全 文 ：基于 BP神经网络和遗传算法优化茺蔚子水苏碱提取工艺的研究
周苏娟 1， 赵斌 2， 孟江 1， 蒋世忠 1， 贾天柱 3， 梁生旺 1
（1. 广东药学院， 广东广州 510006； 2. 中山火炬职业技术学院， 广东中山 528436；
3. 辽宁中医药大学， 辽宁大连 116600）
茺蔚子为唇形科植物益母草 Leonurus japonicus
Houtt. 的干燥成熟果实， 性味辛， 甘， 微寒， 归心
包、 肝经。 有活血调经， 清肝明目， 降血脂， 抗血
小板聚集等功效， 用于月经不调， 经闭痛经， 目赤
翳障， 头晕胀痛等症 ［1］。 始载于 《神农本草经》，
列为上品， 历代本草、 药典均有收载。 茺蔚子化学
成分主要为生物碱类、 黄酮类、 油脂类及挥发油类
成分［2］。 水苏碱为茺蔚子的主要药效活性成分， 具
有活血调经， 利尿消肿， 收缩子宫等作用 ［3-5 ］， 但
关于茺蔚子中水苏碱的提取工艺、 质量分析鲜有报
道。 本研究在正交试验结果基础上， 利用误差反向
后传 （back propagation， BP） 人工神经网络建模结
合遗传算法优化茺蔚子中水苏碱的提取工艺， 为茺
蔚子水苏碱的研究开发和质量控制提供科学依据，
现报道如下。
1 仪器与试药
茺蔚子药材分别采集于四川， 经广东药学院中
药学院刘基柱副教授鉴定为唇形科植物益母草
Leonurus japonicus Houtt.的干燥成熟果实； 盐酸水
苏碱对照品 （批号为： 110712-201111） 购自中国食
品药品检定所； 乙腈、 乙醇为欧普森 （Oceanpak）
公司色谱纯， 水为屈臣氏蒸馏水， 其余试剂均为分
析纯。
SIL-20A 高效液相色谱仪 （HPLC， 日本岛津
公司）； Alltech ELSD 3300 蒸发光散射检测器 （美
国 Grace 公司）； KQ-500E 型超声仪 （昆山市超声
仪器有限公司）； DFY-400 粉碎机 （上海江仪仪器
有限公司）， AY120 型电子分析天平 （万分之一，
日本岛津公司） 等。
2 方法与结果
2. 1 色谱条件 色谱柱： Venusil HILIC 丙基酰胺
键合硅胶柱 （250 mm × 4.6 mm， 5 μm）； 柱温为
25℃； 流动相为乙腈—体积分数 0.2%冰醋酸溶液
(体积比为 80:20)； 流速为 0.8 mL/min； 进样量为
10 μL； 漂移管温度为 70℃， 氮气流速为 2 L/min。
理论塔板数≥7 000。 上述色谱条件下， 盐酸水苏
碱对照品及样品的 HPLC色谱图见图 1。
2. 2 对照品溶液的制备 取盐酸水苏碱对照品 12
mg， 精密称定 ， 置于 10 mL 量瓶中 ， 体积分数
70%乙醇溶解， 稀释至刻度， 得 1.2 mg/mL 的对照
摘要： 【目的】 优化茺蔚子中水苏碱的提取工艺。 【方法】 采用正交设计， 应用误差反向后传 （BP） 人工神经网络建立茺蔚子
水苏碱提取时间、 乙醇浓度、 料液比与盐酸水苏碱含量之间的关系模型， 再结合遗传算法优化提取工艺参数。 【结果】 提取工艺优
化参数为： 提取时间 62 min、 乙醇浓度体积分数 69%、 料液比 11倍， 网络模型优化结果稍优于正交试验结果。 【结论】 BP神经
网络结合遗传算法寻优， 能较好地实现茺蔚子水苏碱提取工艺参数的优化， 可为解决多维非线性系统的工艺参数优化问题提
供崭新而有效的途径。
关键词： BP神经网络； 遗传算法； 茺蔚子/化学； 水苏碱/分析； 工艺优化； 色谱法， 高压液相
中图分类号： TP391.9； R284.2 文献标志码： A 文章编号： 1007-3213 （2015） 04-0735-05
DOI： 10． 13359 ／ j． cnki． gzxbtcm． 2015． 04． 034
收稿日期： 2015-01-16
作者简介： 周苏娟 （1978-）， 女， 硕士研究生， 讲师； E-mail： susona2002@163.com
通讯作者： 赵斌 （1979-）， 男， 博士研究生， 副教授； E-mail： zhaobin3226794@163.com
基金项目： 2015 版中国药典项目， 国家中医药管理局中医药行业科研专项 (编号： 201207004-7)
2015 年 7 月第 32 卷第 4 期
July 2015，Vol． 32，No． 4
广州中医药大学学报
Journal of Guangzhou University of Traditional Chinese Medicine
·中药质量控制·
735
因素 偏差平方和
提取时间（A） 0.476
乙醇浓度（B） 0.594
自由度
2
2
F 比
476
594
显著性
*
*
料液比（C） 0.175 2 175 *
误差（D） 0.001 2
表 1 正交试验设计及结果
Table 1 The design and results of orthogonal experiment
极差 0.563 0.624 0.323
均值 2 1.980 1.413 1.507
均值 3 1.703 2.037 1.763
均值 1 1.417 1.650 1.830
实验 5 2（60） 2（50） 3（20） 1.77
实验 6 2（60） 3（70） 1（10） 2.43
实验 7 3（90） 1（30） 3（20） 1.70
实验 8 3（90） 2（50） 1（10） 1.55
实验 9 3（90） 3（70） 2（15） 1.86
因素
提取/mint
（A）
盐酸水苏碱/w
（mg·g-1）
乙醇/%
（B）
φ 料液比/倍p
（C）
实验 1 1（30） 1（30） 1（10） 1.51
实验 2 1（30） 2（50） 2（15） 0.92
实验 3 1（30） 3（70） 3（20） 1.82
实验 4 2（60） 1（30） 2（15） 1.74
A. 对照品色谱图； B. 样品色谱图； 1. 对照品色谱峰
图 1 盐酸水苏碱对照品 （A） 及茺蔚子样品 （B） HPLC 色谱图
Figure 1 HPLC results for stachydrine hydrochloride reference (A) and Fructus Leonuri samples （B）
品液； 4℃冰箱放置备用。
2. 3 线性关系考察 精密吸取上述对照品溶液 4、
6、 8、 10、 12、 14 μL 进样分析， 以进样量的对数
为横坐标， 以峰面积积分值的对数值为纵坐标进行
回归处理 ， 得回归方程 ： Y=1.460 5 X+2.379 4，
R=0.999 1， 盐酸水苏碱在 4.8 ～ 16.8 μg 范围内呈
良好的线性关系。
2. 4 供试品溶液制备 取茺蔚子粉末 （50 目） 约
0.5 g， 精密称定， 置于 250 mL 圆底烧瓶中， 精密
加入相应浓度和体积的乙醇， 称定质量； 加热回流
至规定的时间， 置冷； 再称定质量， 以相应浓度的
乙醇补足减失的质量， 摇匀， 滤过， 滤液浓缩定容
到 1 mL容量瓶， 过 0.45 μm微孔滤膜， 即得。
2. 5 正交试验设计和结果 根据文献报道和预实
验结果， 采用 L9（34） 正交试验法进行提取， 对提取
时间、 乙醇浓度和料液比进行考察， 按 2. 4 项下
方法制备供试液， 按 2. 1 项下方法测定， 采用外
标两点法［6］对数方程计算其含量。 正交试验设计安
排及结果见表 1， 方差分析见表 2。
由表 1 直观分析可知， 水苏碱提取影响因素主
次顺序为： 乙醇浓度>提取时间>料液比， 方差分
析结果表明： 因素 A、 B、 C 各水平间均具有显著
性差异， 最佳提取条件为 A2B3C1， 即 10 倍体积
的体积分数 70%乙醇加热回流 60 min。
2. 6 神经网络结合遗传算法寻优 神经网络结合
遗传算法寻优分为 BP 神经网络训练拟合与遗传算
法寻优两步， 其算法流程如图 2 所示［7］。 神经网络
训练拟合以正交实验数据为基础， 经过有限次迭代
计算而获得一个反映实验数据内在规律的数学模
型； 遗传算法把训练后的 BP 神经网络预测结果作
为个体适应度值， 通过选择、 交叉和变异操作寻找
可能的全局最优值及对应输入值。 *：有极显著性差异， F0.01(2，2)=99.0， F0.05(2，2)=19.0
t/min t/min
A
B
1
1
表 2 方差分析
Table 2 Results of analysis of variance
广州中医药大学学报 2015 年第 32 卷736
图 5 BP 神经网络预测误差
Figure 5 Test error of BP neural network
图 3 3 层 BP 网络结构
Figure 3 Three-layer BP neural network
2. 6. 1 BP 神经网络模型的建立 BP 神经网络是
误差反向传播的多层前馈式网络， 是人工神经网络
中最具代表性和应用最为广泛的一种网络 ［8］。 图 3
是一个典型的 3层 BP网络， 由输入层、 中间层 (隐
含层)、 输出层 3部分组成。 本研究采用 3层 BP人工
神经网络建模， 建立存在于实验数据间的函数关系。
图 2 BP 神经网络遗传算法寻优算法流程
Figure 2 Flow chart for optimization of BP neural network
and genetic algorithm
2. 6. 1. 1 训练样本选择 本研究采用正交试验得
到 9个基本样本数据。 为了建立可信的神经网络模
型， 需要大量样本数据进行训练， 为此引入了虚拟
样本。 即对网络的输入分别按±Δi， i=1、 2、 3、 4
波动， 进行搭配。 这里 Δi取 0.1%， 对每一个实际样
本产生 8个虚拟样本， 使得参加 BP人工神经网络训
练和检验的样本达到 81个， 加大了训练样本空间的
样本密度， 强化了训练过程中的记忆效果［9］。
2. 6. 1. 2 网络模型训练与预测 将 81 个训练样
本存储于 data中， 其中提取时间 A、 乙醇浓度 B、 料
液比 C的值作为输入数据， 进样所含盐酸水苏碱的
量 X作为输出数据， 从中随机抽取 70组训练数据训
练网络， 11 组测试数据测试网络拟合性能。 采用
MATLAB R2010a编程， BP人工神经网络的训练过
程见图 4， 神经网络预测误差小于 1%， 如图 5所示。
误
差
图 4 BP 网络预测输出
Figure 4 Test output of BP neural network
输
出
2. 6. 2 遗传算法寻优 遗传算法是一种模拟自然
界遗传机制和生物进化论而成的并行随机搜索最优
化方法。 利用它的非线性寻优能力结合神经网络的
非线性拟合能力可以有效地寻找函数极值。
本研究应用 MATLAB 软件， 将人工神经网络
建模和遗传算法结合， 进行茺蔚子水苏碱提取工艺
周苏娟， 等． 基于 BP 神经网络和遗传算法优化茺蔚子水苏碱提取工艺的研究第 4 期 737
（英文摘要见第 744页）
图 6 适应度曲线
Figure 6 Fitness curve
适
应
度
进化代数
广州中医药大学学报 2015 年第 32 卷
参数的优化， 遗传算法寻优过程中， 取最大进化代
数为 200， 种群大小为 10， 交叉概率为 0.6， 变异
概率为 0.1， 得到每代种群最优适应度和平均适应
度及其变化结果， 如图 6所示。
图 6显示， 随着进化代数增加， 种群的平均适
应度和最优适应度均呈现曲折上升的趋势。 最后， 平
均适应度向最优适应度方向靠拢， 种群平均适应度趋
于平稳状态， 表明群体中对应于最大适应度的个体已
经达到该优化算法的最优解， 优化结果是： 提取时
间、 乙醇浓度、 料液比分别为 61.98、 68.62、 10.73。
参照优化参数计算结果， 实验选择提取时间 62 min、
乙醇浓度体积分数 69%、 料液比为 11。
2. 7 验证试验 按以上优选的提取工艺各进行 3次
验证试验， 采用 BP人工神经网络建模和遗传算法优
化工艺提取的盐酸水苏碱的含量为 2.46 mg/g， 按正
交试验所得工艺的含量为 2.33 mg/g， 表明应用神经
网络结合遗传算法寻优的工艺提取效率略优于正交试
验。
3 讨论
茺蔚子为临床常用的药材， 但关于其质量控制
研究较少 ， 仅见通过双波长薄层扫描法 ［10］、 紫
外分光光度法［11］检测茺蔚子中盐酸水苏碱的含量，
采用热浸法测定茺蔚子炮制品水溶性成分含量 ［12］、
脂肪油中亚油酸及 γ-亚麻酸含量 ［13］测定等， 其测
定方法相对简单。 故本研究选取活性成分盐酸水苏
碱为指标， 采用高效液相色谱—蒸发光散射检测
（HPLC-ELSD） 的测定方法， 在正交实验基础上结
合 BP 神经网络遗传算法优化茺蔚子水苏碱提取工
艺， 可为茺蔚子水苏碱的应用开发和质量控制提供
科学依据。
影响茺蔚子水苏碱提取的工艺参数与多个评价
指标之间呈现非常复杂的非线性关系， 传统的正交
实验设计结合非线性回归， 虽然可以揭示多因素多
水平之间的规律， 但其依赖于具体的非线性方程的
选择和解析， 模型拟合往往不甚理想， 难以优化出
较为准确的点及区域 ［14］。 而且由于时间和经费的
限制， 传统实验进行的次数毕竟是有限的。 相比以
往报道的正交优化提取茺蔚子水苏碱的方法， 本研
究采用人工神经网络建模结合遗传算法寻优， 无需
目标函数具备明确的数学表达式， 利用网络的自学
习和拟合性能， 构建的模型实现了提取工艺参数多
指标同步优化的目的， 为解决多维非线性系统的工
艺参数优化问题提供了一个崭新而有效的途径， 值
得进一步深入研究和探讨应用。
参考文献：
［1］ 柯增华． 茺蔚子临证妙用［J］. 陕西中医， 2002， 23 （2）： 160．
［2］ 林文群， 陈宏靖， 陈忠． 茺蔚子化学成分的研究［J］. 福建师范
大学学报 （自然科学版）， 2001， 17 （2）： 84．
［3］ 潘思源， 常英， 魏路雪． 茺蔚子总碱和水苏碱收缩离体小鼠子
宫的比较［J］. 中草药， 1998， 29 （10）： 687．
［4］ 高文义， 李银清， 蔡广知， 等． 茺蔚子降血压活性成分筛选的
实验研究［J］. 长春中医药大学学报， 2008， 24 （2）： 142．
［5］ 李林．水苏碱的研究概况［J］.安徽农业科学， 2009， 37 （3）： 930．
［6］ 梁生旺， 万丽．仪器分析［M］.北京： 中国中医药出版社， 2012： 294．
［7］ MATLAB中文论坛．MATLAB神经网络 30个案例分析［M］.北京：
北京航空航天大学出版社， 2010： 36．
［8］ 张良均， 曹晶， 蒋世忠． 神经网络实用教程［M］. 北京： 机械工
业出版社， 2008： 31-36．
［9］ 王卫东， 郑宇杰， 杨静宇． 采用虚拟训练样本优化正则化判别
分析［J］.计算机辅助设计与图形学学报， 2006， 18 （9）： 1327．
［10］ 常影． 茺蔚子化学成分及药理研究［J］. 吉林中医药， 2008， 28
（3）： 207．
［11］ 郭宇洁， 马燕琼， 吴晓洋 ． 正交试验法研究茺蔚子提取工艺
［J］. 中国实验方剂学杂志， 2003， 9 （2）： 9．
［12］ 蒋纪洋， 潘明湖 ． 不同炮制方法对茺蔚子水溶性成分含量的
影响［J］. 时珍国药研究， 1993， 4 （3）： 26．
［13］ 高文义， 李银清， 陶贵斌 ． 超临界萃取茺蔚子脂肪油的工艺
研究［J］. 中国实验方剂学杂志， 2010， 16 （6）： 20．
［14］ 张纪兴， 周玉平， 陈小坚， 等 ． 应用神经网络—遗传算法优
化青蒿油环糊精包合物制备工艺 ［J］ . 中成药 ， 2011， 33
（12）： 2166 ．
【责任编辑： 黄玲】
738
Study on Decoloration Process for Crude Polysaccharides from Cordyceps militaris
Link. by Macroporous Resin
WU Jun， LIU Bo， LIANG Weiling， ZHANG Qinde
（Shandong College of Traditional Chinese Medicine， Yantai 264199 Shandong, China）
Abstract： Objective To study the optimum decoloration technological conditions of crude polysaccharides from
Cordyceps militaris Link. (PCM) by macroporous resin. Methods With the decolorization rate and retention rate
of PCM as indexes, static adsorption factor experiment was used for the optimization of seven kinds of macroporous
resin. And then the optimum conditions of decolorization of PCM were investigated by the static/dynamaic adsorption
single－factor experiments. Results D941 macroporous resin is the best. The optimum decoloration technological
conditions were as follows: initial concentration of the sample was 50 mg/mL, pH value was 5.5, operating temperature
was 45℃, the flow rate of dynamaic adsorption was 2.5 BV/h, and the sample solution volume was 5 bed volume
per hour. Under the optimal conditions, decolorization rate and retention rate of PCM were （93.9 ± 3.4） % and
（91.7 ± 2.2） %， respectively. Conclusion The resin D941 is suitable for the decoloration of PCM. The optimized
method is feasible and reliable, having the prospects for popularizing.
Key words： Macroporous resin; Cordyceps militaris Link. /isolation & purification;
Crude polysaccharides /analysis; Decoloration
Optimization of Preparation Technology of Stachydrine in Fructus Leonuri Based on
Back-propagation Neural Network and Genetic Algorithm
ZHOU Sujuan1， ZHAO Bin2， MENG Jiang1， JIANG Shizhong1，
JIA Tianzhu3， LIANG Shengwang1
（1. Guangdong Pharmaceutical University， Guangzhou 510006 Guangdong， China; 2. Zhongshan Torch Polytechnic, Zhongshan
528436 Guangdong, China; 3. Liaoning University of Traditional Chinese Medicine, Dalian 116600 Liaoning, China)
Abstract： Objective To optimize the preparative procedure for stachydrine in Fructus Leonuri． Methods The
preparation was screened by orthogonal experiment, and a mathematical model of relationship of extraction time,
methanol concentration, and solid-liquid ratio with the content of stachydrine hydrochloride was established by
using back-propagation (BP) neural network. And the process parameters were optimized with genetic algorithm
(GA) . Results The optimum process parameters were as follows: extraction with 69% of methanol concentration
and with solid-liquid ratio being 11 times for 62 min. The content of stachydrine obtained by BP neural network
modeling and GA was higher than that achieved by orthogonal experiment. Conclusion The optimum preparative
procedure could be achieved by combining BP modeling with GA. The model developed in this study was proved
to be predictable and feasible for the optimization of process parameters of multi-dimension nonlinear system.
Key words： Back-propagation neural network； Genetic algorithm； Fructus Leonuri/chemistry；
Stachydrine/analysis； Technology optimization；
Chromatography, high pressure liquid
广州中医药大学学报 2015 年第 32 卷
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
（Continued from page 738）
744