近红外光谱结合遗传算法优化的极限学习机实现银杏叶纯化过程有效成分快速测定

近红外光谱技术(near infrared spectroscopy,NIRS)结合波段筛选方法及建模算法可以实现中药生产过程分析的快速、无损检测。该文针对银参通络胶囊关键工艺银杏叶大孔树脂纯化过程,实现对洗脱液中槲皮素、山柰酚和异鼠李素3种成分含量的快速测定。通过马氏距离算法剔除异常光谱,联合X-Y距离样本集划分(sample set partitioning based on joint X-Y distances,SPXY)方法划分数据集,基于协同区间偏最小二乘法(synergy interval partial least squares,siPLS)筛选的关键信息波段,在此基础上实施竞争自适应加权重采样方法(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)和蒙特卡洛无信息变量消除法(Monte Carlo uninformation variable elimination,MC-UVE)筛选波长以得到更少但更关键的变量数据,将其作为输入变量建立遗传算法优化的极限学习机(genetic algorithm joint extreme learning machine,GA-ELM)定量分析模型,并将模型性能与偏最小二乘回归(partial least squares regression,PLSR)方法建立的模型进行比较,结果表明siPLS-CARS-GA-ELM算法联用可实现以最少变量数达到最优的模型性能。槲皮素、山柰酚、异鼠李素的校正集相关系数Rc和验证集相关系数Rp均达到0.98以上,校正集误差均方根(root mean square error of calibration,RMSEC)、验证集误差均方根(root mean square error of prediction,RMSEP)和验证集相对偏差(relative standard errors of prediction,RSEP)分别为0.0300,0.0292,8.88%;0.0414,0.0348,8.46%;0.0293,0.0271,10.10%,相较于传统PLSR方法,所建立GA-ELM模型性能有较大提升,证明NIRS结合GA-ELM方法实现中药有效成分快速测定具有很大潜力。     

基于近红外光谱技术的藿香正气口服液质量透瓶快速检测方法研究

本文以厚朴酚、和厚朴酚、橙皮苷为关键质量指标,基于近红外光谱与高效液相色谱技术,建立藿香正气口服液近红外光谱与指标成分含量间的回归关系,从而实现基于近红外光谱技术的藿香正气口服液指标成分含量的透瓶快速测定。实验透瓶采集藿香正气口服液的近红外光谱,采用一阶导数、归一化进行光谱预处理,通过竞争性自适应重加权算法(CARS)筛选特征变量,采用偏最小二乘回归(PLSR)算法建立定量校正模型。然后,通过外部验证,对预测结果进行显著性检验。结果表明,透瓶扫谱建立的模型预测性能较好,验证集相关系数(Rp)均高于0.99,预测均方根误差(RMSEP)均小于0.008 4,验证集相对标准误差(RSEP)控制在2.83%以内;同时,透瓶模型和非透瓶模型的预测结果无显著差异。本文建立的透瓶检测方法具有模型性能好、预测精度高、快速、无损的优点,在藿香正气口服液质量控制中具有应用价值。