基于遺傳算法和BP神經網絡在蔥白總黃酮提取工藝中的應用研究

廣東食品藥品職業學院，廣東 廣州 510520

中藥提取工藝的研究過程中必定要涉及到優化問題，目前較常用的有因子設計、正交設計、均勻設計、中心復合設計等，然后再用多元回歸來擬合這些實驗所得的數據(連續型數據)，在優化過程中通常采用的是線性或非線性規劃。

BP神經網絡 (back－propagation neural network，BPNN)可以以任意精度逼近任意的連續函數，廣泛應用于非線性建模［1］，近年來在藥劑學、藥物分析、藥動學以及藥物效應研究等方面也有應用［2－3］，但BP算法及其改進算法易陷入局部極小點。遺傳算法 (genetic algorithm，GA)是一種模擬自然進化過程的隨機搜索方法在解決全局最優化問題方面具有搜索效率高、穩健性好、不受優化函數連續性約束等優點，可克服BP算法的不足［4］。

1 Bp神經網絡建立

1.1 數據來源

石雪萍等［5］使用均勻設計法對蔥白總黃酮提取工藝進行了優化，考察的因素有提取溫度、提取時間、料液比和乙醇濃度，指標為黃酮提取率。實驗數據見表1。

表1 蔥白的均勻設計總黃酮提取結果

1.2 神經網絡結構

1989年Robert Hecht－Nielson證明了對于在任意閉區間內的一個連續函數都可以用一個隱層的BP網絡來逼近，因而一個三層的BP網絡可以完成任意的n維到m維的映射［6］，所以預測模型采用單隱含層，其節點數在訓練時用“雙向確定法”［7］進行調整，最終確定為8。

遺傳算法優化BP網絡結構以提取溫度、提取時間、料液比和乙醇濃度4個因素作為網絡的輸入向量，黃酮提取率作為輸出向量。對各數據進行標準化處理，將所有向量都量化到 ［－1，1］的范圍內。BP神經網絡訓練算法為自適應學習率動量法 (traingdx)，中間層傳遞函數分別為s型對數函數 (1ogsig)和線性傳遞函數 (purelin)，設定最大學習步長為500次，目標收斂精度為0.001，其他參數為默認值。

2 遺傳優化訓練過程

2.1 確定適應度函數。一般采用網絡目標函數即誤差函數作為適應度函數，誤差越大，適應度值越小，適應能力越低，適應度函數的選擇直接影響到算法的收斂速度及能否找到最優解。本實驗選用作為適應度函數，其中MSE為網絡模型返回的誤差平方和。

2.2 參數設定:種群大小為100，交叉概率為0.6，變異概率為0.1，遺傳代數取為100代。

2.3 隨機選擇一組權值，并計算該權值對應的網絡的誤差及適應度。初始權值為隨機權值，可以軟件隨機生成的隨機數作為初始權值。

2.4 選擇適應度大的個體遺傳。

2.5 對當代個體進行交叉、變異算子運算，交叉、變異算子可以根據需要選擇，不同情況下可以設定不同的算子，同時生成新一代群體。

2.6 重復3－5步，直到誤差達到要求為止。

2.7 將6中的結果賦值到BP神經網絡模型，進行學習和預測。

3 結果

遺傳算法優化BP神經網絡結果見圖1和圖2。對實驗數據進行預測擬合，網絡的預測結果經反標準化后與文獻的多元回歸的擬合結果作比較，結果見表2。由表2可見，神經網絡擬合效果要優于多元回歸。文獻在得到最佳工藝后，經過驗證實驗得到的數據為:黃酮提取率為1.187%。多元回歸在此條件下的預測值為1.22%，預測誤差為2.9%。通過神經網絡的預測值分別為1.162%，預測誤差為2.1%。由此可見，合適的神經網絡模型不但在擬合效果上優于多元回歸，更在預測精度上要遠高于多元回歸，對于提取工藝的各參數組合顯示出了更準確的預報性。

表2 神經網絡和多元回歸對數據的擬合結果

4 結語

將全局優化算法GA引入BP網絡訓練的權值和閾值的初始值確定，充分發揮了遺傳算法的全局尋優能力和BP算法的局部搜索優勢，形成了一種新的GA－BP神經網絡。仿真結果表明，與多元回歸相比，經過優化BP神經網絡在擬合效果和預測精度上都較好，此遺傳BP神經網絡模型可應用于蔥白提取工藝結果的預測。

［1］高雋.人工神經網絡原理及仿真實例 ［M］.北京:機械工業出版社，2003:16－20

［2］楊銘，汪文娟.BP神經網絡結合遺傳算法用于丹參提取工藝的多目標優化 ［J］.藥學服務與研究，2007，(6):417－421

［3］邱細敏，劉勝姿，陳榕，等.神經網絡反傳算法改進及其在藥物分析中的應用 ［J］.中國現代應用藥學雜志，2004，1(3):204－207

［4］雷英杰，張善文，李續武，等.MATLAB遺傳算法工具箱及應用 ［M］.西安:西安電子科技大學出版社，2005:45－60

［5］石雪萍，張衛明，錢近春，等.均勻設計法優選蔥白總黃酮提取工藝［J］.食品工業科技，2009，30(2):187－192

［6］RobertHecht－Nielson.TheoryoftheBackPropagationNeuralNet－ work ［C］.ProceedingsoftheInternationalJointConferenceonNeuralNetworks，Volume1，IEEEP-rees，1989.121－125.

［7］伍春香，劉琳.三層BP網絡隱層節點數確定方法的研究 ［J］.武漢測繪科技大學學報，1999，24(2):177－178