BP神经网络模型预测白芷超临界萃取结果的研究

　　摘要：目的用BP神经网络对白芷中香豆素类成分的超临界CO2萃取结果进行预测。方法以萃取压力、温度、时间、分离压力、药材粉碎度为网络的输入向量，以总香豆素、氧化前胡素和欧前胡素作为网络的输出，建立BP神经网络模型，利用正交实验数据对网络进行训练。结果得到一个结构为5×4×3的2层BP网络，测试样本的实际测量值与网络的输出吻合很好。结论可利用正交实验数据对BP网络进行训练，利用训练好的网络对中药药效物质基础的超临界萃取结果进行预测。

　　关键词：神经网络； 超临界萃取； 白芷； 正交实验设计

　　Forecasting the Extraction of Coumarins in Angelica dahurica by Supercritical CO2 with BP Neural Network

　　Abstract:ObjectiveTo predict the extraction results of coumarins in Angelica dahurica by supercritical CO2 using back-propagation neural network. MethodsBP neural network model was established by taking extraction pressure, temperature and time as well as separation pressure and pulverized degree as the inputs of network and the contents of oxyimperatorin, imperatorin and the overall coumarins in the extract as outputs of neural network. BP network was trained with Orthogonal experimental results. ResultsA 5×4×3 neural network has been set up. The forecasted profiles based on BP-NN model were closely similar to the target values. ConclusionOrthogonal experimental results could be used to training BP-NN and the trained BP-NN could forecast the extraction results of active components in Chinese herb medicines.

　　Key words:BP Neural network; Supercritical Extraction; Angelica dahurica; Orthogonal Design

　　白芷性温，味辛，具有祛风除湿、通窍止痛、消肿排脓等功效［1］，是中药复方中的常用药，其药效物质基础是香豆素类物质，其中最主要的是氧化前胡素、欧前胡素［2］。研究表明白芷提取物中总香豆素的含量越高，其疗效也越好，因此白芷提取物中总香豆素的含量可作为白芷提取工艺的评判指标［3］。BP神经网络(Back-Propagation Neural Network)是一种能向着满足给定的输入输出关系方向进行自组织的神经网络，具有足够多隐层神经元的单隐层的2层BP神经网络可以任意精度逼近L2上的非线性函数［4］，因此其在函数逼近与分类识别优化等方面有巨大优势，近年来在生物药剂学、药物动力学和工艺优化的研究以及处方设计等方面也有应用［5～8］。采用适当的实验方法考察各实验CO2因素对SFE萃取的影响，测定SFE萃取物中药效物质基础的含量，然后利用得到的数据对神经网络进行训练,使之能对SFE萃取物中药效物质基础的含量进行预测，是中药提取方面的一个新课题，对推动中药现代化具有重要意义。本实验以白芷的代表成分欧前胡素、氧化前胡素为实验CO2指标，并以两者之和作为总香豆素的含量，采用正交实验CO2设计方法、利用超临界CO2萃取工艺对中药白芷中香豆素类物质进行提取研究，利用Matlab 6.5提供的神经网络工具箱建立BP神经网络模型，并利用优化后的网络对超临界萃取结果进行预测。

　　1 仪器和药品

　　CL-5型超临界流体萃取机（北京合世兴业有限公司，5L）；SSI-222D高效液相色谱仪（美国凯德）。川白芷（北京同仁堂集团）；氧化前胡素、欧前胡素对照品（中国生物制品检定所）；二氧化碳（99.95%）；甲醇为色谱纯。

　　2 实验CO2方法

　　2.1 正交实验CO2设计由于正交实验CO2法具有均衡分散性和整齐可比性，得到的正交实验CO2数据具有代表性，可以解决网络训练数据过多和过少引起的问题。因此该实验采用正交实验CO2设计方法，以萃取压力、温度、时间、分离压力、药材粉碎度为实验CO2因素，取三水平，选用L18（37）正交表安排实验CO2，因素-水平见表1。

　　表1 实验因素-水平分（略）

　　称取2.5 kg白芷生药，粉碎，过5目，10目，20目标准筛，然后置于萃取釜中，按选定的正交表安排实验CO2。

　　2.2 样品分析采用高效液相色谱法［9］测定样品中氧化前胡素、欧前胡素的含量，并以两者之和作为总香豆素的含量。

　　2.2.1 色谱条件Hyper ODS2 C18色谱柱(200 mm×4.6 mm，5 μm)；流动相为甲醇-水(70∶30)；检测波长：254 nm。

　　2.2.2 线性关系精密称取氧化前胡素对照品5.0 mg，欧前胡素对照品5.5 mg，分别置于50 ml量瓶中，用甲醇溶解定容至刻度，摇匀；分别取上述溶液0,0.5,1.0，1.5，2.0，2.5，3.0，3.5，4.0，4.5，5.0 ml，均用甲醇定容至10 ml，按上述色谱条件测定。以峰面积为纵坐标，对照品进样浓度为横坐标，绘制标准曲线，并进行线性回归分析，得到如下线性回归方程：氧化前胡素：Y=0.095 9+0.024 1X ， r=0.999 8欧前胡素：Y=0.095 9+0.024 1X ， r=0.999 7线性范围分别为：0.005~0.05 mg?ml-1；0.005 5~0.05 5 mg?ml-1。

　　2.2.3 供试品溶液的制备精密称取白芷SFE萃取物5.0 mg置于50 ml量瓶中，用甲醇溶解定容至刻度，摇匀得供试品溶液，在上述色谱条件测定，用标准曲线方程计算出各供试品溶液中两种香豆素的含量，并得到总香豆素的含量。

　　3 实验CO2结果与BP神经网络模型

　　3.1 正交实验CO2结果正交实验用表和实验结果见表2。

　　表2 正交实验安排和实验结果分（略）

　　3.2 BP神经网络模型

　　3.2.1 BP神经网络结构设计本实验以萃取压力、萃取温度、萃取时间、分离压力和药材的颗粒度等5个因素作为输入向量，建立单隐层的2层BP神经网络，确定隐含层的神经元个数为4，以总香豆素、氧化前胡素和欧前胡素作为网络的3个输出，即建立一个5×4×3的网络模型。在神经网络的训练过程中，训练函数的选择非常重要，一个好的训练函数可以提高网络的收敛速度，缩短训练时间，消除网络训练过程中存在的局部极小问题，简化网络结构等。因此研究人员对BP算法的改进进行了研究，出现了很多改进的BP算法，例如变步长算法、动量法和自适应调整学习率的算法等。但这些BP算法仍然存在一些缺点，例如在对网络训练过程中，由于网络已经记忆了已被训练的样本，当网络训练误差很小时，一个新的输入往往会使网络训练误差迅速增大。因此本实验采用Matlab 6.5的神经网络工具箱提供的 trainbr 函数对网络进行训练，trainbr使用了Bayesian规则化调整方法，从而使网络的泛化能力大大提高，并缩短了网络的训练时间。选择trainbr函数对网络进行训练，tansig作为隐含层的传递函数，purelin作为输出层的传递函数。为消除单位对训练结果的影响，采用premnmx对数据进行规范化处理，将目标向量和输入向量的值量化到［-1，1］的范围，训练结束后再利用postmnmx函数将输出还原成原单位。

　　3.2.2 BP神经网络模型的训练与测试本文采用正交实验设计表2中的18组实验CO2数据作为训练样本，对网络进行训练，然后在考察范围内随随机生成四组数据进行实验CO2，得到的结果作为测试样本，对训练好的网络进行测试。

　　由表4的结果可以看出，对于测试样本，网络的输出和实际测定值吻合得很好，建立的BP网络可以对白芷中总香豆素、氧化前胡素和欧前胡素的超临界萃取进行预测。

　　4 讨论

　　利用Matlab 6.5 提供的神经网络工具箱，建立了结构为5×4×3的2层的BP网络。利用白芷超临界萃取的正交设计实验CO2数据对BP网络模型进行训练，并利用测试样本对网络进行测试，测试样本的网络预测值和实际测量值的吻合很好，相对误差小于5%，训练好的模型可对白芷的超临界萃取结果进行预测。该原理和方法也可用于预测其他中药药效物质基础超临界萃取结果。

　　参考文献：

　　［1］ 郑虎战.中药现代研究与应用（2）［M］.北京：文苑出版社，1998：98.

　　［2］ 张玉芳，余红梅.硫熏对白芷香豆素类成分含量的影响研究［J］.中国中药杂志, 1997,22(9):536.

　　［3］ 魏玉平，刘 俊，严小林，等.白芷治疗头痛的提取工艺评价指标的研究［J］.中草药, 2001,32(4):318.

　　［4］ Honik K. Approximation capabilities of multilayer feed forward networks［J］.Neural Networks, 1991,6 (8) :1069.

　　［6］ Kozo T, Junichi T, Mikito F. Formula optimization based on artificial neural networks in transdermal drug delivery ［J］. J. Controlled Release, 1999, 62(1-2):161.

　　［7］ Randall JE. The back propagation neural networkA Bayesian classifier［J］.Clin Pharmacokinet, 1995, 29 (2):69.

　　［7］ 魏 晓, 吴 建, 梁文权. 神经网络用于口服缓释制剂的处方设计［J］.药学学报, 2001,36(9):690.

　　［8］ 范彩霞,梁文权. 神经网络多目标同步优化HPMC缓释片处方［J］.中国药学杂志, 2004，39(10):768.

　　［9］ 刘红梅，张明贤, 刘扬平，等. 超临界CO2萃取白芷中香豆素类成分的工艺优化研究［J］.中成药，2004, 26（2）：90.