文摘

横向衰减总reflection-Fourier变换红外光谱法(HATR-FT-IR)不仅是用来测量中(MIR)的精液armeniacae amarum桃仁及其易混品种。为了挤出精液的区别armeniacae amarum桃仁,离散小波变换(DWT)是用来分解精液的米尔armeniacae amarum和桃仁。选择两个主要尺度空间特征提取的DWT域。根据分配的精液armeniacae amarum桃仁米尔,5个功能区域确定在每一个光谱波段选择两个尺度DWT域。因此,十个特征参数构成特征向量。特征向量误差反向传播人工神经网络的输入,(三)训练,准确分类精液armeniacae amarum和桃仁。100对夫妻的米尔用于训练和测试方法,在50夫妇的数据用于训练样本和其他50夫妇的数据用于测试样品。实验结果表明,精液之间的准确识别率armeniacae amarum和桃仁方法后平均为99%。

1。介绍

中国传统医学(中医)不仅仅是伟大的中华民族的繁荣昌盛做出贡献。它代表了东方文明的一年生植物的重要一章。它已经吸引越来越多的人在世界上1,2]。

精液armeniacae amarum(苦杏仁)是一种中药,一直以疾病的治疗很长时间了。用于治疗各种咳嗽和呼吸困难,和治疗风热引起的咳嗽。它也用于治疗干燥综合征的肠道便秘(3]。

在中药市场,很难确定中药的真实性。这涉及到中医质量升值体系的科学化。升值在寻找中药质量系统,越来越多的重要性在现代仪器分析;应用被认为中药质量升值体系来现代化的标志,因为它可以提供越来越多的综合信息质量比单一组件。

傅里叶变换红外光谱法(ir)可以得到几乎所有材料的复杂系统的信息,所以它已成为最先进的分析工具(可以说)频谱分析和已经成为不可或缺的和明确的对许多分析(4- - - - - -7]。中药是一个复杂的混合体系,所以很难解释8]。成功使用傅立叶变换红外光谱分析在不同家庭和属。作为两种中药样品的兄弟姐妹,他们包含相似的化学成分。因此,结果是不理想的米尔分析时只采用9]。如何利用大量的数据的吸收光谱从复杂系统的有效快速定性和定量分析,并使埋在米尔的信息重叠的乐队,差异存在于红外吸收光谱显示视觉识别的光谱是相似的和复杂的目标是分析化学家。化学计量学是广泛应用于许多领域,因为结合数值计算技术和信息的设备。

小波变换是一种有效的信号处理方法比傅里叶变换,转换后的结果(小波系数)的离散小波变换(DWT)含有更多的有价值的信息,这是一种相对有效的化学计量学分析方法。所使用的小波变换是近年来在化学及其相关领域。Ehrentreich [10)指出,已确立了小波变换与傅里叶变换分析化学的数据处理方法。大多数现有的方法在化学是基于离散小波变换。例如,l . m .邵et al。11]介绍了小波变换及其应用方面的光声光谱,EXAFS谱、核磁共振分析和拉曼光谱。近年来,一些研究人员还与其他一些智能技术结合小波变换来分析信号的化学。例如,r . Tabaraki et al。12)开发了一种小波神经网络算法)模型在定量结构性质关系(部分)预测溶解度25蒽醌染料在超临界二氧化碳中各种压力(70 - 770 bar)和温度(291 - 423 K)。

人工神经网络(ANN)可以学习和训练样本的信息,这样它将拥有类似人类大脑的记忆,识别能力和实现各种信息处理功能。它具有良好的自学习、自适应、联想记忆、并行处理和非线性转换功能,避免复杂的数学推导。即使样本不足和参数漂移的情况下,输出可以保证稳定,因此促进了理论分析。最近,DWT和反向传播人工神经网络(三)已经成功地应用于米尔光谱分析(13),但很少有研究报道MIR-DWT-ANN应用程序来识别中医。因此,HATR-FT-IR光谱结合DWT和安歧视方法提出了精液的快速和简单的分类armeniacae amarum并在本研究桃仁。

2。DWT和三层

2.1。DWT

在数值分析和功能分析,DWT小波变换,小波离散采样。与其它小波变换,它在傅里叶变换的一个主要优势是时间分辨率:它捕获频率和位置信息。基于这些优势,DWT已经大量应用在科学、工程、数学和计算机科学。最值得注意的是,用于信号编码来表示在更多的冗余离散信号形式,通常作为数据压缩的预处理。DWT的离散化源于连续小波变换(CWT)和常见的离散化是二元。一个函数或信号的类,例如,可以被定义为 在哪里表示母小波函数。的参数尺度参数和命名分别命名为翻译参数,用于控制母亲的扩张和位置的函数。

二元离散化后,因此DWT表示为的函数 在哪里和取而代之的是和。一个有效的方法来实现这个计划使用过滤器是在1989年由Mallat开发的。原始信号通过两个互补的过滤器和出现低频和高频信号。分解过程可以重复,逐次近似被分解,这样一个信号可以分解为许多分辨率较低的组件(14]。

2.2。BP算法

人工神经网络有许多模型。它可分为前馈和反馈基于网络结构。前馈网络的主要应用之一是识别和分类。没有严格区分输入和输出层的反馈网络,我们可以提取数据的重要特征和能量最小化之后研究[15]。

当前馈神经网络节点都用作乙状结肠函数,一个隐藏层足以任意分类。图1显示了前馈人工神经网络计算的过程。图1(一)显示第一阶段包括选择网络模型、学习规则,学习输入和输出数据(输出数据即目标输出数据),和学习和培训网络得到神经网络的节点权重和节点的阈值。网络权值和阈值确定的过程不断调整网络权值和阈值之间的误差通过比较人工神经网络的输出数据和目标输出数据,直到错误是在允许的范围内。

第二阶段出现如图1 (b)。生成的输出结果是测试数据输入到网络模型选择的权重和阈值在第一阶段。

我们使用FT-IR-discrete小波向量特征值的中药样本作为指导数据训练网络。成熟的BP算法,在多层前馈网络在理论和应用程序中,使用。

数据预处理后,两个同系物是映射到两个节点在输出层和小波傅立叶变换红外光谱特征值的特征向量归一化到0 - 1之间的值。

分类算法有两个步骤。第一步是BP网络训练和第二步是不同种类的分类类别使用训练BP网络(见图2)。

第一步是网络培训。有三层:输入,输出,和隐藏层。输入层从五个地区十归一化特征向量。输出层用于分类的每个节点对应于每一种精液是两个在这种情况下。隐藏层的输入层和输出层之间的一层。在隐层节点的数目必须谨慎决定。更少的隐藏节点意味着更高的局部最小值和可怜的容错能力。然而,过多的隐藏节点意味着长时间学习和分类的结果并不总是最好的。需要反复测试和选择最好的隐藏节点的数量。在步骤2中,网络模型设计在步骤1中用于测试的十个特征向量规范化五大区域。

乙状结肠函数作为激活函数。为了使最小二乘误差对应的输入样本至少,我们应该学习和修改阈值和权重。最小平方误差函数的公式可以写的 的目标输出值是样品吗在输出层节点,即植物的类型样品的实际输出值吗在输出层节点。计算实际输出值从输入层到输出层的误差调整方向和重量从输出层向输入层。(1)输出值的计算公式节点的(输出值等于输入值,当节点是输入层的节点)是什么 是连接节点的权重值吗和,是节点的阈值。阈值可以被视为连接输出的重量等于1到其他节点,所以它的调整过程是一样的。调整重量是如下。(2)修正案重量的公式连接隐层的节点输出层的节点如下(当是输出层的节点): 在哪里η是学习速率,α动量词,误差信号的输出层的节点。计算如下: (3)当不是输出层节点,我们还利用上述重量修改连接隐层的节点和隐层的节点。但计算成为 输出与输入之间的错误消息从节点和节点,连接节点重量吗和。

3所示。实验部分

3.1。材料

的内核是精液armeniacae amarum李属arminiaca l .(家庭蔷薇科)。他们来自临沂(34°22′N, 117°24′E)山东省,长治(35°50′N, 113°01′E)的山西省,邢台学院(36°50′N, 113°52′E)的河北省和洛川(35°26′N, 109°13′E)的山西省,中国,今年7月,2009年,他们在阳光下晒干,分别。的内核是桃仁碧桃(l)类等。(家庭蔷薇科)。这是来自亳州(32°51′N, 115°53′E)安徽省,金华(28°32′N, 119°14′E)浙江省,和长治(35°50′N, 113°01′E)的山西省,中国,今年7月,2009年,分别在阳光下晒干。八个内核样本随机选择一次。样品已经根植在玛瑙研钵细粉约200网格,分别。

3.2。光谱测量

收集HATR-FT-IR光谱分辨率为2厘米⁻¹美国WI扫描使用Thermo-Electron(麦迪逊)Nexus 670红外光谱室温氘triglycine硫酸(壳体)探测器,和一跃HATR (Ge)配件,光谱范围4000 - 650厘米⁻¹,决议2厘米⁻¹64次,累计数量的扫描。8.0毫克的倾向的样本,分别直接放置约3.14毫米²在通用电气的中心水晶HATR附件的测量。确保良好的接触与通用电气水晶表面,所有粉末样本按使用压力塔提供相同的机械压力在所有样本。所有获得的光谱autobaseline纠正。不需要其他样品制备。每个物种的样本测量三次,平均频谱用于进一步分析。

3.3。数据分析

HATR-FT-IR所有的样本可以获得的决心。根据吸光度值的特征吸收峰,我们可以使主成分分析数据,通过数据复制在不同的波段。Matlab软件是用来制造小波变换进一步分析数据。使用Morlet小波,这有很好的检测信号奇异点的能力,小波分析,完成一维DWT的傅立叶变换红外光谱样品在不同的尺度。然后,HATR-FT-IR光谱的样品的差异在不同的尺度上进行了比较。我们选择三个代表尺度样品的提取特征,然后使用三层来识别它们。在实验中,我们做一维DWT的HATR-FT-IR光谱样本(它们被分解为5个层次)。我们选择两个尺度(3和4)作为尺度来提取特征向量。

4所示。结果与讨论

4.1。傅立叶变换红外光谱分析

图3显示了典型的精液HATR-FT-IR光谱armeniacae amarum和桃仁。

从图3,我们注意到精液armeniacae amarum和桃仁是类似的傅立叶变换红外光谱吸收峰的,因为他们属于内核兄弟工厂。它们包含类似的化学成分如羟基纤维素(种皮),淀粉和植物激素β谷甾醇,傅立叶变换红外吸收非常相似。两个样本生成大量的傅立叶变换红外光谱区域大幅山峰(4000 - 650厘米⁻¹),这表明种子的化学成分很丰富。几个吸收地区被确定,带作业标记在图3。吸收带位于约3400厘米⁻¹对应于s和h地伸展振动主要发生于蛋白质和碳水化合物。乐队在3010厘米⁻¹代表不饱和碳氢键伸展振动,主要由不饱和化合物和不饱和脂肪酸酯。乐队在2923年和2854厘米⁻¹代表碳氢键伸展振动,主要由脂质和碳水化合物。吸收从碳氢键弯曲模式是位于约1200厘米⁻¹到1500厘米⁻¹吸收,但它重叠与其他乐队在这个地区。三个吸收带位于约1656厘米⁻¹(主要是C = O开始于。),1463厘米⁻¹(h弯),1250厘米⁻¹(碳氮stret)。主要是由于酰胺,二世,三世模式的蛋白质和脂质,分别。吸收带大约1745厘米⁻¹对应于孤立的羰基(作),表明ester-containing化合物通常存在于膜脂质和细胞壁果胶。乐队在1060厘米⁻¹,1100厘米⁻¹,1160厘米⁻¹“指纹”地区显示等方式碳氢键弯曲振动或切断或碳碳或P-O伸缩振动。

随着精液armeniacae amarum和桃仁兄弟物种,它们包含相似的化学成分。的傅立叶变换红外光谱不同植物内核有非常亲密的吸光度和难以区分的经验。所以我们使用其他方法进行进一步的分类。

4.2。主成分分析(PCA)

尽管PCA本身不能作为分类工具,使用这种行为可能表明可视化的数据趋势维度空间。摘要6每个物种都是随机选择的样本进行主成分分析。我们有选择的吸收峰在2000 - 650厘米⁻¹的吸收峰,然后我们选择利用主成分分析法(PCA)进行测试,但结果并不令人满意。三维米尔光谱的情节基于PCA如图两个物种4。

图4显示结果显然不能反映真正的亲戚关系的12个样品,并不同意我们的期望,因此这种方法并不是令人满意的。为了实现我们想要的结果,介绍了一维DWT进入我们的研究。

4.3。红外光谱在DWT域的特征提取

我们将使用DWT检测奇异点的曲率曲线,所以我们应该选择合适的小波,也有类似的形状的信号分析,短分支设置紧凑,和大消失的时刻,为小波基函数。Symlets,一些代表小波基函数包括Coiflet Daubechies,鲻鱼,Mexihat,迈耶。在本文中,我们选择Daubechies小波作为小波分析。

5尺度小波comprssions米尔光谱ata执行。图5代表了DWT系数5点量表。近似的低频分量和细节保持高频组件。甚至5级近似与原米尔光谱数据非常相似,但它比原来的米尔光谱平滑噪声后删除。我们选择代表两个层次(规模3和4)提取特征。特征变量被定义为的能量频谱在DWT规模3和4。

根据图5DWT系数之间的差异精液armeniacae amarum和桃仁明显的五个地区。为了有效提取代表性特征在两尺度DWT,光谱每个规模分为五个代表区域,分别。图6是功能区域的划分图。十个功能区域两个尺度的DWT域,其特征值谱能量在十个功能区域,形成特征向量。

4.4。确定网络和应用程序的结果

测试后,我们将BP网络的结构定义为十节点输入层、隐层中的12个节点,和两个输出层节点,误差为0.05,α是0.8,η是0.02。

培训过程中,我们使用10 BP网络的输入层节点结构,其次是规范化的十个特征向量。输出层节点分为类别(1)精液armeniacae amarum,和分类(2)桃仁。训练网络用于验证200个不同的样本数据。输入数据的小波变换的特征向量提取原始的红外光谱。结果显示在表中1。

基于表中的结果1基本上,两种不同类型的内核(精液armeniacae amarum和桃仁)被正确识别。不同的内核,提取的特征向量小波变换的米尔有显著差异,这样可以实现高精度的分类。

5。结论

(1)使用样例内核材料米尔分析是一种有效的方式对植物进行分类,因为内核作为生殖器官比营养器官包含更稳定的字符。(2)HATR的技术直接测量的优势,不破坏样品,比传统方法具有更好的可重复性等溶剂萃取和直接压缩过程。所以工厂内核样本,HATR是一个很棒的方法来确定。(3)离散小波变换作为一种重要的化学计量学技术可以保持不变的信息,使变量减少,简化数据处理过程,使一个伟大的帮助区分类似的样品。

该方法有较高的识别率的米尔数据精液armeniacae amarum及其衍生品可能被混淆的桃仁结合三层的DWT的特征红外光谱样本。

承认

作者要感谢陈建华生物学系的博士,浙江师范大学,中国,确定样品。