一种近红外光谱鉴别平利绞股蓝的方法
【专利摘要】本发明提供一种近红外光谱鉴别平利绞股蓝的方法，包括如下步骤：A、建立平利绞股蓝的近红外光谱鉴别模型：A-1、选择光谱范围4000-12500cm-1，扫描平利绞股蓝近红外光谱图；A-2、对光谱范围4000-9500cm-1的数据进行预处理；A-3、提取主成分；A-4、建立人工神经网络模型：采取人工神经网络算法，根据输入输出数据特点确定神经网络的结构，再利用训练数据训练此神经网络；运用MATLAB软件建立输入层节点10-隐含层节点5-输出层节点2的BP人工神经网络模型；B、未知样品的鉴别：未知样品在相同条件下扫描近红外光谱图，选取主成分数目，依据训练好的神经网络模型来判断未知样品的真伪，输出节点分别用二进制代码表示，10代表是平利绞股蓝，01代表是非平利绞股蓝。
【专利说明】一种近红外光谱鉴别平利绞股蓝的方法
【技术领域】
[0001]本发明涉及一种近红外光谱鉴别平利绞股蓝的方法，尤其涉及一种用近红外光谱技术结合人工神经网络算法鉴别平利绞股蓝的方法，属于近红外光谱检测分析领域。
【背景技术】
[0002]绞股蓝，又称七叶胆和七叶参等，具有降血压，降血脂，降血糖，护心保肝，调脂减肥，有“不老长寿药草”的称谓。自2004国家质检总局对陕西平利绞股蓝实施原产地地域保护以来，平利绞股蓝的身价倍增，市场上以次充好、假冒伪劣现象时有发生，为有效识别不同产地的平利绞股蓝，保护消费者的权益，建立高效绞股蓝产地识别技术势在必行。
[0003]近红外光谱具有反应速度快、信息量丰富、预处理少、不污染环境等优点，已在很多领域得到广泛应用，成为目前研究最热门的光谱分析技术之一。近红外光谱包含了样品的大量信息，因此，将近红外分析技术与模式识别方法相结合，将能更有效地对样品进行等级和类属的判别。近红外模式识别技术是应用化学模式识别的方法从物质的近红外数据推知物质归属的技术。化学模式识别的所有方法都可用于近红外模式识别的研究。目前，基于近红外的模式识别技术已被广泛应用于农业、医药、食品、石油等领域，在真假判别、等级分类、原产地鉴定等方面发挥了重要的作用。但模式识别建立的识别模型都是针对特定产品，特异性较强。 申请人:已采用采用近红外光谱法结合马氏距离算法，及合格性测试有效鉴别了响水大米；利用fisher判别算法成功鉴别初榨橄榄油及油橄榄果渣油。本发明基于近红外光谱技术结合人工神经网络算法鉴别平利绞股蓝。目前，国内外学者对绞股蓝的研究主要集中在化学成分和其药理作用上进行研究。其主要含有皂苷[I]、多糖[2]和氨基酸
[4]、黄酮类[3]、有机酸和微量元素[4]等多种化学成分。这些报道证实不同产地绞股蓝的成分是存在差异的，因此这些方法对于鉴别不同产地的绞股蓝真伪有一定参考价值，但目前未见利用其成分差异进行平利绞股蓝的鉴`别真伪的报道。
【发明内容】
[0004]本发明的目的在于提供一种本发明的目的在于提供一种快速、准确的用近红外光谱技术结合人工神经网络算法鉴别平利绞股蓝真伪的方法。
[0005]本发明的技术方案是:这种近红外光谱鉴别平利绞股蓝的方法，包括如下步骤:
[0006]A、建立平利绞股蓝的近红外光谱鉴别模型
[0007]A-1、选择光谱范围4000-12500011'扫描平利绞股蓝近红外光谱图；
[0008]A-2、对光谱范围4000-12500(^-1的数据进行预处理；
[0009]A-3、提取主成分；
[0010]A-4、建立人工神经网络模型:采取人工神经网络算法，根据输入输出数据特点确定神经网络的结构，再利用训练数据训练此神经网络，得到平利绞股蓝的鉴别模型；
[0011]B、未知样品的鉴别
[0012]未知样品在相同条件下扫描近红外光谱图，选取主成分数目，依据训练好的神经网络模型来判断未知样品的真伪，输出节点分别用二进制代码表示，10代表是平利绞股蓝，01代表是非平利绞股蓝。
[0013]所述的近红外光谱鉴别平利绞股蓝的方法，步骤A-1所述的扫描平利绞股蓝近红外光谱图包括:将有效量的平利绞股蓝样品干燥粉碎后均匀置于石英样品池中，使用傅立叶近红外光谱仪进行吸收光谱扫描；扫描模式为旋转漫反射，分辨率为ScnT1，每个样本扫描多次，取平均光谱为样本最终的分析光谱；
[0014]所述的近红外光谱鉴别平利绞股蓝的方法，步骤A-2所述的平利绞股蓝近红外光谱图数据预处理包括:对绞股蓝样本光谱进行多元散射校正+适量归一化的预处理，通过该处理消除样品不均匀、光散射及仪器噪声等干扰因素的影响，提高模型的预测精度和稳定性。
[0015]所述的近红外光谱鉴别平利绞股蓝的方法，步骤A-3所述的提取主要成分是通过主成分分析方法对光谱图信息进行降维，取前10个主成分累计贡献率为99.99%，有限量的输入减少模型的计算复杂度，提高模型的预测精度。
[0016]所述的近红外光谱鉴别平利绞股蓝的方法，步骤A-4所述的平利绞股蓝建立人工神经网络模型包括运用MATLAB软件建立输入层节点10-隐含层节点5-输出层节点2的BP人工神经网络模型:
[0017]A-4-1、输入层节点数的确定:取10个主成分得分为参数，确定网络的输入层节点为10 ；
[0018]A-4-2、隐层节点数的确定:用下公式求出:
[0019]
【权利要求】
1.一种近红外光谱鉴别平利绞股蓝的方法，其特征包括如下步骤: A、建立平利绞股蓝的近红外光谱鉴别模型 A-1、选择光谱范围4000-12500(^'扫描平利绞股蓝近红外光谱图； A-2、选取光谱范围4000-9500(^-1的数据进行预处理； A-3、提取主成分； A-4、建立人工神经网络模型:采取人工神经网络算法，根据输入输出数据特点确定神经网络的结构，再利用训练数据训练此神经网络，得到平利绞股蓝的鉴别模型； B、未知样品的鉴别 未知样品在相同条件下扫描近红外光谱图，选取主成分数目，依据训练好的神经网络模型来判断未知样品的真伪，输出节点分别用二进制数字表示，10代表是平利绞股蓝，01代表是非平利绞股蓝。
2.根据权利要求1所述的近红外光谱鉴别平利绞股蓝的方法，其特征在于，步骤A-1所述的扫描平利绞股蓝近红外光谱图包括:将有效量的平利绞股蓝样品干燥粉碎后均匀置于石英样品池中，使用傅立叶近红外光谱仪进行吸收光谱扫描；扫描模式为旋转漫反射，分辨率为ScnT1，每个样本扫描多次，取平均光谱为样本最终的分析光谱；
3.根据权利要求1所述的近红外光谱鉴别平利绞股蓝的方法，其特征在于，步骤A-2所述的平利绞股蓝近红外光谱范围4000-9500(3!^1的数据预处理包括:对绞股蓝样本光谱进行多元散射校正+适量归一化的预处理，通过该处理消除样品不均匀、光散射及仪器噪声等干扰因素的影响，提闻1旲型的预测精度和稳定性。
4.根据权利要求1所述的近红外光谱鉴别平利绞股蓝的方法，其特征在于，步骤A-3所述的提取主成分是通过主成分分析方法对光谱图信息进行降维，取前10个主成分累计贡献率为99.99%，有限量的输入减少模型的计算复杂度，提高模型的预测精度。
5.根据权利要求1所述的近红外光谱鉴别平利绞股蓝的方法，其特征在于:步骤A-4所述的平利绞股蓝建立人工神经网络模型包括运用MATLAB软件建立输入层节点10-隐含层节点5-输出层节点2的BP人工神经网络模型: A-4-1、输入层节点数的确定:取10个主成分得分为参数，确定网络的输入层节点为10 ； A-4-2、隐层节点数的确定:用下公式求出:
6.根据权利要求3所述的近红外光谱鉴别平利绞股蓝的方法，其特征在于:所述样本的主成分由如下方法确定: 设X1, X2,…，Xn为取自总体X的样本，其中Xi = (Xn，Xi2，…，XipV (i=l，2,…η); 记样本观测值矩阵为:
7.根据权利要求6所述的近红外光谱鉴别平利绞股蓝的方法，其特征在于:所述样本的主成分由从样本相关系数矩阵左出发求解: 设i^i2》…>七之0为左的p个特征值，C，t ，f/为相应的正交单位特征向量，则样本的P个主成分为
【文档编号】G01N21/359GK103776797SQ201410065240
【公开日】2014年5月7日 申请日期:2014年2月25日 优先权日:2014年2月25日
【发明者】赵志磊, 李小亭, 陈培云, 吴广臣, 刘秀华 申请人:河北大学