紫花地丁的红外光谱和径向基神经网络鉴别

2014-03-22 11:53汤彦丰侯占忠王志宝甄攀
湖北农业科学 2014年1期
关键词:紫花地丁常数正确率

汤彦丰+侯占忠+王志宝+甄攀

摘要:采用傅里叶红外光谱法(FTIR)扫描42种紫花地丁(Viola philippica Car.)样品,利用径向基神经网络(RBFNN)对红外数据进行处理。结果表明,该方法可以有效鉴别野生紫花地丁和栽培紫花地丁,正确率达到95.24%,可以用来进行紫花地丁的质量控制。

关键词:紫花地丁(Viola philippica Car.);红外光谱;鉴别;径向基神经网络(RBFNN)

中图分类号:R282;R931.5 文献标识码:A 文章编号:0439-8114(2014)01-0132-03

Identification of Viola philippica Car. Based on Infrared Spectrum and

Radial Basis Function Neural Network

TANG Yan-feng,HOU Zhan-zhong,WANG Zhi-bao,ZHEN Pan

(Institute of Applied Chemistry, Hebei North University, Zhangjiakou 075000, Hebei,China)

Abstract: 42 Viola philippica Car. samples were scanned by fourier transform infrared spectroscopy(FTIR) and analyzed by radial basis function neural network(RBFNN) to classify and discriminate. The results showed that the two method could effectively identify the different origins of Viola philippica Car., with recognition accuracy of 95.24%. This method can be used for the quality control of Viola philippica Car.

Key words: Viola philippica Car.;infrared spectrum; identification; radial basis function neural network (RBFNN)

收稿日期:2013-04-20

基金项目:张家口市科技局项目(0921097D);河北北方学院项目(2010);河北北方学院创新团队资助项目

作者简介:汤彦丰(1977-),男,河北怀来人,讲师,硕士,主要从事分析化学方面的研究,(电话)13653233501(电子信箱)tangyang_517@163.com。

紫花地丁(Viola philippica Car.)为堇菜科植物紫花地丁的干燥全草,又称为紫地丁、兔耳草、辽堇菜。紫花地丁含有甙类、黄酮类等,味苦、微辛、性寒,有清热解毒、凉血消肿的功效,全草均可入药。紫花地丁可治疔疮痈肿、丹毒、湿热、黄疸等病症[1]。紫花地丁生长强健,抗性强,生长期无需特殊管理,适于栽培繁殖。目前国内使用的地丁主要有紫花地丁(堇菜科)、甜地丁(豆科)、苦地丁(罂粟科)、龙胆地丁(龙胆科)、竹叶地丁(远志科)等,当紫花地丁入药,不同地区药材来源各异,商品药材较混乱。

本研究利用红外光谱法和径向基神经网络相结合对42个不同批次、不同产地的紫花地丁样品进行测定和鉴别,区分其中的野生紫花地丁和栽培紫花地丁,以期为紫花地丁样品的鉴别提供参考。

1 材料与方法

1.1 试验仪器与样品

仪器设备:傅里叶变换中红外光谱仪为PE1730型光谱仪(PerkinElmer, USA), DTGS检测器(PerkinElmer,USA)。测定条件:光谱分辨率4 cm-1。测定范围:1 800~400 cm-1,温度控制在22 ℃。选用42个紫花地丁样品为不同品种和不同批次的样品,其中22个为野生紫花地丁样品,20个为栽培紫花地丁样品(采购于张家口药店,经河北北方学院药物研究所鉴定)。

1.2 试验方法

药材经烤箱烘干,机器粉碎,过60目筛备用。采用压片法对紫花地丁样品进行测定,取1~2 mg紫花地丁样品,研细,加入100~200 mg溴化钾,在压片机上压成厚度为0.1 mm的透明薄片进行测定。

1.3 方法学考察

1)精密度试验。对同一份样品连续测定5次,研究试验的精密度。

2)重复性试验。对同一份样品分别取样5次进行压片测定,研究试验的重复性。

3)稳定性试验。取同一份样品压片放入干燥器内保存,分别放置0、1、2、3、4、6、8、24 h后测定,研究试验的稳定性。

1.4 数据的采集与处理

样品光谱测定前需要做背景扫描。背景扫描的目的是为了消除压片混合物在光谱上的干扰。背景扫描也有利于扣除空气中的二氧化碳和水蒸气的红外信号,有利于得到干净的样品红外光谱。中红外光谱作为一种常用的光谱分析方法常用来鉴别中药[2-4],本研究使用径向基神经网络建立紫花地丁样品的分类模型。神经网络的输入层单元为44,输出层单元为1个,以1.0代表野生紫花地丁,0.0代表栽培紫花地丁,0.5为阈值。

2 结果与分析

2.1 方法学考察结果

精密度试验结果表明,对同一份样品连续5次测定得到的紫花地丁红外光谱图完全一致。重复性试验得到的红外光谱图也基本一致,相对标准偏差为0.1%。稳定性试验中,不同时间进行测定,得到的红外光谱图完全一致。说明该方法用于鉴别紫花地丁是可行的。

2.2 紫花地丁的红外光谱分析

通过扫描得到不同紫花地丁样品的红外光谱图(图1),发现该红外光谱非常相似,很难区别。由于光谱变量多,分析速度慢,因此选择小波变换技术对光谱进行压缩。小波变换是一个时间和频域的局域变换,因而能有效地从信号中提取信息,通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析,解决了傅里叶变换不能解决的许多问题[5]。

采用Appcoef函数进行小波变换,从而对数据进行压缩,将经过小波变换压缩的红外光谱数据组成44×42的矩阵输入到Matlab 7.0软件中。然后进行归一化处理,避免了由于被测样品量的多少对吸收峰强弱的影响。经过归一化处理后绘制出来的红外光谱图能够更好地反映出不同产地不同年限的紫花地丁的光谱差别。用经过归一化处理的含44个变量的紫花地丁红外光谱作为神经网络的输入。

2.3 径向基神经网络分析

在应用Matlab 7.0软件编译程序、构建与训练径向基函数网络的过程中,应用了神经网络工具箱中的Newrb函数,其中影响分类结果的参数主要有目标误差(Error goal,EG)和径向基函数分布常数(Spread constant,SC),因此对这两个参数进行分析。

目标误差(EG)是影响网络训练终点的重要参数之一, 决定网络的训练次数和达到的精度。不同的目标误差经由程序运行,所得到的正确率有所差异。图2是不同的目标误差对正确率的影响,可以看出,目标误差为0.001 5时,识别正确率最低,仅为85.71%。当目标误差选定为0.002 5时,正确率最大,达到95.24%。同时,均方根误差最小为0.285 7,所以选定目标误差为0.002 5。

径向基函数的分布常数(SC)对应输入数据到中心点的距离,它的大小直接影响计算结果的准确性。分布常数的值在1~10时对结果的影响最大,因此,把分布常数从1~10进行了比较。由图3可以看出,当分布常数为10时,紫花地丁样品识别正确率最低,当分布常数为6时正确率达到最大值95.24%,均方根误差为0.216 4。因此,选定分布常数为6。

通过对EG参数和SC参数的分析,选定目标误差EG为0.002 5,径向基函数的分布常数SC为6,此时网络达到最优化。利用MATLAB 内部的神经网络工具箱中的Newrb函数做网络训练,在隐层中传递函数调用高斯函数Radbas,应用函数Sim对径向基网络进行仿真。

以紫花地丁样品的红外光谱数据为依据,通过建立相应的径向基函数神经网络模型加以分类。以1.0代表野生紫花地丁,0.0代表栽培紫花地丁,0.5为阈值。依此条件对紫花地丁样品进行预测分类,其中有2个样品被鉴别错误,总的识别正确率为95.24%,可以很好地鉴别紫花地丁样品。

3 小结

本研究采用将径向基函数神经网络与红外光谱相结合的分析方法对野生和栽培紫花地丁加以鉴别。从整体上看,不同品种的紫花地丁的红外光谱有许多共同特征,说明紫花地丁样品内在含有一些相同的有效成分。不同种药材或不同产地的药材,只要红外的指纹谱图存在差异,说明其中一些化学成分不同或者是各化学成分的含量不同。根据谱图的差异,通过径向基网络可以识别野生紫花地丁和栽培紫花地丁。将经过小波变换数据压缩技术处理的红外光谱数据,调入到径向基函数神经网络模型中,实现了紫花地丁野生与栽培样品的鉴别分类,识别正确率可达95.24%,可以作为鉴别紫花地丁的一种质量控制方法。这两种鉴别方法相结合进行鉴定,比常规的鉴别方法[6-9]更快速、直接,且不破坏样品。

参考文献:

[1] 王庆瑞.中国植物志[M].北京:科学出版社,1991.

[2] 江 彬,杨仕军,底全厚,等.紫花地丁及其习用品的性状鉴别及检索[J].实用中医药杂志,2008,24(7):470-471.

[3] 邓月娥,孙素琴,牛立元. 不同产地金钗石斛红外光谱解析[J]. 河南科技学院学报(自然科学版),2007(2):37-40.

[4] 姚 霞,孙素琴,许利嘉,等. 红外光谱法对野生和栽培枸杞子的鉴别与分析[J]. 医药导报,2010(8):1065-1068.

[5] 金向军,张 勇,谢云飞,等.基于支持向量机及小波变换的人参红外光谱分析[J].光谱学与光谱分析,2009,29(3):656-660.

[6] 张永耀,侯惠婵,杨洁瑜.紫花地丁及其常见混伪品的比较鉴别[J].中国现代中药,2010(7):25-27.

[7] 李连方,尹祖棠.华北地区堇菜属植物的果实和种子形态学研究[J].中国农业大学学报,1999(3):35-38.

[8] 王旭红,秦民坚,梁之桃.南京地区六种堇菜属植物根和根茎的显微鉴定[J].中药材,2003(6):401-403.

[9] 王旭红,秦民坚,吴永强.南京地区6种堇菜属植物叶表皮的显微结构比较[J].中药材,2003(10):706-709.

(责任编辑 赵 娟)

2.2 紫花地丁的红外光谱分析

通过扫描得到不同紫花地丁样品的红外光谱图(图1),发现该红外光谱非常相似,很难区别。由于光谱变量多,分析速度慢,因此选择小波变换技术对光谱进行压缩。小波变换是一个时间和频域的局域变换,因而能有效地从信号中提取信息,通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析,解决了傅里叶变换不能解决的许多问题[5]。

采用Appcoef函数进行小波变换,从而对数据进行压缩,将经过小波变换压缩的红外光谱数据组成44×42的矩阵输入到Matlab 7.0软件中。然后进行归一化处理,避免了由于被测样品量的多少对吸收峰强弱的影响。经过归一化处理后绘制出来的红外光谱图能够更好地反映出不同产地不同年限的紫花地丁的光谱差别。用经过归一化处理的含44个变量的紫花地丁红外光谱作为神经网络的输入。

2.3 径向基神经网络分析

在应用Matlab 7.0软件编译程序、构建与训练径向基函数网络的过程中,应用了神经网络工具箱中的Newrb函数,其中影响分类结果的参数主要有目标误差(Error goal,EG)和径向基函数分布常数(Spread constant,SC),因此对这两个参数进行分析。

目标误差(EG)是影响网络训练终点的重要参数之一, 决定网络的训练次数和达到的精度。不同的目标误差经由程序运行,所得到的正确率有所差异。图2是不同的目标误差对正确率的影响,可以看出,目标误差为0.001 5时,识别正确率最低,仅为85.71%。当目标误差选定为0.002 5时,正确率最大,达到95.24%。同时,均方根误差最小为0.285 7,所以选定目标误差为0.002 5。

径向基函数的分布常数(SC)对应输入数据到中心点的距离,它的大小直接影响计算结果的准确性。分布常数的值在1~10时对结果的影响最大,因此,把分布常数从1~10进行了比较。由图3可以看出,当分布常数为10时,紫花地丁样品识别正确率最低,当分布常数为6时正确率达到最大值95.24%,均方根误差为0.216 4。因此,选定分布常数为6。

通过对EG参数和SC参数的分析,选定目标误差EG为0.002 5,径向基函数的分布常数SC为6,此时网络达到最优化。利用MATLAB 内部的神经网络工具箱中的Newrb函数做网络训练,在隐层中传递函数调用高斯函数Radbas,应用函数Sim对径向基网络进行仿真。

以紫花地丁样品的红外光谱数据为依据,通过建立相应的径向基函数神经网络模型加以分类。以1.0代表野生紫花地丁,0.0代表栽培紫花地丁,0.5为阈值。依此条件对紫花地丁样品进行预测分类,其中有2个样品被鉴别错误,总的识别正确率为95.24%,可以很好地鉴别紫花地丁样品。

3 小结

本研究采用将径向基函数神经网络与红外光谱相结合的分析方法对野生和栽培紫花地丁加以鉴别。从整体上看,不同品种的紫花地丁的红外光谱有许多共同特征,说明紫花地丁样品内在含有一些相同的有效成分。不同种药材或不同产地的药材,只要红外的指纹谱图存在差异,说明其中一些化学成分不同或者是各化学成分的含量不同。根据谱图的差异,通过径向基网络可以识别野生紫花地丁和栽培紫花地丁。将经过小波变换数据压缩技术处理的红外光谱数据,调入到径向基函数神经网络模型中,实现了紫花地丁野生与栽培样品的鉴别分类,识别正确率可达95.24%,可以作为鉴别紫花地丁的一种质量控制方法。这两种鉴别方法相结合进行鉴定,比常规的鉴别方法[6-9]更快速、直接,且不破坏样品。

参考文献:

[1] 王庆瑞.中国植物志[M].北京:科学出版社,1991.

[2] 江 彬,杨仕军,底全厚,等.紫花地丁及其习用品的性状鉴别及检索[J].实用中医药杂志,2008,24(7):470-471.

[3] 邓月娥,孙素琴,牛立元. 不同产地金钗石斛红外光谱解析[J]. 河南科技学院学报(自然科学版),2007(2):37-40.

[4] 姚 霞,孙素琴,许利嘉,等. 红外光谱法对野生和栽培枸杞子的鉴别与分析[J]. 医药导报,2010(8):1065-1068.

[5] 金向军,张 勇,谢云飞,等.基于支持向量机及小波变换的人参红外光谱分析[J].光谱学与光谱分析,2009,29(3):656-660.

[6] 张永耀,侯惠婵,杨洁瑜.紫花地丁及其常见混伪品的比较鉴别[J].中国现代中药,2010(7):25-27.

[7] 李连方,尹祖棠.华北地区堇菜属植物的果实和种子形态学研究[J].中国农业大学学报,1999(3):35-38.

[8] 王旭红,秦民坚,梁之桃.南京地区六种堇菜属植物根和根茎的显微鉴定[J].中药材,2003(6):401-403.

[9] 王旭红,秦民坚,吴永强.南京地区6种堇菜属植物叶表皮的显微结构比较[J].中药材,2003(10):706-709.

(责任编辑 赵 娟)

2.2 紫花地丁的红外光谱分析

通过扫描得到不同紫花地丁样品的红外光谱图(图1),发现该红外光谱非常相似,很难区别。由于光谱变量多,分析速度慢,因此选择小波变换技术对光谱进行压缩。小波变换是一个时间和频域的局域变换,因而能有效地从信号中提取信息,通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析,解决了傅里叶变换不能解决的许多问题[5]。

采用Appcoef函数进行小波变换,从而对数据进行压缩,将经过小波变换压缩的红外光谱数据组成44×42的矩阵输入到Matlab 7.0软件中。然后进行归一化处理,避免了由于被测样品量的多少对吸收峰强弱的影响。经过归一化处理后绘制出来的红外光谱图能够更好地反映出不同产地不同年限的紫花地丁的光谱差别。用经过归一化处理的含44个变量的紫花地丁红外光谱作为神经网络的输入。

2.3 径向基神经网络分析

在应用Matlab 7.0软件编译程序、构建与训练径向基函数网络的过程中,应用了神经网络工具箱中的Newrb函数,其中影响分类结果的参数主要有目标误差(Error goal,EG)和径向基函数分布常数(Spread constant,SC),因此对这两个参数进行分析。

目标误差(EG)是影响网络训练终点的重要参数之一, 决定网络的训练次数和达到的精度。不同的目标误差经由程序运行,所得到的正确率有所差异。图2是不同的目标误差对正确率的影响,可以看出,目标误差为0.001 5时,识别正确率最低,仅为85.71%。当目标误差选定为0.002 5时,正确率最大,达到95.24%。同时,均方根误差最小为0.285 7,所以选定目标误差为0.002 5。

径向基函数的分布常数(SC)对应输入数据到中心点的距离,它的大小直接影响计算结果的准确性。分布常数的值在1~10时对结果的影响最大,因此,把分布常数从1~10进行了比较。由图3可以看出,当分布常数为10时,紫花地丁样品识别正确率最低,当分布常数为6时正确率达到最大值95.24%,均方根误差为0.216 4。因此,选定分布常数为6。

通过对EG参数和SC参数的分析,选定目标误差EG为0.002 5,径向基函数的分布常数SC为6,此时网络达到最优化。利用MATLAB 内部的神经网络工具箱中的Newrb函数做网络训练,在隐层中传递函数调用高斯函数Radbas,应用函数Sim对径向基网络进行仿真。

以紫花地丁样品的红外光谱数据为依据,通过建立相应的径向基函数神经网络模型加以分类。以1.0代表野生紫花地丁,0.0代表栽培紫花地丁,0.5为阈值。依此条件对紫花地丁样品进行预测分类,其中有2个样品被鉴别错误,总的识别正确率为95.24%,可以很好地鉴别紫花地丁样品。

3 小结

本研究采用将径向基函数神经网络与红外光谱相结合的分析方法对野生和栽培紫花地丁加以鉴别。从整体上看,不同品种的紫花地丁的红外光谱有许多共同特征,说明紫花地丁样品内在含有一些相同的有效成分。不同种药材或不同产地的药材,只要红外的指纹谱图存在差异,说明其中一些化学成分不同或者是各化学成分的含量不同。根据谱图的差异,通过径向基网络可以识别野生紫花地丁和栽培紫花地丁。将经过小波变换数据压缩技术处理的红外光谱数据,调入到径向基函数神经网络模型中,实现了紫花地丁野生与栽培样品的鉴别分类,识别正确率可达95.24%,可以作为鉴别紫花地丁的一种质量控制方法。这两种鉴别方法相结合进行鉴定,比常规的鉴别方法[6-9]更快速、直接,且不破坏样品。

参考文献:

[1] 王庆瑞.中国植物志[M].北京:科学出版社,1991.

[2] 江 彬,杨仕军,底全厚,等.紫花地丁及其习用品的性状鉴别及检索[J].实用中医药杂志,2008,24(7):470-471.

[3] 邓月娥,孙素琴,牛立元. 不同产地金钗石斛红外光谱解析[J]. 河南科技学院学报(自然科学版),2007(2):37-40.

[4] 姚 霞,孙素琴,许利嘉,等. 红外光谱法对野生和栽培枸杞子的鉴别与分析[J]. 医药导报,2010(8):1065-1068.

[5] 金向军,张 勇,谢云飞,等.基于支持向量机及小波变换的人参红外光谱分析[J].光谱学与光谱分析,2009,29(3):656-660.

[6] 张永耀,侯惠婵,杨洁瑜.紫花地丁及其常见混伪品的比较鉴别[J].中国现代中药,2010(7):25-27.

[7] 李连方,尹祖棠.华北地区堇菜属植物的果实和种子形态学研究[J].中国农业大学学报,1999(3):35-38.

[8] 王旭红,秦民坚,梁之桃.南京地区六种堇菜属植物根和根茎的显微鉴定[J].中药材,2003(6):401-403.

[9] 王旭红,秦民坚,吴永强.南京地区6种堇菜属植物叶表皮的显微结构比较[J].中药材,2003(10):706-709.

(责任编辑 赵 娟)

猜你喜欢
紫花地丁常数正确率
紫花地丁 清热解毒良药
关于Landau常数和Euler-Mascheroni常数的渐近展开式以及Stirling级数的系数
门诊分诊服务态度与正确率对护患关系的影响
紫花地丁妈妈
生意
品管圈活动在提高介入手术安全核查正确率中的应用
紫花地丁的幸福生活
几个常数项级数的和
紫外分光光度法测定曲札芪苷的解离常数