国产自产21区,亚洲97,免费毛片网,国产啪视频,青青青国产在线观看,国产毛片一区二区三区精品

一種近紅外光譜鑒別平利絞股藍的方法
【專利摘要】本發明提供一種近紅外光譜鑒別平利絞股藍的方法，包括如下步驟：A、建立平利絞股藍的近紅外光譜鑒別模型：A-1、選擇光譜范圍4000-12500cm-1，掃描平利絞股藍近紅外光譜圖；A-2、對光譜范圍4000-9500cm-1的數據進行預處理；A-3、提取主成分；A-4、建立人工神經網絡模型：采取人工神經網絡算法，根據輸入輸出數據特點確定神經網絡的結構，再利用訓練數據訓練此神經網絡；運用MATLAB軟件建立輸入層節點10-隱含層節點5-輸出層節點2的BP人工神經網絡模型；B、未知樣品的鑒別：未知樣品在相同條件下掃描近紅外光譜圖，選取主成分數目，依據訓練好的神經網絡模型來判斷未知樣品的真偽，輸出節點分別用二進制代碼表示，10代表是平利絞股藍，01代表是非平利絞股藍。
【專利說明】一種近紅外光譜鑒別平利絞股藍的方法
【技術領域】
[0001]本發明涉及一種近紅外光譜鑒別平利絞股藍的方法，尤其涉及一種用近紅外光譜技術結合人工神經網絡算法鑒別平利絞股藍的方法，屬于近紅外光譜檢測分析領域。
【背景技術】
[0002]絞股藍，又稱七葉膽和七葉參等，具有降血壓，降血脂，降血糖，護心保肝，調脂減肥，有“不老長壽藥草”的稱謂。自2004國家質檢總局對陜西平利絞股藍實施原產地地域保護以來，平利絞股藍的身價倍增，市場上以次充好、假冒偽劣現象時有發生，為有效識別不同產地的平利絞股藍，保護消費者的權益，建立高效絞股藍產地識別技術勢在必行。
[0003]近紅外光譜具有反應速度快、信息量豐富、預處理少、不污染環境等優點，已在很多領域得到廣泛應用，成為目前研究最熱門的光譜分析技術之一。近紅外光譜包含了樣品的大量信息，因此，將近紅外分析技術與模式識別方法相結合，將能更有效地對樣品進行等級和類屬的判別。近紅外模式識別技術是應用化學模式識別的方法從物質的近紅外數據推知物質歸屬的技術。化學模式識別的所有方法都可用于近紅外模式識別的研究。目前，基于近紅外的模式識別技術已被廣泛應用于農業、醫藥、食品、石油等領域，在真假判別、等級分類、原產地鑒定等方面發揮了重要的作用。但模式識別建立的識別模型都是針對特定產品，特異性較強。 申請人:已采用采用近紅外光譜法結合馬氏距離算法，及合格性測試有效鑒別了響水大米；利用fisher判別算法成功鑒別初榨橄欖油及油橄欖果渣油。本發明基于近紅外光譜技術結合人工神經網絡算法鑒別平利絞股藍。目前，國內外學者對絞股藍的研究主要集中在化學成分和其藥理作用上進行研究。其主要含有皂苷[I]、多糖[2]和氨基酸
[4]、黃酮類[3]、有機酸和微量元素[4]等多種化學成分。這些報道證實不同產地絞股藍的成分是存在差異的，因此這些方法對于鑒別不同產地的絞股藍真偽有一定參考價值，但目前未見利用其成分差異進行平利絞股藍的鑒`別真偽的報道。

【發明內容】

[0004]本發明的目的在于提供一種本發明的目的在于提供一種快速、準確的用近紅外光譜技術結合人工神經網絡算法鑒別平利絞股藍真偽的方法。
[0005]本發明的技術方案是:這種近紅外光譜鑒別平利絞股藍的方法，包括如下步驟:
[0006]A、建立平利絞股藍的近紅外光譜鑒別模型
[0007]A-1、選擇光譜范圍4000-12500011'掃描平利絞股藍近紅外光譜圖；
[0008]A-2、對光譜范圍4000-12500(^-1的數據進行預處理；
[0009]A-3、提取主成分；
[0010]A-4、建立人工神經網絡模型:采取人工神經網絡算法，根據輸入輸出數據特點確定神經網絡的結構，再利用訓練數據訓練此神經網絡，得到平利絞股藍的鑒別模型；
[0011]B、未知樣品的鑒別
[0012]未知樣品在相同條件下掃描近紅外光譜圖，選取主成分數目，依據訓練好的神經網絡模型來判斷未知樣品的真偽，輸出節點分別用二進制代碼表示，10代表是平利絞股藍，01代表是非平利絞股藍。
[0013]所述的近紅外光譜鑒別平利絞股藍的方法，步驟A-1所述的掃描平利絞股藍近紅外光譜圖包括:將有效量的平利絞股藍樣品干燥粉碎后均勻置于石英樣品池中，使用傅立葉近紅外光譜儀進行吸收光譜掃描；掃描模式為旋轉漫反射，分辨率為ScnT1，每個樣本掃描多次，取平均光譜為樣本最終的分析光譜；
[0014]所述的近紅外光譜鑒別平利絞股藍的方法，步驟A-2所述的平利絞股藍近紅外光譜圖數據預處理包括:對絞股藍樣本光譜進行多元散射校正+適量歸一化的預處理，通過該處理消除樣品不均勻、光散射及儀器噪聲等干擾因素的影響，提高模型的預測精度和穩定性。
[0015]所述的近紅外光譜鑒別平利絞股藍的方法，步驟A-3所述的提取主要成分是通過主成分分析方法對光譜圖信息進行降維，取前10個主成分累計貢獻率為99.99%，有限量的輸入減少模型的計算復雜度，提高模型的預測精度。
[0016]所述的近紅外光譜鑒別平利絞股藍的方法，步驟A-4所述的平利絞股藍建立人工神經網絡模型包括運用MATLAB軟件建立輸入層節點10-隱含層節點5-輸出層節點2的BP人工神經網絡模型:
[0017]A-4-1、輸入層節點數的確定:取10個主成分得分為參數，確定網絡的輸入層節點為10 ；
[0018]A-4-2、隱層節點數的確定:用下公式求出:
[0019]
【權利要求】
1.一種近紅外光譜鑒別平利絞股藍的方法，其特征包括如下步驟: A、建立平利絞股藍的近紅外光譜鑒別模型 A-1、選擇光譜范圍4000-12500(^'掃描平利絞股藍近紅外光譜圖； A-2、選取光譜范圍4000-9500(^-1的數據進行預處理； A-3、提取主成分； A-4、建立人工神經網絡模型:采取人工神經網絡算法，根據輸入輸出數據特點確定神經網絡的結構，再利用訓練數據訓練此神經網絡，得到平利絞股藍的鑒別模型； B、未知樣品的鑒別 未知樣品在相同條件下掃描近紅外光譜圖，選取主成分數目，依據訓練好的神經網絡模型來判斷未知樣品的真偽，輸出節點分別用二進制數字表示，10代表是平利絞股藍，01代表是非平利絞股藍。
2.根據權利要求1所述的近紅外光譜鑒別平利絞股藍的方法，其特征在于，步驟A-1所述的掃描平利絞股藍近紅外光譜圖包括:將有效量的平利絞股藍樣品干燥粉碎后均勻置于石英樣品池中，使用傅立葉近紅外光譜儀進行吸收光譜掃描；掃描模式為旋轉漫反射，分辨率為ScnT1，每個樣本掃描多次，取平均光譜為樣本最終的分析光譜；
3.根據權利要求1所述的近紅外光譜鑒別平利絞股藍的方法，其特征在于，步驟A-2所述的平利絞股藍近紅外光譜范圍4000-9500(3!^1的數據預處理包括:對絞股藍樣本光譜進行多元散射校正+適量歸一化的預處理，通過該處理消除樣品不均勻、光散射及儀器噪聲等干擾因素的影響，提聞1旲型的預測精度和穩定性。
4.根據權利要求1所述的近紅外光譜鑒別平利絞股藍的方法，其特征在于，步驟A-3所述的提取主成分是通過主成分分析方法對光譜圖信息進行降維，取前10個主成分累計貢獻率為99.99%，有限量的輸入減少模型的計算復雜度，提高模型的預測精度。
5.根據權利要求1所述的近紅外光譜鑒別平利絞股藍的方法，其特征在于:步驟A-4所述的平利絞股藍建立人工神經網絡模型包括運用MATLAB軟件建立輸入層節點10-隱含層節點5-輸出層節點2的BP人工神經網絡模型: A-4-1、輸入層節點數的確定:取10個主成分得分為參數，確定網絡的輸入層節點為10 ； A-4-2、隱層節點數的確定:用下公式求出:
6.根據權利要求3所述的近紅外光譜鑒別平利絞股藍的方法，其特征在于:所述樣本的主成分由如下方法確定: 設X1, X2,…，Xn為取自總體X的樣本，其中Xi = (Xn，Xi2，…，XipV (i=l，2,…η); 記樣本觀測值矩陣為:
7.根據權利要求6所述的近紅外光譜鑒別平利絞股藍的方法，其特征在于:所述樣本的主成分由從樣本相關系數矩陣左出發求解: 設i^i2》…>七之0為左的p個特征值，C，t ，f/為相應的正交單位特征向量，則樣本的P個主成分為
【文檔編號】G01N21/359GK103776797SQ201410065240
【公開日】2014年5月7日 申請日期:2014年2月25日 優先權日:2014年2月25日
【發明者】趙志磊, 李小亭, 陳培云, 吳廣臣, 劉秀華 申請人:河北大學