全 文 ：第2 7卷 , 第7期　 　　　　　　　　　　　光 谱 学 与 光 谱 分 析 Vol.27 , No.7 , pp1336-1339
2 0 0 7 年 7 月　　　　　　　　　　　 　Spectro scopy and Spectr al Analy sis July , 2007 　
人工神经网络分类鉴别苦丁茶红外光谱
庞涛涛 , 姚建斌 , 杜黎明＊
山西师范大学分析测试中心 , 山西 临汾　041004
摘　要　为了分类鉴别苦丁茶 , 采用竞争神经网络 (CNN)和反向传播人工神经网络 (BP 网络)两种模式
的人工神经网络 (ANN)分别分析了各种苦丁茶的红外谱图。作者采用 25个样本作训练集 , 11 个样本作检
验集 , 用两种网络进行了训练。结果表明 , CNN 网络和 BP 网络均能够有效地实现苦丁茶产地的鉴别 , 但
CNN 网络能够进一步地区分苦丁茶的级别。实验表明 , CNN 速度快 , 预测结果准确 , 可望用竞争神经网络
(CNN)和红外光谱法结合分类鉴别苦丁茶。
关键词　苦丁茶;人工神经网络;竞争神经网络;反向传播人工神经网络;红外光谱
中图分类号:O657.3　　文献标识码:A　　　文章编号:1000-0593(2007)07-1336-04
　收稿日期:2006-05-10 , 修订日期:2006-08-20
　基金项目:山西省自然科学基金项目(2007011027)资助
　作者简介:庞涛涛 , 1981年生 , 山西师范大学化学与材料科学学院硕士研究生　　＊通讯联系人　　e-mail:lm d@dns.sx tu.edu.cn
引　言
　　人工神经网络是在生物学中神经网络理论基础上发展起
来的多学科交叉 、共同发展的前沿学科。它的研究 , 使诸如
生物学 、认知科学 、 非线性科学等学科与计算机 、 电子学 、
人工智能 、微电子 、 信息处理 、模式识别等工程学科有机地
结合起来 , 从而具有广泛的应用前景。
红外光谱近年来 , 在许多学科领域得到广泛应用[ 1-9] 。
人工神经网络在红外光谱测定中的应用已有较多文献报
道[ 10-15] , 运用人工神经网络对药物制剂也进行了研究[ 16-19] ,
本文首次应用竞争神经网络(CNN)和反向传播人工神经网
络(BP网络)对苦丁茶进行了分类鉴别。结果表明 , 无损药材
苦丁茶红外光谱的重复性好 , 从光谱中提取的用于两种人工
神经网络计算的特征数据规律明显 , 无监督学习的竞争神经
网络(CNN)的分类能力要比有监督学习的 BP 网络的分类能
力强 , 此方法具有简便 、 快速 、准确等特点。实验结果表明
采用竞争神经网络技术可分类鉴别不同产地和不同级别的苦
丁茶。
1　基本理论
　　BP 网络是一种具有三层或三层以上的多层神经元网络 ,
它的左右各层之间的各个神经元可以实现连结 , 即左层的每
一神经元与右层的每个神经元都有连接 , 而上下层各神经元
之间无连接。本文采用三层 BP 网络 , 该网络由一个输入层 ,
一个中间层 , 一个输出层组成。
BP网络的传递函数是处处可微的 , 经常使用的有 S 型
的对数式的正切传递函数和线性函数 , 本文采用对数 S(Sig-
moid)型传递函数:log si g(x)= 1
1 +e-x , S 型函数有非线性
放大系数功能 , 它可以把输入从负无穷大到正无穷大的信号
变换为-1 到 1 之间输出 , 对较大的输入信号 , 放大系数较
小 , 而对较小的输入信号 , 放大系数则较大 , 所以采用 S 型
传递函数可以处理和逼进非线性的输入/输出关系 , 输出采
用线性函数 , 输出层节点 i的输出值 a i 和期望值 t i 之间进行
比较 , 其误差函数为 e = 1
2 ∑i (t i -a i)2 。
竞争神经网络的显著特点是它的输出神经元相互竞争以
确定胜者 , 胜者指出哪一种原型模式最能代表输入模式。竞
争神经元网络一般是以无监督学习(Unsuper vised lea rning)
或称为自组织学习(Self-o rg anized learning)方式进行学习的。
自组织学习算法的目的是在无导师指导下寻找输入数据空间
中的重要的模式特征。自组织学习的网络结构模型 , 比有监
督学习的网络结构模型更接近生物神经系统 , 因为网络的自
组织过程正是大脑组织的一个基本现象。
竞争型神经网络有很多具体形式和不同的学习算法 , 本
文只介绍一种比较简单的网络结构和学习算法。网络结构如
图 1 所示。
　　竞争型网络可分为输入层和竞争层。假定输入层由 N
个神经元构成 , 竞争层有 M 个神经元。网络的连接权值为
wi j , i =1 , 2 , … , N , j = 1 , 2 , … , M , 且满足约束条件
∑N
i =1
wi j =1 。在竞争层中 , 神经元之间相互竞争 , 最终只有
一个或者几个神经元获胜 , 以适应当前的输入样本。竞争胜
利的神经元就代表着当前输入样本的分类模式。
Fig.1　The structure of competitive neural
2　实验部分
2.1　仪器设备和参数设置
FT IR 410型傅里叶变换红外光谱仪(美国 NICOLET 公
司), DTGS 检测器 , 光谱范围为 4 000 ～ 400 cm -1 , 分辨率
为 4 cm -1 , 扫描累加次数为 32 次 , 扫描时应扣除水和二氧
化碳的干扰。
2.2　样品来源和制备
样品来源于海南 、四川 、广东 、 广西 、云南 、浙江 6 个产
地共 36 种苦丁茶。将苦丁茶粉碎 , 过 100 目筛 , 取其筛后粉
末少量 , 与 KBr粉末混合研磨均匀后压片 , 直接放入傅里叶
变换红外光谱仪中测定。
2.3　神经网络系统的设计依据
采用 Mathwo rks 公司推出的一套高性能可视化数值计
算软件 MAT LAB , 基于 M ATLAB6.5 神经网络工具箱 , 设
计出了苦丁茶的神经网络鉴别系统。
2.4　光谱吸收波段的选择
11 种不同产地和不同级别的苦丁茶样本的红外光谱如
图 2 所示。从 36种苦丁茶中抽取 11 种作为预测集 , 其余作
为训练集。选择红外光谱的 1 750～ 1 255 cm -1波段作为多组
分分析的波数范围 , 这一范围的选择是为了去除大部分二氧
化碳的光谱带以及水的光谱带的贡献 , 对每一个模拟样本 ,
在 1 750 ～ 1 255 cm -1波段内 , 从 1 750 cm -1开始 , 每隔 5
cm -1取一个点 , 共取 100 个点的吸光度 , 作为人工神经网络
的输入值。输出值为不同种类苦丁茶编码 , 如广东苦丁茶编
码为 010000;此代码在训练集中为目标值 , 在预测集中为样
品种类的编码。
3　结果与讨论
3.1　BP 神经网络对苦丁茶红外光谱的研究
3.1.1　隐含层的节点数
从理论上讲 , 隐含层的节点数不大于输入信号的个数 ,
若隐含层节点数过多 , 则网络更易于区分各样本之间的微小
差别 , 但同时网络的复杂程度增加 , 收敛速度减慢。在本研
究中 , 通过将隐含层节点数分别设定为从 20 到 30 之间的
值 , 通过比较各不同节点数时 , 神经网络的预测误差来确定
的。图 3 表示当取不同节点数时 , 所对应的苦丁茶的标准预
测误差(SEP%)。从图 3 中可以看出 , 当隐含层节点数为 21
时 , 神经网络的标准预测误差为最小。故在本研究中 , 取隐
含层节点数为 21。
Fig.2　FTIR spectra of Ilex Kudingcha
a:海南(特级);b:海南(一级);c:海南(二级);d:四川(特级);e:
四川(一级);f:四川(二级);g:浙江;h:云南;i:广东;j:广西
(特级);k:广西(一级)
Fig.3　Relationship between the number of hidden
nodes and SEP% of Ilex Kudingcha
1337第 7 期　　　　　　　　　　　　　　　　　　　　光谱学与光谱分析
3.1.2　BP 神经网络对苦丁茶的预测结果讨论
BP 神经网络对苦丁茶的预测结果如表 1 所示。
Table 1　 BP Neural networks for the identification
of ilex kudingcha
Samples Predicted result
1 0.022 1 0.014 9 0.000 3 0.007 1 0.011 7 1.027 0
2 0.006 1 0.040 6 0.007 0 0.001 1 0.007 0 1.024 7
3 0.027 6 0.007 9 0.011 2 0.003 7 0.003 5 0.996 7
4 0.001 6 0.007 8 0.001 8 0.001 1 0.997 1 0.009 8
5 0.009 5 0.022 6 0.017 0 0.002 1 1.014 5 0.020 2
6 0.018 8 0.068 9 0.006 6 0.004 5 0.995 2 0.038 3
7 0.002 7 0.061 5 0.005 7 0.991 9 0.007 2 0.042 7
8 0.002 5 0.042 0 0.990 9 0.002 5 0.007 7 0.032 8
9 0.025 2 0.857 3 0.014 4 0.009 7 0.018 5 0.074 7
10 1.022 0 0.088 6 0.005 0 0.004 5 0.000 4 0.042 3
11 0.969 6 0.033 3 0.011 8 0.001 8 0.011 4 0.012 4
　　从表 1 可以看出:样本 1 , 2 , 3 是同一类 , 为海南苦丁
茶 , 4 , 5 , 6 是同一类 , 为四川苦丁茶 , 7 是浙江苦丁茶 , 8 是
云南苦丁茶 , 9 是广东苦丁茶 , 10 , 11 是广西苦丁茶。此分
类结果和实际情况相吻合。说明应用 BP 神经网络对苦丁茶
产地和级别进行预测 , 产地结果比较满意 , 但并不能很好的
对级别进行预测。
3.2　竞争神经网络对苦丁茶红外光谱的研究
竞争神经网络对 11 种样本的预测结果如下表 2所示。
　　对结果进行分析可得 , 当训练步数为 10 时 , 样本序号为
1 , 2 , 3 的分为一类 , 为海南苦丁茶;样本序号为 4 , 5 , 6 的
分为一类 , 为四川苦丁茶;样本序号为 7 的是一类 , 为浙江
苦丁茶;样本序号为 8 的是一类 , 为云南苦丁茶;样本序号
为 9 的是一类 , 为广东苦丁茶;样本序号为 10 , 11 的分为一
类 , 为广西苦丁茶。由此可见 , 网络已经对样本进行了初步
的分类 , 这种分类虽然准确但不够精确 , 即对苦丁茶的产地
预测结果满意 , 但对其级别还是不能够很好的预测。
Table 2　Competitive neural network for the identification
of 11 samples
Training step Predicted resu lt
10 3 3 3 7 7 7 5 1 2 6 6
100 3 7 3 8 4 4 5 1 2 6 6
1 000 2 9 10 5 3 6 8 7 1 4 11
　　当训练步数为 100时 , 样本 2 和 4 分别从海南苦丁茶和
四川苦丁茶中划分出来 , 是由于生产工艺和地域差别导致的
级别不同而产生的结果 , 则可知分类结果进一步的细化了。
当训练步数为 1 000 时 , 每一个样本都被划分为一类 ,
这和实际情况是吻合的 , 即在产地分类的基础上 , 对其不同
的级别也进行了很好的预测。此时如果再提高训练步数 , 已
经没有实际意义了。
4　结　论
　　本研究成功地将人工神经网络应用到苦丁茶分类体系
中 , 人工神经网络作为一种新兴的化学计量学方法 , 显示了
其他经典方法无可比拟的特点。采用两种不同模式的人工神
经网络对苦丁茶进行了分类 , 从预测集分类的结果来看 , 无
监督学习的竞争神经网络(CNN)的分类能力要比有监督学
习的BP网络的分类能力强 , 该法具有简便 、快速 、准确等特
点 , 仍不失为对多种样本同时分类的一种首选方法。
参 考 文 献
[ 1] 　WANG Zhao , SUN Su-qin , LI Xiao-bo , et al(王　钊 , 孙素琴 , 李晓波 , 等).Spect roscopy and Spect ral A naly si s(光谱学与光谱分析),
2001 , 21(3):311.
[ 2] 　GUO Ping , XIONG Ping , YUAN Ya-li(郭　萍 , 熊　平 , 袁亚莉).Spect roscopy and Spect ral Analy sis(光谱学与光谱分析), 2002 , 22
(4):603.
[ 3] 　LI U Guo-lin , CAI Jin-na , LI Wei , et al(刘国林 , 蔡金娜 , 李　伟 , 等).Compu ters and Applied C hemist ry(计算机与应用化学), 2000 ,
17(2):109.
[ 4] 　CHENG Cun-gui , RUAN Yong-ming , LI Bing-lan(程存归 , 阮永明 , 李冰岚).Spectros copy and Spect ral Analysis(光谱学与光谱分析),
2004 , 24(11):1355.
[ 5] 　PENG Yong , SUN Su-qin , ZHAO Zhong-zhen , et al(彭　勇 , 孙素琴 , 赵中振 , 等).Spect roscopy and Spect ral Analy sis(光谱学与光谱
分析), 2004 , 24(6):679.
[ 6] 　S amanidou V F , H apeshi E A , Papadoyannis I N.J.Ch rom atogr B., 2003 , 788(1):147.
[ 7] 　Masaaki Kai , Hiromi Kinoshita , Kazuko Oh ta , et al.J.Pharm .Biomed.Anal., 2003 , 30(6):1765.
[ 8] 　Kenneth K W T o , Yee-Ping H o , S teve C F , et al.J.Ch rom atogr A., 2002 , 947(2):319.
[ 9] 　ZOU Hua-bin , YUAN Jiu-ron g , YUAN H ao(邹华彬 , 袁久荣 , 袁　浩).C hinese T radi tional Patent M edicin e(中成药), 2003 , 25(4):
261.
[ 10] 　XU Yong-qun , HUANG H ao , ZHO U Qun , et al(徐永群 , 黄　昊 , 周　群 , 等).C hinese J.Anal.Chem.(分析化学), 2003 , 31(1):5.
[ 11] 　LIN Sheng-ling , XU Shao-fen , XIE Chun-sh eng , et al(林生岭 , 徐绍芬 , 谢春生 , 等).Chines e J.Anal.Chem.(分析化学), 2004 , 32
(11):1421.
[ 12] 　GUO Ye , GOU Yu-hui , TANG Zhen , et al(郭　晔 , 苟玉慧 , 汤　真 , 等).C hinese J.Anal.C hem.(分析化学), 2001 , 29(1):121.
1338 光谱学与光谱分析　　　　　　　　　　　　　　　　　　　 第 27 卷
[ 13] 　YANG Nan-lin , CHENG Yi-yu , ZHAI H ai-bin(杨南林 , 程翼宇 , 翟海斌).Chinese J.Anal.Chem.(分析化学), 2003 , 31(6):664.
[ 14] 　XU Yong-qun , SUN Su-qin , ZHOU Qun , et al(徐永群 , 孙素琴 , 周　群 , 等).Spect roscopy and Spect ral A naly si s(光谱学与光谱分
析), 2002 , 22(6):945.
[ 15] 　XU Yong-qun , SUN Su-qing , FENG Xue-feng , et al(徐永群 , 孙素琴, 冯学峰 , 等).Spect roscopy an d Spect ral Analy sis(光谱学与光谱
分析), 2003 , 23(3):502.
[ 16] 　Lo Shih-C hung B, H eang-Ping Ch an , Jyh-Shy an Lin , et al.Neural Netw orks , 1995 , 8(7-8):1201.
[ 17] 　Ohlsson Mat tias.Art ifi cial Intelligence in Medicine , 2004 , 30(1):49.
[ 18] 　Abbass Hu ssein A.Art ifi cial In telligence in Medicine , 2002 , 25(3):265.
[ 19] 　Zur R M , Jiang Y , Metz C E.International Congress Series , 2004 , 1268(6):886.
Artificial Neural Networks for the Identification of Infrared Spectra of
Ilex Kudingcha
PANG Tao-tao , YAO Jian-bin , DU Li-ming＊
Center o f Analysis and Te st , Shanx i Normal Univ ersity , Linfen　041004 , China
Abstract　In o rder to identify I lex Kudingcha , two kinds of models of ar tificial neural netw orks(ANN), i.e.competitive neural
netw ork and back propaga tion neural netw ork , w ere used to ana lyze their infra red spect ra.Ile x Kudingcha samples we re co llect-
ed by Fourier t ransfo rm infrared(FT IR)spect ra.Twenty five samples w ere ga ther ed as a train set , and 11 samples a s a test se t ,
then their training was perfo rmed using tw o netwo rks each.The results show that the identification of Ilex Kudingcha from dif-
fer ent a reas can be effectiv ely pe rformed with the com petitive neural netwo rk and BP netwo rk , but the competitiv e neural net-
w o rk is used in the identifica tion of different g rades of Ilex Kudingcha.The results we re better in training speed and accuracy
with the competitive neural netwo rk.In conclusion , the compe titive neural netwo rk combined with FT IR spectro scopy is a good
me thod fo r the identification o f Ilex Kudingcha.
Keywords　Ilex Kudingcha;Ar tificial neural ne two rks (ANN);Competitive neural netw ork (CNN);Back propagation neural
netw ork;Infrar ed spec tra
(Received May 10 , 2006;accepted Aug.20 , 2006)　　
＊Co rr esponding author
1339第 7 期　　　　　　　　　　　　　　　　　　　　光谱学与光谱分析