
CN105866064A (zh) * | 2016-05-03 | 2016-08-17 | 哈尔滨珍宝制药有限公司 | 采用近红外光谱法快速测定三七药材中五种皂苷含量的方法及应用 |
CN106841083A (zh) * | 2016-11-02 | 2017-06-13 | 北京工商大学 | 基于近红外光谱技术的芝麻油品质检测方法 |
-
2017
- 2017-09-27 CN CN201710928116.5A patent/CN107727609A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101961360A (zh) * | 2009-07-24 | 2011-02-02 | 天津天士力现代中药资源有限公司 | 三七的近红外光谱鉴别方法 |
CN105866064A (zh) * | 2016-05-03 | 2016-08-17 | 哈尔滨珍宝制药有限公司 | 采用近红外光谱法快速测定三七药材中五种皂苷含量的方法及应用 |
CN106841083A (zh) * | 2016-11-02 | 2017-06-13 | 北京工商大学 | 基于近红外光谱技术的芝麻油品质检测方法 |
Non-Patent Citations (2)
Title |
---|
张延莹等: "近红外光谱技术鉴别三七及其伪品", 《中药材》 * |
张治军等: "三七及其伪品的近红外光谱鉴别法", 《中国药房》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507123A (zh) * | 2018-11-22 | 2019-03-22 | 天津工业大学 | 一种基于紫外可见漫反射光谱及化学模式识别的当归及其相似品的鉴别方法 |
CN109738391A (zh) * | 2019-02-20 | 2019-05-10 | 南京中医药大学 | 一种基于近红外光谱技术的干姜药材质量评价方法 |
CN109932332A (zh) * | 2019-03-18 | 2019-06-25 | 陇西保和堂药业有限责任公司 | 一种红外光谱检测中药材的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104062257B (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN103033486B (zh) | 陈皮及广陈皮药材质量的近红外光谱监控方法 | |
CN101995392A (zh) | 快速检测橄榄油掺伪的方法 | |
CN107727609A (zh) | 一种基于近红外光谱的多元掺伪三七定量分析方法 | |
CN109668859A (zh) | 基于svm算法的花椒产地和品种的近红外光谱识别方法 | |
CN102778442B (zh) | 一种快速鉴别烟用香液料液种类的方法 | |
CN106770862A (zh) | 一种茶叶分类方法 | |
CN106680241A (zh) | 一种新型光谱多元分析分类与识别方法及其用途 | |
CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN103411895B (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
CN108801975A (zh) | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 | |
CN106018321A (zh) | 玉米单粒种子蛋白质检测模型的构建方法及其应用 | |
CN101349638A (zh) | 果蔬维生素c含量的光谱快速无损检测方法 | |
CN107576600A (zh) | 一种抹茶粒度等级的快速检测方法 | |
CN103760130A (zh) | 近红外光谱测定复方麝香注射液中吐温-80含量的方法 | |
CN109507123A (zh) | 一种基于紫外可见漫反射光谱及化学模式识别的当归及其相似品的鉴别方法 | |
CN107703095A (zh) | 一种基于近红外光谱及化学计量学的二元掺伪三七定量分析方法 | |
CN107356556A (zh) | 一种近红外光谱定量分析的双集成建模方法 | |
CN107036997A (zh) | 利用近红外光谱法快速检测气滞胃痛颗粒的制备过程的方法及应用 | |
CN113075197A (zh) | 一种白胡椒粉中玉米粉掺假含量的快速检测方法 | |
CN107167447A (zh) | 采用近红外光谱技术计算勾兑苹果汁中苹果原汁含量的方法 | |
CN105911012A (zh) | 栀子药材近红外定量分析模型及建立方法、栀子药材的检测方法及检测标准 | |
CN107340241A (zh) | 一种基于短波成像光谱技术检测人参皂苷含量的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180223 |