基于LM-BP神經(jīng)網(wǎng)絡(luò)的穿心蓮藥材分類識別

1、基于LM-BP神經(jīng)網(wǎng)絡(luò)的穿心蓮藥材分類識別                          作者：周舒冬 李倚岳 李麗霞 張敏 【摘要】  目的建立高效準(zhǔn)確的穿心蓮樣品識別模型，為進(jìn)行質(zhì)量控制提供參考。方法收集不同產(chǎn)地的12個(gè)穿心蓮藥材樣品的指紋圖譜，提取4個(gè)主成分利用LM-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別。結(jié)果建立了穿心蓮藥材指紋圖

2、譜的LM-BP神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過對不同產(chǎn)地穿心蓮的識別，證明其有較好的識別功能。結(jié)論LM-BP算法在識別速度和精度上都比傳統(tǒng)BP算法有了較大提高。 【關(guān)鍵詞】  LM-BP神經(jīng)網(wǎng)絡(luò) 穿心蓮 指紋圖譜為了更全面地檢測各種成分在藥材中分布的全貌，評價(jià)藥材質(zhì)量，促進(jìn)優(yōu)質(zhì)中成藥的生產(chǎn)，對中藥品種的分類識別是一個(gè)首要環(huán)節(jié)1。河南學(xué)術(shù)科研網(wǎng)我國中藥材產(chǎn)地多，資源豐富、品種繁多、來源復(fù)雜，單憑傳統(tǒng)的經(jīng)驗(yàn)鑒別容易造成失誤，而隨著計(jì)算機(jī)技術(shù)發(fā)展和模式識別算法的提出和改進(jìn)，利用中藥指紋圖譜進(jìn)行中藥材鑒定已經(jīng)取得了長足發(fā)展。由于中藥指紋圖譜含有大量信息，形成一個(gè)巨大的多維信息庫，且同時(shí)存在一些噪聲干擾而真

3、偽難辨等，因此如何提高中藥指紋圖譜的識別效率，獲取更多有用的數(shù)據(jù)信息成為亟待解決的問題。本研究結(jié)合Levenberg-Marquardt算法與BP神經(jīng)網(wǎng)絡(luò)技術(shù)，提取不同產(chǎn)地批次的穿心蓮中藥指紋圖譜的特征空間信息，利用Matlab7.0軟件編程建立高效準(zhǔn)確的穿心蓮樣品識別系統(tǒng)。1  材料與儀器1.1   樣品來源  12批穿心蓮藥材樣品由廣東省中藥研究所提供，經(jīng)廣州華南植物研究所陳炳輝研究員鑒定為穿心蓮Andrographis paniculata(Burmf.)Nees，其中4批產(chǎn)自江西，5批來自廣東，福建3批。1.2   試劑 乙腈

4、(色譜純)，甲酸(分析純)，二次蒸餾水(自制)。1.3   儀器Agilent四元泵高效液相色譜儀、SPD210A紫外檢測器，LC210ATVP輸液泵、UV24802型紫外可見分光光度計(jì)，AR2140電子分析天平。2  方法2.1   色譜分析條件 Phenomsil ODS柱( 250 mm ×4.6 mm，5 m)，0.1%甲酸乙腈(A)與0.2%甲酸(B)梯度洗脫：020 min(20%A-80%B)，2040 min(30%A -70%B)，4055 min(40%A -60%B),5560 min(85%A-15%B)。流速

5、1.0 ml/min，柱溫25。C,檢測波長254 nm,進(jìn)樣量10 l,所有組分均在60 min內(nèi)被洗脫。2.2   對照品溶液的制備精密稱取穿心蓮內(nèi)酯、脫水穿心蓮內(nèi)酯、新穿心蓮內(nèi)酯和脫氧穿心蓮內(nèi)酯對照品適量,用50%甲醇配制成1.0 mg/ml的對照品溶液。2.3   供試品溶液的制備取各批干燥的穿心蓮藥材2.0 g，粉碎，過40目，用20 ml 85%的乙醇回流提取兩次，2 h/次，過濾，合并濾液，回收乙醇,濾液濃縮至干，再加50%甲醇使其充分溶解，置10ml量瓶中稀釋至刻度，作為供試品溶液。2.4   方法學(xué)考察2.4.1&#

6、160;  精密度實(shí)驗(yàn)取供試品溶液(樣品1)，連續(xù)進(jìn)樣6次，各主要色譜峰的相對保留時(shí)間和相對峰面積比值的RSD均小于3.0%，表明儀器精密度良好。2.4.2   穩(wěn)定性實(shí)驗(yàn)取供試品溶液(樣品1)分別在0，1，2，4，12，24 h進(jìn)樣測定，各主要色譜峰的相對保留時(shí)間和相對峰面積比值的RSD均小于3.0%，表明樣品在24 h內(nèi)穩(wěn)定。2.4.3   重復(fù)性實(shí)驗(yàn)取穿心蓮藥材(樣品1)，按“2.3”項(xiàng)下的方法分別制備供試品溶液6份，進(jìn)樣檢測，結(jié)果各主要色譜峰的相對保留時(shí)間和相對峰面積比值的RSD均小于3.0%,表明方法的重復(fù)性良好。2.5 &

7、#160; 模式識別方法2.5.1   模式識別和BP神經(jīng)網(wǎng)絡(luò)模式識別作為一個(gè)研究領(lǐng)域，迅速發(fā)展于20世紀(jì)60年代，它是一門以應(yīng)用數(shù)學(xué)為理論基礎(chǔ)，利用計(jì)算機(jī)應(yīng)用技術(shù)，解決實(shí)際分類及識別問題的學(xué)問2。    神經(jīng)網(wǎng)絡(luò)是一種模擬人腦功能的成熟的模式識別方法，它借鑒了人腦神經(jīng)系統(tǒng)處理信息的過程，以數(shù)學(xué)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為理論基礎(chǔ)，其中BP神經(jīng)網(wǎng)絡(luò)是迄今為止應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)3。    BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的學(xué)習(xí)算法，它的特點(diǎn)是同一層內(nèi)的神經(jīng)元不連接，在整個(gè)信號傳遞過程中不存在任何信號反饋；輸入層用于信號分配和傳遞，不具

8、備運(yùn)算功能；隱含層和輸出層的神經(jīng)元具有運(yùn)算功能，可輸出最終運(yùn)算結(jié)果。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程有正向與反向兩個(gè)過程，在正向傳播過程中，輸入信息從輸入層經(jīng)過隱含層傳向輸出層，若不能得到預(yù)期輸出，則轉(zhuǎn)為反向傳播，將信號沿原來的連接通道返回并修改各層節(jié)點(diǎn)間的權(quán)值，經(jīng)過反復(fù)調(diào)試，使得誤差信號小于某個(gè)閾值或等于0，此時(shí)訓(xùn)練結(jié)束。經(jīng)過訓(xùn)練的網(wǎng)絡(luò)則可將系統(tǒng)規(guī)則、預(yù)測能力等隱含在網(wǎng)絡(luò)中，只需將測試樣本輸入則可給出處理結(jié)果。2.5.2   Levenberg-Marquardt算法改進(jìn)的BP算法BP神經(jīng)網(wǎng)絡(luò)的常規(guī)算法在實(shí)際應(yīng)用還存在一些需要改進(jìn)的問題，例如網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢，容易陷入局部極小等。

9、而L-M算法是專門用于誤差平方和最小化的方法，它在網(wǎng)絡(luò)訓(xùn)練速度和識別精度上的具有明顯的優(yōu)勢4，因此本研究采用L-M算法對標(biāo)準(zhǔn)的BP算法進(jìn)行改進(jìn)。    設(shè)BP神經(jīng)網(wǎng)絡(luò)的誤差指標(biāo)函數(shù)為：    E(x)=12¶Ni=1Yi-Yi2=12¶Ni=1e2i(x)    其中，Yi為實(shí)際輸出向量， Yi為預(yù)期的輸出向量， ei(x)為誤差。    設(shè)xk表示第k次迭代的權(quán)值和閾值組成的向量，新的權(quán)值和閾值組成的向量xk+1表示為：   

10、; xk+1=xk+x,x=JT(x)J(x)=I-1J(x)e(x)    其中， J(x)為網(wǎng)絡(luò)訓(xùn)練誤差e(x)的Jacobian矩陣， I為單位矩陣， >0。    L-M算法的流程：給出訓(xùn)練誤差允許值，常數(shù)和0，初始化權(quán)值和閾值向量k=0，=0。 計(jì)算網(wǎng)絡(luò)輸出及誤差指標(biāo)函數(shù)E(xk)。 計(jì)算Jacobian矩陣J（x)。計(jì)算x 。如果E(xk)¶，則轉(zhuǎn)到，否則以xk+1=xk+x為權(quán)值和閾值向量計(jì)算誤差指標(biāo)函數(shù)E(xk+1)，若E(xk+1)E(xk)，則令k=k+1，=/，轉(zhuǎn)到；否則令=，轉(zhuǎn)到。結(jié)束

11、。    當(dāng)=0時(shí)，L-M算法即高斯-牛頓法，當(dāng)取值很大時(shí)，則越接近梯度下降法。在實(shí)踐中，它具有二階收斂速度，所需要的迭代次數(shù)很少，既具備牛頓法的局部收斂特性，又有梯度下降算法的全局特性。因此，L-M算法提供了一種快速有效的訓(xùn)練手段，其算法計(jì)算復(fù)雜度為O(n3/6) 。百事通2.6   指紋圖譜的建立和分析2.6.1   穿心蓮的指紋圖譜按照上述方法,分別對12批穿心蓮藥材進(jìn)行分析,制作了穿心蓮藥材的HPLC指紋圖譜,并計(jì)算出其穿心蓮內(nèi)酯、脫水穿心蓮內(nèi)酯、新穿心蓮內(nèi)酯和脫氧穿心蓮內(nèi)酯的含量。2.6.2  

12、 資料預(yù)處理  為消除由于數(shù)據(jù)變換的幅度和范圍以及數(shù)據(jù)分布的非正態(tài)性對結(jié)果的影響，先將原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化變換。2.6.3   LM-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練測試結(jié)果本實(shí)驗(yàn)所采用的3層LM-BP網(wǎng)絡(luò)中，輸入節(jié)點(diǎn)數(shù)為4，即原始數(shù)據(jù)經(jīng)特征提取后的4個(gè)主成分，隱含層節(jié)點(diǎn)數(shù)為4，輸出層有1個(gè)節(jié)點(diǎn)。由于目前仍無系統(tǒng)的關(guān)于中間隱層節(jié)點(diǎn)數(shù)的選取理論，經(jīng)多次實(shí)驗(yàn)比較，最終選取隱層節(jié)點(diǎn)數(shù)為4時(shí)效果比較顯著。    動(dòng)量因子和學(xué)習(xí)速率是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率和收斂度的兩個(gè)重要因素。如果學(xué)習(xí)效率和動(dòng)量因子過大則網(wǎng)絡(luò)收斂很快，但最后網(wǎng)絡(luò)發(fā)生振蕩，失去功能；如果

13、學(xué)習(xí)效率和動(dòng)量因子太小則學(xué)習(xí)速度太慢，網(wǎng)絡(luò)性能也會(huì)受到影響。因此經(jīng)實(shí)驗(yàn)比較選擇，本網(wǎng)絡(luò)的最佳學(xué)習(xí)率為0.05，動(dòng)量因子為0.6。    由于實(shí)驗(yàn)的樣品數(shù)目較少，故采用交叉驗(yàn)證法進(jìn)行分類驗(yàn)證，也就是說將標(biāo)準(zhǔn)化變換后的每個(gè)樣本依次作為待測樣本，用剩余的其它樣本組成新的訓(xùn)練集建立學(xué)習(xí)模型，用于預(yù)測每個(gè)樣本的歸屬。    經(jīng)過LM-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可發(fā)現(xiàn)有一個(gè)穿心蓮樣品被識別錯(cuò)誤，這份來自江西的樣品被鑒別為福建的樣品，其他11個(gè)樣品的鑒別結(jié)果均正確。從總體來看，使用LM-BP網(wǎng)絡(luò)鑒別穿心蓮樣品的識別正確率達(dá)到了91.67%，結(jié)果見表1。表

14、1  LM-BP神經(jīng)網(wǎng)絡(luò)對穿心蓮預(yù)測樣本的預(yù)測結(jié)果（略）同時(shí)實(shí)驗(yàn)預(yù)先使用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，發(fā)現(xiàn)雖然傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的鑒別結(jié)果與改進(jìn)的模型結(jié)果一致，但從訓(xùn)練的速度進(jìn)行比較，LM-BP算法的收斂速度很快，而傳統(tǒng)算法的收斂速度則比較緩慢，其誤差收斂曲線圖如圖1和圖2。圖1  傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的誤差收斂曲線（略）圖2  LM-BP神經(jīng)網(wǎng)絡(luò)的誤差收斂曲線（略）3  討論    中藥指紋圖譜是一種綜合的、可量化的鑒定手段5，6，它是建立在中藥化學(xué)成分系統(tǒng)研究的基礎(chǔ)上，它能通過指紋圖譜的特征性來有效鑒別樣品的真?zhèn)位虍a(chǎn)地，并且能

15、夠通過指紋圖譜主要特征峰的面積或比例的確定，有效控制產(chǎn)品的質(zhì)量，確保產(chǎn)品質(zhì)量的相對一致。但由于受到不同產(chǎn)地及不同采收期的影響，當(dāng)不同藥材樣品的指紋圖譜非常相似時(shí)，不可能用直接觀察的方法對各類產(chǎn)區(qū)的藥材作出準(zhǔn)確鑒別，如果使用簡單的傳統(tǒng)相關(guān)系數(shù)法，當(dāng)樣品間的相關(guān)系數(shù)非常大也很難作出鑒定。因此使用神經(jīng)網(wǎng)絡(luò)方法可對相似度較高的樣品分類鑒定作深入地研究。    本文首先利用穿心蓮HPLC的指紋圖譜資料建立了LM-BP神經(jīng)網(wǎng)絡(luò)模型，測試時(shí)只需將樣品的主要圖譜數(shù)據(jù)作為輸入，則可輸出相應(yīng)的產(chǎn)地類別，操作簡便快捷。由于中藥指紋圖譜的模糊綜合等特性，單純依靠人工識別容易出現(xiàn)混淆，因此

16、借助人工神經(jīng)網(wǎng)絡(luò)技術(shù)對中藥指紋圖譜資料進(jìn)行分析，充分利用了模糊、非線性的技術(shù)特性，可以真實(shí)反映中藥材的內(nèi)在質(zhì)量。    應(yīng)用基于L-M算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行穿心蓮藥材的識別分類，訓(xùn)練時(shí)間比普通的BP網(wǎng)絡(luò)訓(xùn)練時(shí)間短，且擬合精度并未降低。本方法克服了傳統(tǒng)BP網(wǎng)絡(luò)訓(xùn)練時(shí)間長、易陷入局部極小的局限性，在對識別精度和識別速度要求比較高的情況下，采用L-M算法改進(jìn)的BP網(wǎng)絡(luò)可以達(dá)到很好的效果，具有一定的實(shí)用價(jià)值?！緟⒖嘉墨I(xiàn)】  1 萬紹暉,萬紹明,康廷國.系統(tǒng)科學(xué)在中藥質(zhì)量控制中的運(yùn)用J.時(shí)珍國醫(yī)國藥,2005,16(5): 457.2 Andrew R.Webb著.王 萍,楊培龍,羅穎昕譯.統(tǒng)計(jì)模式識別，第2版M.北京:電子工業(yè)出版社, 2004.3 湯 丹,李 薇,許 毅,等.廣藿香指紋圖譜解析的人工神經(jīng)網(wǎng)絡(luò)方法研究J.中藥材,2004,27 (7): 534. 4 趙 弘,周瑞祥,林廷圻.基于Levenberg-Marquardt算法的神經(jīng)網(wǎng)絡(luò)監(jiān)督控制J.西安交通大學(xué)學(xué)報(bào),2002,36(5):523.5 林蔚蘭,曾令杰,梁惠瑜.不同產(chǎn)地穿心蓮藥材HPLC指紋圖譜初步研究J.中成藥,2007,29 (5): 730.6 梁永樞,段 啟,方麗華