摘要:高木-關野模糊系統是基于若干反向傳播神經網絡（BP-ANN）組成的，它具有一些模糊邏輯特性。文章利用紅外光譜與高木．關野模糊系統相結合鑒別52種大黃樣品。并對神經網絡的隱含層個數和動量因子的影響作了討論。結果表明，用高木-關野模糊系統得到的結果比通常用的BP網絡要好。選用適當的網絡訓練參數，正確率可達到100％。該方法比常規方法更準確，比民間傳統方法更具科學性，因此是鑒別大黃的一種快速、簡便的方法。
主題詞：大黃；紅外光譜；高木-關野模糊系統
引 言
近年來，利用紅外光譜鑒別物種的研究進展很快。Naumann等研究了病原細菌的紅外光譜特征并將其用于細菌的分類鑒定。孫素琴等利用FTIR光譜法快速鑒別了6種燕窩。利用紅外光譜進行中藥材真偽的鑒定越來越受重視，如孫素琴等利用傅里葉變換紅外光譜法對種靈芝、山藥、黃芩、枸杞等植物藥材的鑒別以及藥用植物化學分類法與紅外指紋圖譜的相關性作了系統的研究；劉啟福等對虎骨及其類似品作出了紅外光譜的對比鑒別。
大黃是我國的特產，用藥歷史悠久，應用極其廣泛，與人參、熟地、附子一起并稱為臨床中藥的“四大金剛”。我國藥典收載的大黃（習稱法定大黃或大黃）來源于蓼科3種掌葉組大黃，即掌葉大黃（Rheum Palmatum L．）、藥用大黃（R．Officinale Bail1．）和唐古特大黃（R．Tanguticm Maxim．Ex Balf．）的干燥根和根莖。模糊邏輯系統是指與模糊概念和模糊邏輯有直接關系的系統。神經網絡是被相互連接起來的處理器節點矩陣，每個節點是一個神經元，這是對人大腦神經細胞的簡單近似模擬。而把模糊邏輯系統與神經網絡相結合的網絡為神經模糊網絡。常見的模糊邏輯系統有：純模糊邏輯系統；高木-關野模糊邏輯系統；具有模糊產生器和反模糊化器的模糊邏輯系統；廣義模糊邏輯系統。高木-關野模糊系統由于具有簡化推理步驟，把綜合的情況變成模糊的模型而便于處理。因此，近年來，高木-關野系統模型在許多方面得到了應用。
高木-關野模糊系統雖然已得到了很大的應用，但它對輸入空間的分割都是線性的，即輸入變量間是相互獨立的。但輸入空間是非線性分割時，有時會出現模糊規則數目急劇增多的情況。為避免這種情況，我們可采用如下的模型。
本文將紅外光譜技術與高木一關野模糊邏輯系統相結合，采用傅里葉變換中紅外分光光度計，對52種大黃樣品進行了測定和鑒別，并對神經網絡的隱含層個數和動量因子的影響作了討論。高木-關野系統采用了模糊邏輯理論，將模糊邏輯系統和神經網絡結合起來，可以更加有效地利用各種信息。因此，利用高木一關野模糊系統處理的結果比BP神經網絡會更好。
1 實驗部分
1．1 儀器與測試條件
儀器設備：傅里葉變換中紅外光譜儀為PE1730型光譜儀，DTGS檢測器。
測試條件：光譜分辨率4/cm。測量范圍：4 000～400/cm。溫度控制在22℃。
1．2 樣品來源及簡單制備
本工作選用的52個大黃樣品為不同品種和不同產地的樣品。根據我國藥典的要求我們將這些樣品分為大黃和非大黃兩類，其中25個為樣本（～25），27個為非樣本（No，26~52）。大黃樣品經干燥后粉碎成60目的粉末后直接測定。采用的測試方法為壓片法對大黃樣品進行測量，取1～2mg大黃樣品，研細，加入100～200mg的溴化鉀，在壓片機上壓成厚度為0.1mm透明的薄片進行測量。
1．3 數據的采集和處理
每個樣品在測試之前*行背景掃描，背景掃描的目的主要是減少空氣中水蒸氣和二氧化碳對測試帶來的影響。背景的掃描次數為30次。為了保證樣品數據的代表性，用紅外光對樣品掃描30次，取這30次測量的平均值。
數據處理：將測試結果轉化成ASCII碼，用另一臺計算機處理。為了減少光譜的變量，從而提高神經網絡的訓練速度，我們利用小波變換方法將二階導數NIR光譜進行壓縮。經小波縮后的光譜變量點由原來的700個減少為44個。利用小波變換數據壓縮技術既能地減少數據的變量數目，又能保持原光譜的特征。為了更好地對大黃樣品的紅外光譜圖進行觀察和比較，我們對所測得數據進行歸一化處理。因為紅外吸收峰的強度一方面取決于鍵的極性，極性越強，紅外吸收峰就越強；另一方面還和被測物質的量有關，在這一點上符合朗伯一比爾定律，即被測樣品的含量越高，吸光度越強，透光率越低。進行歸一化處理，避免了由于被測樣品的量的多少對吸收峰強弱的影響。經過歸一化處理后繪制出來的紅外光譜圖能夠更好的反映出不同產地不同年限的大黃的光譜差別。本工作使用高木一關野模糊系統建立大黃樣品的分類模型。
為了簡化計算步驟，本工作首先使用Matlab 5．0（Mathworks，Inc．，USA）的內部函數Appcoef進行一維小波變換，對光譜進行壓縮。然后用高木-關野模糊系統建立大黃樣品的分類模型。該模糊系統是由3個子BP神經網絡組成的（NNmf，NN1，NN2）。其中NNmf用于給出每條分類規則的適用度，NN1和NN2用于表示分類規則的函數。高木-關野模糊邏輯系統的計算程序由本實驗室用Matlab編制。
2 結果與討論
2．1 隱含層神經元的影響
高木-關野模糊系統實際上是在BP神經網絡的基礎上構建的。在這項實驗中，由三層BP神經網絡組成了高木-關野模糊系統（NNmf，NN。，NN2）。網絡決定了系統。因此，我們也需要考察隱含層神經元的影響，從中找出*的隱含層神經元。我們用預測標準誤差SEP（Standard Error of Prediction）來評價網絡的預測性能。我們可以看出，不同的隱含層神經元個數對于網絡有不同的影響。而不同的隱含層神經元個數對于網絡的SEP有較大的影響。因此，我們通過SEP來調節隱含層神經元的個數。從中我們可以得出，當NNmf網絡的隱含層神經元個數為8時，其SEPzui小，為1.7883，因此，NNm網絡的隱含層神經元個數*為8。從中可看出，當NN1網絡的隱含層神經元個數為4時，其SEPzui小，為1.9657，因此，NN1網絡的隱含層神經元個數*為4。從中可知，當NN2網絡的隱含層神經元個數為1時，其SEPzui小，為1.9702，因此，NN2網絡的隱含層神經元個數*為1。
2．2 動量因子的影響
動量因子是影響網絡訓練速度和收斂性的一個重要參數。因此，我們通過SEP來調節不同網絡的動量因子，以使其達到*。我們可以看出，不同的動量因子對于網絡有不同的SEP。相對于隱含層神經元個數對網絡的影響，動量因子的影響要小一些，隨著動量因子的變化比較平穩。我們可以看出，NNmt，NN1，NN2網絡的*動量因子為0.8，0.7，0.9。調節動量因子，可以使我們找到zui高的識別正確率，但是如果動量因子太大了，BP網絡就不能收斂了。
2．3 鑒別大黃和非大黃樣品
在這項實驗中，我們通過神經網絡構成的高木-關野模糊系統鑒別大黃樣品，大黃的期望輸出值為1.0，非大黃的期望輸出值為0.0。
從輸出結果可以看出，所有的樣品都能很好的鑒別出來。但是，我們通過BP網絡鑒別的結果中，第30個樣品被錯誤識別。第30個樣品的輸出結果為0.9936。采用高木-關野系統后，這個樣品也能夠很好的識別出來。第30個樣品的輸出結果為0.0032。相對于BP神經網絡，高木-關野模糊系統的識別正確率明顯提高。高木-關野模糊系統是在神經網絡的基礎上，把三層神經網絡組合成一個系統來進行鑒別。因此，它可以更好的識別大黃和非大黃。識
別正確率為100％，比BP-ANN的識別結果要好。
3 結論
中草藥質量的全面控制是一項涉及多方面、多學科的綜合性研究課題，只有采用各種鑒別和檢測手段才能保證中草藥的質量安全可靠。利用紅外光譜與高木一關野模糊邏輯系統相結合進行中藥大黃的鑒別，紅外光譜可以無損大黃樣品。識別中正確率為100％。該法快速、準確、簡便，具有較強的預測能力，用它可以鑒別中藥大黃。
參 考 文 獻
[1] Naumann D．Fourier and Computerized Infared Spectroscopy，1985，533：268．
[2] Naumann D et a1．J．Molecular Structure，1988，174：165．