基于八角紅外光譜的反向人工神經網絡鑒別

摘要：采用傅里葉紅外光譜法（FT-IR）獲取樣品紅外指紋圖譜，利用人工神經網絡誤差反向傳播算法（BP-ANN）建立八角茴香（Illicium verum Hook.f.）的紅外指紋模型。結果表明，該方法可有效鑒別八角茴香和偽八角，與傳統鑒別方法結果基本一致，但更直接和快速。該方法可為八角茴香的鑒別提供借鑒和參考。

關鍵詞：八角茴香（Illicium verum Hook.f.）；紅外光譜；反向傳播人工網絡；鑒定

中圖分類號：R931.5 文獻標識碼：A 文章編號：0439-8114（2013）18-4497-02

八角茴香（Illicium verum Hook. f.）為木蘭科常綠喬木八角的干燥成熟果實，又名大茴香、大料等[1，2]。八角茴香性味辛、甘、溫，具有溫中散寒、理氣止痛的功效，常用于治療胃寒疼痛、嘔逆食少、寒性腰痛等[3]。近期常在市場上發現八角偽品——同屬植物果實，因此建立八角的品質鑒定標準十分必要[4-7]。人工神經網絡（Artificial neural network，ANN），簡稱為神經網絡，是利用大量簡單的處理單元廣泛連接組成的復雜網絡，可模仿人腦神經網絡結構和功能的一種信息處理系統。目前應用較多的是反向傳播人工神經網絡（Back-propagation，BP-ANN），該系統采用誤差逆傳播算法，即多層誤差修正梯度下降法離線學習，按離散時間方式運行，該算法通過最小化代價函數實現由輸入到輸出的映射[8-11]。本試驗通過人工神經網絡系統對48個不同批次、不同產地八角樣品的紅外光譜分析，找到八角茴香和偽八角間的差異，以期為八角茴香的快速鑒定提供借鑒和參考。

1 材料與方法

1.1 材料

PE1730型傅里葉變換紅外光譜儀，配備DTGS檢測器。

48份八角樣品，采購于張家口市某市場，經河北北方學院藥物研究所鑒定。

1.2 方法

1.2.1 樣品測定 樣品經烤箱烘干，機器粉碎，過60目篩，備用。稱取1～2 mg樣品，研細，加入100～200 mg溴化鉀，壓制為0.1 mm透明薄片后，上機測定。測定條件：光譜分辨率4 cm-1，測量范圍4 000～400 cm-1，環境溫度22 ℃左右。樣品在測試前掃描背景，掃描30次，取30次測量值的平均值。

1.2.2 方法學驗證 同一樣品供試片連續測定5次，驗證方法的精密度；同一份樣品分別取樣5次進行壓片測定，驗證方法的重現性；取同一樣品片放入干燥器內保存，分別放置0、1、2、4、6、12、24 h 后測定，驗證方法的穩定性。

1.2.3 數據的采集和處理 采用誤差反向傳播算法的神經網絡（BP-ANN）建立八角樣品的分類模型。神經網絡的輸入層單元為44，輸出層單元為1個，以1.0代表八角茴香，0.0代表偽八角。對隱含層單元優化選擇。采用Matlab的appcoef函數進行一維小波變換，壓縮光譜。然后使用Trainbpx（快速BP算法）進行網絡訓練和建模。為了驗證神經網絡建立的分類模型，采用交叉驗證方法。使用n中取1的方法選取檢驗樣本，即每次選取一個樣本作為檢驗樣本，其余樣本作為訓練樣本。每個樣品作為檢驗樣本1次，作為了訓練集樣本n-1次。預測結果的判定閾值設為0.5，即當輸出值大于0.5判為八角茴香，當輸出值小于0.5判為偽八角。

2 結果與分析

2.1 方法學結果

八角樣品的紅外光譜分析結果表明，同一樣品連續測定5次后以及不同時間測定后，其光譜圖一致，同一樣品分別取樣5次后，測定圖譜的相對標準偏差為0.1%。結果表明，本方法具有較好的精密度、重現性和穩定性。

2.2 八角的紅外光譜分析

比較八角樣品的紅外光譜（圖1）可知，八角紅外譜圖在3 000～1 600 cm-1間差異較大，以該區域作為后續分析對象。為減少光譜變量，提高神經網絡的訓練速度，對該區域光譜進行小波變換壓縮。其光譜變量點由原來的700個減少為44個。為方便比較樣品光譜圖，對所測數據歸一化處理，得到的紅外光譜圖能較好反映出不同產地不同年限八角的光譜差別。故采用含44個變量的歸一化八角紅外光譜作為神經網絡分析數據。

2.3 隱含層結點的影響

隱含層的結點數決定著BP網絡的復雜性。因此把隱含層個數從1到8逐一比較（圖2）。隨著隱含層結點數的變化，BP-ANN網絡的識別正確率也在變化。當隱含層結點數為1時，識別正確率最低，為85.42%；當隱含層結點數為5時，識別正確率最高，達到91.67%。因此，最佳隱含層結點數為5。

2.4 動量因子的影響

動量因子和學習速率是影響BP神經網絡訓練速率和收斂度的2個重要因素。根據分析結果（圖3），本試驗確定最合適的動量因子為0.5。調節動量因子，找到最高的識別正確率，但是如果動量因子過大，BP網絡就不能收斂。

由4圖可知，BP-ANN僅有4個八角樣品識別錯誤，其他44個樣品鑒定正確。BP-ANN技術的識別正確率達到91.67%。

3 結論

通過對48個八角樣品的測試和鑒別可知，采集不同品種的八角樣品圖譜相似性較高，根據譜圖差異并通過BP-ANN技術可區分八角茴香和偽八角。目前，作為藥食兩用的八角尚無統一質量標準，這是制約八角的藥用開發的重要因素。鑒定八角中是否摻雜其他低劣成分，甚至有害成分，將是今后快速鑒定技術的攻關難點，紅外光譜法作為無損分析方法，較之常規鑒定方法[3-6]，更直接和快速，因此開發這類無損鑒定方法，在中藥鑒偽方面具有較大的應用價值。

參考文獻：

[1] 崔愛民，王桂蘭，付 靜.八角茴香與其偽品的鑒別[J].時珍國醫國藥，2001，12（6）：513.

[2] 王慶瑞.中國植物志（五十一卷）[M].北京：科學出版社，1991.

[3] 國家藥典委員會. 中華人民共和國藥典[S]. 北京： 中國醫藥科技出版社，2010.

[4] 胡 巖，段天璇，曹 楓，等.八角科植物果皮化學成分的LC-MS圖譜特征及其在分類和藥材鑒別上的意義[J].中國中藥雜志，2010，35（14）：1836-1839.

[5] 李 峰，宋曉玲，劉亞魯.八角茴香及其混偽品的鑒別[J].山東中醫雜志，2011，30（10）：739-740.

[6] 蔡 鵬，彭正松.八角茴香及其混偽品的比較研究[J].廣西農業科學，2006，37（6）：713-718.

[7] 劉蓬勃，朱世緯，孫素琴.傅里葉變換紅外光譜法無損快速鑒別八角茴香及其偽品[J].中藥材，2001，24（11）：802-803.

[8] 袁曾任.人工神經元網絡及其應用[M].北京： 清華大學出版社，1999.

[9] 王永驥，涂 健.神經元網絡控制[M].北京：機械工業出版社，1998.

[10] 焦李成. 神經網絡系統理論[M].西安： 西安電子科技大學出版社，1996.

[11] 張立明. 人工神經網絡的模型及其應用[M].上海：復旦大學出版社，1992.