基于遗传神经网络的中药肉苁蓉模式识别研究

基于遗传神经网络的中药肉苁蓉模式识别研究 基于遗传神经网络的中药肉苁蓉模式识别 研究 2005年第26卷第6期云南中医中药杂志37 基于遗传神经网络的中药肉苁蓉模式识别研究 王泽,顾勤兰 (中国药科大学高等职业技术学院,江苏镇江212000) 摘要:本文建立了遗传神经网络模型.该模型应用遗传 算法对神经网络权值和学习进行优化,从而克服了BP神经网 络训练速度慢,易陷入局域极小和全局搜索能力弱等缺点.以 中药肉苁蓉的元素含量数据为考察对象,用该模型对肉苁蓉 进行模式识别,通过验证,识别成功率达100%.本研究为中药 肉苁蓉的模式识别提供了一种新. 关键词:遗传算法;神经网络;肉苁蓉;模式识别 中图分类号:R284.1文献标识码:A 文章编号:1007—2349(2005)06—0o37—03 肉苁蓉为列当科植物肉苁蓉的干燥带鳞叶肉质茎,具有 补'肾阳,益精血,润肠,通便之功效,临床常用于治疗腰膝酸 软,阳痿,女子不孕,肠燥便秘等症.我国肉苁蓉的主要产地 在内蒙古,甘肃,新疆等地区,不同产地的肉苁蓉质量存在 差异;同时肉苁蓉元素成分复杂,含有ca,Fe,K,Mg,Mn, zn等多种元素.以往对肉苁蓉的质量主要通过外部特征,如 色泽,气味等进行评估,其经验性和局限性很大,而这类复杂 的多变量非线性关系特别适合用人工神经网络加以解决…. 本文针对肉苁蓉的这一特点,建立了肉苁蓉的遗传神经网 络模式识别模型,并用该模型对不同产地的肉苁蓉进行了 模式识别,结果明,将遗传神经网络技术应用于中药肉苁 蓉的模式识别,具有网络训练速度快,识别成功率高等优 点. 1材料与方法 1,1材料样本来源见表1. 1,2仪器与试剂IRISIn~epid全谱直读等离子体发射光谱仪 (ICP—AES);硝酸,高氯酸为优级纯;水为去离子高纯水. 1-3方法将肉苁蓉样本依次用饮用水,去离子高纯水冲洗, 晾干,于50?下烘干,粉碎,称取1g,置消化瓶中加入30ml硝酸 后放置30min,再分别加入4ml高氯酸,放置过夜,小火加热至 溶液澄清,移至50ml容量瓶中,以去离子高纯水定容. 用全谱直读等离子体发射光谱仪测定肉苁蓉样本的ca, Fe,K,Mg,Mn,zn,Al,Ba,co,cr,cu,Na,P,Pb,As,Hg,Se等 元素含量,在本研究中,我们中和了肉苁蓉所含元素的药用功 效和遗传神经网络识别特性两方面因素选择其中的ca,Fe, K,Mg,Mn,Zn为识别肉苁蓉的元素含量特征参数,见表1. 表125种样本的元素含量特征参数(g/g)及已知类别 thecomponentsof17samplesands~ciesidentified 2遗传神经网络 虽然人工神经网络已经在中药模式识别方面得到了一系 列的应用,但是由于神经网络固有的缺陷,如网络训练速度 慢,容易陷入局域最小以及全局搜索能力弱等,这限制了其预 测精度.将遗传算法引入神经网络领域,以优化其连接权,网 络结构或者学习规则,使得神经网络具有自进化,自适应能 力,从而构造出进化的神经网,以提高模型的预测精度,这也 已经成为一个应用方向l. 用遗传算法进化神经网络结构步骤是:(11随机产生N个结 构,对每个结构编码,每个编码个体对应一个结构;(21用许多 不同的初始权值分布对个体集中的结构进行训练;(31根据训 练的结果或其它策略确定每个个体的适应度;(41根据若干适 应度值最大的个体,直接继承给下一代;(51对当前一代群体进 行交叉和变异等遗传操作,以产生下一代群体;(6)重复(2)一 (5),直到当前一代群体中的某个个体(对应着一个网络结 构)能满足要求为止. 2.1网络模型的建立遗传算法不要求目标函数连续,可微, 而仅要求目标函数可计算且具有全局最优解,因而可解决BP 神经网络训练速度慢,易陷入局域极小和全局搜索能力弱等 缺点.本文应用遗传算法对神经网络权值和学习进行优化,建 立了遗传神经网络模型,并用该模型对不同产地的肉苁蓉进 行了模式识别. 38云南中医中药杂志2005年第26卷第6期 基于遗传神经网络的建模思路是先将试验数据模糊化, 再作为前馈神经网络的输入和输出【圳.同时利用遗传算法配合 SPg法对网络进行训练,最后得到原始数据与有关指标之间 的非线性映射模型.该遗传神经网络的总体结构如图1所示. 通过对已知样本的学习,调整好内部参数,即可用遗传神经网 络模型对未知情况做出预测. 图1GA—BO神经网络算法框图 Fig.1hlowofGA-BP 2.2网络模型的求解方法 2.2.1数据的预处理本研究以肉苁蓉的6种元素含量为网络 输入参数,由表1可知肉苁蓉元素含量数据十分复杂,且不能直 接用遗传神经网络模型进行学习.归一化处理可以解决遗传神 经网络读取不出的问题,并可保证收敛.因此,对表1中的原始 数据进行归一化处理.规定遗传神经网络的各个输入量的区间 范围为[0,1】,某一输入量中最大值取1,最小值取0,其它输入量 取0到1之间的某一值.具体取值按照下述进行: XI=X , ~ X — xrnin= 式中x——葛根元素含量数据模糊化后某一输入量; Xmin一输入量中的最小值;Xmax——输入量中的最大值. 输出量的区间范围也为[0,1】.根据肉苁蓉的产地和品质, 将肉苁蓉分为以下3类:(1)内蒙古苁蓉为第一类,第一类肉 苁蓉网络期望输出参数值设为0.9,0.5,0.1.(2)新疆北部肉苁 蓉为第二类,第二类肉苁蓉网络期望输出参数值设为0.5,0.1, 0.9.(3)新疆南部肉苁蓉为第三类,第三类肉苁蓉网络期望输 出参数值设为,0.1,0.9,0.5. 2.2.2网络结构的设置在确定本模型的BP网络的输入层为 6,输出层为3之后,需确定隐含层的个数以及隐含层的节点 数.由于用3层BP网络就可以实现任意精度的逼近嘲,本模型运 用3层BP网络以提高网络的效率.初选隐含层个数可以根据如 下公式选取: / 式中:k为隐节点数;n为输入节点数;In为输出节点数;z为 1,10之间的整数. 初选隐含层节点数为9,经过学习之后确定为13. 2.2_3数据的训练具体过程如下:对于神经网络其激活函数 采用s型函数(f0)=亡),并且确定隐含层节点数为13. (1)采用二进制编码,o/1串编码:由于网络中权值有 W(i,i)与W(i,k),阈值有Q(i)与Q(k),i=1,2,…,5;i=1,2, … ,10;k=l,2,3.权值与阈值均在-30.0~+30.0之间,每个权值 (或阈值)用一个8位o/1串表示,则一个640位的o/1串就对应 于一个神经网络.每一个8位0/1串与对应权值的关系是: Wi----(一127+yi)/12830.0 式q6yi是此8位o/1,x~应的十进制数值. (2)适应度函数的确定方法很多,本模型提供4种可供选 择的方案: F=C—e:F=l/e;FC—E:F1E 其中C为一常数,e为误差:e=??(YY E=毒(Y E网络能量函: Y及Y咄分别为第m个训练样本的第k个是输出节点的期 望输出与实际输出,e的计算过程(即神经网络的正向处理过 程),包括下面几步:?把某一个学习模式的值作为输入层单 元的输出In1,用输入层到隐层的权值{w..1和中间层单元的阈 值0求出中间层单元j的输出H:H=f(?.).?用中间层的 输出{Hi1,中间层到输出层的权值{Vkj1以及输出层单元k的阈 值-/k求出输出层单元k的输出Yk:Y=f(?H).?有学 习模式的教师信号和输出层的输出得到第m个模式的第k个节 点的误差emk:edc=Y咄,而e=乏和乏e (3)选择继承:评价各个权值及阈值,对适应度Fi个体赋 予选择概率Ps:e=Fi.F. 在实际训练中,一般将适应度最大的个体直接遗传给下一代. (4)交叉:只用一点交叉,但在训练中将整个o/1串分为 两部分:连接权部分和阈值部分,对于给定的网络结构,前520 位(bit0-519)为连接权子串,而后120位(bit520.639)为阈值 子串.对这两子串分别进行一点交叉,基于这种考虑的原因是 在整个训练过程中将权值与阈值分开. (5)变异:以变异概率Pm随机地改变0/1串中的某些位. (6)以当前父代和子代的各种取值中重新排序选择N个 适应度较大的个体作为下一代的样本.转步骤(2)重新进行 训练,终止条件为群体适应度趋于稳定或误差已达到预定的 进化代数20000. 本模型取F=I/E,Pc=0.04,Pm=0.04,N=580,达到终止条 件之后,得出最终权值分布,得出进化的神经网络,然后进行 样本的学习和网络的检验. 3应用及结果 本研究采用的人机交互界面及遗传神经网络模型均采用 vc++语言开发.软件在windows环境下的微机上进行.从上述 网络模型建立过程可知,BP网络结构选用3层(6x13x3),输入 层节点数为6,隐含层节点数13,输出层节点数为3,并由遗传 算法对BP网络进行优化.网络模型建立后,首先对遗传神经网 络进行训练,网络的训练过程实际上就是对样本的学习过程. 利用该遗传神经网络模型,进行样本的学习和网络的检验, 采用Madab进行模拟.在训练90步以后遗传神经网络的误差平 方和为0.005,而BP神经网络为达到此值用;665步(见图2,图3). 由此表明:GA—BP算法的收敛速度比BP算法好,GA—BP算 法的收敛速度比BP算法提高了76.5%. 豳2遗传神经网络误差平方和曲线豳38F神经网络误差平方和曲线 Fig.2MSE~LIIWeoftheGA-BPNNFig.3MSE(RlrveoftheBP-NN 以肉苁蓉的6种元素含量(见表1)为网络输入参数,以第 1类,第2类,第3类肉苁蓉的网络期望输出值(0.9,0.5,0.1;0.5, 0.1,0.9;0.1,0.9,0.5)为输出参数,从原始数据中随机选择20 2005#-第26卷第6期云南中医中药杂志39 姜黄渗漉提取工艺研究 赵远 (云南省中医中药研究所,云南昆明650223) 摘要:正交试验结果表明,姜黄渗漉提取的最佳工艺条 件为:药材粗粉以95%乙醇浸渍6小时后渗漉提取,漉速为 9mJ/min?kg,收集3.3倍药材量的漉液. 关键词:黄姜;提取 中图分类号:R284.2文献标识码:A 文章编号:1007—2349(2005)06—0039—02 姜黄为姜科植物姜黄CurcumalongL.的干燥根茎.姜黄 的主要活性成分为姜黄素.姜黄素不溶于水及乙醚,溶于乙醇, 耐还原性,但耐光,耐热性差?】,提取温度不宜过高目,因此选用 95%乙醇为溶剂量室温渗漉提取,渗漉液在60~C以下减压浓 缩,干燥,避免受热破坏.本文采用正交试验对姜黄的渗漉提 取工艺条件进行筛选,确定最佳工艺条件.结果报告如下. 1材料 姜黄,产地:云南.由云南省药材公司提供,按《中国药典 2000年版一部》鉴定,符合规定. 姜黄素对照品(供含量测定用)批号:0756—200007,由 中国药品生物制品检定所提供. 2方法与结果 取姜黄粗粉30g,按表1,表2的试验条件分别进行渗漉提 取,收集漉液,滤过,取滤液以姜黄素为对照品,用比色法嘲测 定姜黄素含量,计算浸出率,结果见表2,表3. 表1姜黄渗漉工艺参数因素水平表 表2姜黄渗漉工艺正交试验计划及结果 \因素ABc 验证\浸渍时间乙醇用量渗漉速度姜黄素含量姜黄素 (h)(倍)(rnl/m.m?kg)(mg/n~)浸出率(%) 10431.130.45 20760.660.46 301090.510.51 46461.180.47 56790.740.52 661030.530.53 712491.180.47 812730.760.53 9121060.530.53 Kl K2 K3 k1 k2 k, R 表3 0.47 0.51 0.51 0.460.50 0.500.49 0.520.50 0.040.060.01 姜黄渗漉工艺正交试验结果方差分析表[(2.2)=19】 注:以姜黄素浸出率进行计算及方差分析. 个样本(表1中不带#的样本),建立遗传神经网络训练数据 库,即输入参数(肉苁蓉的6种元素含量)与输出参数(第1类, 第2类,第3类肉苁蓉的网络期望输出值)的映射,对遗传神经 网络进行训练.然后,以原始数据中的其它5个样本(表1中带# 的样本)作为检验样本,对遗传神经网络的识别效果进行检 验,识别结果见表2.由表2可知,该模型的识别成功率为100%, 同时训练速度明显优于一般的BP人工神经网络模型,可用于 肉苁蓉的模式识别. 表2训练样本识别结果 therecognitionresultofunknownsamples 4结论 建立了肉苁蓉模式识别的遗传神经网络模型,该模型以 随机选取原始数据样本的元素含量为输入参数,以质量等级 分类的网络期望输出值为输出参数,并通过检验样本对该网 络的识别性能进行检验. 由于遗传算法对神经网络的权值和学习过程进行了优 化,因而解决了神经网络训练速度慢,易陷入局域最小和全局 搜索能力弱等缺点.应用表明,本文建立的模型具有快捷,精 确的优点,可用于的肉苁蓉模式识别. 参考文献: [1】HussianAS,YuxJ~onRD.Applicationtl"neuralcomputinginpharmaceutical productdevelopment叨amlaoeu6calResearch,1999,16(1):1. [2]Manie~oV.Geneticevolutionofthetopologhandweightdistributionof neuralnetworks[J].IEEETransonNeuralNetworks.1994:5(11:39. 『31HafraidPG,KamstraM.Evolvingartificalneuralnetworkstocombine f/nancialforeease[J].IEEETransonEvo1Comput,1997,1(1):40. f41Agatonovic—KustrinS,BeresfordR.Bsicconceptsofartificialnetw0rks (ANNS)modelinganditsapplicationinpharmaceuticalresearch[J]. JoumalofParmaceuticalandAnalysis,2O00,22:(41 (收稿日期:2005—08—20.) 如 } i i