一种基于多谱融合与随机权神经网络的黄芪产地辨别方法

1.本发明涉及黄芪产地辨别技术领域，具体来说，涉及一种基于多谱融合与随机权神经网络的黄芪产地辨别方法。


背景技术：

2.道地是中医药学的重要概念。来自特定地理区域的药用材料具有优于其它产地的更好的治疗效果。在现存最早的中医文献《神农本草经》中，已经出现了“道地”的理念，很多草药的名称被冠以特定的地理区域，如巴豆、阿胶、秦皮等。由于道地药材独特的治疗效果和较高的经济价值，许多非法摊贩使用非道地药材来冒充道地药材，这对传统的道地药材产业造成了毁灭性的打击，亟须能够有效区分药材不同产地的技术手段。
3.因此，亟需一种基于多谱(拉曼光谱和紫外光谱)融合与随机权神经网络的黄芪产地鉴别方法。
4.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.针对相关技术中的问题，本发明提出一种基于多谱融合与随机权神经网络的黄芪产地辨别方法，以克服现有相关技术所存在的上述技术问题。
6.本发明的技术方案是这样实现的：
7.一种基于多谱融合与随机权神经网络的黄芪产地辨别方法，包括以下步骤：
8.s1、特征缩放：将各个产地黄芪样品采集到的拉曼光谱和紫外光谱分别进行归一化处理；
9.s2、特征选择：基于弹性网络分别对归一化处理后的拉曼光谱和紫外光谱进行特征选择，分别得到低维度的特征向量[x
1 x
2 x3…
]
t
和[s
1 s
2 s3…
]
t
；
[0010]
s3、特征融合：将特征向量[x
1 x
2 x3…
]
t
和[s
1 s
2 s3…
]
t
拼接为[x
1 x
2 x3…
s
1 s
2 s3…
]
t
，并作为多谱融合特征向量；
[0011]
s4、随机权神经网络的训练：以多谱融合特征向量作为输入数据训练随机权神经网络；
[0012]
s5、随机权神经网络的分类预测：测得新的拉曼光谱和紫外光谱数据后，使用与步骤s1～s3相同的步骤得到融合特征向量，然后传入随机权神经网络进行正向传播，输出分类预测结果。
[0013]
进一步的，还包括以下步骤：
[0014]
预先采集各个产地黄芪样品；
[0015]
在高速研磨机中以25，000rpm将黄芪样品处理10分钟，其中每3克研磨粉溶于30毫升乙醇溶液；
[0016]
然后将混合物在回流装置中搅拌1小时，保持100℃温度；
[0017]
混合物冷却过滤后，使用拉曼和紫外光谱仪进行检测；
[0018]
获取各个产地黄芪样品的拉曼光谱和紫外光谱。
[0019]
进一步的，所述拉曼，参数包括激光波长785nm、激光功率450mw和曝光时间5s。
[0020]
进一步的，所述随机权神经网络的训练，其随机权神经网络的第一个权重矩阵θ
(1)
直接随机初始化，第二个权重矩阵θ
(2)
直接使用广义逆矩阵求得。
[0021]
本发明的有益效果：
[0022]
1、本发明基于多谱融合与随机权神经网络的黄芪产地辨别方法，通过拉曼光谱和紫外光谱的联合使用，可以有效地区分不同地理区域的黄芪，辨别效率高，且辨别效率准确精度高；
[0023]
2、本发明基于多谱融合与随机权神经网络的黄芪产地辨别方法，通过采用随机权神经网络，且随机权神经网络训练时间少，同时保持了较高的预测准确性；与主流的人工神经网络模型相比，随机权神经网络不需要基于梯度的迭代训练过程，对于计算资源有限的边缘设备具有独特的性能优势。
附图说明
[0024]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]
图1是根据本发明实施例的一种基于多谱融合与随机权神经网络的黄芪产地辨别方法的原理示意图。
具体实施方式
[0026]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0027]
根据本发明的实施例，提供了一种基于多谱融合与随机权神经网络的黄芪产地辨别方法。
[0028]
如图1所示，根据本发明实施例的基于多谱融合与随机权神经网络的黄芪产地辨别方法，包括以下步骤：
[0029]
一、检测样品：
[0030]
分别采集来自四个不同省份的160个黄芪样品：内蒙古(华北)，四川(中国西南)，山西(中国西北)和甘肃(中国西北)。
[0031]
二、检测方法：
[0032]
1、在高速研磨机中以25,000rpm(每分钟转数)将黄芪样品处理10分钟。每3克研磨粉溶于30毫升乙醇溶液。然后将混合物在回流装置中搅拌1小时，保持100℃温度。混合物冷却过滤后，使用拉曼和紫外光谱仪进行检测，获取各个产地黄芪样品的拉曼光谱和紫外光谱。拉曼参数：激光波长785nm，激光功率450mw，曝光时间5s。
[0033]
2、数据处理步骤：
[0034]
s1、特征缩放：将各个产地黄芪样品采集到的拉曼光谱和紫外光谱分别进行归一化处理；
[0035]
s2、特征选择：弹性网络(elasticnet)分别对拉曼光谱和紫外光谱进行特征选择，分别得到低维度的特征向量[x
1 x
2 x3...]
t
和[s
1 s
2 s3...]
t
。弹性网络的超参数(l1范数和l2范数正则化系数)通过网格搜索(grid search)策略确定；
[0036]
s3、特征融合：将[x
1 x
2 x3...]
t
和[s
1 s
2 s3...]
t
拼接为[x
1 x
2 x3...s
1 s
2 s3...]
t
，作为多谱融合后的特征向量；
[0037]
s4、随机权神经网络的训练：以多谱融合特征向量作为输入数据训练随机权神经网络(nnrw)；nnrw的第一个权重矩阵θ
(1)
直接随机初始化，第二个权重矩阵θ
(2)
直接使用广义逆矩阵(moore
‑
penrose inverse)求得。nnrw不依赖梯度下降法，无迭代过程，求解过程极快；
[0038]
s5、随机权神经网络的分类预测：测得新的拉曼光谱和紫外光谱数据后，使用与步骤s1～s3相同的步骤得到融合特征向量，然后传入nnrw进行正向传播，最终输出分类预测结果。
[0039]
另外，具体的，如表1所示，研究中对四个分类模型进行了对比，即nnrw，mlp(多层感知器)，svm(支持向量机)和dtc(决策树)。针对来自四个地理区域的160个黄芪样品的拉曼和紫外光谱数据，其交叉验证集上的准确度分别为99.3％，98.0％，98.4％和92.8％。训练/拟合时间分别为0.372毫秒，57.9毫秒，2.033毫秒和3.351毫秒。
[0040]
结果表明：1)拉曼光谱和紫外光谱的联合使用可以有效地区分不同地理区域的黄芪。2)nnrw的训练时间明显减少，同时保持了较高的预测准确性。与主流的ann(人工神经网络)模型相比，nnrw不需要基于梯度的迭代训练过程，对于计算资源有限的边缘设备具有独特的性能优势。
[0041][0042]
表1：分类模型数据表
[0043]
综上所述，借助于本发明的上述技术方案，可实现如下效果：
[0044]
1、本发明基于多谱融合与随机权神经网络的黄芪产地辨别方法，通过拉曼光谱和紫外光谱的联合使用，可以有效地区分不同地理区域的黄芪，辨别效率高，且辨别效率准确精度高；
[0045]
2、本发明基于多谱融合与随机权神经网络的黄芪产地辨别方法，通过采用随机权神经网络，且随机权神经网络训练时间少，同时保持了较高的预测准确性；与主流的人工神经网络模型相比，随机权神经网络不需要基于梯度的迭代训练过程，对于计算资源有限的边缘设备具有独特的性能优势。
[0046]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。