紫花地丁的紅外光譜和徑向基神經(jīng)網(wǎng)絡鑒別

湯彥豐+侯占忠+王志寶+甄攀

摘要：采用傅里葉紅外光譜法（FTIR）掃描42種紫花地丁（Viola philippica Car.）樣品，利用徑向基神經(jīng)網(wǎng)絡（RBFNN）對紅外數(shù)據(jù)進行處理。結(jié)果表明，該方法可以有效鑒別野生紫花地丁和栽培紫花地丁，正確率達到95.24%，可以用來進行紫花地丁的質(zhì)量控制。

關鍵詞：紫花地丁（Viola philippica Car.）；紅外光譜；鑒別；徑向基神經(jīng)網(wǎng)絡（RBFNN）

中圖分類號：R282；R931.5 文獻標識碼：A 文章編號：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

基金項目：張家口市科技局項目（0921097D）；河北北方學院項目（2010）；河北北方學院創(chuàng)新團隊資助項目

作者簡介：湯彥豐（1977-），男，河北懷來人，講師，碩士，主要從事分析化學方面的研究，（電話）13653233501（電子信箱）tangyang_517@163.com。

紫花地丁（Viola philippica Car.）為堇菜科植物紫花地丁的干燥全草，又稱為紫地丁、兔耳草、遼堇菜。紫花地丁含有甙類、黃酮類等，味苦、微辛、性寒，有清熱解毒、涼血消腫的功效，全草均可入藥。紫花地丁可治疔瘡癰腫、丹毒、濕熱、黃疸等病癥[1]。紫花地丁生長強健，抗性強，生長期無需特殊管理，適于栽培繁殖。目前國內(nèi)使用的地丁主要有紫花地丁（堇菜科）、甜地丁（豆科）、苦地丁（罌粟科）、龍膽地丁（龍膽科）、竹葉地丁（遠志科）等，當紫花地丁入藥，不同地區(qū)藥材來源各異，商品藥材較混亂。

本研究利用紅外光譜法和徑向基神經(jīng)網(wǎng)絡相結(jié)合對42個不同批次、不同產(chǎn)地的紫花地丁樣品進行測定和鑒別，區(qū)分其中的野生紫花地丁和栽培紫花地丁，以期為紫花地丁樣品的鑒別提供參考。

1 材料與方法

1.1 試驗儀器與樣品

儀器設備：傅里葉變換中紅外光譜儀為PE1730型光譜儀（PerkinElmer， USA）， DTGS檢測器（PerkinElmer，USA）。測定條件：光譜分辨率4 cm-1。測定范圍：1 800～400 cm-1，溫度控制在22 ℃。選用42個紫花地丁樣品為不同品種和不同批次的樣品，其中22個為野生紫花地丁樣品，20個為栽培紫花地丁樣品（采購于張家口藥店，經(jīng)河北北方學院藥物研究所鑒定）。

1.2 試驗方法

藥材經(jīng)烤箱烘干，機器粉碎，過60目篩備用。采用壓片法對紫花地丁樣品進行測定，取1～2 mg紫花地丁樣品，研細，加入100～200 mg溴化鉀，在壓片機上壓成厚度為0.1 mm的透明薄片進行測定。

1.3 方法學考察

1）精密度試驗。對同一份樣品連續(xù)測定5次，研究試驗的精密度。

2）重復性試驗。對同一份樣品分別取樣5次進行壓片測定，研究試驗的重復性。

3）穩(wěn)定性試驗。取同一份樣品壓片放入干燥器內(nèi)保存，分別放置0、1、2、3、4、6、8、24 h后測定，研究試驗的穩(wěn)定性。

1.4 數(shù)據(jù)的采集與處理

樣品光譜測定前需要做背景掃描。背景掃描的目的是為了消除壓片混合物在光譜上的干擾。背景掃描也有利于扣除空氣中的二氧化碳和水蒸氣的紅外信號，有利于得到干凈的樣品紅外光譜。中紅外光譜作為一種常用的光譜分析方法常用來鑒別中藥[2-4]，本研究使用徑向基神經(jīng)網(wǎng)絡建立紫花地丁樣品的分類模型。神經(jīng)網(wǎng)絡的輸入層單元為44，輸出層單元為1個，以1.0代表野生紫花地丁，0.0代表栽培紫花地丁，0.5為閾值。

2 結(jié)果與分析

2.1 方法學考察結(jié)果

精密度試驗結(jié)果表明，對同一份樣品連續(xù)5次測定得到的紫花地丁紅外光譜圖完全一致。重復性試驗得到的紅外光譜圖也基本一致，相對標準偏差為0.1%。穩(wěn)定性試驗中，不同時間進行測定，得到的紅外光譜圖完全一致。說明該方法用于鑒別紫花地丁是可行的。

2.2 紫花地丁的紅外光譜分析

通過掃描得到不同紫花地丁樣品的紅外光譜圖（圖1），發(fā)現(xiàn)該紅外光譜非常相似，很難區(qū)別。由于光譜變量多，分析速度慢，因此選擇小波變換技術對光譜進行壓縮。小波變換是一個時間和頻域的局域變換，因而能有效地從信號中提取信息，通過伸縮和平移等運算功能對函數(shù)或信號進行多尺度細化分析，解決了傅里葉變換不能解決的許多問題[5]。

采用Appcoef函數(shù)進行小波變換，從而對數(shù)據(jù)進行壓縮，將經(jīng)過小波變換壓縮的紅外光譜數(shù)據(jù)組成44×42的矩陣輸入到Matlab 7.0軟件中。然后進行歸一化處理，避免了由于被測樣品量的多少對吸收峰強弱的影響。經(jīng)過歸一化處理后繪制出來的紅外光譜圖能夠更好地反映出不同產(chǎn)地不同年限的紫花地丁的光譜差別。用經(jīng)過歸一化處理的含44個變量的紫花地丁紅外光譜作為神經(jīng)網(wǎng)絡的輸入。

2.3 徑向基神經(jīng)網(wǎng)絡分析

在應用Matlab 7.0軟件編譯程序、構(gòu)建與訓練徑向基函數(shù)網(wǎng)絡的過程中，應用了神經(jīng)網(wǎng)絡工具箱中的Newrb函數(shù)，其中影響分類結(jié)果的參數(shù)主要有目標誤差（Error goal，EG）和徑向基函數(shù)分布常數(shù)（Spread constant，SC），因此對這兩個參數(shù)進行分析。

目標誤差（EG）是影響網(wǎng)絡訓練終點的重要參數(shù)之一， 決定網(wǎng)絡的訓練次數(shù)和達到的精度。不同的目標誤差經(jīng)由程序運行，所得到的正確率有所差異。圖2是不同的目標誤差對正確率的影響，可以看出，目標誤差為0.001 5時，識別正確率最低，僅為85.71%。當目標誤差選定為0.002 5時，正確率最大，達到95.24%。同時，均方根誤差最小為0.285 7，所以選定目標誤差為0.002 5。

徑向基函數(shù)的分布常數(shù)（SC）對應輸入數(shù)據(jù)到中心點的距離，它的大小直接影響計算結(jié)果的準確性。分布常數(shù)的值在1～10時對結(jié)果的影響最大，因此，把分布常數(shù)從1～10進行了比較。由圖3可以看出，當分布常數(shù)為10時，紫花地丁樣品識別正確率最低，當分布常數(shù)為6時正確率達到最大值95.24%，均方根誤差為0.216 4。因此，選定分布常數(shù)為6。

通過對EG參數(shù)和SC參數(shù)的分析，選定目標誤差EG為0.002 5，徑向基函數(shù)的分布常數(shù)SC為6，此時網(wǎng)絡達到最優(yōu)化。利用MATLAB 內(nèi)部的神經(jīng)網(wǎng)絡工具箱中的Newrb函數(shù)做網(wǎng)絡訓練，在隱層中傳遞函數(shù)調(diào)用高斯函數(shù)Radbas，應用函數(shù)Sim對徑向基網(wǎng)絡進行仿真。

以紫花地丁樣品的紅外光譜數(shù)據(jù)為依據(jù)，通過建立相應的徑向基函數(shù)神經(jīng)網(wǎng)絡模型加以分類。以1.0代表野生紫花地丁，0.0代表栽培紫花地丁，0.5為閾值。依此條件對紫花地丁樣品進行預測分類，其中有2個樣品被鑒別錯誤，總的識別正確率為95.24%，可以很好地鑒別紫花地丁樣品。

3 小結(jié)

本研究采用將徑向基函數(shù)神經(jīng)網(wǎng)絡與紅外光譜相結(jié)合的分析方法對野生和栽培紫花地丁加以鑒別。從整體上看，不同品種的紫花地丁的紅外光譜有許多共同特征，說明紫花地丁樣品內(nèi)在含有一些相同的有效成分。不同種藥材或不同產(chǎn)地的藥材，只要紅外的指紋譜圖存在差異，說明其中一些化學成分不同或者是各化學成分的含量不同。根據(jù)譜圖的差異，通過徑向基網(wǎng)絡可以識別野生紫花地丁和栽培紫花地丁。將經(jīng)過小波變換數(shù)據(jù)壓縮技術處理的紅外光譜數(shù)據(jù)，調(diào)入到徑向基函數(shù)神經(jīng)網(wǎng)絡模型中，實現(xiàn)了紫花地丁野生與栽培樣品的鑒別分類，識別正確率可達95.24%，可以作為鑒別紫花地丁的一種質(zhì)量控制方法。這兩種鑒別方法相結(jié)合進行鑒定，比常規(guī)的鑒別方法[6-9]更快速、直接，且不破壞樣品。

參考文獻：

[1] 王慶瑞.中國植物志[M].北京：科學出版社，1991.

[2] 江 彬，楊仕軍，底全厚，等.紫花地丁及其習用品的性狀鑒別及檢索[J].實用中醫(yī)藥雜志，2008，24（7）：470-471.

[3] 鄧月娥，孫素琴，牛立元. 不同產(chǎn)地金釵石斛紅外光譜解析[J]. 河南科技學院學報（自然科學版），2007（2）：37-40.

[4] 姚 霞，孫素琴，許利嘉，等. 紅外光譜法對野生和栽培枸杞子的鑒別與分析[J]. 醫(yī)藥導報，2010（8）：1065-1068.

[5] 金向軍，張 勇，謝云飛，等.基于支持向量機及小波變換的人參紅外光譜分析[J].光譜學與光譜分析，2009，29（3）：656-660.

[6] 張永耀，侯惠嬋，楊潔瑜.紫花地丁及其常見混偽品的比較鑒別[J].中國現(xiàn)代中藥，2010（7）：25-27.

[7] 李連方，尹祖棠.華北地區(qū)堇菜屬植物的果實和種子形態(tài)學研究[J].中國農(nóng)業(yè)大學學報，1999（3）：35-38.

[8] 王旭紅，秦民堅，梁之桃.南京地區(qū)六種堇菜屬植物根和根莖的顯微鑒定[J].中藥材，2003（6）：401-403.

[9] 王旭紅，秦民堅，吳永強.南京地區(qū)6種堇菜屬植物葉表皮的顯微結(jié)構(gòu)比較[J].中藥材，2003（10）：706-709.

（責任編輯 趙 娟）

2.2 紫花地丁的紅外光譜分析

通過掃描得到不同紫花地丁樣品的紅外光譜圖（圖1），發(fā)現(xiàn)該紅外光譜非常相似，很難區(qū)別。由于光譜變量多，分析速度慢，因此選擇小波變換技術對光譜進行壓縮。小波變換是一個時間和頻域的局域變換，因而能有效地從信號中提取信息，通過伸縮和平移等運算功能對函數(shù)或信號進行多尺度細化分析，解決了傅里葉變換不能解決的許多問題[5]。

采用Appcoef函數(shù)進行小波變換，從而對數(shù)據(jù)進行壓縮，將經(jīng)過小波變換壓縮的紅外光譜數(shù)據(jù)組成44×42的矩陣輸入到Matlab 7.0軟件中。然后進行歸一化處理，避免了由于被測樣品量的多少對吸收峰強弱的影響。經(jīng)過歸一化處理后繪制出來的紅外光譜圖能夠更好地反映出不同產(chǎn)地不同年限的紫花地丁的光譜差別。用經(jīng)過歸一化處理的含44個變量的紫花地丁紅外光譜作為神經(jīng)網(wǎng)絡的輸入。

2.3 徑向基神經(jīng)網(wǎng)絡分析

在應用Matlab 7.0軟件編譯程序、構(gòu)建與訓練徑向基函數(shù)網(wǎng)絡的過程中，應用了神經(jīng)網(wǎng)絡工具箱中的Newrb函數(shù)，其中影響分類結(jié)果的參數(shù)主要有目標誤差（Error goal，EG）和徑向基函數(shù)分布常數(shù)（Spread constant，SC），因此對這兩個參數(shù)進行分析。

目標誤差（EG）是影響網(wǎng)絡訓練終點的重要參數(shù)之一， 決定網(wǎng)絡的訓練次數(shù)和達到的精度。不同的目標誤差經(jīng)由程序運行，所得到的正確率有所差異。圖2是不同的目標誤差對正確率的影響，可以看出，目標誤差為0.001 5時，識別正確率最低，僅為85.71%。當目標誤差選定為0.002 5時，正確率最大，達到95.24%。同時，均方根誤差最小為0.285 7，所以選定目標誤差為0.002 5。

徑向基函數(shù)的分布常數(shù)（SC）對應輸入數(shù)據(jù)到中心點的距離，它的大小直接影響計算結(jié)果的準確性。分布常數(shù)的值在1～10時對結(jié)果的影響最大，因此，把分布常數(shù)從1～10進行了比較。由圖3可以看出，當分布常數(shù)為10時，紫花地丁樣品識別正確率最低，當分布常數(shù)為6時正確率達到最大值95.24%，均方根誤差為0.216 4。因此，選定分布常數(shù)為6。

通過對EG參數(shù)和SC參數(shù)的分析，選定目標誤差EG為0.002 5，徑向基函數(shù)的分布常數(shù)SC為6，此時網(wǎng)絡達到最優(yōu)化。利用MATLAB 內(nèi)部的神經(jīng)網(wǎng)絡工具箱中的Newrb函數(shù)做網(wǎng)絡訓練，在隱層中傳遞函數(shù)調(diào)用高斯函數(shù)Radbas，應用函數(shù)Sim對徑向基網(wǎng)絡進行仿真。

以紫花地丁樣品的紅外光譜數(shù)據(jù)為依據(jù)，通過建立相應的徑向基函數(shù)神經(jīng)網(wǎng)絡模型加以分類。以1.0代表野生紫花地丁，0.0代表栽培紫花地丁，0.5為閾值。依此條件對紫花地丁樣品進行預測分類，其中有2個樣品被鑒別錯誤，總的識別正確率為95.24%，可以很好地鑒別紫花地丁樣品。

3 小結(jié)

本研究采用將徑向基函數(shù)神經(jīng)網(wǎng)絡與紅外光譜相結(jié)合的分析方法對野生和栽培紫花地丁加以鑒別。從整體上看，不同品種的紫花地丁的紅外光譜有許多共同特征，說明紫花地丁樣品內(nèi)在含有一些相同的有效成分。不同種藥材或不同產(chǎn)地的藥材，只要紅外的指紋譜圖存在差異，說明其中一些化學成分不同或者是各化學成分的含量不同。根據(jù)譜圖的差異，通過徑向基網(wǎng)絡可以識別野生紫花地丁和栽培紫花地丁。將經(jīng)過小波變換數(shù)據(jù)壓縮技術處理的紅外光譜數(shù)據(jù)，調(diào)入到徑向基函數(shù)神經(jīng)網(wǎng)絡模型中，實現(xiàn)了紫花地丁野生與栽培樣品的鑒別分類，識別正確率可達95.24%，可以作為鑒別紫花地丁的一種質(zhì)量控制方法。這兩種鑒別方法相結(jié)合進行鑒定，比常規(guī)的鑒別方法[6-9]更快速、直接，且不破壞樣品。

參考文獻：

[1] 王慶瑞.中國植物志[M].北京：科學出版社，1991.

[2] 江 彬，楊仕軍，底全厚，等.紫花地丁及其習用品的性狀鑒別及檢索[J].實用中醫(yī)藥雜志，2008，24（7）：470-471.

[3] 鄧月娥，孫素琴，牛立元. 不同產(chǎn)地金釵石斛紅外光譜解析[J]. 河南科技學院學報（自然科學版），2007（2）：37-40.

[4] 姚 霞，孫素琴，許利嘉，等. 紅外光譜法對野生和栽培枸杞子的鑒別與分析[J]. 醫(yī)藥導報，2010（8）：1065-1068.

[5] 金向軍，張 勇，謝云飛，等.基于支持向量機及小波變換的人參紅外光譜分析[J].光譜學與光譜分析，2009，29（3）：656-660.

[6] 張永耀，侯惠嬋，楊潔瑜.紫花地丁及其常見混偽品的比較鑒別[J].中國現(xiàn)代中藥，2010（7）：25-27.

[7] 李連方，尹祖棠.華北地區(qū)堇菜屬植物的果實和種子形態(tài)學研究[J].中國農(nóng)業(yè)大學學報，1999（3）：35-38.

[8] 王旭紅，秦民堅，梁之桃.南京地區(qū)六種堇菜屬植物根和根莖的顯微鑒定[J].中藥材，2003（6）：401-403.

[9] 王旭紅，秦民堅，吳永強.南京地區(qū)6種堇菜屬植物葉表皮的顯微結(jié)構(gòu)比較[J].中藥材，2003（10）：706-709.

（責任編輯 趙 娟）

2.2 紫花地丁的紅外光譜分析

通過掃描得到不同紫花地丁樣品的紅外光譜圖（圖1），發(fā)現(xiàn)該紅外光譜非常相似，很難區(qū)別。由于光譜變量多，分析速度慢，因此選擇小波變換技術對光譜進行壓縮。小波變換是一個時間和頻域的局域變換，因而能有效地從信號中提取信息，通過伸縮和平移等運算功能對函數(shù)或信號進行多尺度細化分析，解決了傅里葉變換不能解決的許多問題[5]。

采用Appcoef函數(shù)進行小波變換，從而對數(shù)據(jù)進行壓縮，將經(jīng)過小波變換壓縮的紅外光譜數(shù)據(jù)組成44×42的矩陣輸入到Matlab 7.0軟件中。然后進行歸一化處理，避免了由于被測樣品量的多少對吸收峰強弱的影響。經(jīng)過歸一化處理后繪制出來的紅外光譜圖能夠更好地反映出不同產(chǎn)地不同年限的紫花地丁的光譜差別。用經(jīng)過歸一化處理的含44個變量的紫花地丁紅外光譜作為神經(jīng)網(wǎng)絡的輸入。

2.3 徑向基神經(jīng)網(wǎng)絡分析

在應用Matlab 7.0軟件編譯程序、構(gòu)建與訓練徑向基函數(shù)網(wǎng)絡的過程中，應用了神經(jīng)網(wǎng)絡工具箱中的Newrb函數(shù)，其中影響分類結(jié)果的參數(shù)主要有目標誤差（Error goal，EG）和徑向基函數(shù)分布常數(shù)（Spread constant，SC），因此對這兩個參數(shù)進行分析。

目標誤差（EG）是影響網(wǎng)絡訓練終點的重要參數(shù)之一， 決定網(wǎng)絡的訓練次數(shù)和達到的精度。不同的目標誤差經(jīng)由程序運行，所得到的正確率有所差異。圖2是不同的目標誤差對正確率的影響，可以看出，目標誤差為0.001 5時，識別正確率最低，僅為85.71%。當目標誤差選定為0.002 5時，正確率最大，達到95.24%。同時，均方根誤差最小為0.285 7，所以選定目標誤差為0.002 5。

徑向基函數(shù)的分布常數(shù)（SC）對應輸入數(shù)據(jù)到中心點的距離，它的大小直接影響計算結(jié)果的準確性。分布常數(shù)的值在1～10時對結(jié)果的影響最大，因此，把分布常數(shù)從1～10進行了比較。由圖3可以看出，當分布常數(shù)為10時，紫花地丁樣品識別正確率最低，當分布常數(shù)為6時正確率達到最大值95.24%，均方根誤差為0.216 4。因此，選定分布常數(shù)為6。

通過對EG參數(shù)和SC參數(shù)的分析，選定目標誤差EG為0.002 5，徑向基函數(shù)的分布常數(shù)SC為6，此時網(wǎng)絡達到最優(yōu)化。利用MATLAB 內(nèi)部的神經(jīng)網(wǎng)絡工具箱中的Newrb函數(shù)做網(wǎng)絡訓練，在隱層中傳遞函數(shù)調(diào)用高斯函數(shù)Radbas，應用函數(shù)Sim對徑向基網(wǎng)絡進行仿真。

以紫花地丁樣品的紅外光譜數(shù)據(jù)為依據(jù)，通過建立相應的徑向基函數(shù)神經(jīng)網(wǎng)絡模型加以分類。以1.0代表野生紫花地丁，0.0代表栽培紫花地丁，0.5為閾值。依此條件對紫花地丁樣品進行預測分類，其中有2個樣品被鑒別錯誤，總的識別正確率為95.24%，可以很好地鑒別紫花地丁樣品。

3 小結(jié)

本研究采用將徑向基函數(shù)神經(jīng)網(wǎng)絡與紅外光譜相結(jié)合的分析方法對野生和栽培紫花地丁加以鑒別。從整體上看，不同品種的紫花地丁的紅外光譜有許多共同特征，說明紫花地丁樣品內(nèi)在含有一些相同的有效成分。不同種藥材或不同產(chǎn)地的藥材，只要紅外的指紋譜圖存在差異，說明其中一些化學成分不同或者是各化學成分的含量不同。根據(jù)譜圖的差異，通過徑向基網(wǎng)絡可以識別野生紫花地丁和栽培紫花地丁。將經(jīng)過小波變換數(shù)據(jù)壓縮技術處理的紅外光譜數(shù)據(jù)，調(diào)入到徑向基函數(shù)神經(jīng)網(wǎng)絡模型中，實現(xiàn)了紫花地丁野生與栽培樣品的鑒別分類，識別正確率可達95.24%，可以作為鑒別紫花地丁的一種質(zhì)量控制方法。這兩種鑒別方法相結(jié)合進行鑒定，比常規(guī)的鑒別方法[6-9]更快速、直接，且不破壞樣品。

參考文獻：

[1] 王慶瑞.中國植物志[M].北京：科學出版社，1991.

[2] 江 彬，楊仕軍，底全厚，等.紫花地丁及其習用品的性狀鑒別及檢索[J].實用中醫(yī)藥雜志，2008，24（7）：470-471.

[3] 鄧月娥，孫素琴，牛立元. 不同產(chǎn)地金釵石斛紅外光譜解析[J]. 河南科技學院學報（自然科學版），2007（2）：37-40.

[4] 姚 霞，孫素琴，許利嘉，等. 紅外光譜法對野生和栽培枸杞子的鑒別與分析[J]. 醫(yī)藥導報，2010（8）：1065-1068.

[5] 金向軍，張 勇，謝云飛，等.基于支持向量機及小波變換的人參紅外光譜分析[J].光譜學與光譜分析，2009，29（3）：656-660.

[6] 張永耀，侯惠嬋，楊潔瑜.紫花地丁及其常見混偽品的比較鑒別[J].中國現(xiàn)代中藥，2010（7）：25-27.

[7] 李連方，尹祖棠.華北地區(qū)堇菜屬植物的果實和種子形態(tài)學研究[J].中國農(nóng)業(yè)大學學報，1999（3）：35-38.

[8] 王旭紅，秦民堅，梁之桃.南京地區(qū)六種堇菜屬植物根和根莖的顯微鑒定[J].中藥材，2003（6）：401-403.

[9] 王旭紅，秦民堅，吳永強.南京地區(qū)6種堇菜屬植物葉表皮的顯微結(jié)構(gòu)比較[J].中藥材，2003（10）：706-709.

（責任編輯 趙 娟）