不同产地葛根药材的高光谱结合人工神经网络鉴别.pdf

年 月云南化工 第 卷第 期 ，：不同产地葛根药材的高光谱结合人工神经网络鉴别郭毅秦，焦龙，娄俊豪，沈瑞华，钟汉斌，熊迅宇（西安石油大学化学化工学院，陕西西安 ）摘要：采用高光谱结合人工神经网络（）方法建立了不同产地葛根药材的鉴别方法。采集 种不同产地葛根药材的高光谱数据，使用 平滑滤波对原始光谱数据预处理，结合人工神经网络方法建立葛根产地鉴别模型。结果表明，与未经预处理的光谱数据模型准确率相比，平滑滤波后建立的 模型识别测试集分类准确率达到 。因此，高光谱技术结合人工神经网络能够实现快速、准确地鉴别葛根产地，是一种很有前景的葛根药材鉴别方法。关键词：葛根；高光谱；人工神经网络；产地鉴别中图分类号：；文献标识码：文章编号：（），（，）：（），：；葛根，是传统中医药中广泛使用的一种药材，具有很高的药用价值，广泛使用于治疗心脑血管系统疾病、荨麻疹等疾病中。随着药材市场需求的不断增加，其产品的地理真实性得不到确证，难以保证中药材的质量。因此，对葛根产地准确的标准化鉴别显得尤为重要。目前，葛根识别和分类方法主要分为两种：一种是通过形态主观判断识别，存在效率低，客观性弱的问题；一种是葛根成分的常规分析技术，主要有高效液相色谱法和电感耦合等离子体质、核磁共振 等。但以上方法存在溶剂需要严格纯化且分析时间较长、进样系统复杂和物质转化不充分、扫描分析时间较长的缺点。因此，需要一种效率高、操作简单的葛根产地鉴别方法。高 光 谱 检 测 技 术（）具有时效性强、环保无污染等特性，在质量控制领域得到普遍应用。已在遥感作物分类 、生态污染 众多领域有着广泛的应用，其与机器学习等方法结合，目前被证实可以对样本进行定量定性分析。目前国内高光谱技术已被应用于苦杏仁、桃仁药材 等中药的产地鉴别。人工神经网络（，）为模拟人脑神经反馈结构和功能的数学模型，具有高度自学习，适应以及反馈能力。已广泛应用于处理复杂工艺过程的非线性问题。目前，已经有很多研究采用高光谱技术结合 应用于鉴别不同的麻黄药材 、不同丹参产地药材的识别 等领域并获得准确的预测。但将其应用于葛根药材产地的研究还未见报道，因此本文引入高光谱结合 方法，进行葛根药材产地的鉴别研究。本文将高光谱与反向传播 人工神经网络（，）方法相结合，研究并建立一种快速有效的葛根产地鉴别方法。此方法以预处理后的葛根光谱数据作为输入变量，建立 分类模型。实验部分 样品选取本实验所研究样品均采购于中国西安鸿杏林中药材市场。选择符合质量要求的 个产地的葛根样品，分别产自于安徽、河南、湖北、湖南、四川、云南，选取初步处理后的葛根药材各 份。高光谱采集研究使用的光谱采集仪器为 型便携式地物光谱仪（公司，美国）。采集数据之前，将仪器预热 ，使用标准白板矫正。采集光谱波长范围为 ，光谱分辨率为 ，时间为 。为提高光谱采集的稳定性，以三次平行测定所得光谱的算数平均值作为样品的光谱数据。批样品各采集 组光谱，最终共获得 组光谱数据。光谱预处理 平滑滤波（）运用于数据流平 年 月云南化工 第 卷第 期 ，滑除噪，是一种在时域内基于局部多项式最小二乘法拟合的滤波方法，其最大的特点为滤除噪音的同时有效保留信号的峰值、高度、宽度等特征值 。原理反向传播 人工神经网络是单向传播的多层前向网络，由输入层、隐含层和输出层组成。通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，以实现输入特征向量，输出类别的效果。多用于模型识别分类、时间序列预测等 。利用该网络可以实现输入 输出的非线性映射。模型的学习过程由正向传播和反向传播组成，正向传播计算如式（）、（）所示：向前传播计算公式为：()，（）（），（）式中，分别代表输入层、隐含层、输出层的神经元个数；为隐含层的输出；表示输入层到隐含层的 传递函数；表示输入层与隐含层间的权值；为输入层，即葛根光谱数据；表示输出层的输出值，即为不同来源葛根产地；为隐含层到输出层的线性传递函数；为隐含层与输出层的权值。反向传播公式为：（）（）式中 表示输出值的误差，为期望输出值，为实际输出值。输入数据 通过隐含层的变换传入输出层，输出层没达到期望值，则反向传播回去，以此对各层神经元之间的权值进行迭代调整。软件及计算光谱预处理与 建模由 软件实现。全部计算在配置为 （）（）的计算机中进行，计算机软件环境为 。模型评价指标在机器学习中，混淆矩阵（表 ）可以对模型分类的预测结果进行总结，用于比较分类结果和实际测得值。为精确率与召回率的调和平均数，见式（）。表 混淆矩阵真正类别预测类别 （）式（）到（）为准确度（）、精密度（）、特异性（）、灵敏度（）和 （回收率）的计算公式。（）（）（）（）式中：表示为精确率；表示为召回率。分数越接近 证明模型性能越好，反之则模型性能越差。结果与分析 原始光谱曲线实验数据为六个产地葛根样品测得的高光谱数据。代表性原始光谱反射率随波长变化曲线如图 所示，反射率小于 。从图 中可看出不同产地葛根样品的光谱线大致相似但存在细微差异，说明葛根药材样品中化学成分组成相似但比例不同，通过样品的高光谱无法直接进行葛根产地鉴别。因此，需要通过 根据高光谱数据建立分类模型进行鉴别。图 代表性葛根样品的高光谱 数据预处理及 模型建立高光谱数据中除了包含葛根样品的特征信息外，还有光谱采集的过程中产生的背景噪声等不相关信息。因此，在建立模型前，利用 方法对葛根高光谱数据进行预处理消除不相关信息，提高 模型的训练效果。将葛根原始光谱反射率数据和预处理之后的数据作为 模型的输入层，葛根来源标签作为输出层。采用手动划分的方法，将数据分为 组训练集、组验证集和 组测试集。训练集用于训练模型；验证集用于参数调优；测试集用于评价模型。分类标签为 个不同产地来源的葛根药材，输入层数据为葛根原始光谱数据和预处理之后的数据，输出为葛根分类标签。采取手动随机抽样的方法将 个产地的光谱数据划分为 个训练集、个验证集、个测试集。使用 中自带的 （）算法对模型进行训练，当优化隐含层节点数时，算法会自动生成响应的迭代次数（），交叉熵损失值（），梯度（），验证检查（）。本文隐含层节点数的选择范围为 且取整，以验证集的分类准确 年 月云南化工 第 卷第 期 ，率作为模型选择指标，探究不同隐含层节点数对 模型分类准确率的影响，结果如表 所示。表 不同隐含层节点数对 模型的影响 （）（）由表 可以看出，当隐含层节点数设置为 时，为 ，为 ，为 ，为 ，模型的验证集分类准确率最大，达到了 。因此后续实验选择 为 模型的隐含层节点数。模型评价以 预处理后的数据作为输入变量，葛根 个产地的标签作为输出变量，隐含层节点数目设置为 ，建立 模型，将验证集的分类准确率以及真正率、命中率和特异度综合 值作为模型的最终评价指标。为验证模型的预测能力，从训练集和验证集的 组数据中随机手动挑选 组为新训练集，组为测试集，用所得模型对新测试集进行预测，得到五折交叉验证结果，见表 。根据五折交叉验证结果可知，模型具有很强的预测能力。综上表明，经过 预处理后建立的 分类模型具有很高的分类能力和稳定性。表 不同来源葛根样品的鉴别结果（准确率、精确率、召回率和特异性）（）（）（）（）（）（）（）（）由表 可知，预处理节点数为 时，对每个产地的葛根样品都取得了更优的鉴别结果。其中 ，四种葛根样品可完全区分出，各项指标达到 。为综合分析模型的鉴别能力，通过 中的 判别指标公式计算，此时各类葛根对应的 值也最高。由此可见，高光谱结合支持 方法应用于葛根鉴别具有良好的可行性，且方法简便高效，结果准确可靠，这为葛根定性分类研究提供了一种新的方法。结论本文以葛根药材作为研究对象，研究建立的高光谱技术结合 方法，实现了对不同产地来源葛根药材的准确鉴别。最后通过测试集和五折交叉验证结果可知，模型对葛根来源鉴别效果显著，外部测试集分类准确率为 ，同时具有较高的精确率、灵敏度和特异度。由此可见，高光谱结合 预处理与 方法应用于葛根药材的来源分类具有良好的可行性，同时更加简便、准确、高效，为中药材质量评价研究提供了一种新的方法。参考文献：贺媛媛 药食同源产品（玛咖、葛根）产地鉴别技术研究 北京：中国农业科学院，杨庆振，郭敏，范新成 基于随机森林算法的高光谱遥感作物分类 测绘与空间地理信息，（）：肖树群，汪海城，袁兆宪，等 基于随机森林与神经网络的高光谱土壤重金属 含量反演 环境监测管理与技术，（）：郑洁，茹晨雷，张璐，等 基于近红外高光谱成像技术对不同产地苦杏仁和桃仁药材的鉴别 中国中药杂志，（）：王丽琼，范琦，易珍奎，等 指纹图谱结合反向传播人工神经网络和判别分析鉴定不同的麻黄药材 西南师范大学学报（自然科学版），（）：孙成玉，焦龙 高光谱结合支持向量机鉴别不同产地丹参药材 福建分析测试，（）：，（）：刘瑞航，张佳瑜，马彩虹 辅助 神经网络模式识别的土地覆盖分类 北京测绘，（）：收稿日期：基金项目：国家自然科学基金项目（）、陕西省教育 厅 青 年 创 新 团 队 建 设 科 研 计 划 项 目（、）、大学生创新创业训练计划项目（）、川庆钻探公司 西安石油大学致密油气藏勘探开发研究中心科技项目（）、西安石油大学科研创新团队（）资助。作者简介：郭毅秦（），女，陕西渭南人，硕士研究生在读，主要从事分析化学的研究。：通讯作者：焦龙（），男，陕西西安人，博士，教授，主要从事分析化学的研究。：