基于红外光谱概率神经网络的诃子产地鉴别

安生梅+吴启勋+吉守祥

摘要：利用傅里叶变换红外光谱，测定了不同产地诃子（Terminalia chebula Retz.）样品的红外光谱图。采用常规预处理方法和小波变换对红外光谱原始数据进行了预处理，并采用主成分分析进一步压缩光谱数据，前3个主成分的累积贡献率为98.054%。以前3个主成分作为网络输入，诃子产地类别作为网络输出，建立了概率神经网络，同时对建立该网络模型的扩展常数进行了分析。模型分析表明，建立的网络模型能够对40个诃子样品进行产地鉴别，红外光谱法结合神经网络可作为中药材产地分类鉴别的一种新的现代化方法。

关键词：诃子（Terminalia chebula Retz.）;傅里叶变换红外光谱;小波变换;概率神经网络

中图分类号：O657.33        文献标识码：A        文章编号：0439-8114（2014）20-4977-03

DOI：10.14088/j.cnki.issn0439-8114.2014.20.056

Identifying the Origin of Terminalia chebula Retz. Based on Infrared Spectrum

and Probability Neural Networks

AN Sheng-mei，WU Qi-xun，JI Shou-xiang

（College of Chemistry and Life Sciences，Qinghai University for Nationalities，Xining  810007，China）

Abstract： Infrared spectrum of Terminalia chebula Retz. from different fields were determined by Fourier transform infrared spectroscopy （FTIR）. The original data matrix of FTIR were pretreated with common preprocessing and wavelet transform. The spectra variables were compressed through the wavelet transformation. The principal component analysis （PCA） method was used to compress the spectral data. The PCA results showed that the first three principal components had the cumulative reliability of 98.054%. The first 3 principal components were used for input nods of probability neural network model and the area sorts of Terminalia chebula Retz.were used for parameters of export. The spread of the probability neural networks model were studied in detail. The model distinguished the producing area of the 40 samples of Terminalia chebula Retz. correctly. The infrared spectral technology combined with the artificial neural networks was proved to be a reliable and practical method for identifying of geographical origin of Lycium barbarum L. It will provide a new reference for the identification of traditional chinese medicine.

Key words：Terminalia chebula Retz.; fourier transform infrared spectroscopy; wavelet transform; probability neural networks

诃子为使君子科植物诃子（Terminalia chebula Retz.）或绒毛诃子[T.bellerica （Gaertn.） Roxb.]的干燥成熟果实[1]，其为《中国药典》收载品种，诃子原产于印度、缅甸等地，我国云南、广西、广东、西藏等地均有分布。诃子苦、酸、涩、平，归肺、大肠经，具有涩肠敛肺、降火利咽之功效，用于治疗久泻久痢、便血脱肛、肺虚喘咳、久咳不止、咽痛音哑等。现代药理试验证明，诃子具有抑菌、杀灭或抑制恶性肿瘤细胞等作用[2，3]，临床应用广泛，尤其在藏药和蒙药中最为常用[4，5]。本草考证表明，现今诃子品种和产地均已增多，云南省为现今诃子主产地，所产的绒毛诃子为全国主流品种[6]。但其质量鉴别至今仍处于被动状态，仅有一些薄层、色谱及紫外光谱方法鉴别诃子质量的报道[7，8]。截至目前，针对诃子质量鉴别比较系统的现代红外光谱方法未见报道。药材的红外光谱是其各个成分的光谱叠加而成的，是药材本质特征的反映。不同产地诃子因是同一品种组成相似，红外光谱整体上有较大的相似性;但产地不同，一些组成又存在差异，必然反映在红外光谱的指纹区存在差异。这种细微差异很难单纯通过谱图观察区分其特征，通过一些化学计量学方法则能够实现对不同产地药材的自动识别。本研究根据不同产地诃子红外光谱数据，结合小波变换对红外光谱数据进行消噪和压缩，采用概率神经网络对小波变换处理后的红外光谱数据进行分析，并实现了对诃子的产地鉴别。endprint

1  诃子红外光谱分析

1.1  材料

本研究选用40个不同产地的诃子样品，采自国内云南、广西、广东、西藏等地区及国外缅甸、印度等地。经青海藏医药研究所库进良研究员鉴定为使君子科植物诃子或绒毛诃子的干燥成熟果实即诃子。样品来源见表1，将采集的干果置于普通干燥箱内60 ℃干燥至恒重，取出用微型植物粉碎机粉碎装袋密封备用。

1.2  仪器及药品

仪器：IRPrestge-21型傅里叶变换红外光谱仪，购自日本岛津公司，分辨率为0.5～1.0 cm，信噪比为40 000∶1。检测器采用新型高灵敏度DLATGS检测器，可实现FTIR分析的高灵敏度和良好的稳定性。

药品：光谱纯溴化钾购自天津天光光学仪器有限公司。

1.3  不同产地诃子红外光谱测定

取已烘干至恒重粉碎的诃子样品，过100目筛，并取1 mg过筛后的诃子粉与100 mg光谱纯的溴化钾在研钵中混合均匀后压片，用IRPrestge-21型傅里叶变换红外光谱仪测定红外光谱。测定范围4 000～400 cm-1，扫描信号累加16次，分辨率4 cm-1。为了降低误差，谱图基线采用仪器自带软件自动进行多点基线校正和平滑处理。每个样品平行测定3次，取其平均值作为该样品的原始光谱，得到不同产地诃子的红外光谱数据及图像（图1）。

2  人工神经网络建模

2.1  常规红外光谱的预处理

采用标准正态变换、多元散射校正等常规红外光谱的预处理方法[9]，对诃子红外光谱进行了预处理。虽然能够校正因散射而引起的光谱误差，但总体上看，变换后消噪并不理想，也不能用于光谱数据压缩，效果有限。

2.2  红外光谱的小波变换预处理

本研究将小波变换用于诃子红外光谱的降噪和压缩[10]，均在在MATLAB小波工具箱下通过编程实现。采用均方根误差RMS评价小波信号降噪和压缩性能[11]：

RMS=■■（A■■-A■■）2■

其中，A■■为降噪或压缩后数据重构光谱第k波长的吸光度，A■■为原始光谱第k波长的吸光度。原始信号与消噪或压缩信号的均方根误差RMS越小，则消噪或压缩信号就越接近于原始信号，消噪或压缩效果越好。

通过对常用小波基函数的筛选，选取高阶正交紧支集Daubechies（db5）小波作为小波变换的母函数，因为支集长度太短不消失矩太低，不利于信号能量的集中;而支集太长，通常会产生边界问题，不利于消噪，选阶数N=5是合适的。wmaxlev函数确定小波分解时的最高分解层数（本研究选定的层数N=3），采用thselect函数对比分析4种不同的小波阈值降噪模型对光谱数据进行降噪的效果（RMS评价），确定采用启发式SURE（heursure）方法获取阈值，然后对光谱信号从第一层到第N层的高频系数进行阈值量化处理。实际小波变换后，原始信号消噪与压缩信号的均方根误差RMS很小，平均达到10-6～10-5数量级，与光谱分析误差相当，表明降噪、压缩效果良好。光谱经压缩，数据长度由1 868压缩至241，为原始数据的1/8。小波变换重构后的压缩数据，消去了噪声，但仍保留了原始光谱数据的信息（图2），可以用于人工神经网络方法鉴别诃子产地。

2.3  人工神经网络建模

2.3.1  诃子红外光谱的系统聚类分析  从诃子小波降噪和压缩后的样品红外光谱数据矩阵标准化后的数据出发，选定标准化欧氏距离（seuclidean）作为样品相似性的测度，采用离差平方和（ward）法作为类与类之间的距离，应用MATLAB编程，作系统聚类分析。结果表明，30个样品明显聚为4类（国外的4个样品归入到国内的产地类别）。其中，8个云南主产地诃子样品和2个缅甸样品、8个广西诃子样品分别聚为一类，广东、西藏和印度诃子样品也分别聚为一类，但样品之间分类有交叉，其中有两个广东样品，落入西藏类别。因此拟采用分类准确度高的人工神经网络建立产地鉴别模型。

2.3.2  人工神经网络建模  尽管对样品红外光谱进行了压缩，但每个样品仍然有241个数据，不宜直接作为人工神经网络的输入数据，可采用主成分分析压缩数据[12]。以诃子小波降噪和压缩后的红外光谱数据矩阵标准化后的数据作主成分分析。前3个主成分方差累积贡献达98.054%（λ1=161.52，λ2= 67.277，λ3=7.517 2），即取前3个主成分就能保留原红外光谱数据矩阵的98.054%信息。因涉及多产地鉴别，选用以分类见长的概率神经网络进行诃子产地的鉴别。MATLAB神经网络工具箱中newpnn函数可以方便地创建概率神经网络。

主要网络参数如下：网络结构3-30-4，即输入神经元3个，对应于诃子训练样品的前3个主成分，隐层30个神经元，对应诃子训练样品个数，输出层神经元4个，对应诃子样品的类别，以1.0代表云南诃子样品，2.0代表广西诃子样品，以3.0代表广东诃子样品，4.0代表西藏诃子样品。2个缅甸样品划分为云南1.0类别，2个印度样品划分为西藏4.0类别。隐层的传递函数是径向基函数（radbas），输出层为竞争层，竞争传递函数compet的功能是找出隐层径向基传递函数中各元素的最大值，并且使与最大值对应类别的神经元输出为1，其他类别的神经元输出为0。

3  小结

以测定的不同产地诃子红外光谱为研究对象，采用小波变换技术，均方根误差RMS作为降噪与压缩性能评价指标，对红外光谱进行了消噪和压缩，小波变换重构后的压缩数据，既保持了原红外光谱的特征，又有效地减少了光谱变量。据此结合概率神经网络建立了不同诃子产地鉴别模型。该网络模型对产地鉴别预测效果很好，能鉴别诃子主产地或伪劣诃子，正确识别率达到100%。红外光谱结合适当的化学计量学如人工神经网络方法，具有制样简单方便、测定快捷、谱图准确、重现性好等优点，适合大量样品的快速鉴别研究，有一定的可靠性和实用性，从而为诃子分类鉴别、质量控制提供了新的适用方法，也为鉴别其他中草药提供了思路。

参考文献：

[1] 中华人民共和国卫生部药典委员会.中华人民共和国药典（一部）[M].北京：化学工业出版社，2005.129.

[2] 周同惠.纸色谱和薄层色谱[M].北京：科学出版社，1989.

[3] 王金华，孙芳云，杜冠华.诃子的药理作用研究进展[J].中国民族医药志，2006，12（6）：45-47.

[4] 颜玉贞，谢培山，宋力飞，等.西青果药材及提取物液相指纹图谱的应用研究[J].中成药，2004，26（8）：6066-6071.

[5] 周 宁，彭富全.中藏药中诃子、毛诃子和余甘子的本草考证[J]. 中草药，2001，32（4）：355-357.

[6] 陈建南，徐鸿华.诃子的产地和品种考证[J].中药材，1996，19（10）：533-535.

[7] 丁  岗，陆蕴如，冀春茹，等.诃子的薄层色谱鉴别[J].北京中医药大学学报，2001，24（1）：45-46.

[8] 尹春梅，韩世柳，田成旺，等.诃子HPLC指纹图谱及模式识别研究[J].中草药，2010，41（9）：1467-1469.

[9] 尼  珍，胡昌勤，冯  芳.近红外光谱分析中光谱预处理方法的作用及其发展[J].药物分析杂志，2008，28（5）：824-829.

[10] 李丹婷，张长江，汪  劲.基于小波变换的红外光谱分析[J].光谱学与光谱分析，2006，26（11）：2024-2026.

[11] 李梦龙，康 彬，戚华溢.红外光谱小波压缩性能的评价[J].高等学校化学学报，2002，23（7）：1281-1284.

[12] 曹红翠，吴启勋.中药甘草中微量元素的主成分分析和系统聚类分析[J].甘肃联合大学学报（自然科学版），2010，24（2）：61-63.endprint

1  诃子红外光谱分析

1.1  材料

本研究选用40个不同产地的诃子样品，采自国内云南、广西、广东、西藏等地区及国外缅甸、印度等地。经青海藏医药研究所库进良研究员鉴定为使君子科植物诃子或绒毛诃子的干燥成熟果实即诃子。样品来源见表1，将采集的干果置于普通干燥箱内60 ℃干燥至恒重，取出用微型植物粉碎机粉碎装袋密封备用。

1.2  仪器及药品

仪器：IRPrestge-21型傅里叶变换红外光谱仪，购自日本岛津公司，分辨率为0.5～1.0 cm，信噪比为40 000∶1。检测器采用新型高灵敏度DLATGS检测器，可实现FTIR分析的高灵敏度和良好的稳定性。

药品：光谱纯溴化钾购自天津天光光学仪器有限公司。

1.3  不同产地诃子红外光谱测定

取已烘干至恒重粉碎的诃子样品，过100目筛，并取1 mg过筛后的诃子粉与100 mg光谱纯的溴化钾在研钵中混合均匀后压片，用IRPrestge-21型傅里叶变换红外光谱仪测定红外光谱。测定范围4 000～400 cm-1，扫描信号累加16次，分辨率4 cm-1。为了降低误差，谱图基线采用仪器自带软件自动进行多点基线校正和平滑处理。每个样品平行测定3次，取其平均值作为该样品的原始光谱，得到不同产地诃子的红外光谱数据及图像（图1）。

2  人工神经网络建模

2.1  常规红外光谱的预处理

采用标准正态变换、多元散射校正等常规红外光谱的预处理方法[9]，对诃子红外光谱进行了预处理。虽然能够校正因散射而引起的光谱误差，但总体上看，变换后消噪并不理想，也不能用于光谱数据压缩，效果有限。

2.2  红外光谱的小波变换预处理

本研究将小波变换用于诃子红外光谱的降噪和压缩[10]，均在在MATLAB小波工具箱下通过编程实现。采用均方根误差RMS评价小波信号降噪和压缩性能[11]：

RMS=■■（A■■-A■■）2■

其中，A■■为降噪或压缩后数据重构光谱第k波长的吸光度，A■■为原始光谱第k波长的吸光度。原始信号与消噪或压缩信号的均方根误差RMS越小，则消噪或压缩信号就越接近于原始信号，消噪或压缩效果越好。

通过对常用小波基函数的筛选，选取高阶正交紧支集Daubechies（db5）小波作为小波变换的母函数，因为支集长度太短不消失矩太低，不利于信号能量的集中;而支集太长，通常会产生边界问题，不利于消噪，选阶数N=5是合适的。wmaxlev函数确定小波分解时的最高分解层数（本研究选定的层数N=3），采用thselect函数对比分析4种不同的小波阈值降噪模型对光谱数据进行降噪的效果（RMS评价），确定采用启发式SURE（heursure）方法获取阈值，然后对光谱信号从第一层到第N层的高频系数进行阈值量化处理。实际小波变换后，原始信号消噪与压缩信号的均方根误差RMS很小，平均达到10-6～10-5数量级，与光谱分析误差相当，表明降噪、压缩效果良好。光谱经压缩，数据长度由1 868压缩至241，为原始数据的1/8。小波变换重构后的压缩数据，消去了噪声，但仍保留了原始光谱数据的信息（图2），可以用于人工神经网络方法鉴别诃子产地。

2.3  人工神经网络建模

2.3.1  诃子红外光谱的系统聚类分析  从诃子小波降噪和压缩后的样品红外光谱数据矩阵标准化后的数据出发，选定标准化欧氏距离（seuclidean）作为样品相似性的测度，采用离差平方和（ward）法作为类与类之间的距离，应用MATLAB编程，作系统聚类分析。结果表明，30个样品明显聚为4类（国外的4个样品归入到国内的产地类别）。其中，8个云南主产地诃子样品和2个缅甸样品、8个广西诃子样品分别聚为一类，广东、西藏和印度诃子样品也分别聚为一类，但样品之间分类有交叉，其中有两个广东样品，落入西藏类别。因此拟采用分类准确度高的人工神经网络建立产地鉴别模型。

2.3.2  人工神经网络建模  尽管对样品红外光谱进行了压缩，但每个样品仍然有241个数据，不宜直接作为人工神经网络的输入数据，可采用主成分分析压缩数据[12]。以诃子小波降噪和压缩后的红外光谱数据矩阵标准化后的数据作主成分分析。前3个主成分方差累积贡献达98.054%（λ1=161.52，λ2= 67.277，λ3=7.517 2），即取前3个主成分就能保留原红外光谱数据矩阵的98.054%信息。因涉及多产地鉴别，选用以分类见长的概率神经网络进行诃子产地的鉴别。MATLAB神经网络工具箱中newpnn函数可以方便地创建概率神经网络。

主要网络参数如下：网络结构3-30-4，即输入神经元3个，对应于诃子训练样品的前3个主成分，隐层30个神经元，对应诃子训练样品个数，输出层神经元4个，对应诃子样品的类别，以1.0代表云南诃子样品，2.0代表广西诃子样品，以3.0代表广东诃子样品，4.0代表西藏诃子样品。2个缅甸样品划分为云南1.0类别，2个印度样品划分为西藏4.0类别。隐层的传递函数是径向基函数（radbas），输出层为竞争层，竞争传递函数compet的功能是找出隐层径向基传递函数中各元素的最大值，并且使与最大值对应类别的神经元输出为1，其他类别的神经元输出为0。

3  小结

以测定的不同产地诃子红外光谱为研究对象，采用小波变换技术，均方根误差RMS作为降噪与压缩性能评价指标，对红外光谱进行了消噪和压缩，小波变换重构后的压缩数据，既保持了原红外光谱的特征，又有效地减少了光谱变量。据此结合概率神经网络建立了不同诃子产地鉴别模型。该网络模型对产地鉴别预测效果很好，能鉴别诃子主产地或伪劣诃子，正确识别率达到100%。红外光谱结合适当的化学计量学如人工神经网络方法，具有制样简单方便、测定快捷、谱图准确、重现性好等优点，适合大量样品的快速鉴别研究，有一定的可靠性和实用性，从而为诃子分类鉴别、质量控制提供了新的适用方法，也为鉴别其他中草药提供了思路。

参考文献：

[1] 中华人民共和国卫生部药典委员会.中华人民共和国药典（一部）[M].北京：化学工业出版社，2005.129.

[2] 周同惠.纸色谱和薄层色谱[M].北京：科学出版社，1989.

[3] 王金华，孙芳云，杜冠华.诃子的药理作用研究进展[J].中国民族医药志，2006，12（6）：45-47.

[4] 颜玉贞，谢培山，宋力飞，等.西青果药材及提取物液相指纹图谱的应用研究[J].中成药，2004，26（8）：6066-6071.

[5] 周 宁，彭富全.中藏药中诃子、毛诃子和余甘子的本草考证[J]. 中草药，2001，32（4）：355-357.

[6] 陈建南，徐鸿华.诃子的产地和品种考证[J].中药材，1996，19（10）：533-535.

[7] 丁  岗，陆蕴如，冀春茹，等.诃子的薄层色谱鉴别[J].北京中医药大学学报，2001，24（1）：45-46.

[8] 尹春梅，韩世柳，田成旺，等.诃子HPLC指纹图谱及模式识别研究[J].中草药，2010，41（9）：1467-1469.

[9] 尼  珍，胡昌勤，冯  芳.近红外光谱分析中光谱预处理方法的作用及其发展[J].药物分析杂志，2008，28（5）：824-829.

[10] 李丹婷，张长江，汪  劲.基于小波变换的红外光谱分析[J].光谱学与光谱分析，2006，26（11）：2024-2026.

[11] 李梦龙，康 彬，戚华溢.红外光谱小波压缩性能的评价[J].高等学校化学学报，2002，23（7）：1281-1284.

[12] 曹红翠，吴启勋.中药甘草中微量元素的主成分分析和系统聚类分析[J].甘肃联合大学学报（自然科学版），2010，24（2）：61-63.endprint

1  诃子红外光谱分析

1.1  材料

本研究选用40个不同产地的诃子样品，采自国内云南、广西、广东、西藏等地区及国外缅甸、印度等地。经青海藏医药研究所库进良研究员鉴定为使君子科植物诃子或绒毛诃子的干燥成熟果实即诃子。样品来源见表1，将采集的干果置于普通干燥箱内60 ℃干燥至恒重，取出用微型植物粉碎机粉碎装袋密封备用。

1.2  仪器及药品

仪器：IRPrestge-21型傅里叶变换红外光谱仪，购自日本岛津公司，分辨率为0.5～1.0 cm，信噪比为40 000∶1。检测器采用新型高灵敏度DLATGS检测器，可实现FTIR分析的高灵敏度和良好的稳定性。

药品：光谱纯溴化钾购自天津天光光学仪器有限公司。

1.3  不同产地诃子红外光谱测定

取已烘干至恒重粉碎的诃子样品，过100目筛，并取1 mg过筛后的诃子粉与100 mg光谱纯的溴化钾在研钵中混合均匀后压片，用IRPrestge-21型傅里叶变换红外光谱仪测定红外光谱。测定范围4 000～400 cm-1，扫描信号累加16次，分辨率4 cm-1。为了降低误差，谱图基线采用仪器自带软件自动进行多点基线校正和平滑处理。每个样品平行测定3次，取其平均值作为该样品的原始光谱，得到不同产地诃子的红外光谱数据及图像（图1）。

2  人工神经网络建模

2.1  常规红外光谱的预处理

采用标准正态变换、多元散射校正等常规红外光谱的预处理方法[9]，对诃子红外光谱进行了预处理。虽然能够校正因散射而引起的光谱误差，但总体上看，变换后消噪并不理想，也不能用于光谱数据压缩，效果有限。

2.2  红外光谱的小波变换预处理

本研究将小波变换用于诃子红外光谱的降噪和压缩[10]，均在在MATLAB小波工具箱下通过编程实现。采用均方根误差RMS评价小波信号降噪和压缩性能[11]：

RMS=■■（A■■-A■■）2■

其中，A■■为降噪或压缩后数据重构光谱第k波长的吸光度，A■■为原始光谱第k波长的吸光度。原始信号与消噪或压缩信号的均方根误差RMS越小，则消噪或压缩信号就越接近于原始信号，消噪或压缩效果越好。

通过对常用小波基函数的筛选，选取高阶正交紧支集Daubechies（db5）小波作为小波变换的母函数，因为支集长度太短不消失矩太低，不利于信号能量的集中;而支集太长，通常会产生边界问题，不利于消噪，选阶数N=5是合适的。wmaxlev函数确定小波分解时的最高分解层数（本研究选定的层数N=3），采用thselect函数对比分析4种不同的小波阈值降噪模型对光谱数据进行降噪的效果（RMS评价），确定采用启发式SURE（heursure）方法获取阈值，然后对光谱信号从第一层到第N层的高频系数进行阈值量化处理。实际小波变换后，原始信号消噪与压缩信号的均方根误差RMS很小，平均达到10-6～10-5数量级，与光谱分析误差相当，表明降噪、压缩效果良好。光谱经压缩，数据长度由1 868压缩至241，为原始数据的1/8。小波变换重构后的压缩数据，消去了噪声，但仍保留了原始光谱数据的信息（图2），可以用于人工神经网络方法鉴别诃子产地。

2.3  人工神经网络建模

2.3.1  诃子红外光谱的系统聚类分析  从诃子小波降噪和压缩后的样品红外光谱数据矩阵标准化后的数据出发，选定标准化欧氏距离（seuclidean）作为样品相似性的测度，采用离差平方和（ward）法作为类与类之间的距离，应用MATLAB编程，作系统聚类分析。结果表明，30个样品明显聚为4类（国外的4个样品归入到国内的产地类别）。其中，8个云南主产地诃子样品和2个缅甸样品、8个广西诃子样品分别聚为一类，广东、西藏和印度诃子样品也分别聚为一类，但样品之间分类有交叉，其中有两个广东样品，落入西藏类别。因此拟采用分类准确度高的人工神经网络建立产地鉴别模型。

2.3.2  人工神经网络建模  尽管对样品红外光谱进行了压缩，但每个样品仍然有241个数据，不宜直接作为人工神经网络的输入数据，可采用主成分分析压缩数据[12]。以诃子小波降噪和压缩后的红外光谱数据矩阵标准化后的数据作主成分分析。前3个主成分方差累积贡献达98.054%（λ1=161.52，λ2= 67.277，λ3=7.517 2），即取前3个主成分就能保留原红外光谱数据矩阵的98.054%信息。因涉及多产地鉴别，选用以分类见长的概率神经网络进行诃子产地的鉴别。MATLAB神经网络工具箱中newpnn函数可以方便地创建概率神经网络。

主要网络参数如下：网络结构3-30-4，即输入神经元3个，对应于诃子训练样品的前3个主成分，隐层30个神经元，对应诃子训练样品个数，输出层神经元4个，对应诃子样品的类别，以1.0代表云南诃子样品，2.0代表广西诃子样品，以3.0代表广东诃子样品，4.0代表西藏诃子样品。2个缅甸样品划分为云南1.0类别，2个印度样品划分为西藏4.0类别。隐层的传递函数是径向基函数（radbas），输出层为竞争层，竞争传递函数compet的功能是找出隐层径向基传递函数中各元素的最大值，并且使与最大值对应类别的神经元输出为1，其他类别的神经元输出为0。

3  小结

以测定的不同产地诃子红外光谱为研究对象，采用小波变换技术，均方根误差RMS作为降噪与压缩性能评价指标，对红外光谱进行了消噪和压缩，小波变换重构后的压缩数据，既保持了原红外光谱的特征，又有效地减少了光谱变量。据此结合概率神经网络建立了不同诃子产地鉴别模型。该网络模型对产地鉴别预测效果很好，能鉴别诃子主产地或伪劣诃子，正确识别率达到100%。红外光谱结合适当的化学计量学如人工神经网络方法，具有制样简单方便、测定快捷、谱图准确、重现性好等优点，适合大量样品的快速鉴别研究，有一定的可靠性和实用性，从而为诃子分类鉴别、质量控制提供了新的适用方法，也为鉴别其他中草药提供了思路。

参考文献：

[1] 中华人民共和国卫生部药典委员会.中华人民共和国药典（一部）[M].北京：化学工业出版社，2005.129.

[2] 周同惠.纸色谱和薄层色谱[M].北京：科学出版社，1989.

[3] 王金华，孙芳云，杜冠华.诃子的药理作用研究进展[J].中国民族医药志，2006，12（6）：45-47.

[4] 颜玉贞，谢培山，宋力飞，等.西青果药材及提取物液相指纹图谱的应用研究[J].中成药，2004，26（8）：6066-6071.

[5] 周 宁，彭富全.中藏药中诃子、毛诃子和余甘子的本草考证[J]. 中草药，2001，32（4）：355-357.

[6] 陈建南，徐鸿华.诃子的产地和品种考证[J].中药材，1996，19（10）：533-535.

[7] 丁  岗，陆蕴如，冀春茹，等.诃子的薄层色谱鉴别[J].北京中医药大学学报，2001，24（1）：45-46.

[8] 尹春梅，韩世柳，田成旺，等.诃子HPLC指纹图谱及模式识别研究[J].中草药，2010，41（9）：1467-1469.

[9] 尼  珍，胡昌勤，冯  芳.近红外光谱分析中光谱预处理方法的作用及其发展[J].药物分析杂志，2008，28（5）：824-829.

[10] 李丹婷，张长江，汪  劲.基于小波变换的红外光谱分析[J].光谱学与光谱分析，2006，26（11）：2024-2026.

[11] 李梦龙，康 彬，戚华溢.红外光谱小波压缩性能的评价[J].高等学校化学学报，2002，23（7）：1281-1284.

[12] 曹红翠，吴启勋.中药甘草中微量元素的主成分分析和系统聚类分析[J].甘肃联合大学学报（自然科学版），2010，24（2）：61-63.endprint