陳桂芬，王英豪，王　興

(1.福建中醫(yī)藥大學(xué)　a.管理學(xué)院; b.藥學(xué)院， 福州　350122； 2.福建師范大學(xué) 軟件學(xué)院，福州　350108)

?

基于主成分分析與BP神經(jīng)網(wǎng)絡(luò)的桑椹黃酮提取含量建模研究

陳桂芬1a，王英豪1b，王興2

(1.福建中醫(yī)藥大學(xué)a.管理學(xué)院; b.藥學(xué)院， 福州350122； 2.福建師范大學(xué) 軟件學(xué)院，福州350108)

摘要：目前桑椹提取黃酮含量研究主要采用人工測量的方法，對其進行有效的預(yù)測較為困難。將主成分分析與BP神經(jīng)網(wǎng)絡(luò)結(jié)合建立科學(xué)、快速的桑椹黃酮提取含量預(yù)測模型。實測影響桑椹黃酮提取含量的4個因素組成數(shù)據(jù)樣本，對該樣本進行主成分分析，提取出影響桑椹黃酮提取含量的3個主成分，以這3個主成分數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)進行訓(xùn)練，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對桑椹黃酮提取含量進行預(yù)測。結(jié)果表明：該模型具有較高的預(yù)測精度，利用主成分分析和BP神經(jīng)網(wǎng)絡(luò)對桑椹黃酮提取含量進行預(yù)測以及檢測是行之有效的。

關(guān)鍵詞：桑椹； 黃酮；提取含量；主成分分析； BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模仿生物大腦的信息處理方法，具有強大的非線性函數(shù)映射功能[1]，因其廣泛的適應(yīng)能力、映射能力和學(xué)習(xí)能力， 在非線性多變量系統(tǒng)的建模方面有著廣泛的應(yīng)用。誤差反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣、最經(jīng)典的一種神經(jīng)網(wǎng)絡(luò)[2]。目前已有學(xué)者將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于中醫(yī)藥的研究，文獻[3]將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于基于舌診的八綱辨證診斷；文獻[4] 將概率神經(jīng)網(wǎng)絡(luò)應(yīng)用于中醫(yī)脈象識別；文獻[5]建立抗衰老中藥藥效與其性味歸經(jīng)之間關(guān)系的BP神經(jīng)網(wǎng)絡(luò)模型。雖然人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)藥的應(yīng)用研究不少，但是其應(yīng)用于中藥成分提取含量的研究相對較少。主成分分析法( principle component analysis， PCA )是一種將數(shù)據(jù)進行降維的方法，與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，能夠簡化網(wǎng)絡(luò)結(jié)構(gòu)，使網(wǎng)絡(luò)得到較高的精度，提高建模質(zhì)量[6]。

?？盀樯？浦参锷orusalbaL.的干燥果穗，性味甘寒，具有生津潤腸、補肝益腎、烏發(fā)明目等功效。?？百Y源豐富，可藥食兩用，含有豐富的黃酮類物質(zhì)。黃酮類物質(zhì)有很高的藥用價值，具有抗氧化、抗癌、抗血管增生、消炎、抗變應(yīng)性和抗病毒等功效[7-8]。對于從桑椹提取黃酮這一研究工作，人們通常采用人工測量的方法，由于提取工藝受到很多因素的影響，比如提取的濃度、超聲波的時間、溫度等，并且提取工藝操作過程復(fù)雜，研究工作量大，在提取工藝操作有誤時，很難進行有效的快速檢測。同時在研究過程中，由于對提取工藝的結(jié)果無法預(yù)測，導(dǎo)致大量的工藝操作提取率低。因此，需要通過一種快速、科學(xué)的方法對提取工藝和提取結(jié)果進行有效的檢測。本文的研究基于主成分分析與BP神經(jīng)網(wǎng)絡(luò)桑椹黃酮提取含量預(yù)測模型，這是由于模型的預(yù)測精度較高，能實現(xiàn)有效的檢測和預(yù)測。

1桑椹黃酮提取實驗材料與方法

1.1試藥與儀器

蘆丁對照品(批號10080-200707，中國食品藥品檢定研究院)； Al(NO3)3、NaOH、NaNO2、NaH2PO4、NaHCO3、C2H4OH等為分析純；所用藥材?？?批號為20120915的，產(chǎn)地福建省尤溪縣)購置于福建中醫(yī)藥大學(xué)國醫(yī)堂。

DV215CD型十萬分之一電子天平(美國奧豪斯公司)；KQ-500E型超聲微波清洗器(昆山超聲儀器有限公司)；LC-20A型高效液相色譜儀(日本島津公司)；UV 9100型紫外-可見分光光度計(北京瑞利分析儀器公司)；RE-52型旋轉(zhuǎn)蒸發(fā)儀(上海亞榮生化儀器廠)；HH-4型數(shù)顯恒溫水浴鍋(國華電器有限公司)；DHG-9240型電熱恒溫鼓風(fēng)干燥箱(上海精宏實驗設(shè)備有限公司)；TDL80-2B型低速離心機(上海安亭科學(xué)儀器廠)。

1.2溶液配制

磷酸鹽緩沖液(PBS， pH值6.8)配置:1 L雙蒸水中溶入15.6 g的 NaH2PO4、1.9 g 的NaOH。對照品溶液配置：稱取蘆丁對照品5.2 mg置于25 mL量瓶中，加70%C2H4OH溶解稀釋至刻度后搖勻，得到0.208 mg/mL蘆丁對照品溶液。

1.3黃酮含量測定

參考文獻[9]方法。在25 mL容量瓶中分別精密吸取0.5,1.0,2.0,4.0,8.0 mL蘆丁對照品液，加入70%的C2H4OH至10 mL，再加入0.7 mL的 5% NaNO2并搖勻，放置6 min，再加入0.7 mL 的10% Al(NO3)3并搖勻，放置6 min，再加入5.5 mL的 4%NaOH，用70%C2H5O定容至刻度，搖勻，放置15 min后，以70%C2H4OH作為參比溶液，吸光度測定值為510 nm波長處。在本實驗中選取料液比、乙醇濃度、超聲時間、超聲溫度關(guān)鍵因素作為提取條件，通過吸光度值求得黃酮含量。實驗總共采集了52組有效數(shù)據(jù)，部分實驗結(jié)果如下表1所示。

2主成分分析法

主成分分析的基本思想是通過降維，將多個相互關(guān)聯(lián)的數(shù)值指標轉(zhuǎn)化為少數(shù)幾個互不相關(guān)的綜合指標的統(tǒng)計方法，這些綜合后的指標就是原理多指標的主要成分。主成分分析基本原理如下：

表1　桑椹黃酮提取部分實驗結(jié)果

假設(shè)對某問題研究涉及p項指標x1,x2,…,xp，則原始數(shù)據(jù)構(gòu)成的p維向量為x=(x1,x2,…,xp)′。通常，問題研究涉及的指標具有不同的數(shù)量級和量綱，要消除這些指標造成的不合理影響，在主成分分析之前先標準化原始數(shù)據(jù)，即：

(1)

數(shù)據(jù)經(jīng)過式(1)標準化后的矩陣用x表示，即將x=(x1,x2,…,xp)′的p個指標綜合成p個新指標，新的綜合指標可由原來的指標x1,x2,…,xp線性表示，即：

(2)

1)yj與yij(i≠j;i,j=1,2,…,p)相互無關(guān)；

2)y1為x1,x2,…,xp一切線性組合中方差最大者；y2為與y1不相關(guān)的x1,x2,…,xp所有線性組合中最大方差者；yp為y1,y2,…,yp-1都不相關(guān)的x1,x2,…,xp所有線性組合中最大方差者。新指標y1,y2,…,yp分別為原指標的第1，第2，…第p個主成分。主成分個數(shù)的選擇取決于主成分的累積方差貢獻率，通常方差貢獻率的取值以 80%為宜[6]。

3BP神經(jīng)網(wǎng)絡(luò)

3.1BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)，該算法由正向傳播和反向傳播兩個過程構(gòu)成。正向傳播時，傳播方向為輸入層→隱層→輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出，則轉(zhuǎn)向誤差信號的反向傳播流程。通過這兩個過程的交替進行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達到最小值，從而完成信息提取和記憶過程。圖1給出了典型的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖1　3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.2BP神經(jīng)網(wǎng)絡(luò)模型[10]

BP神經(jīng)網(wǎng)絡(luò)模型包括輸出模型、作用函數(shù)模型、誤差計算模型和學(xué)習(xí)模型。

1) 節(jié)點輸出模型

隱節(jié)點輸出模型為：

(3)

輸出節(jié)點輸出模型：

(4)

其中：f為非線性作用函數(shù)；q為神經(jīng)單元閾值。

2) 作用函數(shù)模型

作用函數(shù)是反映下層對上層節(jié)點刺激脈沖強度的函數(shù)，又稱刺激函數(shù)，一般常用的如tansig函數(shù)：

(5)

3) 誤差計算模型

誤差計算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計算輸出之間誤差大小的函數(shù)：

(6)

其中：tpi為節(jié)點的期望輸出值；Opi為節(jié)點計算輸出值。

4) 自學(xué)習(xí)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，即連接下層節(jié)點和上層節(jié)點之間的權(quán)重矩陣Wij的設(shè)定和誤差修正過程。BP網(wǎng)絡(luò)有師學(xué)習(xí)方式的自學(xué)模型為：

(7)

其中：h為學(xué)習(xí)因子；φi為輸出節(jié)點i的計算誤差；Oj為輸出節(jié)點j的計算輸出；α為動量因子。

4桑椹黃酮提取含量的主成分分析與BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型

主成分分析具有降低數(shù)據(jù)相關(guān)性和降低數(shù)據(jù)維數(shù)的功能，神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測功能，將二者組合用于桑椹黃酮提取含量預(yù)測可以充分發(fā)揮各自優(yōu)勢，提高預(yù)測效率和精度，結(jié)合模型見圖2。

圖2　主成分分析與BP神經(jīng)網(wǎng)絡(luò)組合模型

4.1相關(guān)性分析

采用SPSS18.0軟件進行黃酮含量提取因素相關(guān)性分析。輸入因素為：料液比、乙醇濃度、超聲時間、超聲溫度。輸出因素為：黃酮含量。對輸入因素數(shù)據(jù)進行Pearson相關(guān)系數(shù)檢驗，檢驗矩陣見表2。從表2可以看出，存在相關(guān)程度較強的輸入因素，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的精度必定會受此影響。 因此，對輸入數(shù)據(jù)進行主成分分析是有必要的。

表2　含量提取各因素的Pearson相關(guān)系數(shù)矩陣

4.2主成分分析

由于料液比、乙醇濃度、超聲時間、超聲溫度量綱不同，數(shù)據(jù)差異大，在進行主成分分析之前，對輸入因素數(shù)據(jù)利用式(1)進行標準化處理。數(shù)據(jù)標準化后，利用SPSS中的主成分分析功能對這些數(shù)據(jù)進行分析，特征值及累計方差貢獻率見表3，主成分因子荷載矩陣見表4。

表3　特征值及累計方差貢獻率

表4　主成分因子荷載矩陣

從表3可知：前3個成分累計方差貢獻率為85%，符合主成分的累計方差貢獻率達到80%的要求。因此，前3個成分可以代表原始變量的絕大部分信息。表4給出了原始變量與各因子Y1、Y2和Y3之間的關(guān)系，根據(jù)表4寫出因子表達式：

Y1=0.428X1-0.389X2+0.286X3+0.370X4

Y2=-0.199X1+0.406X2+0.970X3-0.092X4

Y3=-0.169X1+0.590X2-0.191X3+0.964X4

根據(jù)以上因子表達式對標準化后的數(shù)據(jù)進行主成分分析計算，部分主成分分析結(jié)果數(shù)據(jù)見表5。

表5　部分主成分分析結(jié)果數(shù)據(jù)

4.3BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計、預(yù)測與分析

本文利用Matlab2010b軟件提供的函數(shù)工具及神經(jīng)網(wǎng)絡(luò)工具箱建立BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)模型的建立包括以下3個步驟：

1) 確定網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)結(jié)構(gòu)主要包括網(wǎng)絡(luò)的層數(shù)和每層的神經(jīng)元個數(shù)即節(jié)點數(shù)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、若干個隱含層和輸出層構(gòu)成。理論上已經(jīng)證明，具有一個隱含層的3層BP神經(jīng)網(wǎng)絡(luò)可以逼近在閉區(qū)間內(nèi)的任何連續(xù)函數(shù)，因而可完成任意m維到n維的映射，因此本文采用含一個隱含層的3層BP神經(jīng)網(wǎng)絡(luò)對桑椹黃酮提取含量建模。輸入、輸出節(jié)點個數(shù)的確定與樣本的實際應(yīng)用相關(guān)。將主成分分析后得到的數(shù)據(jù)Y1、Y2和Y3作為輸入變量，黃酮含量作為輸出變量，即該模型輸入層節(jié)點數(shù)為3，輸出層節(jié)點數(shù)為1。隱含層節(jié)點數(shù)個數(shù)可以通過以下公式進行確定[11]：

(8)

其中：K為隱含層節(jié)點數(shù)個數(shù)；m為輸入節(jié)點數(shù)；n為輸出節(jié)點數(shù)；l為1～10之間的常數(shù)。為達到最優(yōu)預(yù)測性能，經(jīng)過多次測試后，最佳隱含層節(jié)點數(shù)K=10， 收斂速度最快。

2) 確定訓(xùn)練樣本和測試樣本。將經(jīng)過主成分分析所得的52組樣本數(shù)據(jù)集分成1～47組作為訓(xùn)練樣本子集，48～52組作為測試樣本子集。

3) 將訓(xùn)練樣本進行網(wǎng)絡(luò)訓(xùn)練，利用訓(xùn)練后的網(wǎng)絡(luò)進行測試。進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，將樣本數(shù)據(jù)進行歸一化到[0， 1]范圍內(nèi)。用1～47組樣本子集作為訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對48～52組樣本子集進行黃酮提取含量預(yù)測。隱含層傳遞函數(shù)為tansig，網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainrp(彈性梯度下降法)，輸出層傳遞函數(shù)為purelin。訓(xùn)練過程中的參數(shù)選取為：最大訓(xùn)練迭代次數(shù)為10 000，訓(xùn)練目標為0.001，訓(xùn)練性能曲線如圖3所示。預(yù)測結(jié)果見表6，PCA-BP網(wǎng)絡(luò)預(yù)測最大相對誤差為3.98%，BP網(wǎng)絡(luò)預(yù)測相對誤差最大為10.98%，最小為8.03%。由此可見，使用PCA-BP網(wǎng)絡(luò)模型具有較高的預(yù)測精度，且明顯優(yōu)于未經(jīng)主成分分析的BP網(wǎng)絡(luò)。

圖3　神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能曲線

編號真實值預(yù)測值BP網(wǎng)絡(luò)相對誤差%PCA-BP網(wǎng)絡(luò)相對誤差/%4813.57715.06810.9814.1173.984912.02512.9918.0312.2101.545015.40513.9829.2414.8723.465116.39517.6287.5216.8802.965217.10915.6448.5616.6762.53

5結(jié)論

中藥提取工藝過程十分復(fù)雜，受到很多因素影響，對其進行有效的預(yù)測和檢測較為困難。本研究選取4種影響桑椹黃酮提取的關(guān)鍵因素，利用BP神經(jīng)網(wǎng)絡(luò)模型對提取含量進行預(yù)測，為了提高其預(yù)測的精度，利用主成分分析進行降維，減少影響桑椹黃酮提取含量的冗余因素，用所得的3個主成分因素建立BP模型。由仿真實驗得到，5組檢驗樣本的中相對誤差最大值為3.98%，該模型預(yù)測精度較高，對桑椹黃酮提取含量的預(yù)測是行之有效的。通過該模型所預(yù)測的結(jié)果一方面可快速檢測在提取工藝操作中所產(chǎn)生的失誤，另一方面對預(yù)測提取含量較低的結(jié)果可控制其提取工藝操作。本模型的研究將為檢測和控制中藥有效成分的提取工藝提供一種新的思路，具有廣泛的應(yīng)用前景。

[1]GOVINDARAJU R S.Artificial Neural Networks in Hydrology.I:Preliminary oncepts[J].Journal of Hydrologic Engineering,2015,5(2):115-123.

[2]YU F，XU X.A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network[J].Applied Energy,2014,134(134):102-113.

[3]施明輝，周昌樂.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)診斷中的應(yīng)用現(xiàn)狀與趨勢[J].中國中醫(yī)藥信息雜志，2007,14 (1):2.

[4]郭紅霞，王炳和，鄭思儀，等.基于概率神經(jīng)網(wǎng)絡(luò)的中醫(yī)脈象識別方法研究[J].計算機工程與應(yīng)用，2007，43(20):194-203.

[5]麥其鵬，李續(xù)娥，吳艷華，等.復(fù)方抗衰老中藥的性味歸經(jīng)與藥效的BP神經(jīng)網(wǎng)絡(luò)研究[J].中國中藥雜志，2010，35(24):3372-3376.

[6]陳建宏， 劉浪， 周智勇， 等.基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J].中南大學(xué)學(xué)報(自然科學(xué)版),2010,41(5):1967-1972.

[7]CHEN P N,CHU S C,CHIOU H L.Mulberry anthocyanins,cyanidin 3-rutinoside and cyanidin 3-glucoside,exhibited an inhibitory effect on the migration and invasion of a human lung cancer cell line[J].Cancer Letters,2006,235 (2):248-259.

[8]LIN J Y,TANG C Y.Strawberry,loquat,mulberry,and bitter melon juices exhibit prophylactic effects on LPS-induced inflammation using murine peritoneal macrophages[J].Food Chemistry,2008,107:1587-1596.

[9]王英豪，陳志春，張理平.響應(yīng)面法優(yōu)化?？包S酮超聲輔助提取工藝及對酪氨酸酶活性抑制研究[J].中國中醫(yī)藥信息雜志,2016,23(2):93-96.

[10]周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計與應(yīng)用[M].北京：清華大學(xué)出版社，2013:165.

[11]FENG C X J，GOWROSANKAR A C，SMITH A E.Practical guidelines for developing BP neural network models of measurement uncertainty data[J].Journal of Manufacturing Systems,2006,25(4):239-250.

(責(zé)任編輯何杰玲)

Research on Modeling of Flavonoids Extraction Content of Mulberry Based on Principal Component Analysis and BP Artificial Neural Networks

CHEN Gui-fen1a，WANG Ying-hao1b，WANG Xing2

(1.a.Management College; b.Medicine College,Fujian University of Traditional Chinese Medicine, Fuzhou 350122, China;2.Faculty of Software, Fujian Normal University, Fuzhou 350108, China)

Abstract:At present, determination of flavonoids extraction content of mulberry is mostly done manually, which is difficult to be predicted. A scientific and rapid prediction model was created through combining principal component analysis with BP artificial neural network. Data of 4 factors influencing the flavonoids extraction content of mulberry was obtained through experiments, and 3 principal components were extracted after principal component analysis of above data. BP artificial neural network was trained with above 3 principal components as input data, and then flavonoids extraction content of mulberry can be predicted through the trained BP artificial neural network. Experiment result shows that the prediction model has high prediction accuracy, so using principal component analysis and BP artificial neural network to predict flavonoids extraction content of mulberry is effective.

Key words:mulberry; flavonoid; extraction content; principal component analysis; BP artificial neural network

收稿日期：2016-02-23

基金項目：福建省自然科學(xué)基金資助項目(2013J01377)；福建省教育廳A類項目(JA14087)

作者簡介：陳桂芬(1978—)，女，湖北黃岡人，碩士，講師，主要從事醫(yī)學(xué)信息管理研究。

doi:10.3969/j.issn.1674-8425(z).2016.06.016

中圖分類號：R284.2

文獻標識碼：A

文章編號：1674-8425(2016)06-0096-06

引用格式：陳桂芬，王英豪，王興.基于主成分分析與BP神經(jīng)網(wǎng)絡(luò)的桑椹黃酮提取含量建模研究[J].重慶理工大學(xué)學(xué)報(自然科學(xué))，2016(6):96-101.

Citation format：CHEN Gui-fen，WANG Ying-hao，WANG Xing.Research on Modeling of Flavonoids Extraction Content of Mulberry Based on Principal Component Analysis and BP Artificial Neural Networks[J].Journal of Chongqing University of Technology(Natural Science)，2016(6):96-101.