全 文 ：中药质量的人工神经网络评价方法
中国科学院上海冶金研究所 ( 20 0 0 5 0 ) 蔡坦 东. 宫字文 程 光年 陈念贻
摘要 提出中药质量的人工神经网络评价方法 , 并对中药厚朴按其气相色谱分析得到的各组分相
对含量 , 运用该方法作了尝试 , 成功率达 10 % 。 结果表明 , 神经网络方法性能好 , 可 望成为中
药质量评价的有效手段 。
关健词 厚朴 人工神经网络 反向传播模型
中药所含化学成分复杂 , 其疗效有时是 由几个成分协同作用 , 所以只凭某一有效成分含量
多少确定其质量是不够科学的 。 但逐一提取 、 分离 、 结构测定及含量分析 , 是麻烦 、 困难的 。
近年来文献〔 l’ 2〕报道 , 避开化学成分分离鉴定 , 运用数学方法分析对中药进行化学测量得到
的数据 , 以评价中药质量 , 取得较好效果 。
本文对中药厚朴经气相色谱分析后得到的样品组分的相对含量〔“ 〕 , 运用 人 工神 经网络
对这些样品进行分析和评价 , 建立了中药厚朴质量评价的计算机智能专家系统 。 有关这 方面
的研究工作尚未见报道 。
1 人工神经 网络— “ 反向传播” 模型人工神经网络 ( A N N ) 是 80 年代中期
迅速兴起的一门非线性科学 , 它 在 模 式识
别 、 数据处理及 自动化控制等领域已得到了
初步的应用 , 取得了很好的效果〔 3〕 。
1 9 85 年 , 美国M I T 的 P D P ( 并行分布处
理 ) 小组 提出的 “ 反 向传提 ” 模型是近年来
用得最多的网络之一 ( 图 ) 。 它具有很强的
、 。 。 去去上 去
隐 蔽 层
输 入 层
图 反向传播网络
白组织 、 自适应能力 , 通过对有代表性例子的学习 、 训练 , 能够掌握事物 的本质特征 , 许多
问题都可 由它来解决 , 例如 X O R 问 题 , T 一 C匹配 , 对称性判断等〔 3〕 , 目前对神经网络的研
究热潮 , B一 P模型是起了重要作用的模型之一 。
设 T ( p . j ) O ( p . j ) , 分别是第 p个样本的期望输出与实际输出 , 则 B 一 P 网络 学 习算
法为 :
△ p w ( j . 1 ) = 月. D ( p . j ) 一 0 ( p . j ) ,
例 1 0 戈 p . j ) 为输出节点的输出时 , D ( p . j ) 二 F ` 〔刊 E T ( p . j ) 〕 . 〔T ( p . j ) 一 0
( P
.
j ) 〕
例 2 0 ( p . j ) 为隐蔽层节 点的输出时 , D ( p . j ) = F ` ( N E T ( p . i ) 〕 一艺W ( m . j ) ·
O ( p
.
m )
其中 , F , = F 一 ( 1一 F ) , F = 1 . 0 /〔一 e x P ( 一 x ) 〕
此处 , W ( j . 1) 是某层 的第 i个节点与上一层第 j个节点间连线的权 , O ( p . j ) 是第j个
节点的输出 , N E T ( p . j ) = 互w ( p . j ) . 0 ( p . j ) 是第 j介,节点收到的信息总和 , D ( p .
.
A d d
r e s s , C a i Y
u d o n g
,
S h a n g h a i I n s t i t u t e o f M e t a l l u r g y
,
C h i n e s e A
c a d e m y
o
f S
c i o n c e s
-
S h a n g h a i
《 中草约 刀 1 99 4斗弟 2 5仓 弟 4期 · 1 8 7 -
」) 是第j个节点的输出误差 , 月> o是增益 。
这样一个网络的学习过程 , 就是一个网络的权系数的自适应 、 自组织过程 , 经 过 多次
训练后 , 网络具有 了对学习样本 的记忆 、 联想的能力 。
2 应用与讨论
2
.
1 研究实例 : 文献〔“ 〕报道了不同产地 的厚朴样品共 12 种 , 经专家用植物分类 学 方法 确
认 , 见表 1 。
表 1 厚朴祥品产地及品种
序号 产地
沈阳药材采购站提供
沈阳药材采购站提供
湖南
浙江金华
云南怒江
湖南龙山
品种
厚朴
凹叶厚朴
厚朴
厚朴
大叶木兰
厚朴
序号 产地
四川
湖北宜昌
湖北鹤峰
湖北宜都
湖北利川
湖北宜愚
品种
厚朴
厚朴
厚朴
厚朴
厚朴
厚朴
n,19曰
曰Jn石OUJ.二,工上
根据厚朴样品的质量 , 将其分为 3类 :
第 1类 : 正品厚朴 、 质量较高 。 第 2类 : 正品厚朴 、 质量较低 。 第 3类 : 厚朴代用品 。
将其中 8个样品作为神经网络 的 “ 学习 ” 教材 , 以其特征变量 ( 样品各组分相对百分含
量 ) 作为输入 。 将 3类样品的期望输出依次定为 “ 0 . 9 , 0 . 1 , 0 . 1, (第 l类 ) ; “ 0 . 1, 0 . 6
。 . 1, (第 2类 ) ; “ 0 . 1, 0 . 1 , 0 . 9” ( 第 3类 ) 。 神经网络的隐蔽层含 8个单元 , 训 练 集的
收敛度为 0 . 0 1 。 经过学习 , 神经网络能完全正确地识别这些样品 , 误判率为零 , 建 立 了样
品各组分 相对含量与其质量之间的复杂对应关系见表 2。
表 2 8个 “ 训练 ” 样本
组分
序号
类别 神经网络学习结果
,生,工, J山.1
l
2
3
5
7
8
9
1l
0
。
1 1
0 。 3 3
0
。
6 0
0
。
0 8
0
。
0 4
0
。
0 0
0 0 4
0
。
0 9
0
。
0 4
0
。
0 9
0
。
15
0
。
1 2
0
。
1 1
0 0 0
::::
1
。 6
2
。
0 9
2
。
9 2
1
。
6 8
1
。
4 6
1
。
0 8
0
。
7 8
1
。
6 4
0
。
0
0
。
0
0
。
0
0
。
8 6
0
。
0
0
。
0 0
0
。
0 0
0
。
0 0
2
。 3 2
0
。
3 4
0
。
4 2
2 。 3 8
0
。
2 8
0
。
3 3
0
。
7 0
1
。
8 3
0
。
9 0 0 1 3 6
0
。
9 0 46 3 3
0 。 8 9 8 4 47
0
。
10 49 8 1
0
.
9 0 6 9 6 1
0
。
1 0 7 7 2 5
0
.
1 0 9 2 7 3
0
。
8 9 0 7 8 6
0
。
0 8 9 2 5 1
8
.
0 9 5 8 8 7
8 0 9 2 6 95
8
.
1 0 2 7 8 3
8
。
10 5 0 6 6
8
.
8 9 8 9 4 3
0 8 9 6 6 8 6
0
。
0 9 7 5 5 9
0
。
10 55 2 3
8
。
10 12 7 9
0 。 1 1 40 18
0 8 9 9 8 3 1
0 . 0 9 2 7 6 5
0
。
0 9 8 4 0 1
0
。
0 9 8 3 5 3
0
。
1 0 19 7 6
为了考验所建立 的模型 , 将待测的4个样品作为 “ 未知 ” 样品 , 由已掌握 了知 识 信息的
神经 网络进行评价 , 结果见表 3 。 可见 , 评价结果 与实际情况完全一致 。
表 3 4个 “ 未知 ” 样本
组分 神经网络预测结果 预测类别 实际类别
序 t当万
, . . . . . ` . . . . . . . . . . .一~ . ~ ~ ~ ~ ~
O
` .工
0
。
3 5
0
。
1 8
0
一 0 4
0
。
0 4
。
11 1
。
6 4
。
0 5 2
。
2 8
0
。
2 8
2
。
13
:;:: :;;:
0
。
0
0
。
0 0
0
。
0 0
0 。 0 0
:::
0
。 9 0 0 5 5 9
0
。
9 0 11 6 9
0
。
1 3 3 14 3
0
。
2 6 3 6 0 3
0
。
1 0 4 5 9 7
0 。 0 8 47 3 6
0 。 8 6 7 30 4
0 。 7 3 2 7 2 8
0 。 0 9 7 7 9 0
0
。
1 1 2 1 0 1
0
。
1 0 0 0 8 2
0 。 0 9 3 1 2 1
通ù一bo勺自
, .几11
.
18 8
.
2
.
2 神经 网络的容错能力 : 神经网络模型中 , 知识信息采取分布式存储 , 个别单 元 损坏不
会引起错误 , 因此用神经 网络进行预报识别容错能力强 , 可靠性高 。
本研究中 , 将神经 网络最后一个隐节点 ( 隐蔽层第 8个神经元 ) 删去 , 即相 关权 重置为
零 , 得到的神经网络模型记为模型 B , 原来的模型记为模型 A , 对 4个 “ 未知 ” 样本的评价见
表 4 。 可见 , 神经 网络具有较强 的容错 、 抗干扰能力 。
2
.
3 评价速度 : 训练好 的神经 网络在对未知样本进行评价时仅需作少量的加法 和 乘法 , 因
此评 价速度快 。 如果做成专用硬件或用并行机则速度更快 。
表 4 个别神经元损坏对网络性能的影响
神经 网络 A的预测结果 预测级别 神经网络 B的预测结果 预测级别
0
。
9 0 0 5 5 9
0
。
9 0 1 1 6 9
0
.
1 3 3 1 4 3
0
。
2 6 3 6 0 3
0
。
10 4 59 7
0
。
0 8 4 7 3 6
O
。
8 6 7 3 0 4
O
。
7 3 2 7 2 8
0
。
0 97 7 9 0
0
。
1 1 2 1 0 1
0
。
10 0 0 8 2
0
。
0 9 3 1 2 1
0
。
9 6 8 3 8 7
0
。 0 6 8 5 9 5
0
。
3 4 1 8 9 6
0 。 4 4 7 6 7 3
0
。
0 3 6 8 47
0
.
0 2 9 4 2 7
0
。
6 8 1 5 7 8
0
。
67 3 0 8 0
0 3 5 9 7 6 5
0
。
3 9 5 6 0 5
0
。
3 6 5 7 0 9
0
。
3 4 7 40 5
3 结语
神经网络以其高度 的识别能力 , 比较适合于中药质量的评价 。 其评价准确率高 , 容错能
力强 , 速度快 。 如果能结合中药药理指标进行分析 , 则结果更客观 。
可以预料 , 随着神经 网络理论 的进一步发展 , 可望开辟中药质量评价的新途径 。
参 考 文 献
1 苏薇薇 , 等 . 沈阳药学院学报 , 1 9 8 8 , 5 ( 2 ) : 3 尹红凤 , 等 . 人工神经网络原理 , 1 9 90 , 3 ( 1 ) : 1
s , 4 欧兴长 , 等 . 药学通报 , 29 5 4 , 1 9 ( 7 ) : 3 7
2 王 玺 , 等 ·沈阳药学院学报 , , 9 9 0 , 7 ` ( ` ) : 5 ( 1 9 9 3一 0 3一 0 1收稿 )
( 上接 第 18 6 页 )
计算式 : 含量 ( % ) _ C x V 又 D
W
X 1 0 0% 式中W为样品重量
( m g )
,
C为样品葡萄糖浓度 ( 协g / m l ) , V 为采样量 ( m l ) , D 二 1 0 . 0 0
2 讨论与小结
2
.
1 本法的原理为多糖在强酸作用下水解生成单糖 , 并迅速脱水成糠醛 , 糠醛 与酚性物质
如苯酚缩合成有色化合物 。 用分光光度法在适当波长处测定多糖含量 , 本法简便易行 , 灵敏
度高 , 最低检出量为 0 . 5协g /m l 。
2
.
2 本法应特别注意操作中酸的加入方式 。 将酸直接加到溶液表而产生的颜 色较 沿 容量瓶
壁加入产生 的颜色深 , 故笔者用前者加法 。
2
.
3 配制好的 5 %苯酚溶液应冷藏避光保存 , 否则以苯酚一浓硫酸作空 白时颜色变 深 , 影 响
测定 。
2
.
4 应用蕙酮法分别测定样品含量并与本法进行对照 , 其中 P 3含量无法测出 , 故笔 者认为
对于油松果多糖的含量测定 , 苯酚一硫酸法优于蕙酮法 。
参 考 文 献
张永恒 , 等 . 中草药 , 一9 8 7 , 1 5 ( g ) : 1 3
朱立文 , 等 . 中成药研究 , 1 9 8 7 ( 6 ) : 1
冯青然 , 等 . 中药通报 , 一, 5 5 , 1 3 ( 一1 ) : 3 6
李满 飞 , 等 . 中草药 , 1 9 0 0 , 2 2 ( 1 0 ) : 10
李向高 , 等 . 中药通报 , 1 9 5 7 , 1 2 ( 6 ) : ` o
贺正全 , 等 。 中药材 , 1 9 8 7 ( 3 ) : 4 0
李铁林 , 等 . 分析化学 , 1 9 5 2 , 1 0 ( s ) : 2 7 2
( 2 9 9卜 0 6一 02收稿 )
《 中草药 》 1 9 9 4年第 25 卷第 4期 一 1 8 9 -
t he e o n t . n t o f b a ic al in in r h is Pr e Pr a at io n
。
As r e s aul t o f s t ab il it y t e s t
,
t五。 容h e l f l i f e a t 2 5 . C
1 5 e s t i m a t e d t o b e l
。
9 7 y e a r s
。
( o r i g i n a l a r t i c l e o n P a g o 1 8 2 )
S t u d i e s o n E f f e e t i v e C o m p o s i t i o n s o f P i n e c o n e 1
.
D e t e r m i n a t i o n
0 f P o l y s a 。 。 h a r id 。 : i n C o n e o f C h i n e s e P i n e ( P i 。 “ 5 t a b u l a e f o r 。 `: )
L i H a o z h i
,
L u Y o n g j
u n , B a i G a
n g
, e t a l
Q u a n t i t a t i v e d e t e r m i n a t i o n o f P o l y s a e e h a r i d e s i n P i n o e o n o s b y P h e n o l
一 s u l f u r i e a e i d m e
。
h o d w a s s t u d i e d
, a n d t h e e f f
e e t s o f c o n c e n t r a t i o n o f P h e n o l
· s u l f
u r i e a c i d a n d r o a c t i o n t e m
-
P e r a t u r e o n e o l o r f o r m a t i o n w e r e i n v e s t i g a t e d
.
I t w a s f o u n d t h a t t h e a b s o r b a n e e 1 5 l i n e a r l y
e o r r e l a t e d t o p o l y s a e e h a r i d e c o n e . n t r a t i o n s b
e t , 。 e n 1 0~ 7a卜 g /m l ( r = 0
.
9 09 9 )
。
T h e a n a l y t i e a l
r e e o v e r y w a s 。 , . 5% , C V % w 。 5 1 。 2% a n d t h e m i n i m a l d e t e c t a b l e e o n c e n t r a t i o n 二 a s s协g / m l 。
( o
r i g i n a l a
r t i c l e o n p a g e 1 8 5 )
A r t i f ; e ia l N e u r a l N e t w o r k M e t h o d f o r Q u a l i t y E s t im a t i o n
o f T r a d i t i o n a ! C h i n e s e M e d i e i n e
C a i Y
u d o n g
,
G
o n g J i a w e n , C h e n g Z h a o n l a n
, e t a l
A
n a r t i f i e i a l n
o u r a l n e t w o r k m e t h o d f o r q u a li t y e s t i m a t i o n o f t r a d i ri o n a l C h i n e s e m e d i c
·
i n e w a s s u g g e s t e d
, a n d q u a l i t y o f H o u
·
P o w a s e s t i m a t e d b y t h e P r o P o s e d m e t h o d i n e o m P a r
·
1 s o n w i t h t h e a n a l y t i e a l r e s u l t s o f g a s
一
l i q u i d e h r o m a t o g r a P h y
。
T h e s u e c e s s f u l r a t e r e a c h e d
10 0%
.
T h e r e s u l t s s h o w e d t h a t t h e n e u r a l n e t w o r k m e t h o d 1 5 r e l i a b l e
, a n d t h e r e f o r e m a y b。
r e f e r r e d t o a s a n e f f e c t i v e t e e h n i q u e f o r t h o q u a l i t y e s t i m a t i o n o f t r a d i t i o n a l C h i n e s e m e d i
-
C I n e
-
( o r i g i n a l a r t i c l e o n P a g e 1 8 7 )
P r o t e e t ; v e E f f e e t o f P a e o n o l A g a i n s t l s e h e m i a R e Pe r f t一s i o n
D a m a g e I n C a r d i a e M i t o c h o n d r i a M e m b r a n e o f R a t s
Z h
a n g W o i g
u o a n d Z h a n g Z h i s h a n
6 o m g / k g
·
d i p
, o
f p a e o
n o l w e r e g i v e n t o r a t s f o r 1 5 d a y s
.
T h e m y o e a r d i a l i s e h e m i a r e p e
·
r f u s i o n i n j
u r y m o d e l w a s p r o d u c e d b y o c e l u d i n g t h e l e f t c o r o n a r y a r t e r y a n d r e l e a s i n g t h e
o e c l u s i o n i n r a t s
.
T h i s s i g n i f i c a n t l y d e c r o a s . d m y o c a r d i a l C a
+ 十 一
A T P
a s e a e t i v i t i e s a n d C H / PL
r a d i c a l
,
F F A e o
n t e n t , i m P r o v e d m i t o c h o n d r i a l m e m b r a n e f l u i d i t y a n d k e P t t h e m a w a y f r o m
o x y g e n f
r o e r a d i e a l d a m a g
e
.
T h e s e r e s u l t s i n d i c a t e d t h a t P a e o n o l h a s m e m b r a n e P r o t e e t i v e
e
f f o c t o n m y o c a r d i a l i s c h e m i a r e p e r f u s i o n i n j u r y p
r o b a b l y b y i n h i b i t i n g t h e o x y g e n f r o e r a d
-
i e a l s a n d s u b s e q u e n t l i P i d P e r o x i d a t i o n
.
( o
r i g i n a l a r t i e l e o n P a g e 1 9 3 )
A n In q u i r y i n t o P r e Pa r i n g D i a r r h e a M o d e l o f M i e e a n d
A pP l i c a t i o n o f D ia r r h e a In d e x
Z h o u G a n n a
n , H u Z h i h u a
,
W a n g Y
a x i a n
, e t a l
I n o r d e r t o s c r e e n a n t i d i a
r r h e a d r u g s
, t h e s t a n d a r d o P e r a t i o n o f m i
c e d i a r r h e a m o d e l
r e P l i c a t e d w i t h l e a v e o f C a
s s i a a n g u s t i f o l i a v a h l w a s i n t r o d u e e d
.
I n e x P e r i m
e n t s , d i a r r h e a
i n d e x e x p r o s s e d w i t h l o o s e s t o o l i n e i d
e n e e r a t e m u i r i p li e d b y l
o o s e s t o o l g r a d e w a s u s e d a s
m a 互n i n d e x . I t t h o r o u g h l y m i r r o r s i n d i .
《 中草药》 19 9 4年第 25 卷第 4期 · 2 2 3 ·