全 文 ：［参考文献］
［１］ 杨 华，易 红．我国微乳技术在药学领域中的研究进展［Ｊ］．
中国新药杂志，２００６，１５（１０）：７６４．
［２］ 查建蓬，张嫡群，王云志．微乳色谱的研究及其在药物分析中
的应用［Ｊ］．中国药学杂志，２００６，４１（２）：９０．
［３］ 闻璃毓，康 纯．微乳ＴＬＣ同时分离鉴定２种成药的多种成分
［Ｊ］．中成药，２００１，２３（２）：９４．
［４］ 中国药典．一部［Ｓ］．２００５：５２７．
［５］ 邓 茂，杨 健，易 红，等．丹参微乳液中丹参酮ⅡＡ的
ＨＰＬＣ测定方法的建立［Ｊ］．中国实验方剂学杂志，２００８，１４
（３）：１．
ＥｘｐｅｒｉｍｅｎｔｏｆｅｘｔｒａｃｔｉｎｇＳａｌｖｉａｅＭｉｌｔｉｏｒｒｈｉｚａｅｏｎｕｓｉｎｇＯ／Ｗ Ｍｉｃｒｏｅｍｕｌｓｉｏｎ
ＹＡＮＧＨｕａ，ＤＥＮＧＭａｏ，ＹＩＨｏｎｇ
（ＩｎｓｔｉｔｕｔｅｏｆＣｈｉｎｅｓｅＭａｔｅｒｉａＭｅｄｉｃａ，ＣｈｉｎａＡｃａｄｅｍｙｏｆＴｒａｄｉｔｉｏｎａｌＭｅｄｉｃａｌＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１００７００，Ｃｈｉｎａ）
［Ａｂｓｔｒａｃｔ］ Ｏｂｊｅｃｔｉｖｅ：ＴｏｉｎｖｅｓｔｉｇａｔｅｔｈｅｆｅａｓｉｂｉｌｉｔｙｏｆｅｘｔｒａｃｔｉｎｇｔｈｅｆａｔｓｏｌｕｂｌｅａｎｄｔｈｅｗａｔｅｒｓｏｌｕｂｉｌｉｔｙｓｕｂｓｔａｎｃｅｓｆｒｏｍＳａｌｖｉａｅ
ＭｉｌｔｉｏｒｈｉｚａｅｗｉｔｈＯ／ＷＭｉｃｒｏｅｍｕｌｓｉｏｎ．Ｍｅｔｈｏｄ：ＷｉｔｈｔｈｅｙｉｅｌｄｏｆＴａｎｓｈｉｎｏｎｅⅡＡａｎｄＳａｌｖｉａｎｏｌｉｃａｃｉｄＢａｓｉｎｄｅｘ，ｃｏｍｐｅｒｅｗｉｔｈｅｆｉｃｉｅｎ
ｃｙｏｆｅｘｔｒａｃｔｉｎｇＳａｌｖｉａｅＭｉｌｔｉｏｒｈｉｚａｅｂｙｓｕｉｎｇｔｈｅｄｉｆｅｒｅｎｔｍｅｄｉａ（ｗａｔｅｒ，ａｌｃｏｈｏｌａｎｄｍｉｃｒｏｅｍｕｌｓｉｏｎ），ｕｓｉｎｇｄｉｆｅｒｅｎｔｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓ
（ｈｅａｔ，ｍｉｃｒｏｗａｖｅ，ｕｌｔｒａｓｏｎｉｃ），ｕｓｉｎｇｄｉｆｅｒｅｎｔｆｏｒｍｕｌａｔｉｏｎｓｏｆＯ／Ｗｍｉｃｒｏｅｍｕｌｓｉｏｎ．Ｒｅｓｕｌｔ：ＴｈｅｅｘｔｒａｃｔｉｎｇｙｉｅｌｄｏｆＴａｎｓｈｉｎｏｎｅⅡＡａｎｄ
ＳａｌｖｉａｎｏｌｉｃａｃｉｄＢａｒｅｍｏｒｅｔｈａｎ７０％ ｂｙｕｓｉｎｇｍｉｃｒｏｅｍｕｌｓｉｏｎａｔｍｅａｎｔｉｍｅ．Ｉｔｉｓｇｏｏｄｏｆｔｈｅａｂｉｌｉｔｉｅｓｏｆｅｘｔｒａｃｔｉｏｎｏｆｌｉｐｏｓｏｌｕｂｉｌｉｔｙｃｏｍ
ｐｏｕｎｄｓｓｕｃｈａｓｔｈｅＴａｎｓｈｉｎｏｎｅⅡＡｂｙｔｈｅｍｉｃｒｏｅｍｕｌｓｉｏｎ．ＴｈｅｆｏｒｍｕｌａｔｉｏｎｓｏｆｍｉｃｒｏｅｍｕｌｓｉｏｎｈａｖｅｒｅｍａｒｋａｂｌｅｅｆｅｃｔｆｏｒｅｘｔｒａｃｔｉｎｇＳａｌｖｉａｅ
Ｍｉｌｔｉｏｒｈｉｚａｅ．Ｃｏｎｃｌｕｔｉｏｎ：ＩｔｉｓｆｅａｓｉｂｉａｌｅｔｈａｔｅｘｔｒａｃｔｅｄＳａｌｖｉａｅＭｉｌｔｉｏｒｈｉｚａｅｂｙｕｓｉｎｇＯ／Ｗｍｉｃｒｏｅｍｕｌｓｉｏｎａｓａｓｏｌｖｅｎｔｓ．
［Ｋｅｙｗｏｒｄｓ］ Ｓａｌｖｉａｅｍｉｌｔｉｏｒｈｉｚａｅ；ｍｉｃｒｏｅｍｕｌｓｉｏｎ；ｅｘｔｒａｃｔ；ｔａｎｓｈｉｎｏｎｅⅡＡ；ｓａｌｖｉａｎｏｌｉｃａｃｉｄＢ
［责任编辑 鲍 雷］
［收稿日期］ ２００８０５０６
［通讯作者］ 杨铭，Ｔｅｌ：（０２１）６４３８５７００７３０８，Ｅｍａｉｌ：ｙａｎｇｐｌｕｓｚｈｕ＠ｓｉｎａ．ｃｏｍ
［作者简介］ 杨铭，硕士，药师，主要从事中西药物制剂工艺及质量控制研究
ＢＰ神经网络结合遗传算法多目标优化秦皮
提取工艺的研究
杨 铭，余敏英，史秀峰，滕艳萍
（上海中医药大学 附属龙华医院 药剂科，上海 ２０００３２）
［摘要］ 目的：使用ＢＰ神经网络结合遗传算法用于秦皮提取工艺的多目标优化。方法：以秦皮甲素和秦皮乙
素为指标，采用均匀设计法优化ＢＰ神经网络模型参数，并建立网络模型，再利用遗传算法对网络进行多目标寻优，
获得秦皮的最佳提取工艺。结果：得到的最优工艺条件为提取温度９９℃、乙醇体积分数５０％、液固比７、提取时间
９４ｍｉｎ，网络在此条件下的预测值为秦皮甲素提取量为９６１７ｍｇ·ｇ－１，秦皮乙素提取量为２１９５ｍｇ·ｇ－１，和实际
测量值的相对误差仅为－１１６％和－５１４％，具有较好的网络预测性。结论：ＢＰ神经网络结合遗传算法可用于秦
皮提取工艺的多目标优化。
［关键词］ 秦皮；提取工艺；均匀设计；ＢＰ神经网络；遗传算法；多目标优化
［中图分类号］Ｒ２８４．１ ［文献标识码］Ａ ［文章编号］１００１５３０２（２００８）２２２６２２０５
·２２６２·
第３３卷第２２期
２００８年１１月
中 国 中 药 杂 志
ＣｈｉｎａＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＭａｔｅｒｉａＭｅｄｉｃａ
Ｖｏｌ．３３，Ｉｓｓｕｅ ２２
Ｎｏｖｅｍｂｅｒ，２００８
目前，中药提取工艺较常用的实验设计有因子
设计、响应曲面设计（中心复合设计［１］、球面对称设
计［２］等）、正交设计［３５］、均匀设计、中心旋转回归［６］
等，然后再用多元回归来拟合这些实验所得的数据
（连续型数据），在优化过程中通常采用的是线性或
非线性规划，但是中药的成分比较复杂，需要考察的
指标有很多，在多目标优化方法中目前较常用的是
将各个目标加权，从而将多目标问题转换为单目标，
再采用比较成熟的单目标优化算法求解，如综合评
分法。但它们有明显的缺点，如转换成单目标优化
后每次计算只能产生一个解，而权重系数往往也无
法确定。
人工神经网络（ＡＮＮ）系统从２０世纪４０年代
末诞生至今仅短短半个多世纪，但由于它具有信息
的分布存储、并行处理以及自学习能力等优点，已经
在信息处理、模式识别、智能控制及系统建模等领域
得到越来越广泛的应用。尤其是基于误差反向传播
算法的多层前馈网络（简称 ＢＰ网络），可以以任意
精度逼近任意的连续函数，所以广泛应用于非线性
建模［７］。由于神经网络模型是通过神经元间的连
接权值与阈值来实现的，在解决最优化问题时，根本
无法用传统的优化方法来实现。遗传算法（ＧＡ）［８］
是一种基于自然选择和基因遗传学原理的优化搜索
方法。它将“优胜劣汰，适者生存”的生物进化原理
引入待优化参数形成的编码串群体中，按照一定的
适配值函数及一系列遗传操作对各个个体进行筛
选，从而使适配值高的个体被保留下来，组成新的群
体，新群体中各个体适应度不断提高，直到满足一定
的极限条件。此时，群体中适配值最高的个体即为
待优化参数的最优解。
秦皮具有清热解毒、清肝明目的功效，用于热
痢、泄泻、赤白带下、目赤肿痛、目生翁膜等症。秦皮
甲素和秦皮乙素是其主要的活性成分，本研究就利
用神经网络建模并结合遗传算法多目标优化秦皮的
提取工艺。
１ 材料
日本岛津ＬＣ－１０Ａｖｐ高效液相色谱仪，ＳＰＤ－
１０Ａｖｐ紫外检测器，ＣＴＯ－１０Ａｖｐ柱温箱，Ｃｌａｓｓ－ｖｐ
色谱工作站，ＫｒｏｍａｓｉｌＬＡＡＩ－ＫＲ００６Ｃ１８色谱柱
（４６ｍｍ×２５０ｍｍ，５μｍ），ＳＢＸＺ－１Ａ恒温水浴锅
（上海申玻仪器公司），ＳａｒｔｏｒｉｕｓＢＳ１１０Ｓ精密电子天
平。
秦皮甲素（批号 １１０７４０２００１０４）与秦皮乙素
（批号１１０７４１２００５０６）对照品见自中国药品生物制
品检定所，秦皮药材购自上海德华国药制品有限公
司，产地陕西，批号２００７１０２５０２。甲醇为色谱纯，其
他试剂均为分析纯。
使用的软件为ＭＡＴＬＡＢ的神经网络工具箱、英
国谢菲尔德（Ｓｈｅｆｉｅｌｄ）大学开发的基于ＭＡＴＬＡＢ的
遗传算法工具箱。
２ 方法与结果
２．１ 试验设计
采用均匀设计对乙醇回流提取的主要影响因
素：提取温度、乙醇浓度、液固比、提取时间进行考
察，因素水平见表１。
表１ 均匀试验因素水平
水平 提取温度／℃ 乙醇体积分数／％ 液固比 提取时间／ｍｉｎ
１ ７５ ５０ ６ ４５
２ ８０ ６０ ７ ６０
３ ８５ ７０ ８ ７５
４ ９０ ８０ ９ ９０
５ ９５ ９０ １０ １０５
６ １００ １００ １１ １２０
２．２ 提取液的制备
称取秦皮样品共１２份，各８００ｇ，按照均匀试
验设计条件进行处理，回流提取后放冷，过滤，滤液
置于１００ｍＬ量瓶中，用相应浓度乙醇定容至刻度，
摇匀，微孔滤膜（０４５μｍ）滤过，取续滤液，密封备
用，得１２个供试品溶液。
２．３ 秦皮甲素和乙素的ＨＰＬＣ测定
２．３．１ 色谱条件 色谱柱为 ＫｒｏｍａｓｉｌＣ１８色谱柱
（４６ｍｍ×２５０ｍｍ，５μｍ）；流动相甲醇０１％磷酸
水（１５∶８５）；柱温３０℃；流速１２ｍＬ·ｍｉｎ－１；进样
量２μＬ；检测波长３４０ｎｍ。色谱图见图１，秦皮对
照品及样品中秦皮甲素及秦皮乙素在此色谱条件下
分离良好，分离度＞１５，理论塔板数以秦皮甲素峰、
秦皮乙素峰计算均不低于２０００，空白乙醇在此处无
干扰。
Ａ．空白；Ｂ．对照品；Ｃ．样品；１．秦皮甲素；２．秦皮乙素
图１ 秦皮样品ＨＰＬＣ图
２．３．２ 对照品溶液制备 精密称取对照秦皮甲素
·３２６２·
第３３卷第２２期
２００８年１１月
中 国 中 药 杂 志
ＣｈｉｎａＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＭａｔｅｒｉａＭｅｄｉｃａ
Ｖｏｌ．３３，Ｉｓｓｕｅ ２２
Ｎｏｖｅｍｂｅｒ，２００８
对照品２９ｍｇ和秦皮乙素对照品２０ｍｇ，分别置于
１０ｍＬ量瓶中，加甲醇定容至刻度线。再精密吸取
上述秦皮甲素和秦皮乙素母液各５ｍＬ和３ｍＬ，共
同置于１０ｍＬ量瓶中，加甲醇定容至刻度线。得到
每毫升分别含秦皮甲素０１４５ｍｇ和秦皮乙素００６
ｍｇ的混合对照品溶液。
２．３．３ 标准曲线绘制 将混合对照品液分别进样
２，６，８，１０，２０μＬ，注入高效液相色谱仪，按上述色谱
条件测定，以进样量 Ｘ为横坐标，峰面积 Ｙ为纵坐
标绘制标准曲线，并进行线性回归，得到如下线性回
归方程，秦皮甲素：Ｙ＝１４３４９９７Ｘ＋４０９２９７，ｒ＝
０９９９７；秦皮乙素：Ｙ＝２５７１５９１Ｘ＋２９２５９７，ｒ＝
０９９９７。结果表明秦皮甲素和秦皮乙素进样量分
别在０２９～２９０μｇ和０１２～１２０μｇ与峰面积的
线性关系良好。
２．３．４ 样品均匀实验结果 取１２个供试品溶液，
按照上述色谱条件测定，通过峰面积计算含量，得出
各供试品溶液中秦皮甲素、秦皮乙素含量。样品的
测定结果见表２。
表２ Ｕ１２（６４）均匀设计实验方案及结果
因
子
温度
／℃
乙醇体
积分数
／％
液固比
提取
时间
／ｍｉｎ
提取率／ｍｇ·ｇ－１
秦皮甲素 秦皮乙素
Ｎ１ ９０ ６０ ８ ４５ ６３６６ １５２９
Ｎ２ １００ ８０ １０ １０５ ７８７９ １７９７
Ｎ３ ８０ １００ １１ ９０ ６２８６ １９８２
Ｎ４ ９５ ７０ １１ ６０ ８６１６ ２０９４
Ｎ５ ８５ ９０ ９ ４５ ７２６０ １９６６
Ｎ６ ９０ ９０ ８ １２０ ７７５５ ２３９０
Ｎ７ ９５ ５０ ６ ９０ ９３６０ ２１２５
Ｎ８ １００ １００ ７ ７５ ３０５２ １０８１
Ｎ９ ７５ ５０ １０ ７５ ８１２８ １７４４
Ｎ１０ ７５ ７０ ７ １０５ ６８２５ １４９７
Ｎ１１ ８０ ８０ ６ ６０ ５８８７ １３１０
Ｎ１２ ８５ ６０ ９ １２０ ６６１１ １７１７
２．４ 神经网络建模
２．４．１ ＢＰ神经网络参数优化 理论上已证明具有
３层结构（只有１个隐层）的ＢＰ神经网络能够逼近任
何有理函数，而隐层的神经元数目和不同的神经网络
训练算法及目标收敛精度将直接影响神经网络的性
能［９］。因此，本试验用３层结构的ＢＰ神经网络来建
模，用均匀设计Ｕ１０（５３）来优选隐层的神经元数目、
网络训练和目标收敛精度，以１０折交叉验证后的平
均残方差来评价神经网络的性能。４个输入节点分
别对应提取温度、乙醇浓度、固液比、提取时间４个考
察因素，输出层２个输出节点对应要考察的指标是秦
皮甲素和秦皮乙素的提取含量。隐层为双曲正切传
递函数（ｔａｎｓｉｇ），输出层为线性传递函数（ｐｕｒｅｌｉｎ），设
定最大学习步长为２０００次，其他参数为默认值。隐
层神经元数目、网络训练算法和目标收敛精度见均匀
设计表３各水平，在训练前分别对各数据进行标准化
处理［（Ｘ－珋ｘ）／Ｓ］，然后对其进行预测拟合。
１０折交叉验证后的结果见表３，可见不同的隐
层神经元数目、网络训练算法和目标收敛精度对网
络的性能均有影响，从直观上看，隐层神经元１６个、
目标精度００３４、一步正切ＢＰ算法（ｔｒａｉｎｏｓｓ）具有较
小的平均残方差。因此，针对本实验，采用隐层神经
元数目为１６个，ＢＰ神经网络训练算法为一步正切
ＢＰ算法，目标收敛精度为００３４较优。
表３ Ｕ１０（５３）均匀设计表
因子
隐层
神经元
训练函数
目标
精度
平均残方差
／％
Ｎ１ １０ ＬｅｖｅｎｂｅｒｇＭａｒｑｕａｒｄｔ算法 ００３６ ５７５１５６
Ｎ２ １６ 一步正切ＢＰ算法 ００３４ ３３４８９１
Ｎ３ １４ ＬｅｖｅｎｂｅｒｇＭａｒｑｕａｒｄｔ算法 ００２８ ８４００９６
Ｎ４ １２ 自适应学习率动量法 ００３２ ５７４８８８
Ｎ５ １６ 弹性反向传播算法 ００３０ ３３８２７９
Ｎ６ ８ 弹性反向传播算法 ００３４ ６４４７７０
Ｎ７ １４ Ｂａｙｅｓ规范化ＢＰ算法 ００３６ ６０５０６５
Ｎ８ １０ Ｂａｙｅｓ规范化ＢＰ算法 ００２８ ３７６０９６
Ｎ９ １２ 自适应学习率动量法 ００３２ ５７４８８８
Ｎ１０ ８ 一步正切ＢＰ算法 ００３０ ６６９１７６
２．４．２ 用优化的神经网络模型进行预测拟合 根
据以上结论，采用 ＭＡＴＬＡＢ编程，隐层神经元数目
为１６个，ＢＰ神经网络训练算法为一步正切 ＢＰ算
法，中间层传递函数为双曲正切转换函数和线性传
递函数，设定最大学习步长为２０００次，目标收敛精
度为００３４，其他参数为默认值。在训练前分别对
各数据进行标准化处理后，对实验数据进行预测拟
合。结果：ＢＰ神经网络的训练均方误差曲线于１７４
步收敛，实际收敛精度为００３３９８８２，秦皮甲素和
秦皮乙素的拟合相关系数可达０９９９９和０９９９４。
２．５ 用遗传算法进行多目标优化
２．５．１ 遗传算法进行多目标优化的基本思想［８］
本研究采用并列选择法在已建立的神经网络模型上
进行多目标优化求解，其基本思想是先将初始群体
中的全部个体按子目标函数的数目均等地划分为一
些子群体，对每个子群体分配１个子目标函数，各子
目标函数在相应的子群体中独立地进行选择运算，
·４２６２·
第３３卷第２２期
２００８年１１月
中 国 中 药 杂 志
ＣｈｉｎａＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＭａｔｅｒｉａＭｅｄｉｃａ
Ｖｏｌ．３３，Ｉｓｓｕｅ ２２
Ｎｏｖｅｍｂｅｒ，２００８
各自选择出一些适应度高的个体组成１个新的子群
体，然后再将所有新生的子群体合并成１个完整的
群体，在这个群体中进行交叉、变异运算，从而生成
下一代的完整群体，如此不断地进行“分割并列选
择合并”操作，最终可求得多目标优化的 Ｐａｒｅｒｔｏ最
优解，程序编译示意如图２。
图２ 并列选择遗传算法示意图
２．５．２ 用遗传算法对已建立的网络模型进行多目
标寻优 数据进行标准化处理［（Ｘ珔Ｘ）／Ｓ］后将 ＢＰ
神经网络模型的实际仿真结果的相反数作为适应度
函数，由于输出为二维，在将相应的维数作为相应的
子目标函数，采用二进制编码方式，初始种群大小为
２００，即每个子种群大小为１００，选择随机遍历抽样
（ｓｕｓ），单点交叉（ｘｏｖｓｐ）概率为０７，变异（ｍｕｔ）概
率为０００４，遗传代数为５０代，变量搜索范围为实
验结果中各参数数据经标准化后的范围。用 ＭＡＴ
ＬＡＢ进行编程，运行结果见各子种群均值变化迭代
图，如图３，４，可见当迭代到５０代时，各子目标已趋
向恒定，搜索结果如下：秦皮甲素的最大提取量为
９６１７３ｍｇ·ｇ－１，秦皮乙素的最大提取量为２１９５４
ｍｇ·ｇ－１，各相应参数经反标准化为提取温度 ９９
℃、５０％乙醇、液固比７、提取时间９４ｍｉｎ。
２．６ 工艺验证
选用上述优化条件，称取８００ｇ药材，共３份。
以提取温度９９℃、乙醇体积分数５０％、液固比７、提
取时间９４ｍｉｎ，进行乙醇回流提取实验，测定秦皮甲
素和秦皮乙素的提取率。其平均提取率分别为
９７３０ｍｇ·ｇ－１生药和２３１４ｍｇ·ｇ－１生药，网络预
测值和实际测量值的相对误差仅为 －１１６％和
－５１４％。
３ 讨论
３．１ 数据的预处理
在提取工艺中，由于各个参数指标互不相同，因
此原始样本数据中各变量的数量级可能差别很大，
图３ 子目标１（秦皮甲素）种群均值变化
图４ 子目标２（秦皮乙素）种群均值变化
为了方便及防止神经网络中的部分神经元达到过饱
和状态，在研究中对样本的输入进行必要的标准化
处理。标准化处理的方法很多，本研究采用的是
（Ｘ珔Ｘ）／Ｓ，即数据与均数之差再除以标准差。
３．２ １０折交叉验证
交叉验证被认为是评估机器学习模型的有效方
法，所谓１０折交叉验证，是指给定１个数据样本，数
据被随机分割成１０个部分，每个部分依次轮流被旁
置，其余９／１０的数据则参与某１个学习方案的训练，
而旁置的数据集则用于计算误差率；这样，学习过程
共进行１０次，每次使用不同的训练集。最后，将１０
个误差率估计值平均得到１个综合误差估计。大量
试验证明１０折正是获得最好的误差估计的恰当选
择［１０］。作者以１０折交叉验证的结果优选的网络模
型能够对于提取工艺的各参数提供准确的预报性。
３．３ 遗传算法工具箱的使用
作者采用了并列选择遗传算法进行多目标优
化，使用的是设菲尔德（Ｓｈｅｆｉｅｌｄ）遗传算法工具箱
中的基于排序的适应度分配函数，因此目标值较低
的就有较高的适应度，所以在求解极大值时，需进行
相反数变换，本研究要优选的２个指标均为极大，因
此都以网络模型的实际仿真结果的相反数作为适应
度函数。另外，由于遗传算法的初始种群具有随机
性，因此每次运算搜索到的结果都有细小的差别，但
·５２６２·
第３３卷第２２期
２００８年１１月
中 国 中 药 杂 志
ＣｈｉｎａＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＭａｔｅｒｉａＭｅｄｉｃａ
Ｖｏｌ．３３，Ｉｓｓｕｅ ２２
Ｎｏｖｅｍｂｅｒ，２００８
是这并不会影响搜索到全局的较优解。
３．４ 与多元回归的结果比较
将秦皮甲素 Ｙ甲素和秦皮乙素 Ｙ乙素的提取率分
别与提取温度 Ｘ１、乙醇体积分数 Ｘ２、液固比 Ｘ３、提
取时间Ｘ４进行二次多项式回归处理，得秦皮甲素和
秦皮乙素的回归方程分别为 Ｙ甲素 ＝１９８８９３－
０２７６７Ｘ４－０００２９Ｘ１Ｘ１－１３３５３６Ｘ２Ｘ２＋００９７８Ｘ３
Ｘ３＋０００６１Ｘ１Ｘ４＋１５０３３Ｘ２Ｘ３＋００３２５Ｘ２Ｘ４－
００３１９Ｘ３Ｘ４（ｒ＝０９９９５）；Ｙ乙素 ＝－２００３６４＋
０１３６７Ｘ１＋２５１６６９Ｘ２＋１８７１３Ｘ３－００４５５Ｘ４－
０２４０２Ｘ１Ｘ２－０００７４Ｘ１Ｘ３＋０００１３Ｘ１Ｘ４－０６３７６
Ｘ２Ｘ３＋００１５３Ｘ２Ｘ４－０００８５Ｘ３Ｘ４（ｒ＝０９９４７）。
将多元回归的拟合与 ＢＰ神经网络的预测拟合
结果作比较，从拟合结果可看出，ＢＰ神经网络的相
关系数明显高于多元回归。在得出最佳工艺后，经
过验证实验得到的数据是秦皮甲素提取率是９７３０
ｍｇ·ｇ－１，秦皮乙素的提取率是２３１４ｍｇ·ｇ－１，多
元回归在此条件下的预测值分别为 ８９４９和
２６７６，预测误差分别达到了 －８０３％和 １５６６％，
通过神经网络的预测值分别为９６１７和２１９５，预
测误差分别为 －１１６％和 －５１４％。由此可见，合
适的神经网络模型不但在拟合效果上优于多元回
归，对于提取工艺的各参数显示出了更准确的预报
性，可以在提取工艺中用于建立多指标与多参数之
间的关系模型，由于遗传算法独具的工作原理，使它
能够在复杂空间进行全局优化搜索，特别适合在复
杂的神经网络模型的基础上进行寻优，这种神经网
络结合遗传算法的方法是解决中药提取工艺中多指
标多参数优化的有效途径。
［参考文献］
［１］ 郝秀华，程 刚，王 琳，等．中心复合设计优化５氟尿啥陡
肝动脉栓塞微球的制备工艺［Ｊ］．中国药学杂志，２００４，３９
（７）：５２５．
［２］ 宋学伟，潘 兰，韩泳平，等．球面对称设计优化荨麻多糖的
提取工艺［Ｊ］．中草药，２００６，３７（９）：１３４４．
［３］ 魏 敏，江雪华．正交设计法优选黄芪提取工艺研究［Ｊ］．基
层中药杂志，２０００，１４（６）：２３．
［４］ 王玉华，赵国丁，荀雅书，等．四物汤中多糖提取工艺筛选
［Ｊ］．中成药，２００３，２５（５）：３５１．
［５］ 周素娟．正交设计研究补肾通痹颗粒提取工艺［Ｊ］．中华中医
药学刊，２００７，２５（３）：６０６．
［６］ 吴亚琼，张建新．旋转回归设计优化超声波橘皮总黄酮提取
工艺［Ｊ］．食品研究与开发，２００８，２９（３）：１３．
［７］ 高 隽．人工神经网络原理及仿真实例［Ｍ］．北京：机械工业
出版社，２００５：１６．
［８］ 雷英杰，张善文，李续武，等．ＭＡＴＬＡＢ遗传算法工具箱及应
用［Ｍ］．西安：西安电子科技大学出版社，２００５：４５．
［９］ 飞思科技产品研发中心．神经网络理论与 ＭＡＴＬＡＢ７实现
［Ｍ］．北京：电子工业出版社，２００５：９９．
［１０］ ＩａｎＨＷｉｔｅｎ，ＥｉｂｅＦｒａｎｋ．数据挖掘实用机器学习技术［Ｍ］．
董 琳，邱 泉，于晓峰，等译．北京：机械工业出版社，２００６：
２８６．
Ｂａｃｋｐｒｏｐａｇａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｏｒｍｕｌｔｉｏｂｊｅｃｔｉｖｅ
ｏｐｔｉｍｉｚａｔｉｏｎｏｆｅｘｔｒａｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆＣｏｒｔｅｘＦｒａｘｉｎｉ．
ＹＡＮＧＭｉｎｇ，ＹＵＭｉｎｙｉｎｇ，ＳＨＩＸｉｕｆｅｎｇ，ＴＥＮＧＹａｎｐｉｎｇ
（ＭｅｄｉｃａｍｅｎｔＤｅｐａｒｔｍｅｎｔＯｆＬｏｎｇｈｕａＨｏｓｐｉｔａｌＡｆｉｌｉａｔｅｄｔｏＳｈａｎｇｈａｉｕｎｉｖｅｓｉｔｙｏｆＴｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅＭｅｄｉｃｉｎｅ，Ｓｈａｎｇｈａｉ２０００３２，Ｃｈｉｎａ）
［Ａｂｓｔｒａｃｔ］ Ｏｂｊｅｃｔｉｖｅ：ＴｏｉｎｔｒｏｄｕｃｅＢａｃｋｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｏｒｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａ
ｔｉｏｎｏｆｅｘｔｒａｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆＣｏｒｔｅｘＦｒａｘｉｎｉ．Ｍｅｔｈｏｄ：ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｅｓｔａｂｌｉｓｈｅｄａｎｄｏｐｔｉｍｉｚｅｄｗｉｔｈｕｎｉｆｏｒｍｄｅｓｉｇｎ．Ｇｅｎｅｔ
ｉｃａｌｇｏｔｉｔｈｍｗａｓｕｓｅｄｆｏｒｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｏｆｅｘｔｒａｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆｃｏｒｔｅｘｆｒａｘｉｎｉ．Ｒｅｓｕｌｔ：ｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｏｆｅｘｔｒａｃｔｉｏｎ
ｗａｓａｓｆｏｌｏｗｓ：ｅｘｔｒａｃｔｉｏｎｔｅｍｐｅｒａｔｕｒｅｗａｓ９９℃，ｃｏｎｃｅｎｔｒａｔｉｏｎｏｆＥｔＯＨｗａｓ５０％，ｌｉｑｕｉｄｓｏｌｉｄｒａｔｉｏｗａｓ７，ｅｘｔｒａｃｔｉｏｎｔｉｍｅｗａｓ９４
ｍｉｎ．Ｔｈｅｐｒｏｐｏｒｔｉｏｎａｌｅｒｏｒｂｅｔｗｅｅｎｐｒｅｄｉｃｔｉｖｅｖａｌｕｅａｎｄｐｒａｃｔｉｃａｌｍｅａｓｕｒｅｄｖａｌｕｅｗａｓｊｕｓｔ－１１６％ ａｎｄ－５１４％．Ｃｏｎｃｌｕｓｉｏｎ：
Ｂａｃｋｐｒｏｐａｇａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｏｒｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｏｆｅｘｔｒａｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆｃｏｒｔｅｘｆｒａｘｉｎｉｉｓａｄｖｉｓ
ａｂｌｅ．
［Ｋｅｙｗｏｒｄｓ］ ＣｏｒｔｅｘＦｒａｘｉｎｉ；ｅｘｔｒａｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙ；ｕｎｉｆｏｒｍｄｅｓｉｇｎｍｅｔｈｏｄ；ｂａｃｋｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｇｅｎｅｔｉｃ
ａｌｇｏｒｉｔｈｍ；ｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎ
［责任编辑 鲍 雷］
·６２６２·
第３３卷第２２期
２００８年１１月
中 国 中 药 杂 志
ＣｈｉｎａＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＭａｔｅｒｉａＭｅｄｉｃａ
Ｖｏｌ．３３，Ｉｓｓｕｅ ２２
Ｎｏｖｅｍｂｅｒ，２００８