一种近红外光谱鉴别平利绞股蓝的方法

摘要

本发明提供一种近红外光谱鉴别平利绞股蓝的方法，包括如下步骤：A、建立平利绞股蓝的近红外光谱鉴别模型：A‑1、选择光谱范围4000‑12500cm^‑1，扫描平利绞股蓝近红外光谱图；A‑2、对光谱范围4000‑9500cm^‑1的数据进行预处理；A‑3、提取主成分；A‑4、建立人工神经网络模型：采取人工神经网络算法，根据输入输出数据特点确定神经网络的结构，再利用训练数据训练此神经网络；运用MATLAB软件建立输入层节点10‑隐含层节点5‑输出层节点2的BP人工神经网络模型；B、未知样品的鉴别：未知样品在相同条件下扫描近红外光谱图，选取主成分数目，依据训练好的神经网络模型来判断未知样品的真伪，输出节点分别用二进制代码表示，10代表是平利绞股蓝，01代表是非平利绞股蓝。

主权项

一种近红外光谱鉴别平利绞股蓝的方法，其特征包括如下步骤：A、建立平利绞股蓝的近红外光谱鉴别模型A‑1、选择光谱范围4000‑12500cm^‑1，扫描平利绞股蓝近红外光谱图：将有效量的平利绞股蓝样品干燥粉碎后均匀置于石英样品池中，使用傅立叶近红外光谱仪进行吸收光谱扫描；扫描模式为旋转漫反射，分辨率为8cm^‑1，每个样本扫描多次，取平均光谱为样本最终的分析光谱；A‑2、选取光谱范围4000‑9500cm^‑1的数据进行预处理：对绞股蓝样本光谱进行多元散射校正+适量归一化的预处理，通过该处理消除样品不均匀、光散射及仪器噪声干扰因素的影响，提高模型的预测精度和稳定性；A‑3、提取主成分：通过主成分分析方法对光谱图信息进行降维，取前10个主成分累计贡献率为99.99％，有限量的输入减少模型的计算复杂度，提高模型的预测精度；所述样本的主成分由如下方法确定：设x₁，x₂，…，x_n为取自总体x的样本，其中x_i＝(x_i1，x_i2，…，x_ip)′，i＝1，2，…n；记样本观测值矩阵为：$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ x_{n1}& x_{n2}& ...& x_{np}\end{array}\right]$x的每一行对应一个样品，每一列对应一个变量；记样本协方差矩阵和样本相关系数矩阵分别为：$S=\frac{1}{n-1}\underset{i=1}{\overset{n}{\Sigma }}(x_i-\bar{x}){(x_i-\bar{x})}^{\prime }=\left(s_{ij}\right)$$\hat{R}=\left(r_{ij}\right),r_{ij}=\frac{s_{ij}}{\sqrt{s_{ii}}\sqrt{s_{jj}}}$其中，为样本平均值；将S作为∑的估计，作为R的估计，从S或出发可求得样本的主成分；A‑4、建立人工神经网络模型：采取人工神经网络算法，根据输入输出数据特点确定神经网络的结构，再利用训练数据训练此神经网络，得到平利绞股蓝的鉴别模型；B、未知样品的鉴别未知样品在相同条件下扫描近红外光谱图，选取主成分数目，依据训练好的神经网络模型来判断未知样品的真伪，输出节点分别用二进制数字表示，10代表是平利绞股蓝，01代表是非平利绞股蓝；样本的主成分由从样本相关系数矩阵出发求解：设为的p个特征值，为相应的正交单位特征向量，则样本的p个主成分为${\hat{y}}^{*}={{\hat{t}}_i}^{{*}^{\prime }}{x}^{*},i=1,2,...,p$将样品x_i标准化后的观测值代入第j个主成分，即可得到样品x_i的第j主成分得分${\hat{y}}_{ij}^{*}={\hat{t}}_j^{{*}^{\prime }}{x}_i^{*},i=1,2,...,n;j=1,2,...,p.$