摘要大黃是我國(guó)最常用的中草藥之一。對(duì)正品和非正品大黃的快速、準(zhǔn)確鑒別對(duì)于大黃及其中草藥產(chǎn)品的質(zhì)量控制具有重要的意義。將近紅外漫反射光譜分析技術(shù)與人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合， 對(duì)52種大黃樣品進(jìn)行了測(cè)定和鑒別，正確率可達(dá)96％。并對(duì)神經(jīng)網(wǎng)絡(luò)的隱含層個(gè)數(shù)和動(dòng)量因子的影響做了討論。由于近紅外光譜法具有樣品前處理少，測(cè)定快速和非破壞性等特點(diǎn)，因而特別適合于中草藥的鑒別。
主題詞：近紅外光譜法；大黃；人工神經(jīng)網(wǎng)絡(luò)；中草藥
引 言
大黃為蓼科大黃屬植物，共約60種，大黃是我國(guó)著名的特產(chǎn)藥材，用藥歷史悠久。大黃具有瀉下、抗菌、利膽、保肝、止血活血等功效。在商品中常常混有非正品大黃的根和根莖，但其瀉下作用不及正品大黃，有些還能引起腹痛。為了確保正品大黃的臨床療效，長(zhǎng)期以來(lái)，對(duì)大黃生藥的鑒定多是依靠其外部形態(tài)、性狀鑒定、顯微鑒定和理化鑒定，這些方法在一定程度上依賴(lài)于經(jīng)驗(yàn)，且難以區(qū)別正品大黃和非正品大黃的根及炮制加工后的粉末。近年來(lái)人們采用多種現(xiàn)代分析檢測(cè)技術(shù)對(duì)各種中草藥的鑒別做了研究，例如紅外光譜法、質(zhì)譜法等。利用這些現(xiàn)代分析檢測(cè)手段使對(duì)于中草藥的快速、準(zhǔn)確鑒別成為可能，也為中醫(yī)藥現(xiàn)代化奠定了科學(xué)基礎(chǔ)。
近紅外光譜(NIR)技術(shù)是近年來(lái)受到人們的特別重視和發(fā)展非常快的光譜分析方法之一。在近紅外光譜區(qū)(通常為780～3100nm)，主要是分子中CH，OH，NH基團(tuán)的倍頻和合頻的吸收。由于其吸收譜帶強(qiáng)度較弱，所以要獲得理想的圖譜往往需要樣品量較大。由于在NIR區(qū)譜峰的重疊非常嚴(yán)重，數(shù)據(jù)的處理和解釋非常困難。在較早時(shí)期，由于受到技術(shù)水平和實(shí)驗(yàn)條件限制，無(wú)法將NIR區(qū)的信息充分提出來(lái)，因此。近紅外光譜的應(yīng)用非常有限。隨著計(jì)算機(jī)技術(shù)的普及和化學(xué)計(jì)量學(xué)的發(fā)展，人們對(duì)NIR光譜數(shù)據(jù)的解釋和校準(zhǔn)做了深入的研究。建立了許多NIR光譜分析的校準(zhǔn)方法，使得NIR光譜分析技術(shù)得到了廣泛的應(yīng)用。目前近紅外光譜分析
方法在農(nóng)業(yè)、食品工業(yè)、石油、化工、制藥、紡織及生物醫(yī)學(xué)等領(lǐng)域，尤其適用于在線(xiàn)分析等領(lǐng)域都有廣泛的應(yīng)用。近紅外光譜技術(shù)在中草藥鑒別方面的應(yīng)用也有許多報(bào)道。但是在中草藥大黃的鑒別應(yīng)用中報(bào)道得較少。
人工神經(jīng)網(wǎng)絡(luò)(ANN)是對(duì)生物神經(jīng)網(wǎng)絡(luò)的一種數(shù)學(xué)模擬。它利用大量簡(jiǎn)單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)，來(lái)模仿人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能，從而對(duì)信息進(jìn)行處理。由于神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、穩(wěn)健性、容錯(cuò)性以及非線(xiàn)性信息處理等功能，因而在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用。目前應(yīng)用最廣泛的是采用誤差反向傳播算法的前饋神經(jīng)網(wǎng)絡(luò)(BP-ANN)。
本文將近紅外光譜技術(shù)與人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，采用漫反射光學(xué)檢測(cè)方法，對(duì)52種大黃樣品進(jìn)行了測(cè)定和鑒別，并對(duì)神經(jīng)網(wǎng)絡(luò)的隱含層個(gè)數(shù)和動(dòng)量因子的影響做了討論。
1 實(shí)驗(yàn)部分
1．1 儀器與樣品
Foss 6500型近紅外光譜儀(Foss NIR Systems Inc．，MD，USA)，石英鹵燈，PbS檢測(cè)器。本工作選用的52個(gè)大黃樣品為不同品種和不同產(chǎn)地的樣品。根據(jù)我國(guó)藥典的要求，將這些樣品分為正品大黃和非正品大黃兩類(lèi)，其中25個(gè)為正品樣本(No．1-25)，27個(gè)為非正品樣本(No．25—52)。大黃樣品經(jīng)干燥后粉碎成60目的粉末后直接測(cè)定。 ·
1．2 數(shù)據(jù)采集和處理
大黃樣品的測(cè)量波長(zhǎng)范圍為：1100～2500nm。每隔2nm采集一個(gè)數(shù)據(jù)點(diǎn)。光譜采集所用樣品池為直徑38mm，厚度為10mm。為了保證樣品數(shù)據(jù)的代表性，進(jìn)行若干次測(cè)量后將樣品池取出搖動(dòng)，使樣品池中的樣品得到重新填充。每個(gè)樣品掃描測(cè)量50次，然后取其平均值作為該樣品的光譜。樣品的掃描測(cè)量數(shù)據(jù)以ascii 碼存儲(chǔ)，然后再用另一臺(tái)微機(jī)進(jìn)行計(jì)算處理。
測(cè)量得到的大黃樣品NIR光譜經(jīng)二階導(dǎo)數(shù)處理，消除了斜坡背景的影響。為了減少光譜的變量，從而提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，我們利用小波變換方法對(duì)二階導(dǎo)數(shù)N1R光譜進(jìn)行壓縮。經(jīng)小波壓縮后的光譜變量點(diǎn)由原來(lái)的700個(gè)減少為44個(gè)。利用小波變換數(shù)據(jù)壓縮技術(shù)既能高效地減少數(shù)據(jù)的變量數(shù)目，又能保持原光譜的特征。用經(jīng)過(guò)壓縮的含44個(gè)變量的大黃NIR光譜作為神經(jīng)網(wǎng)絡(luò)的輸入。本工作使用誤差反向傳播算法的神經(jīng)網(wǎng)絡(luò)(BP-ANN)建立大黃樣品的分類(lèi)模型。神經(jīng)網(wǎng)絡(luò)的輸入層單元為44，輸出層單元為1個(gè)，以1.0代表正品大黃，0.0代表非正品大黃。對(duì)隱含層單元進(jìn)行優(yōu)化選擇。
為了簡(jiǎn)化計(jì)算步驟，首先使用Matlab 5.0(Mathworks，Inc．，USA)的內(nèi)部函數(shù)Appooef進(jìn)行一維小波變換，對(duì)光譜進(jìn)行壓縮。然后使用Trmnbpx(快速BP算法)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和建模。為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)建立的分類(lèi)模型，采用交叉驗(yàn)證方法。使用n中取1的方法選取檢驗(yàn)樣本，即每次選取一個(gè)樣本作為檢驗(yàn)樣本，其余樣本作為訓(xùn)練樣本。這樣，每個(gè)樣品作為檢驗(yàn)樣本1次，作為訓(xùn)練集樣本n一1次。預(yù)測(cè)結(jié)果的判定閾值設(shè)為0.5，即當(dāng)輸出值大于0.5判為正品大黃，當(dāng)輸出值小于0.5判為非正品大黃。
2 結(jié)果與討論
2．1 大黃的NIR光譜和相似性判別
可以看出，大黃樣品的近紅外光譜非常相似，不可能用直接觀察的方法對(duì)正品和非正品大黃做出鑒別。即使使用傳統(tǒng)的相關(guān)系數(shù)法也很難對(duì)正品和非正品的大黃樣品做出鑒定。
正品和非正品大黃樣品的相關(guān)系數(shù)非常大（即非常接近于1)。即使使用導(dǎo)數(shù)光譜使正品和非正品樣品的相關(guān)系數(shù)有所降低，但也不能根據(jù)NIR光譜對(duì)大黃樣品進(jìn)行分類(lèi)鑒別。因此，我們使用人工神經(jīng)網(wǎng)絡(luò)方法對(duì)正品和非正品大黃樣品的分類(lèi)鑒定做了深入的研究。
2．2 隱含層結(jié)點(diǎn)的影響
在這項(xiàng)試驗(yàn)中，我們用BP-ANN鑒別正品大黃和非正品大黃。實(shí)際上，隱含層的結(jié)點(diǎn)數(shù)決定著B(niǎo)P網(wǎng)絡(luò)的復(fù)雜性。因此，必須選擇一個(gè)最佳的隱含層結(jié)點(diǎn)數(shù)。我們把隱含層個(gè)數(shù)從1到8逐個(gè)進(jìn)行比較。
可以發(fā)現(xiàn)，當(dāng)隱含層神經(jīng)元為1時(shí)，BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率很低，僅達(dá)到55.8％。當(dāng)隱含層神經(jīng)元為2時(shí)，BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率立刻升高到90.38％。調(diào)節(jié)隱含層神經(jīng)元為2到8時(shí)，BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率基本趨于平緩，當(dāng)隱含層神經(jīng)元為5時(shí)，BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率達(dá)到最高，為96.15％。經(jīng)過(guò)上述優(yōu)化，我們選定最佳的隱含層個(gè)數(shù)為5。
2．3 動(dòng)量因子的影響
動(dòng)量因子和學(xué)習(xí)速率是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率和收斂度的兩個(gè)重要因素。到目前為止，還沒(méi)有嚴(yán)格的系統(tǒng)的理論規(guī)則來(lái)選擇動(dòng)量因子和學(xué)習(xí)速率。對(duì)于特定的問(wèn)題，這些參數(shù)通常根據(jù)實(shí)驗(yàn)來(lái)選擇。在這項(xiàng)實(shí)驗(yàn)中，我們使用的是Matlab軟件中的內(nèi)部函數(shù)Trainbpx，其中學(xué)習(xí)速率一項(xiàng)是由函數(shù)自我調(diào)整的。因此，在實(shí)驗(yàn)中只需要選擇合適的動(dòng)量因子。我們把動(dòng)量因子從0.1到0.9逐個(gè)比較，最后，我們確定最合適的動(dòng)量因子為0.9。
BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率隨著動(dòng)量因子的變化比較平穩(wěn)，都達(dá)到了90％以上。調(diào)節(jié)動(dòng)量因子，可以使我們找到最高的識(shí)別正確率，但是如果動(dòng)量因子太大了，BP網(wǎng)絡(luò)就不能收斂了。
可以發(fā)現(xiàn)，有兩個(gè)大黃樣品在BP網(wǎng)絡(luò)的鑒別之外，被識(shí)別錯(cuò)誤。第2個(gè)樣品輸出值為0.4938，第36個(gè)樣品輸出值為0.7228。這兩個(gè)樣品為鑒別錯(cuò)誤的樣品。其他50個(gè)樣品的鑒別是正確的。從總體來(lái)看，使用BP網(wǎng)絡(luò)鑒別大黃樣品識(shí)別正確率達(dá)到了96.15％。
3 結(jié)論
本文旨在將近紅外光譜和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行中藥大黃的鑒別。大黃樣品粉碎后無(wú)需進(jìn)行復(fù)雜的處理，就可以用近紅外光譜儀進(jìn)行分析監(jiān)測(cè)。NIR光譜經(jīng)小波變換壓縮后，將光譜變量從700減少到44個(gè)。用經(jīng)小波壓縮的NIR光譜輸入到神經(jīng)網(wǎng)絡(luò)建立分類(lèi)鑒別模型。用獨(dú)立預(yù)測(cè)樣本進(jìn)行檢驗(yàn)，識(shí)別正確率可達(dá)到96.15％。本方法操作簡(jiǎn)便、無(wú)污染、低消耗，是一個(gè)很有發(fā)展前途的鑒別中草藥的方法。
主題詞：近紅外光譜法；大黃；人工神經(jīng)網(wǎng)絡(luò)；中草藥
引 言
大黃為蓼科大黃屬植物，共約60種，大黃是我國(guó)著名的特產(chǎn)藥材，用藥歷史悠久。大黃具有瀉下、抗菌、利膽、保肝、止血活血等功效。在商品中常常混有非正品大黃的根和根莖，但其瀉下作用不及正品大黃，有些還能引起腹痛。為了確保正品大黃的臨床療效，長(zhǎng)期以來(lái)，對(duì)大黃生藥的鑒定多是依靠其外部形態(tài)、性狀鑒定、顯微鑒定和理化鑒定，這些方法在一定程度上依賴(lài)于經(jīng)驗(yàn)，且難以區(qū)別正品大黃和非正品大黃的根及炮制加工后的粉末。近年來(lái)人們采用多種現(xiàn)代分析檢測(cè)技術(shù)對(duì)各種中草藥的鑒別做了研究，例如紅外光譜法、質(zhì)譜法等。利用這些現(xiàn)代分析檢測(cè)手段使對(duì)于中草藥的快速、準(zhǔn)確鑒別成為可能，也為中醫(yī)藥現(xiàn)代化奠定了科學(xué)基礎(chǔ)。
近紅外光譜(NIR)技術(shù)是近年來(lái)受到人們的特別重視和發(fā)展非常快的光譜分析方法之一。在近紅外光譜區(qū)(通常為780～3100nm)，主要是分子中CH，OH，NH基團(tuán)的倍頻和合頻的吸收。由于其吸收譜帶強(qiáng)度較弱，所以要獲得理想的圖譜往往需要樣品量較大。由于在NIR區(qū)譜峰的重疊非常嚴(yán)重，數(shù)據(jù)的處理和解釋非常困難。在較早時(shí)期，由于受到技術(shù)水平和實(shí)驗(yàn)條件限制，無(wú)法將NIR區(qū)的信息充分提出來(lái)，因此。近紅外光譜的應(yīng)用非常有限。隨著計(jì)算機(jī)技術(shù)的普及和化學(xué)計(jì)量學(xué)的發(fā)展，人們對(duì)NIR光譜數(shù)據(jù)的解釋和校準(zhǔn)做了深入的研究。建立了許多NIR光譜分析的校準(zhǔn)方法，使得NIR光譜分析技術(shù)得到了廣泛的應(yīng)用。目前近紅外光譜分析
方法在農(nóng)業(yè)、食品工業(yè)、石油、化工、制藥、紡織及生物醫(yī)學(xué)等領(lǐng)域，尤其適用于在線(xiàn)分析等領(lǐng)域都有廣泛的應(yīng)用。近紅外光譜技術(shù)在中草藥鑒別方面的應(yīng)用也有許多報(bào)道。但是在中草藥大黃的鑒別應(yīng)用中報(bào)道得較少。
人工神經(jīng)網(wǎng)絡(luò)(ANN)是對(duì)生物神經(jīng)網(wǎng)絡(luò)的一種數(shù)學(xué)模擬。它利用大量簡(jiǎn)單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)，來(lái)模仿人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能，從而對(duì)信息進(jìn)行處理。由于神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、穩(wěn)健性、容錯(cuò)性以及非線(xiàn)性信息處理等功能，因而在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用。目前應(yīng)用最廣泛的是采用誤差反向傳播算法的前饋神經(jīng)網(wǎng)絡(luò)(BP-ANN)。
本文將近紅外光譜技術(shù)與人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，采用漫反射光學(xué)檢測(cè)方法，對(duì)52種大黃樣品進(jìn)行了測(cè)定和鑒別，并對(duì)神經(jīng)網(wǎng)絡(luò)的隱含層個(gè)數(shù)和動(dòng)量因子的影響做了討論。
1 實(shí)驗(yàn)部分
1．1 儀器與樣品
Foss 6500型近紅外光譜儀(Foss NIR Systems Inc．，MD，USA)，石英鹵燈，PbS檢測(cè)器。本工作選用的52個(gè)大黃樣品為不同品種和不同產(chǎn)地的樣品。根據(jù)我國(guó)藥典的要求，將這些樣品分為正品大黃和非正品大黃兩類(lèi)，其中25個(gè)為正品樣本(No．1-25)，27個(gè)為非正品樣本(No．25—52)。大黃樣品經(jīng)干燥后粉碎成60目的粉末后直接測(cè)定。 ·
1．2 數(shù)據(jù)采集和處理
大黃樣品的測(cè)量波長(zhǎng)范圍為：1100～2500nm。每隔2nm采集一個(gè)數(shù)據(jù)點(diǎn)。光譜采集所用樣品池為直徑38mm，厚度為10mm。為了保證樣品數(shù)據(jù)的代表性，進(jìn)行若干次測(cè)量后將樣品池取出搖動(dòng)，使樣品池中的樣品得到重新填充。每個(gè)樣品掃描測(cè)量50次，然后取其平均值作為該樣品的光譜。樣品的掃描測(cè)量數(shù)據(jù)以ascii 碼存儲(chǔ)，然后再用另一臺(tái)微機(jī)進(jìn)行計(jì)算處理。
測(cè)量得到的大黃樣品NIR光譜經(jīng)二階導(dǎo)數(shù)處理，消除了斜坡背景的影響。為了減少光譜的變量，從而提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，我們利用小波變換方法對(duì)二階導(dǎo)數(shù)N1R光譜進(jìn)行壓縮。經(jīng)小波壓縮后的光譜變量點(diǎn)由原來(lái)的700個(gè)減少為44個(gè)。利用小波變換數(shù)據(jù)壓縮技術(shù)既能高效地減少數(shù)據(jù)的變量數(shù)目，又能保持原光譜的特征。用經(jīng)過(guò)壓縮的含44個(gè)變量的大黃NIR光譜作為神經(jīng)網(wǎng)絡(luò)的輸入。本工作使用誤差反向傳播算法的神經(jīng)網(wǎng)絡(luò)(BP-ANN)建立大黃樣品的分類(lèi)模型。神經(jīng)網(wǎng)絡(luò)的輸入層單元為44，輸出層單元為1個(gè)，以1.0代表正品大黃，0.0代表非正品大黃。對(duì)隱含層單元進(jìn)行優(yōu)化選擇。
為了簡(jiǎn)化計(jì)算步驟，首先使用Matlab 5.0(Mathworks，Inc．，USA)的內(nèi)部函數(shù)Appooef進(jìn)行一維小波變換，對(duì)光譜進(jìn)行壓縮。然后使用Trmnbpx(快速BP算法)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和建模。為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)建立的分類(lèi)模型，采用交叉驗(yàn)證方法。使用n中取1的方法選取檢驗(yàn)樣本，即每次選取一個(gè)樣本作為檢驗(yàn)樣本，其余樣本作為訓(xùn)練樣本。這樣，每個(gè)樣品作為檢驗(yàn)樣本1次，作為訓(xùn)練集樣本n一1次。預(yù)測(cè)結(jié)果的判定閾值設(shè)為0.5，即當(dāng)輸出值大于0.5判為正品大黃，當(dāng)輸出值小于0.5判為非正品大黃。
2 結(jié)果與討論
2．1 大黃的NIR光譜和相似性判別
可以看出，大黃樣品的近紅外光譜非常相似，不可能用直接觀察的方法對(duì)正品和非正品大黃做出鑒別。即使使用傳統(tǒng)的相關(guān)系數(shù)法也很難對(duì)正品和非正品的大黃樣品做出鑒定。
正品和非正品大黃樣品的相關(guān)系數(shù)非常大（即非常接近于1)。即使使用導(dǎo)數(shù)光譜使正品和非正品樣品的相關(guān)系數(shù)有所降低，但也不能根據(jù)NIR光譜對(duì)大黃樣品進(jìn)行分類(lèi)鑒別。因此，我們使用人工神經(jīng)網(wǎng)絡(luò)方法對(duì)正品和非正品大黃樣品的分類(lèi)鑒定做了深入的研究。
2．2 隱含層結(jié)點(diǎn)的影響
在這項(xiàng)試驗(yàn)中，我們用BP-ANN鑒別正品大黃和非正品大黃。實(shí)際上，隱含層的結(jié)點(diǎn)數(shù)決定著B(niǎo)P網(wǎng)絡(luò)的復(fù)雜性。因此，必須選擇一個(gè)最佳的隱含層結(jié)點(diǎn)數(shù)。我們把隱含層個(gè)數(shù)從1到8逐個(gè)進(jìn)行比較。
可以發(fā)現(xiàn)，當(dāng)隱含層神經(jīng)元為1時(shí)，BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率很低，僅達(dá)到55.8％。當(dāng)隱含層神經(jīng)元為2時(shí)，BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率立刻升高到90.38％。調(diào)節(jié)隱含層神經(jīng)元為2到8時(shí)，BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率基本趨于平緩，當(dāng)隱含層神經(jīng)元為5時(shí)，BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率達(dá)到最高，為96.15％。經(jīng)過(guò)上述優(yōu)化，我們選定最佳的隱含層個(gè)數(shù)為5。
2．3 動(dòng)量因子的影響
動(dòng)量因子和學(xué)習(xí)速率是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率和收斂度的兩個(gè)重要因素。到目前為止，還沒(méi)有嚴(yán)格的系統(tǒng)的理論規(guī)則來(lái)選擇動(dòng)量因子和學(xué)習(xí)速率。對(duì)于特定的問(wèn)題，這些參數(shù)通常根據(jù)實(shí)驗(yàn)來(lái)選擇。在這項(xiàng)實(shí)驗(yàn)中，我們使用的是Matlab軟件中的內(nèi)部函數(shù)Trainbpx，其中學(xué)習(xí)速率一項(xiàng)是由函數(shù)自我調(diào)整的。因此，在實(shí)驗(yàn)中只需要選擇合適的動(dòng)量因子。我們把動(dòng)量因子從0.1到0.9逐個(gè)比較，最后，我們確定最合適的動(dòng)量因子為0.9。
BP網(wǎng)絡(luò)對(duì)大黃的識(shí)別正確率隨著動(dòng)量因子的變化比較平穩(wěn)，都達(dá)到了90％以上。調(diào)節(jié)動(dòng)量因子，可以使我們找到最高的識(shí)別正確率，但是如果動(dòng)量因子太大了，BP網(wǎng)絡(luò)就不能收斂了。
可以發(fā)現(xiàn)，有兩個(gè)大黃樣品在BP網(wǎng)絡(luò)的鑒別之外，被識(shí)別錯(cuò)誤。第2個(gè)樣品輸出值為0.4938，第36個(gè)樣品輸出值為0.7228。這兩個(gè)樣品為鑒別錯(cuò)誤的樣品。其他50個(gè)樣品的鑒別是正確的。從總體來(lái)看，使用BP網(wǎng)絡(luò)鑒別大黃樣品識(shí)別正確率達(dá)到了96.15％。
3 結(jié)論
本文旨在將近紅外光譜和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行中藥大黃的鑒別。大黃樣品粉碎后無(wú)需進(jìn)行復(fù)雜的處理，就可以用近紅外光譜儀進(jìn)行分析監(jiān)測(cè)。NIR光譜經(jīng)小波變換壓縮后，將光譜變量從700減少到44個(gè)。用經(jīng)小波壓縮的NIR光譜輸入到神經(jīng)網(wǎng)絡(luò)建立分類(lèi)鑒別模型。用獨(dú)立預(yù)測(cè)樣本進(jìn)行檢驗(yàn)，識(shí)別正確率可達(dá)到96.15％。本方法操作簡(jiǎn)便、無(wú)污染、低消耗，是一個(gè)很有發(fā)展前途的鑒別中草藥的方法。