本发明专利技术提供一种红花提取液测定方法，将最小二乘支持向量机理论与近红外光谱技术相结合，利用粒子群优化算法对LS-SVM进行参数寻优，建立红花提取过程中含固量和羟基红花黄色素A的定量分析模型，实现对红花提取过程中含固量和羟基红花黄色素A浓度关键指标的快速测定。本发明专利技术基于粒子群优化的最小二乘支持向量机建立的模型具有稳定性好、预测准确度高、外推能力强等优点。与传统的分析方法相比，所建立的分析方法快速、有效，能用于红花提取过程中含固量和羟基红花黄色素A浓度的快速测定。本发明专利技术有利于提高红花提取过程的质量控制水平，保证产品质量稳定、可靠。本发明专利技术方法操作简单，模型预测能力强，稳定性高，具有很强的外推、泛化能力。
【技术实现步骤摘要】
本专利技术属于近红外检测领域，具体涉及一种基于粒子群优化和最小二乘支持向量机算法的红花提取液快速测定方法。
技术介绍
红花注射液主要成分为红花提取物(Carthamus tinctorius L.)，具有抗凝、防栓、扩张血管和有效防治心脑血管疾病的作用。羟基红花黄色素AOlydroxysafflor yellow Α)是红花的主要活性成分，药理实验证明HSYA能明显提高缺氧耐受力，使冠脉扩张，增加冠脉流量，并有明显抑制血小板聚集作用。提取工艺是红花注射液生产过程的起点，直接关系到红花药材的利用率。目前，提取工艺的质量控制主要依靠经验和传统质量分析方法 (HPLC等)，耗时费力，故研究发展红花提取过程中关键质控指标的快速无损测定方法，有助于解决红花提取过程中关键控制指标的质量控制问题，对于中药工业技术进步和产品质量升级具有重大现实意义。近红外(OTR)光谱技术作为一种快速无损的绿色分析技术，具有快速分析、样品处理简单、无需消耗试剂等特点。近年来，近红外光谱技术已经越来越多的被应用于中药研究，包括药材产地鉴别、有效组分含量测定和制药过程的在线检测和监控。使用近红外进行定量分析时必须建立定量校正模型。目前比较常用的近红外定量分析建模方法有偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM)等。SVM是建立在统计学习理论(SLT)基础上的一种机器学习算法，已在OTR光谱分析中得到广泛应用。最小二乘支持向量机(LS-SVM)是经典SVM的一种改进，两者的算法原理基本相同。给定训练数据集S = ((Xi^yi)jXi e Rn, Yi e R}\ =工，其中xi被称为第i个输入向量，yi被称为相应于Xi的目标值，1为样本数目。回归问题的目标是确定最优函数f(x)，使得f(x)能够以尽可能高的概率正确回归未知的输入向量。在SVM的理论中，回归函数f(x)具有如下的形式权利要求1.，其特征在于，通过以下步骤实现(1)红花提取液样品收集取红花加15倍量的水，提取时间为1小时，收集不同批次红花提取过程中的提取液样品，样品数目不少于80份，随机选择其中广2批数据作为验证集，其余样品作为校正集参与建模；(2)关键指标的测定分别用高效液相色谱法或烘干称重法，测定红花提取液样品中的羟基红花黄色素A浓度和含固量；(3)近红外光谱数据采集采用透射法采集近红外光谱，扫描次数为32，分辨率为4 cm—1，光纤透射式探头光程2 mm,以空气为参比，扫描光谱范围为450(Tl2000 cnT1 ；(4)定量模型的建立选择合适的光谱预处理方法，并选择M0(T6500 cm-1光谱区域作为建模波段，再通过主成分分析技术对光谱数据进行降维处理，得到红花提取液的特征光谱信息，采用 PSO-LS-SVM算法建立近红外光谱数据与含固量和羟基红花黄色素A浓度这两个质控指标的定量校正模型，并通过各模型评价指标考察模型性能，将验证集数据导入已建的校正模型，通过模型性能评价指标判断模型的稳定性和预测能力；(5)未知样品中关键指标的快速测定取未知含固量和羟基红花黄色素A浓度的红花提取液样品，按校正集样品相同近红外光谱采集参数采集样品的近红外光谱数据，选择相同的建模波段和光谱预处理方法，把特征光谱输入校正模型，便可快速计算得到提取液中含固量和羟基红花黄色素A浓度。2.根据权利要求1所述的，其特征在于，步骤(4)所述的预处理方法选择一阶导数法和Norris平滑法，分别用于消除基线漂移及噪音。3.—种红花提取液测定方法，其特征在于，步骤(4)初始化粒子数设置为100，PSO最大循环迭代数为100，对于PSO-LS-SVM建模算法，选择径向基作为核函数，利用粒子群优化算法对径向基核函数的正则化参数C和核函数宽度ο进行寻优，选择均方误差作为目标函数，确定含固量模型和羟基红花黄色素A浓度模型的最佳C、σ值；其他参数设置为加速因子q =c产2，权重因子ω=0. 5。4.，其特征在于，步骤(4)模型性能评价指标为相关系数R、 校正集均方差RMSEC、预测均方差RMSEP、相对偏差RSEP和相对分析误差RPD，当R值接近于 1，RMSEC和RMSEP值较小而且互相接近时，评价模型稳定性好、预测精准度高；当RSEP值小于10%、RPD值大于3时评价模型具有较好的预测能力，可用于指标的定量控制。全文摘要本专利技术提供，将最小二乘支持向量机理论与近红外光谱技术相结合，利用粒子群优化算法对LS-SVM进行参数寻优，建立红花提取过程中含固量和羟基红花黄色素A的定量分析模型，实现对红花提取过程中含固量和羟基红花黄色素A浓度关键指标的快速测定。本专利技术基于粒子群优化的最小二乘支持向量机建立的模型具有稳定性好、预测准确度高、外推能力强等优点。与传统的分析方法相比，所建立的分析方法快速、有效，能用于红花提取过程中含固量和羟基红花黄色素A浓度的快速测定。本专利技术有利于提高红花提取过程的质量控制水平，保证产品质量稳定、可靠。本专利技术方法操作简单，模型预测能力强，稳定性高，具有很强的外推、泛化能力。文档编号G01N21/35GK102313714SQ201110216270公开日2012年1月11日 申请日期2011年9月21日 优先权日2011年9月21日专利技术者刘雪松, 吴永江, 杨凯, 金叶, 陈勇 申请人:浙江大学本文档来自技高网...
【技术保护点】
１．一种红花提取液测定方法，其特征在于，通过以下步骤实现：（１）红花提取液样品收集取红花加１５倍量的水，提取时间为１小时，收集不同批次红花提取过程中的提取液样品，样品数目不少于８０份，随机选择其中１～２批数据作为验证集，其余样品作为校正集参与建模；（２）关键指标的测定分别用高效液相色谱法或烘干称重法，测定红花提取液样品中的羟基红花黄色素Ａ浓度和含固量；（３）近红外光谱数据采集采用透射法采集近红外光谱，扫描次数为３２，分辨率为４ ｃｍ－１，光纤透射式探头光程２ ｍｍ，以空气为参比，扫描光谱范围为４５００～１２０００ ｃｍ－１；（４）定量模型的建立选择合适的光谱预处理方法，并选择５４００～６５００ ｃｍ－１光谱区域作为建模波段，再通过主成分分析技术对光谱数据进行降维处理，得到红花提取液的特征光谱信息，采用ＰＳＯ－ＬＳ－ＳＶＭ算法建立近红外光谱数据与含固量和羟基红花黄色素Ａ浓度这两个质控指标的定量校正模型，并通过各模型评价指标考察模型性能，将验证集数据导入已建的校正模型，通过模型性能评价指标判断模型的稳定性和预测能力；（５）未知样品中关键指标的快速测定取未知含固量和羟基红花黄色素Ａ浓度的红花提取液样品，按校正集样品相同近红外光谱采集参数采集样品的近红外光谱数据，选择相同的建模波段和光谱预处理方法，把特征光谱输入校正模型，便可快速计算得到提取液中含固量和羟基红花黄色素Ａ浓度。...
【技术特征摘要】
【专利技术属性】
技术研发人员：刘雪松，金叶，杨凯，吴永江，陈勇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：86
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。