本發(fā)明屬于中草藥產地鑒別領域，具體涉及一種近紅外光譜快速檢測三葉青產地方法。

背景技術：

三葉青是我國特有的珍稀中草藥材，其含有酚類、氨基酸類、黃酮類、萜類、強心苷類、甾體類等成分。研究表明其具有保護肝臟、抗病毒、抗炎鎮(zhèn)痛、抗腫瘤，臨床上對麻疹并發(fā)肺炎、小兒高熱、扁桃體炎等多種疾病也有顯著療效。由于三葉青特殊的藥用價值，需求量越來越大。然而，三葉青資源十分短缺，野生三葉青稀少，人工栽培難度大，具有藥用價值的地下塊根需要3～5年的時間才能達到商品藥材要求，而且其不同產地、不同種質的植物學特征特性、地下塊根產量以及有效成分含量存在明顯差異。據報道，三葉青中黃酮類成分含量不同產地差異懸殊，如浙江和廣西產地間黃酮類成分含量差異最大可達到7倍?，F階段，主要對三葉青的藥用價值及其化學成分進行研究，針對其產地鑒別卻鮮有報導，而一種針對三葉青產地鑒別的有效方法，對規(guī)范三葉青市場、保護消費者利益具有非常重要的現實意義。

傳統(tǒng)中藥材鑒定手段主要是依據其外部形態(tài)、顯微結構和化學成分，甚至依靠有經驗醫(yī)師的主觀判斷。但由于植物根類藥材大多外部形態(tài)相似，特別經過加工和飲片泡制后，難以看出其本身形狀和顏色，顯微特征也被不同程度破壞，造成鑒定困難。這種鑒定方法對專業(yè)要求高，化學成分鑒定過程復雜，鑒定成本高。

近紅外光譜分析技術作為一種新型實用分析技術，反映給定樣品的物理和化學信息，不僅適用于固體、液體、氣體樣品分析，而且具有快速、非破壞性、廉價和樣品量少等優(yōu)點。近年來，近紅外光譜分析技術結合主成分分析法(principalcomponentanalysis，pca)、支持向量機(supportvectormachine,svm)、相關向量機(relevancevectormachine，rvm)等分析方法，在食品、生物、藥品、石化、環(huán)境等方面得到廣泛應用。

上述分類器必須事先利用訓練集中的各類樣本數據對模型本身進行訓練，才能夠對訓練集中的各類實現鑒別，在分類過程中，不同分類器的按照其各自的分類機制，將待測樣本匹配為訓練集中的某一類，從而實現分類，但這就要求待測樣本必須屬于訓練樣本中的其中一類，分類器才能做出正確的鑒別，而當待測樣本屬于訓練集樣本之外的其它類時，則無法做出正確的鑒別。

技術實現要素：

本發(fā)明的目的是提供一種近紅外光譜快速檢測三葉青產地方法，防止三葉青以次充好。

本發(fā)明采用以下技術方案：一種近紅外光譜快速檢測三葉青產地方法，其特征在于：采用基于核密度估計的改進算法進行定性分析，具體步驟包括如下：s1：采集各重點產地的三葉青樣本，利用近紅外光譜分析儀采集其近紅外光譜，建立一個常見三葉青近紅外光譜數據庫；s2：建立一個基于核密度估計分類算法的三葉青產地分類模型。

在本發(fā)明一實施例中，s2包括以下步驟：s21：確定分類器的基本模型，如下：

其中k(*)為核函數；k指訓練樣本中的第k類樣本，且k＝1,2,l,c，c為總類別數；nk為訓練集樣本中第k類的樣本數；h^(k)為核函數k(*)的帶寬參數；取第k類訓練集樣本的均值作為簇類中心，記為u^(k)；s22：針對整個三葉青近紅外光譜數據庫概率密度函數計算如下：s23：以權重的形式實現分類，及其分類原則如下：

分類的原則可以設計如下：分類原則1：如果ρ^(k)＝max{ρ⁽¹⁾,ρ⁽²⁾,…,ρ^(c)}；則待測樣本屬于第k類，分類原則2：當時；待測樣本屬于已知類；當時；待測樣本屬于未知類；將訓練樣本對應的所有函數值中的最小值作為閾值，即r屬于訓練樣本集。

較佳的，核函數k(*)為：k(x)＝exp(-x),(x≥0)。

較佳的，帶寬參數h^(k)的計算公式為：

與傳統(tǒng)的中草藥產地鑒別方法過程復雜，可靠性低，本發(fā)明的方法操作簡單，通用性強，能夠有效提高定量模型穩(wěn)健性與準確性。

附圖說明

圖1基于核密度估計的分類算法實施圖。

圖2為各產地近紅外光譜圖。

具體實施方式

下面結合附圖和具體實施例對本發(fā)明做進一步解釋說明。

一種近紅外光譜快速檢測三葉青產地方法，其特征在于：采用基于核密度估計的改進算法進行定性分析，具體步驟包括如下：s1：采集各重點產地的三葉青樣本，利用近紅外光譜分析儀采集其近紅外光譜，建立一個常見三葉青近紅外光譜數據庫；s2：建立一個基于核密度估計分類算法的三葉青產地分類模型。

在本發(fā)明一實施例中，s2包括以下步驟：s21：確定分類器的基本模型，如下：

其中k(*)為核函數；k指訓練樣本中的第k類樣本，且k＝1,2,l,c，c為總類別數；nk為訓練集樣本中第k類的樣本數；h^(k)為核函數k(*)的帶寬參數；取第k類訓練集樣本的均值作為簇類中心，記為u^(k)；s22：針對整個三葉青近紅外光譜數據庫概率密度函數計算如下：s23：以權重的形式實現分類，及其分類原則如下：

分類的原則可以設計如下：分類原則1：如果ρ^(k)＝max{ρ⁽¹⁾,ρ⁽²⁾,…,ρ^(c)}；則待測樣本屬于第k類，分類原則2：當時；待測樣本屬于已知類；當時；待測樣本屬于未知類；將訓練樣本對應的所有函數值中的最小值作為閾值，即r屬于訓練樣本集。

本發(fā)明的基于核密度估計的分類算法實施圖，參見圖1。

較佳的，核函數k(*)為：k(x)＝exp(-x),(x≥0)。

較佳的，帶寬參數h^(k)的計算公式為：

在本發(fā)明一具體實施例中，

1.三葉青近紅外采集

(1)采集浙江、云南、安徽、廣西和湖北5個產地的三葉青樣本，每個產地收集5份，每份樣品不少于30g。每份樣本均用中藥粉碎機粉碎，過200目篩，充分混勻，置于烘箱65℃干燥，存放于自封袋，備用。

(2)實驗采用美國thermo公司生產的antarisii型傅里葉變換近紅外光譜分析儀，配有ingaas檢測器、積分球漫反射采樣系統(tǒng)和旋轉石英樣品杯，掃描范圍10000～4000cm^-1，分辨率為8cm^-1，掃描64次。每次稱取樣品約10g，置于近紅外旋轉樣品杯掃描光譜。各產地近紅外光譜圖參見圖2。

2.樣本分配情況如表1所示:

表1樣本分配情況

3.帶寬參數計算，取參數α＝0.98，按公式(3)計算如下：

h⁽¹⁾＝0.0275,h⁽²⁾＝0.0398,h⁽³⁾＝0.0502,h⁽⁴⁾＝0.0269

4.模型的鑒別情況

(1)模型訓練完成后，先用訓練集中的樣本數據對模型的鑒別精度進行檢驗，結果如表3所示，不管選取哪一產地的三葉青為未知產地，分類器對訓練集中樣本數據的鑒別精度均可以達到100％。

表3訓練集的鑒別精度

(2)三葉青產地的鑒別模型建立完成之后，最重要的是其預測精度是否能到要求，表4展示了其對預測集樣本的鑒別精度，從表中可知，分類器對浙江產地的三葉青的預測精度為100％；對云南產地的三葉青的預測精度為100％；對安徽產地的三葉青的預測精度為90％(20組數據中有2組被誤識別為未知產地)；對廣西產地的三葉青的預測精度為95％(20組數據中有1組被誤識別為未知產地)；且可以100％將湖北產地的三葉青識別為未知產地，而不是誤識別為訓練集中的某一類。

表4分類器對預測集樣本的鑒別情況

以上是本發(fā)明的較佳實施例，凡依本發(fā)明技術方案所作的改變，所產生的功能作用未超出本發(fā)明技術方案的范圍時，均屬于本發(fā)明的保護范圍。