基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)在蔥白總黃酮提取工藝中的應(yīng)用研究

廣東食品藥品職業(yè)學(xué)院，廣東 廣州 510520

中藥提取工藝的研究過程中必定要涉及到優(yōu)化問題，目前較常用的有因子設(shè)計(jì)、正交設(shè)計(jì)、均勻設(shè)計(jì)、中心復(fù)合設(shè)計(jì)等，然后再用多元回歸來擬合這些實(shí)驗(yàn)所得的數(shù)據(jù)(連續(xù)型數(shù)據(jù))，在優(yōu)化過程中通常采用的是線性或非線性規(guī)劃。

BP神經(jīng)網(wǎng)絡(luò) (back－propagation neural network，BPNN)可以以任意精度逼近任意的連續(xù)函數(shù)，廣泛應(yīng)用于非線性建模［1］，近年來在藥劑學(xué)、藥物分析、藥動(dòng)學(xué)以及藥物效應(yīng)研究等方面也有應(yīng)用［2－3］，但BP算法及其改進(jìn)算法易陷入局部極小點(diǎn)。遺傳算法 (genetic algorithm，GA)是一種模擬自然進(jìn)化過程的隨機(jī)搜索方法在解決全局最優(yōu)化問題方面具有搜索效率高、穩(wěn)健性好、不受優(yōu)化函數(shù)連續(xù)性約束等優(yōu)點(diǎn)，可克服BP算法的不足［4］。

1 Bp神經(jīng)網(wǎng)絡(luò)建立

1.1 數(shù)據(jù)來源

石雪萍等［5］使用均勻設(shè)計(jì)法對(duì)蔥白總黃酮提取工藝進(jìn)行了優(yōu)化，考察的因素有提取溫度、提取時(shí)間、料液比和乙醇濃度，指標(biāo)為黃酮提取率。實(shí)驗(yàn)數(shù)據(jù)見表1。

表1 蔥白的均勻設(shè)計(jì)總黃酮提取結(jié)果

1.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1989年Robert Hecht－Nielson證明了對(duì)于在任意閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用一個(gè)隱層的BP網(wǎng)絡(luò)來逼近，因而一個(gè)三層的BP網(wǎng)絡(luò)可以完成任意的n維到m維的映射［6］，所以預(yù)測(cè)模型采用單隱含層，其節(jié)點(diǎn)數(shù)在訓(xùn)練時(shí)用“雙向確定法”［7］進(jìn)行調(diào)整，最終確定為8。

遺傳算法優(yōu)化BP網(wǎng)絡(luò)結(jié)構(gòu)以提取溫度、提取時(shí)間、料液比和乙醇濃度4個(gè)因素作為網(wǎng)絡(luò)的輸入向量，黃酮提取率作為輸出向量。對(duì)各數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將所有向量都量化到 ［－1，1］的范圍內(nèi)。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法為自適應(yīng)學(xué)習(xí)率動(dòng)量法 (traingdx)，中間層傳遞函數(shù)分別為s型對(duì)數(shù)函數(shù) (1ogsig)和線性傳遞函數(shù) (purelin)，設(shè)定最大學(xué)習(xí)步長(zhǎng)為500次，目標(biāo)收斂精度為0.001，其他參數(shù)為默認(rèn)值。

2 遺傳優(yōu)化訓(xùn)練過程

2.1 確定適應(yīng)度函數(shù)。一般采用網(wǎng)絡(luò)目標(biāo)函數(shù)即誤差函數(shù)作為適應(yīng)度函數(shù)，誤差越大，適應(yīng)度值越小，適應(yīng)能力越低，適應(yīng)度函數(shù)的選擇直接影響到算法的收斂速度及能否找到最優(yōu)解。本實(shí)驗(yàn)選用作為適應(yīng)度函數(shù)，其中MSE為網(wǎng)絡(luò)模型返回的誤差平方和。

2.2 參數(shù)設(shè)定:種群大小為100，交叉概率為0.6，變異概率為0.1，遺傳代數(shù)取為100代。

2.3 隨機(jī)選擇一組權(quán)值，并計(jì)算該權(quán)值對(duì)應(yīng)的網(wǎng)絡(luò)的誤差及適應(yīng)度。初始權(quán)值為隨機(jī)權(quán)值，可以軟件隨機(jī)生成的隨機(jī)數(shù)作為初始權(quán)值。

2.4 選擇適應(yīng)度大的個(gè)體遺傳。

2.5 對(duì)當(dāng)代個(gè)體進(jìn)行交叉、變異算子運(yùn)算，交叉、變異算子可以根據(jù)需要選擇，不同情況下可以設(shè)定不同的算子，同時(shí)生成新一代群體。

2.6 重復(fù)3－5步，直到誤差達(dá)到要求為止。

2.7 將6中的結(jié)果賦值到BP神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行學(xué)習(xí)和預(yù)測(cè)。

3 結(jié)果

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)果見圖1和圖2。對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)擬合，網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果經(jīng)反標(biāo)準(zhǔn)化后與文獻(xiàn)的多元回歸的擬合結(jié)果作比較，結(jié)果見表2。由表2可見，神經(jīng)網(wǎng)絡(luò)擬合效果要優(yōu)于多元回歸。文獻(xiàn)在得到最佳工藝后，經(jīng)過驗(yàn)證實(shí)驗(yàn)得到的數(shù)據(jù)為:黃酮提取率為1.187%。多元回歸在此條件下的預(yù)測(cè)值為1.22%，預(yù)測(cè)誤差為2.9%。通過神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值分別為1.162%，預(yù)測(cè)誤差為2.1%。由此可見，合適的神經(jīng)網(wǎng)絡(luò)模型不但在擬合效果上優(yōu)于多元回歸，更在預(yù)測(cè)精度上要遠(yuǎn)高于多元回歸，對(duì)于提取工藝的各參數(shù)組合顯示出了更準(zhǔn)確的預(yù)報(bào)性。

表2 神經(jīng)網(wǎng)絡(luò)和多元回歸對(duì)數(shù)據(jù)的擬合結(jié)果

4 結(jié)語

將全局優(yōu)化算法GA引入BP網(wǎng)絡(luò)訓(xùn)練的權(quán)值和閾值的初始值確定，充分發(fā)揮了遺傳算法的全局尋優(yōu)能力和BP算法的局部搜索優(yōu)勢(shì)，形成了一種新的GA－BP神經(jīng)網(wǎng)絡(luò)。仿真結(jié)果表明，與多元回歸相比，經(jīng)過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在擬合效果和預(yù)測(cè)精度上都較好，此遺傳BP神經(jīng)網(wǎng)絡(luò)模型可應(yīng)用于蔥白提取工藝結(jié)果的預(yù)測(cè)。

［1］高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例 ［M］.北京:機(jī)械工業(yè)出版社，2003:16－20

［2］楊銘，汪文娟.BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法用于丹參提取工藝的多目標(biāo)優(yōu)化 ［J］.藥學(xué)服務(wù)與研究，2007，(6):417－421

［3］邱細(xì)敏，劉勝姿，陳榕，等.神經(jīng)網(wǎng)絡(luò)反傳算法改進(jìn)及其在藥物分析中的應(yīng)用 ［J］.中國(guó)現(xiàn)代應(yīng)用藥學(xué)雜志，2004，1(3):204－207

［4］雷英杰，張善文，李續(xù)武，等.MATLAB遺傳算法工具箱及應(yīng)用 ［M］.西安:西安電子科技大學(xué)出版社，2005:45－60

［5］石雪萍，張衛(wèi)明，錢近春，等.均勻設(shè)計(jì)法優(yōu)選蔥白總黃酮提取工藝［J］.食品工業(yè)科技，2009，30(2):187－192

［6］RobertHecht－Nielson.TheoryoftheBackPropagationNeuralNet－ work ［C］.ProceedingsoftheInternationalJointConferenceonNeuralNetworks，Volume1，IEEEP-rees，1989.121－125.

［7］伍春香，劉琳.三層BP網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)確定方法的研究 ［J］.武漢測(cè)繪科技大學(xué)學(xué)報(bào)，1999，24(2):177－178