LMBP神經網絡分類識別范文

本站小編為你精心準備了LMBP神經網絡分類識別參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。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，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,進樣量10μl,所有組分均在60min內被洗脫。

2.2對照品溶液的制備精密稱取穿心蓮內酯、脫水穿心蓮內酯、新穿心蓮內酯和脫氧穿心蓮內酯對照品適量,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方法學考察

2.4.1精密度實驗取供試品溶液(樣品1)，連續進樣6次，各主要色譜峰的相對保留時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穩定性實驗取供試品溶液(樣品1)分別在0，1，2，4，12，24h進樣測定，各主要色譜峰的相對保留時間和相對峰面積比值的RSD均小于3.0%，表明樣品在24h內穩定。

2.4.3重復性實驗取穿心蓮藥材(樣品1)，按“2.3”項下的方法分別制備供試品溶液6份，進樣檢測，結果各主要色譜峰的相對保留時間和相對峰面積比值的RSD均小于3.0%,表明方法的重復性良好。

2.5模式識別方法

2.5.1模式識別和BP神經網絡模式識別作為一個研究領域，迅速發展于20世紀60年代，它是一門以應用數學為理論基礎，利用計算機應用技術，解決實際分類及識別問題的學問［2］。

神經網絡是一種模擬人腦功能的成熟的模式識別方法，它借鑒了人腦神經系統處理信息的過程，以數學網絡拓撲結構為理論基礎，其中BP神經網絡是迄今為止應用最為廣泛的神經網絡［3］。

BP神經網絡是一種有監督的學習算法，它的特點是同一層內的神經元不連接，在整個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，不具備運算功能；隱含層和輸出層的神經元具有運算功能，可輸出最終運算結果。BP神經網絡的學習過程有正向與反向兩個過程，在正向傳播過程中，輸入信息從輸入層經過隱含層傳向輸出層，若不能得到預期輸出，則轉為反向傳播，將信號沿原來的連接通道返回并修改各層節點間的權值，經過反復調試，使得誤差信號小于某個閾值或等于0，此時訓練結束。經過訓練的網絡則可將系統規則、預測能力等隱含在網絡中，只需將測試樣本輸入則可給出處理結果。

2.5.2Levenberg-Marquardt算法改進的BP算法BP神經網絡的常規算法在實際應用還存在一些需要改進的問題，例如網絡學習收斂速度慢，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，它在網絡訓練速度和識別精度上的具有明顯的優勢［4］，因此本研究采用L-M算法對標準的BP算法進行改進。

設BP神經網絡的誤差指標函數為：

E(x)=12¶Ni=1‖Yi-Y＾i‖2=12¶Ni=1e2i(x)

其中，Yi為實際輸出向量，Y＾i為預期的輸出向量，ei(x)為誤差。

設xk表示第k次迭代的權值和閾值組成的向量，新的權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)為網絡訓練誤差e(x)的Jacobian矩陣，I為單位矩陣，μ>0。

L-M算法的流程：①給出訓練誤差允許值ε，常數β和μ0，初始化權值和閾值向量k=0，μ=μ0。②計算網絡輸出及誤差指標函數E(xk)。③計算Jacobian矩陣J（x)。④計算△x。⑤如果E(xk)＜¶，則轉到⑥，否則以xk+1=xk+△x為權值和閾值向量計算誤差指標函數E(xk+1)，若E(xk+1)＜E(xk)，則令k=k+1，μ=μ/β，轉到②；否則令μ=μβ，轉到④。⑥結束。

當μ=0時，L-M算法即高斯-牛頓法，當μ取值很大時，則越接近梯度下降法。在實踐中，它具有二階收斂速度，所需要的迭代次數很少，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練手段，其算法計算復雜度為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批穿心蓮藥材進行分析,制作了穿心蓮藥材的HPLC指紋圖譜,并計算出其穿心蓮內酯、脫水穿心蓮內酯、新穿心蓮內酯和脫氧穿心蓮內酯的含量。

2.6.2資料預處理為消除由于數據變換的幅度和范圍以及數據分布的非正態性對結果的影響，先將原始數據進行標準化變換。

2.6.3LM-BP神經網絡結構及訓練測試結果本實驗所采用的3層LM-BP網絡中，輸入節點數為4，即原始數據經特征提取后的4個主成分，隱含層節點數為4，輸出層有1個節點。由于目前仍無系統的關于中間隱層節點數的選取理論，經多次實驗比較，最終選取隱層節點數為4時效果比較顯著。

動量因子和學習速率是影響BP神經網絡訓練速率和收斂度的兩個重要因素。如果學習效率和動量因子過大則網絡收斂很快，但最后網絡發生振蕩，失去功能；如果學習效率和動量因子太小則學習速度太慢，網絡性能也會受到影響。因此經實驗比較選擇，本網絡的最佳學習率為0.05，動量因子為0.6。

由于實驗的樣品數目較少，故采用交叉驗證法進行分類驗證，也就是說將標準化變換后的每個樣本依次作為待測樣本，用剩余的其它樣本組成新的訓練集建立學習模型，用于預測每個樣本的歸屬。

經過LM-BP神經網絡的訓練，可發現有一個穿心蓮樣品被識別錯誤，這份來自江西的樣品被鑒別為福建的樣品，其他11個樣品的鑒別結果均正確。從總體來看，使用LM-BP網絡鑒別穿心蓮樣品的識別正確率達到了91.67%。