本站小編為你精心準(zhǔn)備了LMBP神經(jīng)網(wǎng)絡(luò)分類識(shí)別參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1材料與儀器

1.1樣品來源12批穿心蓮藥材樣品由廣東省中藥研究所提供，經(jīng)廣州華南植物研究所陳炳輝研究員鑒定為穿心蓮Andrographispaniculata(Burm．f.)Nees，其中4批產(chǎn)自江西，5批來自廣東，福建3批。

1.2試劑乙腈(色譜純)，甲酸(分析純)，二次蒸餾水(自制)。

1.3儀器Agilent四元泵高效液相色譜儀、SPD210A紫外檢測器，LC210ATVP輸液泵、UV24802型紫外可見分光光度計(jì)，AR2140電子分析天平。

2方法

2.1色譜分析條件PhenomsilODS柱(250mm×4.6mm，5μm)，0.1%甲酸乙腈(A)與0.2%甲酸(B)梯度洗脫：0～20min(20%A-80%B)，20～40min(30%A-70%B)，40～55min(40%A-60%B),55～60min(85%A-15%B)。流速1.0ml/min，柱溫25。C,檢測波長254nm,進(jìn)樣量10μl,所有組分均在60min內(nèi)被洗脫。

2.2對照品溶液的制備精密稱取穿心蓮內(nèi)酯、脫水穿心蓮內(nèi)酯、新穿心蓮內(nèi)酯和脫氧穿心蓮內(nèi)酯對照品適量,用50%甲醇配制成1.0mg/ml的對照品溶液。

2.3供試品溶液的制備取各批干燥的穿心蓮藥材2.0g，粉碎，過40目，用20ml85%的乙醇回流提取兩次，2h/次，過濾，合并濾液，回收乙醇,濾液濃縮至干，再加50%甲醇使其充分溶解，置10ml量瓶中稀釋至刻度，作為供試品溶液。

2.4方法學(xué)考察

2.4.1精密度實(shí)驗(yàn)取供試品溶液(樣品1)，連續(xù)進(jìn)樣6次，各主要色譜峰的相對保留時(shí)間和相對峰面積比值的RSD均小于3.0%，表明儀器精密度良好。

2.4.2穩(wěn)定性實(shí)驗(yàn)取供試品溶液(樣品1)分別在0，1，2，4，12，24h進(jìn)樣測定，各主要色譜峰的相對保留時(shí)間和相對峰面積比值的RSD均小于3.0%，表明樣品在24h內(nèi)穩(wěn)定。

2.4.3重復(fù)性實(shí)驗(yàn)取穿心蓮藥材(樣品1)，按“2.3”項(xiàng)下的方法分別制備供試品溶液6份，進(jìn)樣檢測，結(jié)果各主要色譜峰的相對保留時(shí)間和相對峰面積比值的RSD均小于3.0%,表明方法的重復(fù)性良好。

2.5模式識(shí)別方法

2.5.1模式識(shí)別和BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別作為一個(gè)研究領(lǐng)域，迅速發(fā)展于20世紀(jì)60年代，它是一門以應(yīng)用數(shù)學(xué)為理論基礎(chǔ)，利用計(jì)算機(jī)應(yīng)用技術(shù)，解決實(shí)際分類及識(shí)別問題的學(xué)問［2］。

神經(jīng)網(wǎng)絡(luò)是一種模擬人腦功能的成熟的模式識(shí)別方法，它借鑒了人腦神經(jīng)系統(tǒng)處理信息的過程，以數(shù)學(xué)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為理論基礎(chǔ)，其中BP神經(jīng)網(wǎng)絡(luò)是迄今為止應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)［3］。

BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的學(xué)習(xí)算法，它的特點(diǎn)是同一層內(nèi)的神經(jīng)元不連接，在整個(gè)信號傳遞過程中不存在任何信號反饋；輸入層用于信號分配和傳遞，不具備運(yùn)算功能；隱含層和輸出層的神經(jīng)元具有運(yùn)算功能，可輸出最終運(yùn)算結(jié)果。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程有正向與反向兩個(gè)過程，在正向傳播過程中，輸入信息從輸入層經(jīng)過隱含層傳向輸出層，若不能得到預(yù)期輸出，則轉(zhuǎn)為反向傳播，將信號沿原來的連接通道返回并修改各層節(jié)點(diǎn)間的權(quán)值，經(jīng)過反復(fù)調(diào)試，使得誤差信號小于某個(gè)閾值或等于0，此時(shí)訓(xùn)練結(jié)束。經(jīng)過訓(xùn)練的網(wǎng)絡(luò)則可將系統(tǒng)規(guī)則、預(yù)測能力等隱含在網(wǎng)絡(luò)中，只需將測試樣本輸入則可給出處理結(jié)果。

2.5.2Levenberg-Marquardt算法改進(jìn)的BP算法BP神經(jīng)網(wǎng)絡(luò)的常規(guī)算法在實(shí)際應(yīng)用還存在一些需要改進(jìn)的問題，例如網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢，容易陷入局部極小等。而L-M算法是專門用于誤差平方和最小化的方法，它在網(wǎng)絡(luò)訓(xùn)練速度和識(shí)別精度上的具有明顯的優(yōu)勢［4］，因此本研究采用L-M算法對標(biāo)準(zhǔn)的BP算法進(jìn)行改進(jìn)。

設(shè)BP神經(jīng)網(wǎng)絡(luò)的誤差指標(biāo)函數(shù)為：

E(x)=12¶Ni=1‖Yi-Y＾i‖2=12¶Ni=1e2i(x)

其中，Yi為實(shí)際輸出向量，Y＾i為預(yù)期的輸出向量，ei(x)為誤差。

設(shè)xk表示第k次迭代的權(quán)值和閾值組成的向量，新的權(quán)值和閾值組成的向量xk+1表示為：

xk+1=xk+△x,△x=［JT(x)J(x)=μI］-1J(x)e(x)

其中，J(x)為網(wǎng)絡(luò)訓(xùn)練誤差e(x)的Jacobian矩陣，I為單位矩陣，μ>0。

L-M算法的流程：①給出訓(xùn)練誤差允許值ε，常數(shù)β和μ0，初始化權(quán)值和閾值向量k=0，μ=μ0。②計(jì)算網(wǎng)絡(luò)輸出及誤差指標(biāo)函數(shù)E(xk)。③計(jì)算Jacobian矩陣J（x)。④計(jì)算△x。⑤如果E(xk)＜¶，則轉(zhuǎn)到⑥，否則以xk+1=xk+△x為權(quán)值和閾值向量計(jì)算誤差指標(biāo)函數(shù)E(xk+1)，若E(xk+1)＜E(xk)，則令k=k+1，μ=μ/β，轉(zhuǎn)到②；否則令μ=μβ，轉(zhuǎn)到④。⑥結(jié)束。

當(dāng)μ=0時(shí)，L-M算法即高斯-牛頓法，當(dāng)μ取值很大時(shí)，則越接近梯度下降法。在實(shí)踐中，它具有二階收斂速度，所需要的迭代次數(shù)很少，既具備牛頓法的局部收斂特性，又有梯度下降算法的全局特性。因此，L-M算法提供了一種快速有效的訓(xùn)練手段，其算法計(jì)算復(fù)雜度為O(n3/6)。

2.6指紋圖譜的建立和分析

2.6.1穿心蓮的指紋圖譜按照上述方法,分別對12批穿心蓮藥材進(jìn)行分析,制作了穿心蓮藥材的HPLC指紋圖譜,并計(jì)算出其穿心蓮內(nèi)酯、脫水穿心蓮內(nèi)酯、新穿心蓮內(nèi)酯和脫氧穿心蓮內(nèi)酯的含量。

2.6.2資料預(yù)處理為消除由于數(shù)據(jù)變換的幅度和范圍以及數(shù)據(jù)分布的非正態(tài)性對結(jié)果的影響，先將原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化變換。

2.6.3LM-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練測試結(jié)果本實(shí)驗(yàn)所采用的3層LM-BP網(wǎng)絡(luò)中，輸入節(jié)點(diǎn)數(shù)為4，即原始數(shù)據(jù)經(jīng)特征提取后的4個(gè)主成分，隱含層節(jié)點(diǎn)數(shù)為4，輸出層有1個(gè)節(jié)點(diǎn)。由于目前仍無系統(tǒng)的關(guān)于中間隱層節(jié)點(diǎn)數(shù)的選取理論，經(jīng)多次實(shí)驗(yàn)比較，最終選取隱層節(jié)點(diǎn)數(shù)為4時(shí)效果比較顯著。

動(dòng)量因子和學(xué)習(xí)速率是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率和收斂度的兩個(gè)重要因素。如果學(xué)習(xí)效率和動(dòng)量因子過大則網(wǎng)絡(luò)收斂很快，但最后網(wǎng)絡(luò)發(fā)生振蕩，失去功能；如果學(xué)習(xí)效率和動(dòng)量因子太小則學(xué)習(xí)速度太慢，網(wǎng)絡(luò)性能也會(huì)受到影響。因此經(jīng)實(shí)驗(yàn)比較選擇，本網(wǎng)絡(luò)的最佳學(xué)習(xí)率為0.05，動(dòng)量因子為0.6。

由于實(shí)驗(yàn)的樣品數(shù)目較少，故采用交叉驗(yàn)證法進(jìn)行分類驗(yàn)證，也就是說將標(biāo)準(zhǔn)化變換后的每個(gè)樣本依次作為待測樣本，用剩余的其它樣本組成新的訓(xùn)練集建立學(xué)習(xí)模型，用于預(yù)測每個(gè)樣本的歸屬。

經(jīng)過LM-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可發(fā)現(xiàn)有一個(gè)穿心蓮樣品被識(shí)別錯(cuò)誤，這份來自江西的樣品被鑒別為福建的樣品，其他11個(gè)樣品的鑒別結(jié)果均正確。從總體來看，使用LM-BP網(wǎng)絡(luò)鑒別穿心蓮樣品的識(shí)別正確率達(dá)到了91.67%。