湯彥豐等

摘要：測定了41個大黃（Rhubarb）樣品的近紅外光譜數(shù)據(jù)，結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，對正品與非正品大黃加以鑒別。為了提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，在利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建立模型之前，通過小波變換壓縮了光譜變量，分析了建立模型的參數(shù)。結(jié)果表明，該法對大黃樣品的識別正確率達(dá)97.56%，可用于大黃中藥生產(chǎn)的質(zhì)量控制。

關(guān)鍵詞：大黃（Rhubarb）；近紅外光譜；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；鑒別

中圖分類號：R917 文獻(xiàn)標(biāo)識碼：A 文章編號：0439-8114（2014）02-0423-03

Identification of Rhubarb Based on Near Infrared Spectrum and RBF Neural Network

TANG Yan-feng1，HOU Zhan-zhong1，XI Qing-chuan1，F(xiàn)AN Guo-qiang2

（1.Hebei North University， Zhangjiakou 075000，Hebei，China；

2. Institute for Chinese Medicine， Beijing Tongrentang Group Co. Ltd.，Beijing 100011，China）

Abstract： The 41 unknown rhubarb samples were analyzed by near infrared spectral data combining with the radial basis function neural network model identification. In order to improve the training speed of neural network， the radial basis function neural network（RBF-NN） model and the wavelet transform for spectrum variables were adopted and the related parameters were discussed. The results showed that the accuracy of identification could reach 97.56%， which could be used to control the quality of rhubarb.

Key words： Rhubarb； near infrared spectroscopy； RBF-NN； identification

大黃（Rhubarb）是蓼科（Polygonaceae）大黃屬（Rheum）植物的合稱，為中國常見中藥材。隨著國內(nèi)外對大黃需求量的日益增加，少數(shù)不法商販為牟求利益，將次品大黃或非大黃充當(dāng)正品大黃使用。因此，大黃的質(zhì)量控制、真?zhèn)魏偷赖匦澡b定是保證大黃真實性、療效和用藥安全的重要環(huán)節(jié)。近紅外光譜是疊加譜，只要中藥材的各成分組成相對穩(wěn)定，其光譜就有一定的重現(xiàn)性，應(yīng)用于中藥材鑒別非常簡便、快速[1-5]，與此同時，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)適宜處理大量的模糊數(shù)據(jù)[6-9]。兩種方法將為中藥材準(zhǔn)確快速的鑒定提供參考[10]。

1 材料與方法

1.1 樣品

41個不同品種和不同產(chǎn)地的大黃樣品由北京同仁堂研究所提供。根據(jù)《中國藥典》相關(guān)描述，將樣品分為正品大黃和非正品大黃2類，其中23個為正品樣本，18個為非正品樣本（表1）。

1.2 儀器

Foss 6500型近紅外光譜儀（Foss NIR Systems Inc，USA），石英鹵燈，PbS檢測器。

1.3 方法

1.3.1 樣品預(yù)處理 藥材經(jīng)烤箱烘干，機(jī)器粉碎，過60目篩，取約2.5 g樣品放入樣品池中。

1.3.2 數(shù)據(jù)采集和處理 測量范圍1 100～2 500 nm，每隔2 nm采集一個數(shù)據(jù)點，樣品池直徑38 mm，厚度10 mm，每個樣品掃描測量30次，取其平均值作為該樣品的光譜數(shù)據(jù)。為了保證樣品數(shù)據(jù)具有代表性，在測定一定次數(shù)后，需將樣品池取出并均勻搖動，使樣品完全填充。

1.3.3 大黃近紅外光譜的RBF-NN模型 程序采用Matlab語言編寫，以函數(shù)appcoef進(jìn)行一維小波變換，提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，得到大黃近紅外光譜數(shù)據(jù)組成44×41矩陣，利用Matlab中神經(jīng)網(wǎng)絡(luò)工具箱的newrb函數(shù)做網(wǎng)絡(luò)訓(xùn)練，在隱層中傳遞函數(shù)調(diào)用高斯函數(shù)radbas，并應(yīng)用函數(shù)sim對徑向基網(wǎng)絡(luò)仿真分析。

2 結(jié)果與分析

大黃樣品近紅外光譜非常相似，由圖1光譜數(shù)據(jù)比較分析可知，不同大黃的近紅外光譜雖然具有細(xì)微差別，但存在多個區(qū)域重復(fù)，而且還有暗紋，對比分析難度較大，且近紅外原光譜圖中光譜變量點多，分析速度慢。為了減少光譜的變量，提高訓(xùn)練速度，利用小波變換方法對近紅外原光譜進(jìn)行壓縮，壓縮后光譜變量點僅為44個。

以大黃近紅外光譜為依據(jù)，通過建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型加以分類。以1代表正品大黃，0代表非正品大黃，0.5為閾值。正品數(shù)為23，非正品數(shù)為17，只有一個非正品大黃樣本33號未識別出來（圖2），方法的識別正確率為97.56%，可在一定程度上用來鑒別大黃樣品。

在應(yīng)用Matlab 7.0軟件編譯程序、構(gòu)建與訓(xùn)練徑向基函數(shù)網(wǎng)絡(luò)的過程中，應(yīng)用了神經(jīng)網(wǎng)絡(luò)工具箱中newrb函數(shù)，其中影響分類結(jié)果的參數(shù)主要有目標(biāo)誤差（Error goal，EG）和徑向基函數(shù)分布常數(shù)（Spread constant，SC）。其中EG是影響網(wǎng)絡(luò)訓(xùn)練終點的重要參數(shù)，決定網(wǎng)絡(luò)訓(xùn)練次數(shù)和精度。不同的目標(biāo)誤差經(jīng)程序分析，其正確率有所差異。圖3是不同EG對正確率的影響，目標(biāo)誤差最大為0.003時，識別正確率也最低，僅為82.92%；當(dāng)EG為0.001時，有最大的識別正確率97.56%，同時，均方根誤差也最小，為0.264。

徑向基函數(shù)的分布常數(shù)（SC）表示輸入數(shù)據(jù)到中心點的距離，其大小直接影響計算結(jié)果的準(zhǔn)確性。分布常數(shù)為1～10時對結(jié)果影響最大。由圖4可以看出，分布常數(shù)為5時，大黃樣品識別率最低，僅為87.80%。當(dāng)分布常數(shù)為7時識別正確率達(dá)到最大值97.56%，均方根誤差為0.287。

根據(jù)上述分析，選定目標(biāo)誤差（EG=0.001），徑向基函數(shù)分布常數(shù)（SC=7）時，結(jié)果最優(yōu)。依此為條件對大黃樣品預(yù)測分類，其識別正確率為97.56%，能較好地鑒別大黃樣品。

3 小結(jié)

本研究建立了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與近紅外光譜法的分析方法，將小波變換數(shù)據(jù)壓縮技術(shù)處理的近紅外光譜調(diào)入徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型中，實現(xiàn)了中草藥大黃的無損鑒別。該方法避免了傳統(tǒng)方法中成本高，操作復(fù)雜，工作效率低的缺點，識別正確率達(dá)到97.56%，為鑒別中藥大黃提供了一種質(zhì)量控制方法。

參考文獻(xiàn)：

[1] 范積平，張柳瑛，張貞良，等.不同產(chǎn)地大黃藥材的近紅外漫反射光譜法鑒別[J].藥學(xué)實踐雜志，2005，23（3）：148-150.

[2] 黃安麗.近紅外光譜分析技術(shù)在假藥識別中的應(yīng)用[J].食品藥品監(jiān)管，2008，17（2）：123- 125.

[3] 白 雁，李艷英，龔海燕，等.近紅外判別分析法鑒別不同廠家一清顆粒[J].中國醫(yī)藥學(xué)雜志，2009，29（3）：188-191.

[4] WOO Y A， KIM H J， CHO J H. Identification of herbal medicines using pattern recognition techniques with near-infrared reflectance spectra[J]. Microchem J，1999，63（1）：61-70.

[5] 白 雁，賈 永，王 東，等.應(yīng)用近紅外漫反射光譜技術(shù)測定酒燉熟地黃中的還原糖含量[J].中藥材，2006，29（10）：68-69.

[6] CHEN S， COWAN C F， GRANT P M. Orthogonal least squares learning algorithm for radial basis function networks[J]. IEEE Transactions on Neural Networks，2002，2（2）：302-309.

[7] 李仲謹(jǐn)，邱 輝，朱 雷，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的高血壓分類診斷系統(tǒng)的建立[J].廣東微量元素科學(xué)，2008，15（12）：14-19.

[8] 于曉輝，張卓勇，馬 群，等.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和近紅外光譜用于大黃中有效成分的定量預(yù)測[J]. 光譜學(xué)與光譜分析，2007，27（3）：481-485.

[9] 逯家輝，張益波，張卓勇，等.小波變換近紅外光譜結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)快速分析異福片[J].光譜學(xué)與光譜分析，2008，28（6）：1264-1268.

[10] 張益波，何 歡，孟慶繁，等.近紅外光譜結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)在云芝菌絲體無損分析中的應(yīng)用[J].光學(xué)學(xué)報，2010，30（12）：3552-3557.

徑向基函數(shù)的分布常數(shù)（SC）表示輸入數(shù)據(jù)到中心點的距離，其大小直接影響計算結(jié)果的準(zhǔn)確性。分布常數(shù)為1～10時對結(jié)果影響最大。由圖4可以看出，分布常數(shù)為5時，大黃樣品識別率最低，僅為87.80%。當(dāng)分布常數(shù)為7時識別正確率達(dá)到最大值97.56%，均方根誤差為0.287。

根據(jù)上述分析，選定目標(biāo)誤差（EG=0.001），徑向基函數(shù)分布常數(shù)（SC=7）時，結(jié)果最優(yōu)。依此為條件對大黃樣品預(yù)測分類，其識別正確率為97.56%，能較好地鑒別大黃樣品。

3 小結(jié)

本研究建立了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與近紅外光譜法的分析方法，將小波變換數(shù)據(jù)壓縮技術(shù)處理的近紅外光譜調(diào)入徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型中，實現(xiàn)了中草藥大黃的無損鑒別。該方法避免了傳統(tǒng)方法中成本高，操作復(fù)雜，工作效率低的缺點，識別正確率達(dá)到97.56%，為鑒別中藥大黃提供了一種質(zhì)量控制方法。

參考文獻(xiàn)：

[1] 范積平，張柳瑛，張貞良，等.不同產(chǎn)地大黃藥材的近紅外漫反射光譜法鑒別[J].藥學(xué)實踐雜志，2005，23（3）：148-150.

[2] 黃安麗.近紅外光譜分析技術(shù)在假藥識別中的應(yīng)用[J].食品藥品監(jiān)管，2008，17（2）：123- 125.

[3] 白 雁，李艷英，龔海燕，等.近紅外判別分析法鑒別不同廠家一清顆粒[J].中國醫(yī)藥學(xué)雜志，2009，29（3）：188-191.

[4] WOO Y A， KIM H J， CHO J H. Identification of herbal medicines using pattern recognition techniques with near-infrared reflectance spectra[J]. Microchem J，1999，63（1）：61-70.

[5] 白 雁，賈 永，王 東，等.應(yīng)用近紅外漫反射光譜技術(shù)測定酒燉熟地黃中的還原糖含量[J].中藥材，2006，29（10）：68-69.

[6] CHEN S， COWAN C F， GRANT P M. Orthogonal least squares learning algorithm for radial basis function networks[J]. IEEE Transactions on Neural Networks，2002，2（2）：302-309.

[7] 李仲謹(jǐn)，邱 輝，朱 雷，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的高血壓分類診斷系統(tǒng)的建立[J].廣東微量元素科學(xué)，2008，15（12）：14-19.

[8] 于曉輝，張卓勇，馬 群，等.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和近紅外光譜用于大黃中有效成分的定量預(yù)測[J]. 光譜學(xué)與光譜分析，2007，27（3）：481-485.

[9] 逯家輝，張益波，張卓勇，等.小波變換近紅外光譜結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)快速分析異福片[J].光譜學(xué)與光譜分析，2008，28（6）：1264-1268.

[10] 張益波，何 歡，孟慶繁，等.近紅外光譜結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)在云芝菌絲體無損分析中的應(yīng)用[J].光學(xué)學(xué)報，2010，30（12）：3552-3557.

徑向基函數(shù)的分布常數(shù)（SC）表示輸入數(shù)據(jù)到中心點的距離，其大小直接影響計算結(jié)果的準(zhǔn)確性。分布常數(shù)為1～10時對結(jié)果影響最大。由圖4可以看出，分布常數(shù)為5時，大黃樣品識別率最低，僅為87.80%。當(dāng)分布常數(shù)為7時識別正確率達(dá)到最大值97.56%，均方根誤差為0.287。

根據(jù)上述分析，選定目標(biāo)誤差（EG=0.001），徑向基函數(shù)分布常數(shù)（SC=7）時，結(jié)果最優(yōu)。依此為條件對大黃樣品預(yù)測分類，其識別正確率為97.56%，能較好地鑒別大黃樣品。

3 小結(jié)

本研究建立了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與近紅外光譜法的分析方法，將小波變換數(shù)據(jù)壓縮技術(shù)處理的近紅外光譜調(diào)入徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型中，實現(xiàn)了中草藥大黃的無損鑒別。該方法避免了傳統(tǒng)方法中成本高，操作復(fù)雜，工作效率低的缺點，識別正確率達(dá)到97.56%，為鑒別中藥大黃提供了一種質(zhì)量控制方法。

參考文獻(xiàn)：

[1] 范積平，張柳瑛，張貞良，等.不同產(chǎn)地大黃藥材的近紅外漫反射光譜法鑒別[J].藥學(xué)實踐雜志，2005，23（3）：148-150.

[2] 黃安麗.近紅外光譜分析技術(shù)在假藥識別中的應(yīng)用[J].食品藥品監(jiān)管，2008，17（2）：123- 125.

[3] 白 雁，李艷英，龔海燕，等.近紅外判別分析法鑒別不同廠家一清顆粒[J].中國醫(yī)藥學(xué)雜志，2009，29（3）：188-191.

[4] WOO Y A， KIM H J， CHO J H. Identification of herbal medicines using pattern recognition techniques with near-infrared reflectance spectra[J]. Microchem J，1999，63（1）：61-70.

[5] 白 雁，賈 永，王 東，等.應(yīng)用近紅外漫反射光譜技術(shù)測定酒燉熟地黃中的還原糖含量[J].中藥材，2006，29（10）：68-69.

[6] CHEN S， COWAN C F， GRANT P M. Orthogonal least squares learning algorithm for radial basis function networks[J]. IEEE Transactions on Neural Networks，2002，2（2）：302-309.

[7] 李仲謹(jǐn)，邱 輝，朱 雷，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的高血壓分類診斷系統(tǒng)的建立[J].廣東微量元素科學(xué)，2008，15（12）：14-19.

[8] 于曉輝，張卓勇，馬 群，等.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和近紅外光譜用于大黃中有效成分的定量預(yù)測[J]. 光譜學(xué)與光譜分析，2007，27（3）：481-485.

[9] 逯家輝，張益波，張卓勇，等.小波變換近紅外光譜結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)快速分析異福片[J].光譜學(xué)與光譜分析，2008，28（6）：1264-1268.

[10] 張益波，何 歡，孟慶繁，等.近紅外光譜結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)在云芝菌絲體無損分析中的應(yīng)用[J].光學(xué)學(xué)報，2010，30（12）：3552-3557.