本發(fā)明涉及植物化學(xué)成分識(shí)別，具體涉及基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法。
背景技術(shù)：
1、刺榆枝刺是一種廣泛分布于干旱及鹽堿地帶的灌木類藥用植物，其枝葉中含有多種生物活性物質(zhì)，特別是黃酮類化合物，其具有抗氧化、抗炎、降血糖等多重藥理作用，成為功能性食品及天然藥物開(kāi)發(fā)中的重要候選材料。
2、在刺榆枝刺的實(shí)際開(kāi)發(fā)與利用過(guò)程中，由于其生長(zhǎng)環(huán)境復(fù)雜（如高鹽、高堿、低水分、重金屬污染等），導(dǎo)致同一物種之間的化學(xué)成分差異顯著，尤其是黃酮類化合物的含量波動(dòng)大。而傳統(tǒng)檢測(cè)方法如高效液相色譜（hplc）、質(zhì)譜（ms）等盡管具有高精度，但其過(guò)程復(fù)雜、耗時(shí)長(zhǎng)、成本高、對(duì)樣本具有破壞性，難以實(shí)現(xiàn)大規(guī)模快速篩選，更無(wú)法在野外采樣或初篩環(huán)節(jié)中快速識(shí)別高含量目標(biāo)樣本。
3、因此，急需一種非破壞性、快速、低成本、適合原位篩選的檢測(cè)方法，用于識(shí)別刺榆枝刺樣本中黃酮類化合物的高含量特征，以解決現(xiàn)有技術(shù)中無(wú)法高效篩選優(yōu)質(zhì)種質(zhì)資源、篩查成本高及野外初篩不可行等技術(shù)瓶頸，成為藥用資源開(kāi)發(fā)中亟待解決的關(guān)鍵問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的是提供一種基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，以解決背景技術(shù)中不足。
2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，包括：
3、s100、獲取多個(gè)刺榆枝刺樣本的近紅外光譜數(shù)據(jù)；
4、s200、對(duì)所述刺榆枝刺樣本進(jìn)行黃酮類化合物含量的化學(xué)實(shí)測(cè)，建立樣本的光譜-含量對(duì)照數(shù)據(jù)集，提取與高含量黃酮類化合物相關(guān)的特征光譜區(qū)段，構(gòu)建特征變量集f1；
5、s300、基于特征變量集f1，利用最小冗余最大相關(guān)方法，篩選出對(duì)樣本間區(qū)分度貢獻(xiàn)最大的特征變量子集f2；
6、s400、將特征變量子集f2輸入支持向量機(jī)模型中訓(xùn)練分類器，構(gòu)建刺榆枝刺高/低黃酮樣本識(shí)別模型w1；
7、s500、采集目標(biāo)待測(cè)刺榆枝刺樣本的近紅外光譜數(shù)據(jù)，提取其對(duì)應(yīng)的目標(biāo)特征變量子集f2′；
8、s600、將所述目標(biāo)特征變量子集f2′輸入識(shí)別模型w1中進(jìn)行推理輸出，獲得目標(biāo)樣本的黃酮類化合物含量類別標(biāo)簽；
9、s700、若識(shí)別結(jié)果為高含量類別，則將所述目標(biāo)特征變量子集f2′輸入多元回歸模型w2中，輸出樣本的黃酮類化合物預(yù)測(cè)濃度值。
10、優(yōu)選的，所述刺榆枝刺樣本采集自不同生長(zhǎng)區(qū)域和生態(tài)條件下的刺榆枝刺植株。
11、優(yōu)選的，所述構(gòu)建特征變量集f1的步驟包括：
12、基于獲得的近紅外光譜數(shù)據(jù)與對(duì)應(yīng)的黃酮類化合物實(shí)測(cè)含量，計(jì)算各波長(zhǎng)點(diǎn)光譜強(qiáng)度與黃酮類化合物含量之間的相關(guān)系數(shù)，形成相關(guān)性分布序列；
13、依據(jù)所述相關(guān)性分布序列，選取相關(guān)系數(shù)絕對(duì)值大于預(yù)設(shè)閾值的連續(xù)波長(zhǎng)區(qū)間，作為候選特征光譜區(qū)段；
14、對(duì)所述候選特征光譜區(qū)段進(jìn)行多重共線性檢驗(yàn)，保留信息貢獻(xiàn)度高且相互獨(dú)立的光譜區(qū)段；
15、將保留的光譜區(qū)段對(duì)應(yīng)的光譜變量進(jìn)行統(tǒng)一編碼，構(gòu)建用于表征刺榆枝刺黃酮類化合物含量特征的特征變量集f1。
16、優(yōu)選的，所述篩選出對(duì)樣本間區(qū)分度貢獻(xiàn)最大的特征變量子集f2的步驟包括：
17、計(jì)算特征變量集f1中每個(gè)變量與黃酮類化合物實(shí)測(cè)含量之間的互信息值，獲得各變量的相關(guān)性評(píng)分；
18、計(jì)算特征變量集f1中任意兩個(gè)變量之間的互信息值，建立變量間冗余性矩陣；
19、基于最大相關(guān)性與最小冗余性準(zhǔn)則，構(gòu)建特征評(píng)分函數(shù)，并采用貪婪遞進(jìn)策略逐步篩選出變量組合；
20、將評(píng)分函數(shù)值最優(yōu)的變量集合定義為特征變量子集f2。
21、優(yōu)選的，所述構(gòu)建刺榆枝刺高/低黃酮樣本識(shí)別模型w1的步驟包括：
22、基于特征變量子集f2構(gòu)建樣本特征矩陣，并依據(jù)黃酮類化合物實(shí)測(cè)含量是否高于預(yù)設(shè)判別閾值對(duì)樣本進(jìn)行高含量與低含量類別標(biāo)注；
23、選取徑向基函數(shù)作為支持向量機(jī)的核函數(shù)，并通過(guò)網(wǎng)格搜索方式對(duì)懲罰參數(shù)與核函數(shù)參數(shù)進(jìn)行組合遍歷，確定使分類準(zhǔn)確率最大的參數(shù)組合；
24、利用標(biāo)注完成的樣本特征矩陣對(duì)支持向量機(jī)進(jìn)行監(jiān)督訓(xùn)練，獲得用于區(qū)分高含量樣本與低含量樣本的最優(yōu)分類超平面；
25、將訓(xùn)練完成的支持向量機(jī)分類器定義為刺榆枝刺高/低黃酮樣本識(shí)別模型w1，用于對(duì)未知樣本的黃酮類化合物含量類別進(jìn)行判別。
26、優(yōu)選的，所述獲得目標(biāo)樣本的黃酮類化合物含量類別標(biāo)簽的步驟包括：
27、將經(jīng)預(yù)處理后的目標(biāo)樣本光譜數(shù)據(jù)中提取的目標(biāo)特征變量子集f2′輸入至支持向量機(jī)識(shí)別模型w1；
28、基于支持向量機(jī)識(shí)別模型w1中已訓(xùn)練完成的分類超平面函數(shù)，計(jì)算目標(biāo)特征變量子集f2′相對(duì)于超平面的函數(shù)距離值，作為類別決策依據(jù)；
29、設(shè)定決策閾值為0，若函數(shù)距離值大于0，則將樣本判定為高含量類別，賦值為1；若小于或等于0，則判定為低含量類別，賦值為0；
30、輸出目標(biāo)樣本的黃酮類化合物含量類別標(biāo)簽。
31、優(yōu)選的，所述輸出樣本的黃酮類化合物預(yù)測(cè)濃度值的步驟包括：
32、基于訓(xùn)練階段中高含量樣本的特征變量子集f2與對(duì)應(yīng)黃酮類化合物實(shí)測(cè)濃度，構(gòu)建多元回歸模型w2，采用偏最小二乘回歸算法擬合輸入與輸出之間的函數(shù)關(guān)系；
33、對(duì)所述目標(biāo)樣本的特征變量子集f2′進(jìn)行均值歸一化處理；
34、將歸一化后的特征變量子集f2′作為輸入向量代入回歸模型w2中，計(jì)算其在回歸函數(shù)上的預(yù)測(cè)輸出；
35、將輸出結(jié)果進(jìn)行反歸一化處理，獲得目標(biāo)樣本的黃酮類化合物濃度預(yù)測(cè)值。
36、在上述技術(shù)方案中，本發(fā)明提供的技術(shù)效果和優(yōu)點(diǎn)：
37、1、本發(fā)明通過(guò)構(gòu)建基于特征光譜分析的刺榆枝刺黃酮類化合物識(shí)別方法，首次將近紅外光譜技術(shù)與機(jī)器學(xué)習(xí)算法有機(jī)結(jié)合，建立從樣本采集、光譜特征提取、冗余變量剔除、支持向量機(jī)分類到回歸預(yù)測(cè)的完整流程，解決了傳統(tǒng)方法檢測(cè)過(guò)程繁瑣、檢測(cè)周期長(zhǎng)、樣本破壞性大、無(wú)法在資源篩選初期高效識(shí)別高含量樣本的技術(shù)難題。通過(guò)最小冗余最大相關(guān)方法篩選特征變量，確保所選變量既具代表性又避免信息重疊，提高了識(shí)別模型的穩(wěn)定性和泛化能力。
38、2、本發(fā)明構(gòu)建的支持向量機(jī)識(shí)別模型w1可在非破壞性、野外采樣條件下實(shí)現(xiàn)刺榆枝刺樣本中黃酮類化合物高低含量的快速分類，并通過(guò)多元回歸模型w2對(duì)高含量樣本進(jìn)行定量濃度預(yù)測(cè)，最終輸出實(shí)際濃度值，具備精度高、響應(yīng)快、部署靈活、適應(yīng)性強(qiáng)等優(yōu)點(diǎn)。該技術(shù)方案尤其適用于大規(guī)模天然資源的早期篩選、藥用植物育種選材及功能成分富集樣本的快速甄別，具有廣泛的應(yīng)用前景。
1.基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，其特征在于：包括：
2.根據(jù)權(quán)利要求1所述的基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，其特征在于：所述刺榆枝刺樣本采集自不同生長(zhǎng)區(qū)域和生態(tài)條件下的刺榆枝刺植株。
3.根據(jù)權(quán)利要求1所述的基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，其特征在于：所述構(gòu)建特征變量集f1的步驟包括：
4.根據(jù)權(quán)利要求1所述的基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，其特征在于：所述篩選出對(duì)樣本間區(qū)分度貢獻(xiàn)最大的特征變量子集f2的步驟包括：
5.根據(jù)權(quán)利要求1所述的基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，其特征在于：所述構(gòu)建刺榆枝刺高/低黃酮樣本識(shí)別模型w1的步驟包括：
6.根據(jù)權(quán)利要求1所述的基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，其特征在于：所述獲得目標(biāo)樣本的黃酮類化合物含量類別標(biāo)簽的步驟包括：
7.根據(jù)權(quán)利要求1所述的基于特征光譜分析的刺榆枝刺高含黃酮類化合物識(shí)別方法，其特征在于：所述輸出樣本的黃酮類化合物預(yù)測(cè)濃度值的步驟包括：