一种基于SOM神经网络中药材分类识别系统

彭良刚

（毕节医学高等专科学校，贵州毕节，551700）

0 引言

SOM神经网络是一种有效的无导师监督的分类识别器，具有很大的应用前景[1-2]，不同中药材表现的光谱特征差异较大，即使来自不同产地的同一药材，因其无机元素的化学成分、有机物等存在的差异性，在近红外、中红外光谱的照射下也会表现出不同的光谱特征，因此可以利用这些特征来鉴别中药材的种类及产地。中药材的种类鉴别相对比较容易，不同种类的中药材呈现的光谱的区别比较明显。本研究针对2021年全国大学生数学建模竞赛E题的中红外光谱的数据，分析研究中药材的特征，并以该特征研究不同中药材的分类识别研究。

1 中药材分类识别系统流程

基于SOM神经网络的中药材分类识别系统，设计流程如图1所示。

图1 SOM神经网络中药材分类识别系统流程

2 特征提取

建立SOM神经网络中药材分类识别，有效的特征是识别的关键。首先要对不同中药材的波数的吸光度作对比分析，经过大量的实验，得到425种编号的中药材波数吸光度对比图，这里给出部分编号的波数吸光度对比图，如图2～图4所示。

图2 编号1-5；51-55；101-105；151-155波数吸光度分布

图3 编号201-205；251-255；301-305；351-355波数吸光度分布

图4 编号401-405；421-425波数吸光度分布

从图2～图4的不同中药材编号的波数吸光度分布特点，发现所有的中药材在中波数段的吸光度分布几乎是接近而无差异，而在低波数段和高波数段的吸光度具有明显的差异，因此可以用低波数段和高波数段的吸光度来区分中药材的特征。这里我们分别选取了低波数段：652-1653和高波数段：2652-3988来进行特征提取，以每一编号的中药材的吸光度平均数作为特征提取。

筛选低波数段的计算每一编号中药材的平均值。首先，把筛选的低波数段652-1653的425种编号的1002个波数的吸光度作为一个新的矩阵A。

式中Ai,1，Ai,1002分别表示编号为i(i= 1 , 2,… ,4 2 5)的波数为652和波数为1653的吸光度，其余表示一样。其次，计算每一个编号的低波数段的所有吸光度的平均值，计算公式为：

表1 编号1-10的低波数段的吸光度平均值

表2 编号101-110的低波数段的吸光度平均值

把筛选的高波数段：2652-3988的425种编号的1347个波数的吸光度作为矩阵B，表达式为：

公式中Bi,1，Bi,1347分别表示编号为i(i= 1 , 2,… ,4 2 5) 的波数为2652和波数为3988的吸光度，其余表示类似。计算每一个编号的高波数段的吸光度的平均值，公式为：

表3 编号1-10的高波数段的吸光度平均值

表4 编号101-110的高波数段的吸光度平均值

表5 编号401-410的高波数段的吸光度平均值

3 基于SOM神经网络中药材分类识别

图5 低波数段分类器

图6 高波数段分类器

结果显示425种编号的中药材可以分为两种药材，对应的权值矩阵为：

通过对比低波数段和高波数段的分类器，低波数段的分类器能够有效地把425种编号的中药材分成两类药材，而高波数段的分类器的分类识别结果不明显。