论文部分内容阅读
近红外光谱分析技术以其独特的优势,被广泛地应用于中药材分析各个领域。但是在中药材分类鉴别方面,目前相关研究存在着样品种类不全、数据可靠性范围有限等问题,有必要对一些常用药材建立相应的数据库和系统鉴别方法。同时由于中药材成分复杂,常规方法一般不易解析出其近红外光谱所蕴含信息,也不能就分类给出具体的光谱依据。为此本文对近红外光谱定性分析技术作了相关研究,为滋补中药材系统分类提供理论依据和技术支持。主要研究如下：1.研究了近红外光谱分析技术在中药材领域中的相关原理及应用,着重探讨了样本选择、光谱预处理、波长优化、定性分析等几个方面。2.建立了18种滋补中药材的主成分分析-马氏距离法、K-近邻法、人工神经网络及支持向量机的近红外光谱分类模型。结果表明K-近邻法、BP神经网络和支持向量机都是较为有效的非线性分类方法,其中支持向量机法最为有效。最小二乘支持向量机中,当取最小输出编码为多类编码,主成分个数为6,惩罚系数γ和核参数σ2分别为2.1007和1.9604时模型最佳。校正集和预测集判别率分别为95.37%和95.74%,模型有着突出的稳定性和泛化能力。3.提出了将潜在语义分析(LSA)具体应用到滋补中药材近红外光谱分析中的相关方法。给出了文本潜在语义分析模型中,词汇、文本、提问式及词汇-文本矩阵四个基本单元在近红外光谱分析模型中的相关定义。同时详细推导了计算过程及计算公式。另外还着重讨论了对模型影响较大的词汇-文本矩阵计算准则函数和吸光度强度阈值。4.通过18种滋补中药材,检验了将潜在语义分析方法运用到近红外光谱分析中的可行性和分类效果。调节建模参数λj和βj并选择潜在语义空间层数k得到的LSA分类模型,不仅不需要过多的相关预处理,分类效果也要优于KNN、BP人工神经网络和LS-SVM方法所得的效果,校正集和预测集识别率分别达到了96.85%和97.59%。5.在潜在语义分析方法基础上,统计分析得到了18种滋补中药材分类的近红外光谱依据。