红外光谱与高木-关野系统结合鉴别大黄的研究

摘要:高木-关野模糊系统是基于若干反向传播神经网络(BP-ANN)组成的，它具有一些模糊逻辑特性。文章利用红外光谱与高木．关野模糊系统相结合鉴别52种大黄样品。并对神经网络的隐含层个数和动量因子的影响作了讨论。结果表明，用高木-关野模糊系统得到的结果比通常用的BP网络要好。选用适当的网络训练参数，正确率可达到100％。该方法比常规方法更准确，比民间传统方法更具科学性，因此是鉴别大黄的一种快速、简便的方法。
主题词：大黄；红外光谱；高木-关野模糊系统
引 言
近年来，利用红外光谱鉴别物种的研究进展很快。Naumann等研究了病原细菌的红外光谱特征并将其用于细菌的分类鉴定。孙素琴等利用FTIR光谱法快速鉴别了6种燕窝。利用红外光谱进行中药材真伪的鉴定越来越受重视，如孙素琴等利用傅里叶变换红外光谱法对种灵芝、山药、黄芩、枸杞等植物药材的鉴别以及药用植物化学分类法与红外指纹图谱的相关性作了系统的研究；刘启福等对虎骨及其类似品作出了红外光谱的对比鉴别。
大黄是我国著名的特产，用药历史悠久，应用极其广泛，与人参、熟地、附子一起并称为临床中药的“四大金刚”。我国药典收载的大黄(习称法定大黄或正品大黄)来源于蓼科3种掌叶组大黄，即掌叶大黄(Rheum Palmatum L．)、药用大黄(R．Officinale Bail1．)和唐古特大黄(R．Tanguticm Maxim．Ex Balf．)的干燥根和根茎。模糊逻辑系统是指与模糊概念和模糊逻辑有直接关系的系统。神经网络是被相互连接起来的处理器节点矩阵，每个节点是一个神经元，这是对人大脑神经细胞的简单近似模拟。而把模糊逻辑系统与神经网络相结合的网络为神经模糊网络。常见的模糊逻辑系统有：纯模糊逻辑系统；高木-关野模糊逻辑系统；具有模糊产生器和反模糊化器的模糊逻辑系统；广义模糊逻辑系统。高木-关野模糊系统由于具有简化推理步骤，把综合的情况变成模糊的模型而便于处理。因此，近年来，高木-关野系统模型在许多方面得到了应用。
高木-关野模糊系统虽然已得到了很大的应用，但它对输入空间的分割都是线性的，即输入变量间是相互独立的。但输入空间是非线性分割时，有时会出现模糊规则数目急剧增多的情况。为避免这种情况，我们可采用如下的模型。
本文将红外光谱技术与高木一关野模糊逻辑系统相结合，采用傅里叶变换中红外分光光度计，对52种大黄样品进行了测定和鉴别，并对神经网络的隐含层个数和动量因子的影响作了讨论。高木-关野系统采用了模糊逻辑理论，将模糊逻辑系统和神经网络结合起来，可以更加有效地利用各种信息。因此，利用高木一关野模糊系统处理的结果比BP神经网络会更好。
1 实验部分
1．1 仪器与测试条件
仪器设备：傅里叶变换中红外光谱仪为PE1730型光谱仪，DTGS检测器。
测试条件：光谱分辨率4/cm。测量范围：4 000～400/cm。温度控制在22℃。
1．2 样品来源及简单制备
本工作选用的52个大黄样品为不同品种和不同产地的样品。根据我国药典的要求我们将这些样品分为正品大黄和非正品大黄两类，其中25个为正品样本(No．1～25)，27个为非正品样本(No，26~52)。大黄样品经干燥后粉碎成60目的粉末后直接测定。采用的测试方法为压片法对大黄样品进行测量，取1～2mg大黄样品，研细，加入100～200mg的溴化钾，在压片机上压成厚度为0.1mm透明的薄片进行测量。
1．3 数据的采集和处理
每个样品在测试之前先进行背景扫描，背景扫描的目的主要是减少空气中水蒸气和二氧化碳对测试带来的影响。背景的扫描次数为30次。为了保证样品数据的代表性，用红外光对样品扫描30次，取这30次测量的平均值。
数据处理：将测试结果转化成ascii 码，用另一台计算机处理。为了减少光谱的变量，从而提高神经网络的训练速度，我们利用小波变换方法将二阶导数NIR光谱进行压缩。经小波缩后的光谱变量点由原来的700个减少为44个。利用小波变换数据压缩技术既能高效地减少数据的变量数目，又能保持原光谱的特征。为了更好地对大黄样品的红外光谱图进行观察和比较，我们对所测得数据进行归一化处理。因为红外吸收峰的强度一方面取决于键的极性，极性越强，红外吸收峰就越强；另一方面还和被测物质的量有关，在这一点上符合朗伯一比尔定律，即被测样品的含量越高，吸光度越强，透光率越低。进行归一化处理，避免了由于被测样品的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的反映出不同产地不同年限的大黄的光谱差别。本工作使用高木一关野模糊系统建立大黄样品的分类模型。
为了简化计算步骤，本工作首先使用Matlab 5．0(Mathworks，Inc．，USA)的内部函数Appcoef进行一维小波变换，对光谱进行压缩。然后用高木-关野模糊系统建立大黄样品的分类模型。该模糊系统是由3个子BP神经网络组成的(NNmf，NN1，NN2)。其中NNmf用于给出每条分类规则的适用度，NN1和NN2用于表示分类规则的函数。高木-关野模糊逻辑系统的计算程序由本实验室用Matlab编制。
2 结果与讨论
2．1 隐含层神经元的影响
高木-关野模糊系统实际上是在BP神经网络的基础上构建的。在这项实验中，由三层BP神经网络组成了高木-关野模糊系统(NNmf，NN。，NN2)。网络决定了系统。因此，我们也需要考察隐含层神经元的影响，从中找出最佳的隐含层神经元。我们用预测标准误差SEP(Standard Error of Prediction)来评价网络的预测性能。我们可以看出，不同的隐含层神经元个数对于网络有不同的影响。而不同的隐含层神经元个数对于网络的SEP有较大的影响。因此，我们通过SEP来调节隐含层神经元的个数。从中我们可以得出，当NNmf网络的隐含层神经元个数为8时，其SEP最小，为1.7883，因此，NNm网络的隐含层神经元个数最佳为8。从中可看出，当NN1网络的隐含层神经元个数为4时，其SEP最小，为1.9657，因此，NN1网络的隐含层神经元个数最佳为4。从中可知，当NN2网络的隐含层神经元个数为1时，其SEP最小，为1.9702，因此，NN2网络的隐含层神经元个数最佳为1。
2．2 动量因子的影响
动量因子是影响网络训练速度和收敛性的一个重要参数。因此，我们通过SEP来调节不同网络的动量因子，以使其达到最佳。我们可以看出，不同的动量因子对于网络有不同的SEP。相对于隐含层神经元个数对网络的影响，动量因子的影响要小一些，随着动量因子的变化比较平稳。我们可以看出，NNmt，NN1，NN2网络的最佳动量因子为0.8，0.7，0.9。调节动量因子，可以使我们找到最高的识别正确率，但是如果动量因子太大了，BP网络就不能收敛了。
2．3 鉴别正品大黄和非正品大黄样品
在这项实验中，我们通过神经网络构成的高木-关野模糊系统鉴别大黄样品，正品大黄的期望输出值为1.0，非正品大黄的期望输出值为0.0。
从输出结果可以看出，所有的样品都能很好的鉴别出来。但是，我们通过BP网络鉴别的结果中，第30个样品被错误识别。第30个样品的输出结果为0.9936。采用高木-关野系统后，这个样品也能够很好的识别出来。第30个样品的输出结果为0.0032。相对于BP神经网络，高木-关野模糊系统的识别正确率明显提高。高木-关野模糊系统是在神经网络的基础上，把三层神经网络组合成一个系统来进行鉴别。因此，它可以更好的识别正品大黄和非正品大黄。识
别正确率为100％，比BP-ANN的识别结果要好。
3 结论
中草药质量的全面控制是一项涉及多方面、多学科的综合性研究课题，只有采用各种鉴别和检测手段才能保证中草药的质量安全可靠。利用红外光谱与高木一关野模糊逻辑系统相结合进行中药大黄的鉴别，红外光谱可以无损大黄样品。识别中正确率为100％。该法快速、准确、简便，具有较强的预测能力，用它可以鉴别中药大黄。