胡麗萍，黃生權(quán)，田淑華，黃延盛，胡流云，A FALOLA Akinola，李璇，舒逸聃，王學(xué)重，

（1 華南理工大學(xué)化學(xué)與化工學(xué)院，廣東廣州510640；2 無限極（中國）有限公司，廣東廣州510623；3 晶格碼（青島）智能科技有限公司，山東青島266109；4 北京石油化工學(xué)院化學(xué)工程學(xué)院，恩澤生物質(zhì)精細化工北京市重點實驗室，制藥和結(jié)晶系統(tǒng)工程中心，北京102617）

中草藥是中華民族的瑰寶，在中國已有上千年的歷史。中草藥是中醫(yī)預(yù)防治療疾病所使用的獨特藥物，也是中醫(yī)區(qū)別于其他醫(yī)學(xué)的重要標(biāo)志。利用過程分析技術(shù)（process analytical technology, PAT）對產(chǎn)品質(zhì)量進行在線檢測和調(diào)控是提高中藥制造檢測水平的有效手段[1]。本文研究近紅外光譜（NIR）技術(shù)進行在線質(zhì)量檢測的對象是中藥口服液，其有效成分復(fù)合多糖是從多種天然植物中提取的免疫調(diào)節(jié)劑，具有增強人體免疫力、提高機體抵抗力、提升睡眠質(zhì)量、降血脂、抗衰老、抗癌等功效[2]。保障多糖含量是保障口服液質(zhì)量的關(guān)鍵。多糖含量的檢測方法主要有色譜法、化學(xué)法[3]以及近紅外光譜法[1]，其中近紅外光譜法具有快速、高效、實時在線、操作簡單、無樣品預(yù)處理、對樣品無破壞等特點，在食品[4]和藥品[5-7]的定性定量在線分析中有著廣泛的應(yīng)用。

但近紅外模型在使用過程中對于環(huán)境條件以及設(shè)備要求嚴(yán)苛，當(dāng)檢測條件、檢測環(huán)境或儀器設(shè)備變化時，光譜的吸光度會出現(xiàn)差異以及出現(xiàn)波長漂移的現(xiàn)象，使得原模型對于新數(shù)據(jù)不再有預(yù)測效果或預(yù)測效果差。為了解決這一現(xiàn)象，模型轉(zhuǎn)移的概念被提出。模型轉(zhuǎn)移可以解決由于更換儀器部件、更換儀器、檢測條件變化、檢測環(huán)境變化或隨時間推移而產(chǎn)生的一些其他變化所導(dǎo)致的原有模型預(yù)測準(zhǔn)確度降低的問題，從而確保模型的長期有效性。近紅外光譜受測量儀器或測量條件的影響較大，模型轉(zhuǎn)移對近紅外光譜技術(shù)的推廣應(yīng)用顯得尤為重要[8]。

按照是否需要在主儀器（已有模型儀器）和從儀器（待轉(zhuǎn)移模型儀器）上采集一一對應(yīng)的標(biāo)準(zhǔn)光譜，模型轉(zhuǎn)移可分為有標(biāo)樣模型轉(zhuǎn)移和無標(biāo)樣模型轉(zhuǎn)移。有標(biāo)樣模型轉(zhuǎn)移是通過回歸算法對源機及目標(biāo)機光譜或進行回歸得到二者之間的轉(zhuǎn)換關(guān)系，目前模型轉(zhuǎn)移方法主要有：直接標(biāo)準(zhǔn)化法[9-11]（direct standardization,DS）、斜率截距法[12-15]（slope/bias,S/B）、分段 直接標(biāo)準(zhǔn)化法[15-18]（piecewise direct standardization, PDS）、Shenk’s 算 法[19-20]（Shenk’s algorithm）、典型相關(guān)分析[21-22]（canonical correlation analysis,CCA）。在實際應(yīng)用中，往往無法從主從儀器上獲取一一對應(yīng)的標(biāo)準(zhǔn)光譜，這時就需要使用無標(biāo)樣的模型轉(zhuǎn)移算法——利用基線校正、光譜求異、數(shù)字濾波、信號平滑等方法減小儀器間光譜差異的方法。常見算法有正交信號校正[23-28]（orthogonal signal correction,OSC）、穩(wěn)定競爭自適應(yīng)重 加 權(quán) 采 樣[29]（stability competitive adaptive reweighted sampling, SCARS）、 小 波 變 換[30-31]（wavelet transform, WT）等。對于有標(biāo)樣的模型轉(zhuǎn)移算法，劉翠玲等[11]利用直接標(biāo)準(zhǔn)化法對食用油的食用油酸值和過氧化值兩個指標(biāo)的模型進行轉(zhuǎn)移，實現(xiàn)了不同儀器間的模型共享。李鴻儒等[10]對直接標(biāo)準(zhǔn)化算法進行改進，對光譜矩陣進行主成分分解后再進行模型轉(zhuǎn)移，并用玉米和煙草為實驗對象進行驗證，結(jié)果表明改進后的DS法對玉米和煙草模型轉(zhuǎn)移有著不同維度的提升。吉納玉等[12]用SB算法研究了不同水果間的模型轉(zhuǎn)移，成功實現(xiàn)蘋果、梨、桃這3種水果的可溶性固形物模型之間的相互傳遞。信曉偉等[14]對SB算法進行改進，解決兩組數(shù)據(jù)的非線性問題，提高模型轉(zhuǎn)移準(zhǔn)確性。李鑫等[18]以煙葉的兩種物理形態(tài)為研究對象，對比分析Shenk’s 算法、PDS、CCA 這3 種算法的模型轉(zhuǎn)移穩(wěn)健性。蘇虹[20]以煙葉的不同產(chǎn)地為研究對象，采用Shenk’s算法研究分析了煙葉在不同儀器間的模型轉(zhuǎn)移。對于無標(biāo)樣的模型轉(zhuǎn)移算法，劉賢等[27]研究了OSC法的不同數(shù)據(jù)預(yù)處理方法在秸桿飼料近紅外光譜模型傳遞中的應(yīng)用。張曉羽等[29]采用SARCS法研究在無標(biāo)樣模型轉(zhuǎn)移中的應(yīng)用。杜文等[31]以煙草中還原糖、總糖、總堿和游離氯為研究對象，研究了WT的不同前處理方式對煙草模型轉(zhuǎn)移的影響。對于有干擾物的混合物樣品光譜建模，Zhao等[32]基于獨立成分分析提出了一種新的魯棒校準(zhǔn)建模策略O(shè)-ICR（orthogonal signal correction-independent component regression），不僅能增強模型的穩(wěn)健性，還能提高模型轉(zhuǎn)移的預(yù)測性能。此方法將光譜信號劃分為干擾信號、質(zhì)量正交信號和質(zhì)量相關(guān)信號，通過兩步校正消除干擾信號和質(zhì)量正交信號，僅使用質(zhì)量相關(guān)信號來創(chuàng)建回歸模型，基于少量樣本即可以消除儀器間光譜差異和溫度對光譜的影響。

標(biāo)準(zhǔn)標(biāo)樣是指用主儀器和從儀器分別采集光譜的樣品，其中主儀器光譜叫標(biāo)準(zhǔn)光譜，所測樣品叫標(biāo)準(zhǔn)標(biāo)樣。在工業(yè)生產(chǎn)中，難以獲得能在主儀器和從儀器上均采集光譜的標(biāo)準(zhǔn)標(biāo)樣，而使用無標(biāo)樣算法對本文研究對象的模型轉(zhuǎn)移預(yù)測效果差。本文使用較為廣泛應(yīng)用的有標(biāo)樣模型算法直接標(biāo)準(zhǔn)化（DS）法，結(jié)合PCA降維，在無法獲取標(biāo)準(zhǔn)標(biāo)樣的情況下，使用與從儀器樣品化學(xué)值一一對應(yīng)后誤差不超過3%的主儀器光譜作為虛擬標(biāo)樣進行有標(biāo)樣轉(zhuǎn)移，解決工業(yè)生產(chǎn)過程中無法采集一一對應(yīng)的標(biāo)準(zhǔn)標(biāo)樣，并且無標(biāo)樣算法預(yù)測效果差的問題，實現(xiàn)工業(yè)上模型的在線轉(zhuǎn)移。王安冬等[33]將經(jīng)直接正交信號校正法（direct orthogonal signal correction,DOSC）校正的光譜與其參考值之比定義為虛擬標(biāo)準(zhǔn)平均光譜，并以虛擬標(biāo)準(zhǔn)平均光譜的回歸為核心來消除樣本批次間的背景差異。本文沿用王安冬等[33]有關(guān)虛擬標(biāo)準(zhǔn)平均光譜的思想，為此，考慮到本文研究對象在模型轉(zhuǎn)移前后的樣品原料、制備工藝、檢測方法均未發(fā)生變化。本文將轉(zhuǎn)移前后化學(xué)值一一對應(yīng)后誤差不超過3%的樣品稱為虛擬標(biāo)樣，與從機樣品化學(xué)值對應(yīng)的主機樣品光譜稱為虛擬標(biāo)樣光譜。利用虛擬標(biāo)樣進行有標(biāo)樣的模型轉(zhuǎn)移，實現(xiàn)無標(biāo)準(zhǔn)標(biāo)樣時的有標(biāo)樣模型轉(zhuǎn)移。與王安東等[33]的方法相比較，用直接正交信號校正將主從機光譜進行預(yù)處理后再虛擬化，是一種有標(biāo)準(zhǔn)標(biāo)樣的模型轉(zhuǎn)移光譜虛擬方式，消除由原料變異引起的光譜背景差異。本文采用的方法是根據(jù)樣本原料相同，將主機樣本光譜虛擬成標(biāo)樣，消除由于更換儀器帶來的光譜差異，實現(xiàn)無標(biāo)樣模型轉(zhuǎn)移。

本文基于中草藥口服液多糖、可溶性固形物和pH這3項指標(biāo)，研究模型轉(zhuǎn)移情況。采用x-y共生距離（sample set partitioning based on joint X-Y distances,SPXY）樣本劃分方法，劃分訓(xùn)練集和驗證集，使用遺傳算法[34]（genetic algorithm,GA）選擇有效波段，建立偏最小二乘（partial least squares, PLS）模型；再利用直接標(biāo)準(zhǔn)化（DS）方法進行在線模型轉(zhuǎn)移。

1 實驗部分

1.1 樣品與儀器

實驗所用樣品為某藥企某中藥口服液，該口服液前期（2017 年10 月以前）在一車間，即一期（主儀器）生產(chǎn)，模型已完善成功并在線使用。后期由于一車間廠房升級改造，該產(chǎn)品轉(zhuǎn)入二車間，即二期（從儀器）生產(chǎn)，光譜采集的主儀器、探頭、光纖長度均發(fā)生變化，并且一、二期主機分辨率不同，導(dǎo)致一期紅外變量為1557 個，二期紅外變量為778個，一期模型對二期數(shù)據(jù)完全沒有預(yù)測效果。其中2017年2月至2017年9月于生產(chǎn)一車間在線采集的不同月份不同批次的該口服液樣品186組用于建立主儀器模型（原模型）；2017年10月至2018年6月于生產(chǎn)二車間在線采集的不同月份不同批次的該口服液樣品158 組用于從儀器模型轉(zhuǎn)移；2018 年8 月至10 月于生產(chǎn)二車間在線采集的不同月份不同批次的該口服液樣品34批。

光譜采集主要儀器為Antaris MX 傅里葉近紅外在線光譜分析儀（美國Thermo Fisher Scientific 公司）。采集光譜探頭為透反射探頭。以空氣為參比，采集波長范圍為1000～2500nm，掃描次數(shù)為32 次，主儀器主機分辨率為8cm-1（變量1557），從儀器主機分辨率為16cm-1（變量778），吸光度數(shù)據(jù)格式為SPA，每個樣品重復(fù)3 次掃描，采用3 次掃描光譜的平均光譜作為該樣品的模型數(shù)據(jù)。

1.2 化學(xué)值測定

口服液檢測指標(biāo)為多糖、可溶性固形物和pH。多糖總糖含量的測定方法參考《食品中還原糖的測定》GB/T 5009.7—2008 第一法：高錳酸鉀滴定法進行測定，每個樣品測定3組平行樣，取平均值作為模型數(shù)據(jù)。可溶性固形物含量的測定方法為折光計法，每個樣品測定3組平行樣，取平均值作為模型數(shù)據(jù)。pH 的測定使用酸度計進行測定，每個樣品測定3組平行樣，取平均值作為模型數(shù)據(jù)。

所用儀器主要有：ME2002 電子天平，梅特勒-托利多公司；LXJ-IIB 大容量多管離心機，上海安亭科學(xué)儀器廠；DGG-9240BD 電熱恒溫干燥箱，上海森信實驗儀器有限公司；RX-5000a 數(shù)字折光儀，ATAGO公司。試劑主要有：五水硫酸銅、酒石酸鉀鈉、氫氧化鈉、濃硫酸、濃鹽酸、硫酸鐵銨、高錳酸鉀、無水乙醇，均為分析純，廣州化學(xué)試劑廠；蒸餾水，自制。

2 模型建立與轉(zhuǎn)移的方法和步驟

本文采用PLS-GA法建立最優(yōu)主儀器模型，采用DS-PCA法進行模型轉(zhuǎn)移。

2.1 直接標(biāo)準(zhǔn)化法（DS）原理

首先確定主儀器和從儀器上采集的光譜之間的數(shù)學(xué)函數(shù)關(guān)系，再用已經(jīng)確定的函數(shù)關(guān)系轉(zhuǎn)換從儀器上所采集的對應(yīng)樣本的光譜數(shù)據(jù)，從而減少不同儀器間所測同一樣本光譜數(shù)據(jù)的差異，實現(xiàn)模型在不同儀器間轉(zhuǎn)移，按式(1)計算。

式中，Xm、Xs分別為樣品標(biāo)準(zhǔn)集在主儀器和從儀器上測得的經(jīng)過中心化處理的光譜矩陣；F為轉(zhuǎn)移矩陣。由于在線轉(zhuǎn)移過程無法在主從儀器上采集一一對應(yīng)的標(biāo)準(zhǔn)光譜作為標(biāo)準(zhǔn)標(biāo)樣，因此在模型轉(zhuǎn)移過程中采用主從儀器化學(xué)值對應(yīng)后誤差不超過3%的樣品作為轉(zhuǎn)移的虛擬標(biāo)樣集，其所對應(yīng)的光譜為虛擬標(biāo)樣光譜。

經(jīng)轉(zhuǎn)移過的從儀器光譜矩陣Xstd用式(2)計算。

式中，Xunknown為待轉(zhuǎn)移的從儀器光譜。

2.2 模型轉(zhuǎn)移步驟

（1）采集分析數(shù)據(jù) 獲取主儀器與從儀器樣品光譜值及化學(xué)值，對樣品化學(xué)值及光譜值進行分析，剔除異常值。

（2）主儀器模型建立 采用SPXY 分組主儀器樣品，劃分訓(xùn)練及驗證數(shù)據(jù)，用PLS-GA法建立最優(yōu)的主儀器模型。

（3）虛擬標(biāo)樣集確立 DS 法是有標(biāo)樣的模型轉(zhuǎn)移方法，模型轉(zhuǎn)移過程中需要聯(lián)合標(biāo)準(zhǔn)標(biāo)樣的主儀器與從儀器的光譜值確立轉(zhuǎn)移矩陣，轉(zhuǎn)移矩陣的好壞是模型轉(zhuǎn)移成功與否的關(guān)鍵。而工業(yè)生產(chǎn)中難以獲得主儀器與從儀器一一對應(yīng)的標(biāo)準(zhǔn)標(biāo)樣光譜。王安冬等[33]將經(jīng)DOSC 校正的光譜與其參考值之比定義為虛擬標(biāo)準(zhǔn)平均光譜，將主儀器與從儀器的標(biāo)準(zhǔn)標(biāo)樣光譜集均轉(zhuǎn)換為相應(yīng)的虛擬標(biāo)準(zhǔn)平均光譜集，再用PLS法擬合主儀器與從儀器虛擬標(biāo)準(zhǔn)平均光譜集之間的線性關(guān)系，擬合出回歸系數(shù)與常數(shù)項的值，得出轉(zhuǎn)移后的PLS模型，再用該PLS模型轉(zhuǎn)換待轉(zhuǎn)移光譜進行驗證。王安東等[33]將主從儀器光譜的標(biāo)準(zhǔn)標(biāo)樣光譜均用DOSC 法進行轉(zhuǎn)換并用PLS建立轉(zhuǎn)移矩陣，因此，本文在沿用王安冬等[33]的虛擬思想的同時，保留主儀器與從儀器的光譜特性，用原光譜進行轉(zhuǎn)移，并采用DS法進行轉(zhuǎn)移，再結(jié)合本文研究對象的特性，提出以模型轉(zhuǎn)移前后，主從儀器樣品集中化學(xué)值對應(yīng)后誤差不超過3%的樣品集作為虛擬標(biāo)樣集，與從機樣品化學(xué)值對應(yīng)的主機樣品光譜稱為虛擬標(biāo)樣光譜。采用SPXY分組從儀器樣品，劃分訓(xùn)練及驗證數(shù)據(jù)。分析主儀器光譜與從儀器光譜值及化學(xué)值，以主儀器中與從儀器訓(xùn)練集樣品化學(xué)值對應(yīng)后誤差不超過3%的樣品作為虛擬標(biāo)樣，與此相應(yīng)的主儀器光譜為虛擬標(biāo)樣光譜。

（4）轉(zhuǎn)移矩陣的建立 以虛擬標(biāo)樣集中主從儀器光譜集為基準(zhǔn)，采用DS 聯(lián)合PCA 降維計算轉(zhuǎn)移矩陣。

（5）模型轉(zhuǎn)移結(jié)果檢驗 用轉(zhuǎn)移矩陣轉(zhuǎn)移從儀器的驗證集光譜，用原主儀器模型預(yù)測轉(zhuǎn)移后的從儀器驗證集光譜，計算相對誤差。調(diào)整虛擬標(biāo)樣集以獲得最準(zhǔn)確的轉(zhuǎn)移矩陣，提高模型轉(zhuǎn)移準(zhǔn)確性。

2.3 模型評價指標(biāo)

模型評價指標(biāo)為誤差均方根（RMSEC）、交叉驗證均方根（RMSECV）、預(yù)測均方根（RMSEP）。模型轉(zhuǎn)移結(jié)果評價指標(biāo)為模型轉(zhuǎn)移預(yù)測值（yp）與測量真值（化學(xué)值，ym）之間的相對誤差（δ），由式(3)計算。

2.4 建模環(huán)境

建模環(huán)境為Matlab（R2014a）及Matlab 自帶的工具箱PLS_Toolbox_86。

3 模型建立與轉(zhuǎn)移的結(jié)果與討論

主儀器模型建模數(shù)據(jù)為186組，光譜變量1557個，用SPXY 樣本劃分方法，劃分訓(xùn)練集150 組用于建模和驗證集36組用于驗證。

從儀器轉(zhuǎn)移數(shù)據(jù)為158 組，光譜變量778 個。其中多糖轉(zhuǎn)移訓(xùn)練數(shù)據(jù)90 組，驗證數(shù)據(jù)68 組；可溶性固形物轉(zhuǎn)移訓(xùn)練數(shù)據(jù)90 組，驗證數(shù)據(jù)68 組；pH轉(zhuǎn)移訓(xùn)練數(shù)據(jù)90組，驗證數(shù)據(jù)68組。轉(zhuǎn)移數(shù)據(jù)中的訓(xùn)練數(shù)據(jù)聯(lián)合虛擬標(biāo)樣使用DS 算法建立轉(zhuǎn)移矩陣。圖1為一期二期光譜對比圖。由圖可直接觀察到一期二期光譜存在肉眼可見的差異。

3.1 一期模型建立過程

近紅外模型建立方法參考李晶晶等[5]的建模方法。一期已上線應(yīng)用模型的建立過程如下。一期數(shù)據(jù)采集完成后，首先對光譜數(shù)據(jù)進行查看，發(fā)現(xiàn)有一組數(shù)據(jù)明顯無吸收峰，光譜如圖2所示，一組明顯區(qū)別于其他光譜，在200以上區(qū)域無吸收峰，視為異常光譜。其他光譜數(shù)據(jù)均為3次掃描的平均光譜，而此組數(shù)據(jù)僅一張單張光譜。分析了各種可能的原因都不能下結(jié)論。對于此組光譜數(shù)據(jù)就直接作為異常光譜剔除了。周昭露等[1]對通過算法檢查異常數(shù)據(jù)的方法做了綜述，包括光譜殘差、馬氏距離、光譜峰異常等。這些方法在本課題組的軟件中都集成了。剔除異常光譜數(shù)據(jù)后，余下186組用于一期模型建立。采用SPXY 分組方法選出150 組作為訓(xùn)練數(shù)據(jù)，36 組用作驗證數(shù)據(jù)。建模過程采用PLS 方法建立線性模型，經(jīng)預(yù)處理、留一交叉驗證、GA 自動選擇波段后建立一期模型。一期模型在線應(yīng)用過程中對一期生產(chǎn)產(chǎn)品多糖96%相對誤差在10%以內(nèi)，可溶性固形物96%相對誤差在5%以內(nèi)，pH 100%相對誤差在3%以內(nèi)。

圖1 一期二期光譜對比圖

圖2 一期光譜原始圖

3.2 多糖模型轉(zhuǎn)移

由于一期光譜變量1557 個，對二期778 個變量，光譜不能直接用一期1557 個變量模型為原模型進行轉(zhuǎn)移。因此轉(zhuǎn)移的第一步是將一期1557 個變量模型轉(zhuǎn)變?yōu)?78個變量模型，并以此模型（一期778個變量模型）為原模型進行模型轉(zhuǎn)移。

1557模型轉(zhuǎn)變?yōu)?78模型的方法：將舊一期的1557個變量里按波數(shù)相同挑出778個變量，將1557個變量壓縮成778 個。再用778 個變量用于建立模型，建模所用分組和預(yù)處理方法選擇與1557 個變量模型相同，之后再用GA 選擇合適的波段進行建模。

多糖模型建模最佳方法為：預(yù)處理方法1st Derivative，波段選擇采用GA自動選擇波段，所選變量為198 個。模型RMSEC：24.5138，RMSECV:45.8971，RMSEP: 43.862，建模結(jié)果見表1，最大相對誤差在15%以內(nèi)，96%的數(shù)據(jù)誤差集中在10%以內(nèi)。一期778 個變量模型預(yù)測二期數(shù)據(jù)結(jié)果見表2。

表1 一期多糖778模型建模結(jié)果

表2 一期多糖778模型預(yù)測二期數(shù)據(jù)結(jié)果

從表2 的結(jié)果可以看出，一期778 模型對二期數(shù)據(jù)預(yù)測的最大相對誤差達到206%，對二期數(shù)據(jù)沒有預(yù)測效果，需要進行模型轉(zhuǎn)移。

多糖模型轉(zhuǎn)移以一期778變量模型為主儀器模型進行模型轉(zhuǎn)移。模型轉(zhuǎn)移方法為DS（直接標(biāo)準(zhǔn)化）法。由于模型轉(zhuǎn)移為在線轉(zhuǎn)移，不能在主儀器和從儀器上采集一一對應(yīng)的標(biāo)準(zhǔn)光譜。為了解決這一問題，經(jīng)研究分析后采用一期樣品中與二期樣品化學(xué)值對應(yīng)后誤差不超過3%的樣品光譜集作為虛擬標(biāo)樣進行模型轉(zhuǎn)移。通過主成分分析法（PCA）對光譜數(shù)據(jù)進行了降維處理，利用PCA 降維處理的方法文獻[35-36]中有描述。例如，首先對主機虛擬標(biāo)樣光譜，應(yīng)用PCA 分析，其第一主成分貢獻率為93.3%，第二主成分貢獻率為9%，第三主成分貢獻率為1%，其中第一、二主成分總貢獻率超過95%，包含超過95%的信息，因此選取主元數(shù)為2對虛擬標(biāo)樣光譜進行降維處理。其次對從機訓(xùn)練數(shù)據(jù)光譜應(yīng)用PCA 分析，其第一主成分貢獻率為98.5%，第二主成分貢獻率為16.8%，第三主成分貢獻率為2.5%，其中第一、二主成分總貢獻率超過95%，包含超過95%的信息，因此選取主元數(shù)為2對從機訓(xùn)練數(shù)據(jù)進行降維處理。再將降維后的主從機光譜聯(lián)合DS 法進行模型轉(zhuǎn)移，形成DS-PCA自編輯的光譜轉(zhuǎn)移算法，以提高模型轉(zhuǎn)移的效率以及預(yù)測性能。

虛擬標(biāo)樣的選取是模型轉(zhuǎn)移成功與否的關(guān)鍵。首先要保證一、二期生產(chǎn)的口服液原料、生產(chǎn)工藝、質(zhì)量指標(biāo)化學(xué)檢測方法不變，以確保一、二期產(chǎn)品的統(tǒng)一，這是一期樣品光譜能作為二期光譜轉(zhuǎn)移虛擬標(biāo)樣的前提，一期、二期多糖濃度范圍見表3。對比分析一期、二期樣品化學(xué)值，對多糖化學(xué)值數(shù)據(jù)，一期186 組樣品多糖濃度范圍是559～916mg/100mL，二期158 組樣品多糖濃度范圍是594～807mg/100mL。分布圖見圖3，散點圖見圖4（紅色代表一期多糖濃度，藍色代表二期多糖濃度），可見一期、二期數(shù)據(jù)均集中在650～750之間，將二期數(shù)據(jù)與一期數(shù)據(jù)一一對應(yīng)后，二期與一期多糖化學(xué)值誤差在2%以內(nèi)，而工業(yè)上可接受的誤差范圍為10%，因此人為設(shè)定當(dāng)誤差在3%以下即為可接受數(shù)據(jù)，可作為虛擬標(biāo)樣。對二期158組數(shù)據(jù)采用SPXY分組法進行分組，其中訓(xùn)練集90組，驗證集68 組。將與二期訓(xùn)練集樣品化學(xué)值一一對應(yīng)的一期樣品光譜作為虛擬標(biāo)樣，聯(lián)合訓(xùn)練集光譜采用DS-PCA法建立轉(zhuǎn)移矩陣F，得到轉(zhuǎn)移模型。

再利用光譜轉(zhuǎn)移矩陣F轉(zhuǎn)移訓(xùn)練驗證數(shù)據(jù)光譜，用原模型進行預(yù)測。光譜轉(zhuǎn)移結(jié)果見圖5。模型轉(zhuǎn)移結(jié)果如表4所示，訓(xùn)練集、驗證集與化學(xué)值的相對誤差結(jié)果見圖6。

從圖和表中可以看出，多糖模型轉(zhuǎn)移結(jié)果92%的數(shù)據(jù)能保證誤差在10%以內(nèi)，能滿足工業(yè)生產(chǎn)需求。

表3 一期、二期多糖濃度范圍

圖3 多糖化學(xué)值分布圖

圖4 多糖化學(xué)值散點圖

圖5 轉(zhuǎn)移光譜對比

表4 多糖模型轉(zhuǎn)移結(jié)果

圖6 多糖模型轉(zhuǎn)移的訓(xùn)練集、驗證集與化學(xué)值的相對誤差結(jié)果

3.3 可溶性固形物與pH模型轉(zhuǎn)移

可溶性固形物與pH 的一期原模型建立方法、二期模型轉(zhuǎn)移方法與多糖的建模方法和模型轉(zhuǎn)移方法相同?？扇苄怨绦挝锬Ｐ娃D(zhuǎn)移結(jié)果見表5，訓(xùn)練集、驗證集與化學(xué)值的相對誤差結(jié)果見圖7；pH模型轉(zhuǎn)移結(jié)果見表6，訓(xùn)練集、驗證集與化學(xué)值的相對誤差結(jié)果見圖8。

表5 可溶性固形物模型轉(zhuǎn)移結(jié)果

圖7 可溶性固形物模型轉(zhuǎn)移的訓(xùn)練集、驗證集與化學(xué)值的相對誤差結(jié)果

表6 pH模型轉(zhuǎn)移結(jié)果

圖8 pH模型轉(zhuǎn)移的訓(xùn)練集、驗證集與化學(xué)值的相對誤差結(jié)果

從圖表可見，可溶性固形物模型轉(zhuǎn)移結(jié)果95%的數(shù)據(jù)能保證誤差在5%以內(nèi)；pH 模型轉(zhuǎn)移結(jié)果100%的數(shù)據(jù)能保證誤差在3%以內(nèi)，完全能滿足適用于工業(yè)生產(chǎn)。

3.4 模型實用價值考察

圖9 盲樣光譜

為了考察轉(zhuǎn)移后的模型在該口服液生產(chǎn)過程中的應(yīng)用價值，2018 年8 月至10 月于生產(chǎn)二車間同一生產(chǎn)線在線采集該口服液樣品34 批用作盲樣（盲樣光譜見圖9），使用上文所述的轉(zhuǎn)移模型進行多糖、可溶性固形物和pH的預(yù)測，34組盲樣的化學(xué)值與預(yù)測值間相對誤差見表7。

由表7可知，經(jīng)轉(zhuǎn)移的模型對盲樣數(shù)據(jù)預(yù)測效果很好，基本滿足工藝需求，十分有工業(yè)應(yīng)用價值。

4 結(jié)論

在使用有標(biāo)樣的PCA 降維的直接標(biāo)準(zhǔn)化DS 的光譜轉(zhuǎn)移算法對中草藥口服液的轉(zhuǎn)移過程中，對于無法取得標(biāo)準(zhǔn)標(biāo)樣數(shù)據(jù)，使用與從機樣品化學(xué)值一一對應(yīng)后誤差不超過3%的主機樣品作為虛擬標(biāo)樣進行模型轉(zhuǎn)移能滿足工業(yè)需求。其中，轉(zhuǎn)移后的多糖模型對訓(xùn)練集、驗證集及盲樣，預(yù)測值與化學(xué)值之間的相對誤差均控制在10%以內(nèi)；轉(zhuǎn)移后的可溶性固形物模型對訓(xùn)練集、驗證集及盲樣，預(yù)測值與化學(xué)值之間的相對誤差均控制在5%以內(nèi)；轉(zhuǎn)移后的pH 模型對訓(xùn)練集、驗證集及盲樣，預(yù)測值與化學(xué)值之間的相對誤差均控制在3%以內(nèi)。使用這種尋求虛擬標(biāo)樣的方法，用有標(biāo)樣的模型轉(zhuǎn)移算法，只需要少量的從儀器數(shù)據(jù)即可實現(xiàn)模型的高準(zhǔn)確性轉(zhuǎn)移，提高模型利用率，也能拓寬有標(biāo)樣模型轉(zhuǎn)移算法的使用范圍。從另一個方面尋求標(biāo)準(zhǔn)標(biāo)樣的替代品，從而解決工業(yè)生產(chǎn)上標(biāo)準(zhǔn)標(biāo)樣獲取困難的難題。并且無需重新建模，節(jié)省了大量的人力物力。最后，需要指出的是，本文所用的PLS建模方法是比較成熟的技術(shù)，雖然尚不具有增量學(xué)習(xí)的能力，即如果有新的數(shù)據(jù)需要對模型進行更新，則需要把新舊數(shù)據(jù)合在一起重新訓(xùn)練模型。所謂增量學(xué)習(xí)能力是當(dāng)新的數(shù)據(jù)可以用于對模型進行改進或修正時，只需要之前的模型知識而不需要把舊的數(shù)據(jù)和新的數(shù)據(jù)合在一起重新對模型進行訓(xùn)練。增量學(xué)習(xí)對數(shù)據(jù)非常大的情況顯然非常有益。學(xué)者對支持向量機（SVM）和RBF 神經(jīng)網(wǎng)絡(luò)都發(fā)展出了有增量學(xué)習(xí)能力的算法。也有學(xué)者提出了有增量學(xué)習(xí)能力的PLS方法，雖然其可靠性尚需在實際工業(yè)應(yīng)用中充分驗證，仍然值得關(guān)注。

致謝：本工作是在無限極（中國）有限公司的資助下完成的，還受益于國家自然科學(xué)基金（61633006)。

表7 盲樣可溶性固形物、多糖、pH預(yù)測結(jié)果