基于智能集成模型前胡切片微波真空干燥過程水分比預測

胡軼娟 ，梁衛青 ，徐 攀 ，童曄玲 ，樓柯浪 ，浦錦寶 *

1.浙江省中醫藥研究院，浙江 杭州 310007

2.浙江省中藥新藥研發重點實驗室，浙江 杭州 310007

干燥是中藥材產地加工的重要環節，也是中藥材品質和藥性形成的關鍵步驟[1]。采用適宜的干燥工藝不僅可以促使中藥材藥用部位所含水分減失至有利于運輸、貯藏，還可促使藥用部位中藥效物質的最大保留、毒性成分的有效降低和化學成分間的相互轉化等物理化學變化[2]。由于干燥對中藥材含水率的影響將打破中藥材內部化學成分和分子結構的動態平衡，導致其形態、微觀結構和有效成分發生變化，因此，中藥材干燥過程中水分擴散以及含水率變化規律是研究中藥材最佳干燥工藝的關鍵之一[3]。同時，含水率作為中藥材干燥過程終點判定的關鍵指標之一，干燥過程含水率的實時反饋也是及時調整干燥參數、調控干燥過程和改進現有干燥工藝的基礎條件之一。通過建立中藥材干燥過程模型，可以揭示中藥材干燥過程水分遷移的數學規律，實現干燥過程的含水率預測[4]。

目前，中藥材干燥過程含水率的建模方法可以分為回歸分析和人工神經網絡，其中回歸分析是主要方法[5-12]?；诨貧w分析的中藥材干燥過程含水率預測模型存在以下不足：首先基于不同干燥方法或不同干燥參數建立的模型存在差異，導致模型缺乏普適性；其次，中藥材干燥過程的含水率變化具有顯著的非線性和時變性，且干燥過程由多種參數共同控制、影響，特別是對一些采用新干燥工藝的干燥過程機理認識不充分，導致模型預測精度不佳。人工神經網絡作為一種智能化建模方法，具有良好的并行處理和自適應能力，能較好地反映干燥工藝參數與物料含水率之間的復雜非線性、時變性關系等優點，目前，已被廣泛用于建立各種物料干燥過程含水率預測模型，但在中藥材的應用還偏少[13-23]。

人工神經網絡作為一種經驗建模方法，其“黑箱”特性導致網絡結構和訓練參數的選擇帶有一定的主觀性，在實際應用中一般采用遍歷試錯法尋找最佳的網絡結構。該方法的前提條件是單一神經網絡能挖掘出干燥過程數據集中包含的所有有效信息，而其它備選神經網絡都是多余的，但是干燥過程的非線性和時變性導致單一神經網絡對于干燥過程特性的提取能力非常有限，不可避免地存在模型穩定性和預測精度不足的問題。另外，人工神經網絡的“黑箱”特性還存在泛化性（模型的外推能力）不足的問題。

為了提高干燥過程含水率預測模型的穩定性、泛化性和預測精度，擬開展基于智能集成模型的前胡切片微波真空干燥過程水分比預測研究。首先，開展不同干燥條件（微波功率、切片厚度和干燥層數）下的前胡切片微波真空干燥實驗，通過收集實驗數據構建用于干燥過程含水率建模的原始數據集，然后提出一種基于集成學習和反向傳播（back propagation，BP）神經網絡的智能集成建模方法，最后，采用該建模方法建立前胡切片微波真空干燥過程的水分比預測模型，并進行模型應用。研究工作以期為前胡切片干燥過程優化與控制提供重要技術支持，并為建立其它中藥材的類似模型提供重要參考。

1 儀器與材料

1.1 儀器

NJZ07-9B 型微波真空干燥系統，主要由微波發射系統、冷凝收集系統、真空系統和控制面板所組成，微波真空干燥室為內徑40 cm、深度25 cm 的圓柱形容器，微波頻率為2 455 MHz，南京杰全微波設備有限公司；DQ-103 型臺式方形中藥切片機，溫嶺林大機械有限公司；DHG-9240A 型電熱恒溫鼓風干燥箱，上海一恒科學儀器有限公司；JM-B20002型電子天平，精度0.01 g，余姚市紀銘稱重校驗設備有限公司。

1.2 材料

考慮到干燥過程含水率建模對干燥實驗原料的一致性要求，該批前胡藥材的獲取方式如下：2022年1 月采用同一批種子播種于浙江省淳安縣中藥材種植基地的同一地塊，且該地塊周邊沒有前胡栽培，并于2023 年1 月集中采挖。所有樣品均經浙江省中醫藥研究院浦錦寶研究員鑒定，為傘形科前胡屬植物白花前胡PeucedanumpraeruptorumDunn 的根。挑選表皮無機械損傷、無腐爛的前胡新鮮藥材放入紙箱，隨時用于產地趁鮮干燥加工。

2 方法與結果

2.1 微波真空干燥

2.1.1 實驗設計 采用單因素實驗法研究不同干燥條件（微波功率、切片厚度和干燥層數）下前胡切片干燥過程的含水率變化，具體實驗方案如表1 所示。

實驗因素及水平的選擇均以大量前期實驗結果為基礎。為了使前胡切片干燥過程含水率變化較為明顯，并擴大含水率預測模型的適用范圍，適當增加了前胡切片的厚度間距。由前期實驗結果可知，隨著真空度的增加，干燥時間略有縮短，但差異并不顯著，且過大的真空度會導致靜電釋放、縮短微波管壽命，因此，所有干燥實驗的真空度都固定為800 Pa。

微波真空干燥實驗的操作步驟如下：取出新鮮前胡藥材，采用流水沖洗前胡藥材，除去須根，選取相同部位（主根直徑為0.8～1.7 cm）洗凈，清洗干凈后放過夜陰干表面水分。根據切片的厚度要求對切片機進行相應設置，用切片機沿前胡藥材橫截面切成圓形薄片。每組實驗的前胡切片質量為200 g乘以干燥層數。首先，根據設計好的實驗方案，選取相應厚度并稱取相應質量的前胡切片，然后將第一層切片均勻平鋪在干燥室托盤中，確保切片盡量在上下表面進行傳質，若攤鋪多層則將新切片繼續均勻平鋪在下一層之上，最后設置好相應的微波功率進行微波真空干燥實驗，干燥過程中切片均放置于干燥箱同一位置。

由于對真空狀態的干燥實驗進行取樣稱定質量會破壞干燥過程的連續性，直接影響前胡切片水分的表面蒸發、內部擴散過程，不能真實反映干燥過程的連續動態，會對采用干燥過程取樣稱定質量的方法獲取的前胡切片含水率數據造成不利影響，因此，設計了以下實驗操作步驟：首先設定一組干燥參數組合進行前胡切片微波真空干燥實驗，干燥至5 min 時停止實驗取出所有前胡切片進行離線稱定質量、不再繼續干燥，得到干燥至5 min 的前胡切片質量數據，然后重復相似操作，可以依次得到在該干燥參數組合下干燥至其他5 min 整數倍時間（例如：10、15、20 min）的前胡切片質量數據。在該組干燥參數組合實驗中，若相鄰5 min 內前胡切片的2 次質量數據之差約小于初始質量的1%，則完成該干燥參數組合的干燥實驗，同時，將最后1次實驗的所有前胡切片取出放于烘箱內105 ℃烘干5 h 得到前胡切片干物質（達到絕干狀態）的質量數據。每組干燥參數組合的干燥實驗均重復3 次，取平均值用于干燥過程的含水率變化規律分析和含水率建模。

2.1.2 水分比 前胡切片的干基含水率是指前胡切片在干燥過程中某一時刻的水分質量與前胡切片中干物質質量的比值。任意干燥t時刻前胡切片干基含水率（Mt）的計算公式如下[24]。

Mt＝(mt－m0)/m0

mt表示任意干燥t時刻前胡切片的質量，m0表示前胡切片干物質的質量

采用水分比（moisture ratio，MR）表示前胡切片在不同時刻的含水率。任意干燥t時刻前胡切片水分比（MRt）的計算公式如下[25]。

MRt＝Mt/M0

M0表示前胡切片的初始干基含水率

2.2 水分比智能集成建模

2.2.1 BP 神經網絡設計 選擇目前常用且性能良好的BP 神經網絡作為子模型，用于建立前胡切片干燥過程水分比智能集成模型。BP 神經網絡由輸入層、隱含層和輸出層所組成，其結構參數包括輸入層神經元個數、輸出層神經元個數和隱含層的層數（包括各隱含層的神經元個數）等。

選擇微波功率、切片厚度、干燥層數和干燥時間作為輸入層神經元，將不同干燥時刻的前胡切片水分比作為輸出層神經元，即輸入層的神經元個數為4，輸出層的神經元個數為1。由于已有理論證實，BP 神經網絡在不限制隱含層神經元個數的情況下，只需1 個隱含層，就可實現輸入到輸出的非線性映射[16]。同時考慮到模型復雜性和模型訓練時間等因素，可以采用單隱含層。用于預測前胡切片干燥過程水分比的BP 神經網絡拓撲結構如圖1 所示。

圖1 用于預測前胡切片干燥過程水分比的BP 神經網絡拓撲結構Fig.1 Topological structure of BP neural network for predicting moisture ratio of Peucedani Radix slices during drying process

隱含層的神經元個數設置對神經網絡的性能影響較大，過多會導致網絡復雜度增加、網絡訓練時間多長，過少則會導致生成的連接權組合個數不夠、難以滿足樣本的學習要求。一般采用以下經驗公式確定隱含層的神經元個數（l）[16]。

l＝(p＋q)1/2＋a

p為輸入層的神經元個數，q為輸出層的神經元個數，a為1～10 的常數

等確定BP 神經網絡的結構參數以后，還需要設置以下參數：輸入層、隱含層與輸出層之間的傳遞函數，網絡訓練函數，網絡性能函數，最大訓練次數和訓練目標等[26-28]。為了大幅度降低編程工作量，采用MATLAB R2017b 軟件的神經網絡工具箱建立BP 神經網絡模型。BP 神經網絡的參數設置結果如表2 所示，表2 中的各種函數均為MATLAB軟件神經網絡工具箱中便于調用的內嵌函數。

表2 BP 神經網絡的參數設置Table 2 Parameter setting of BP neural network

2.2.2 智能集成模型設計 集成學習是機器學習的一種重要方法，其設計思路是通過將一定數量且存在差異的基學習器進行組合，以提高單一學習器的穩定性和泛化性[29]?；谠撛O計思路可以設計一種基于集成學習和BP神經網絡的智能集成建模方法，以提高模型的穩定性、泛化性和預測精度。

前胡切片微波真空干燥過程水分比智能集成模型結構如圖2 所示。由圖2 可知，該智能集成模型的水分比預測輸出（MRint）按公式計算。

圖2 前胡切片微波真空干燥過程水分比智能集成模型結構Fig.2 Structure of intelligent integrated model for moisture ratio of Peucedani Radix slices during microwave vacuum drying process

MRint＝w1MR1＋w2MR2＋…＋wnMRn

wi（i＝1, 2, …,n）表示第i個BP 神經網絡子模型的權重系數，MRi（i＝1, 2, …,n）表示第i個BP 神經網絡子模型的水分比預測輸出，n表示用于集成的子模型總數

智能集成模型的建立流程包括集成方式選擇與權重系數求取。集成方式可分為全集成和選擇性集成，其中全集成是將所有神經網絡子模型進行集成，選擇性集成是選擇部分神經網絡子模型進行集成。當確定用于集成的BP 神經網絡子模型規模以后，一般可以采用等權值法求取各子模型的權重系數，但考慮到各子模型之間的差異性，還可以采用熵值法。熵值法的設計思路是：若某子模型的預測誤差序列變異程度越大，則其在集成模型中對應的權重系數就越小[30]。

第i個BP 神經網絡子模型、第j個樣本水分比預測值的變異系數采用預測相對殘差（eij）表示。

Oij表示第i個BP 神經網絡子模型、第j個樣本的水分比預測輸出，MRj表示第j個樣本的水分比期望輸出，j表示樣本數目（j＝1, 2, …,m），i表示BP 神經網絡子模型數目（i＝1, 2, …,n）

第i個BP 神經網絡子模型的信息熵計算公式如下。

pij表示預測相對殘差比重，Ei表示第i個BP 神經網絡子模型的信息熵

各BP 神經網絡子模型的權重系數wi計算公式如下。

2.2.3 實施流程 前胡切片微波真空干燥過程水分比智能集成建模的實施流程包括數據收集與分組、子模型建立、子模型集成和集成模型應用等，實施流程圖如圖3 所示。

圖3 前胡切片微波真空干燥過程水分比智能集成建模的實施流程Fig.3 Implementation process of intelligent integrated modeling for moisture ratio of Peucedani Radix slices during microwave vacuum drying process

（1）數據收集與分組：收集前胡切片微波真空干燥實驗的所有實驗數據構建原始數據集。為了避免輸入輸出數據的量綱和范圍差異對模型訓練帶來不利影響（例如：tansig 函數飽和導致訓練減慢或停止），在模型訓練前需要先將輸入和輸出數據進行標準化處理，使其在[?1，1]范圍內。

模型的泛化性是指根據有限樣本得到的模型對新樣本也具有良好的預測能力。為了提高模型的泛化性，將原始數據集合理劃分為訓練集、驗證集和測試集，其中將表1 中序號為1、2、5、6、9、10的所有實驗數據劃分為訓練集，表1 中序號為3、7、11 的所有實驗數據劃分為驗證集，表1 中序號為4、8、12 的所有實驗數據劃分為測試集。

（2）子模型建立：按照表2 設置好模型參數，將標準化處理后的訓練集輸入BP 神經網絡開展網絡訓練。當p＝4 和q＝1 時，BP 神經網絡的隱含層神經元個數可以取3～12，由此可以采用訓練集建立10 個BP 神經網絡子模型。在BP 神經網絡訓練過程中，利用驗證集、采用交叉驗證方法避免模型的過擬合。

（3）子模型集成：當建立10 個BP 神經網絡子模型以后，首先采用測試集得到所有子模型的評價指標數據，然后采用全集成方式將所有10 個子模型都用于集成，或者根據測試集的評價指標數據合理篩選用于集成的子模型，最后采用等權值法或熵值法求取各子模型（用于集成的）的權重系數，從而建立智能集成模型。

（4）集成模型應用：將建立的智能集成模型進行實際應用，一般是選取與實驗方案差異較大的干燥參數組合。同時，還需要將智能集成模型的預測性能與所有子模型進行比較，以進一步驗證智能集成模型的穩定性、泛化性和預測精度。

采用決定系數（R2）和均方根誤差（RMSE）定量評價所有模型（包括子模型和智能集成模型）的預測性能。R2越接近于1，RMSE 越小，則表明模型的性能越佳。R2和RMSE 這2 個評價指標的具體計算公式分別如下[11]。

MRexp,i表示干燥實驗得到的第i個水分比數據，MRpre,i表示各種模型計算得到的第i個水分比數據，N表示實驗數據總數

3 結果與分析

3.1 干燥過程水分比變化規律

3.1.1 微波功率 根據表1 中序號1～4 的實驗方案，可以得到當切片厚度為1 mm、干燥層數為1層時，不同微波功率下前胡切片水分比隨干燥時間的變化曲線如圖4 所示。當微波功率由300 W 逐漸升至600 W 時，總干燥時間由70 min 逐漸降至40 min。這是因為當微波功率增大，前胡切片內部水分吸收的微波能越多，可加速水分子間的摩擦和振動速度，更容易產生摩擦熱，促進升溫。同時，在真空環境下，水的汽化溫度會因為蒸汽壓的減小而降低，使得汽化速度加快，因此，提高微波功率可以提高失水速度、縮短干燥時間，從而提高干燥效率[31]。

圖4 不同微波功率下前胡切片水分比隨干燥時間的變化曲線Fig.4 Moisture ratio curve of Peucedani Radix slices with drying time under different microwave power

3.1.2 切片厚度 根據表1 中序號5～8 的實驗方案，可以得到當微波功率為400 W、干燥層數為2層時，不同切片厚度下前胡切片水分比隨干燥時間的變化曲線如圖5 所示。當切片厚度由7 mm 逐漸降至1 mm 時，總干燥時間由75 min 逐漸降至65 min。這是因為微波能量在前胡切片內部滲透過程中是不斷衰減的，前胡切片厚度越薄，中心部分獲得的微波能量越多，內部水分遷移擴散阻力越小，水分可以從切片內部更及時地遷移到其表面，然后蒸發去除，因此減少切片厚度可以縮短干燥時間[32]。

圖5 不同切片厚度下前胡切片水分比隨干燥時間的變化曲線Fig.5 Moisture ratio curve of Peucedani Radix slices with drying time under different slice thicknesses

3.1.3 干燥層數 根據表1 中序號9～12 的實驗方案，可以得到當微波功率為600 W、切片厚度為3 mm 時，不同干燥層數下前胡切片水分比隨干燥時間的變化曲線如圖6 所示。

圖6 不同干燥層數下前胡切片水分比隨干燥時間的變化曲線Fig.6 Moisture ratio curve of Peucedani Radix slices with drying time under different drying layers

當干燥層數由4 層逐漸降至1 層時，總干燥時間由55 min 逐漸降至40 min。這是因為干燥層數越少，前胡切片中所需要去除的水分就相應地減少，單位質量前胡切片所吸收的微波能量相應地增加，同時干燥室內的氣流可以更有效地循環，有利于去除前胡切片中的水分，因此，減少干燥層數可以縮短前胡切片的干燥時間[33-34]。

3.2 水分比智能集成建模與應用

3.2.1 子模型建立 通過開展前胡切片微波真空干燥實驗，共收集得到150 組實驗數據用于構建原始數據集。根據訓練集、驗證集和測試集的劃分方法，訓練集由75 組數據構成，驗證集由38 組數據構成，測試集由37 組數據構成。

采用訓練集建立了10 個BP 神經網絡子模型，各子模型的隱含層神經元個數分別為3～12。以隱含層神經元個數3 為例，BP 神經網絡訓練過程的訓練誤差變化曲線如圖7 所示。由于采用了交叉驗證方法（有時也稱為提前終止法），在訓練初始階段（訓練次數小于17），隨著訓練次數的增加，訓練集和驗證集的均方誤差（mean squared error，MSE）同時呈現下降趨勢，此時屬于網絡的欠擬合階段；等訓練次數大于17 時，訓練集的均方誤差繼續呈現下降趨勢，而驗證集的均方誤差卻呈現上升趨勢，此時屬于網絡的過擬合階段。當神經網絡終止訓練時，網絡返回具有最小驗證集誤差（當訓練次數等于17時）的權值和閾值。

圖7 BP 神經網絡訓練過程的訓練誤差變化曲線 (隱含層神經元個數為3)Fig.7 Training error curve of BP neural network training process (with three hidden layer neurons)

所有BP 神經網絡子模型模型的性能指標數據（訓練集和驗證集）如表3 所示。不管是訓練集還是驗證集，所有BP 神經網絡子模型的評價指標R2都大于0.96，這表明神經網絡模型的訓練效果是良好的，且不存在欠擬合狀態，可以有效地表示輸入端（微波功率、切片厚度、干燥層數和干燥時間）與輸出端（前胡切片水分比）之間的非線性映射關系。

表3 所有BP 神經網絡子模型的評價指標數據Table 3 Evaluation index data of all BP neural network submodels

由表3 還可知，對于不同隱含層神經元個數的BP 神經網絡子模型，各模型的評價指標數據存在較大差異，且驗證集的評價指標數據波動要大于訓練集，這表明模型的穩定性較差。同時，對于相同隱含層神經元個數的BP 神經網絡子模型，絕大多數的驗證集評價指標數據要比訓練集差。這是因為干燥過程的復雜性導致單一神經網絡對于干燥過程特性的提取能力非常有限，單一神經網絡無法較好地描述干燥過程的全局特性。與訓練集相比，驗證集屬于模型外推的情形，驗證集的評價指標數據表明單一神經網絡存在穩定性和泛化性不足的問題。

3.2.2 子模型集成 將建立的10 個BP 神經網絡子模型應用于測試集，各子模型的評價指標數據（測試集）如表3 所示。由于與驗證集類似，測試集仍屬于模型外推情形，因此，與訓練集、驗證集相比，測試集的所有子模型評價指標數據不僅要更差一點，而且還發生了更大波動，這進一步說明了單一神經網絡模型存在穩定性和泛化性不足的問題。

除了采用全集成方式，將所有10 個子模型都用于集成，還根據測試集的評價指標數據，對子模型進行選擇性集成。對于選擇性集成，設置了R2＞0.95作為優選條件，共優選得到5 個BP 神經網絡子模型（神經元個數分別為3～5、7、11）用于模型集成?？刹捎玫葯嘀捣ɑ蜢刂捣ㄓ嬎愀髯幽Ｐ偷臋嘀叵禂?。① 采用等權值法，全集成的各子模型權重系數均為0.1，選擇性集成的各子模型權重系數均為0.2。② 采用熵值法計算得到全集成的各子模型權重系數（按照隱含層神經元個數從小到大）分別為w1＝0.100，w2＝0.102，w3＝0.094，w4＝0.098，w5＝0.093，w6＝0.098，w7＝0.105，w8＝0.106，w9＝0.098，w10＝0.106；選擇性集成的各子模型權重系數（按照隱含層神經元個數從小到大）分別為w1＝0.209，w2＝0.216，w3＝0.187，w4＝0.183，w5＝0.205。由熵值法的所有計算結果可知，各子模型的權重系數一般是0.1 附近（全集成）或0.2 附近（選擇性集成），這表明各子模型差異性并不大。

根據集成方式和權重系數求取方法的不同，共建立了4 個前胡切片水分比智能集成模型，各智能集成模型的評價指標數據（測試集）如表4 所示。采用選擇性集成方法建立的智能集成模型評價指標數據都優于全集成，但權重系數求取方法（等權值法和熵值法）對模型評價指標數據影響幾乎一致，這可能是因為前胡切片水分比這個建模對象較為簡單、無法完全體現熵值法的優勢。通過對比表4（智能集成模型）與表3（子模型）的評價指標數據可知：選擇性集成模型的性能要優于90%的子模型，且與最佳子模型（隱含層神經元個數為5）非常接近，這表明采用選擇性集成方法建立的前胡切片水分比智能集成模型，具有良好的穩定性、泛化性和預測精度。

表4 所有智能集成模型的評價指標數據Table 4 Evaluation index data of all intelligent integrated models

3.2.3 集成模型應用 選取與實驗方案差異較大的干燥參數組合，開展智能集成模型的應用工作，用于進一步驗證前胡切片水分比智能集成模型的性能。原始數據集里已有干燥時間最短的干燥參數組合（微波功率為600 W，切片厚度為1 mm，干燥層數為1 層），這里選取干燥時間最長的干燥參數組合（微波功率為300 W，切片厚度為7 mm，干燥層數為4 層）。根據該干燥參數組合，按照相同的干燥步驟開展前胡切片微波真空干燥實驗，將得到的實驗數據作為應用集。

所有BP 神經網絡子模型的評價指標數據（應用集）如表3 所示。由于應用集仍然屬于模型外推情形，且子模型存在穩定性、泛化性不足的問題，導致應用集的所有子模型評價指標數據都發生了較大波動，且與表3 的測試集評價指標變化趨勢較為吻合，即：對于相同的隱含層神經元個數，測試集的評價指標數據較差（例如：神經元個數為8 和10）或較好（例如：神經元個數為5 和11），則應用集的評價指標數據一般也較差或較好。

所有智能集成模型的評價指標數據（應用集）如表4 所示。4 種智能集成模型的評價指標數據差異較小，這表明智能集成模型的穩定性較好。同時，應用集仍屬于模型外推情形，與表3 相比，表4 中選擇性集成模型的性能要優于90%的子模型，且與最佳子模型（隱含層神經元個數為11）非常接近，這表明模型的泛化性較好。前胡切片水分比智能集成模型（選擇性集成＋熵值法）的應用集預測效果如圖8 所示。

圖8 前胡切片水分比智能集成模型 (選擇性集成＋熵值法) 的應用集預測效果Fig.8 Application set prediction effect of intelligent integrated model (selective integration and entropy method)for moisture ratio of Peucedani Radix slices

4 討論

通過合理設計前胡切片微波真空干燥實驗，探究了微波功率、切片厚度和干燥層數對前胡切片微波真空干燥過程水分比變化的影響。實驗結果表明，提高微波功率或減少切片厚度都能夠有效縮短總干燥時間，減少干燥過程真空泵的運行時間，達到提高干燥效率、節能的目的。與切片厚度、干燥層數相比，微波功率對總干燥時間的影響更為顯著。同時，通過實驗共收集了150 組包括干燥參數組合、干燥時間和水分比的實驗數據，構建了用于前胡切片干燥過程水分比建模的原始數據集。另外，還收集了21 組實驗數據用于進一步驗證智能集成模型的穩定性、泛化性和預測精度。

為了克服單一BP 神經網絡穩定性、泛化性和預測精度等不足的問題，提出了一種基于集成學習和BP 神經網絡的智能集成建模方法，并通過子模型建立、子模型集成和集成模型應用等實施流程，建立了前胡切片干燥過程水分比的智能集成模型。該智能集成建模方法積極借鑒了集成學習的思想，通過合理集成多個不同隱含層神經元個數的BP 神經網絡子模型，充分挖掘干燥過程數據中隱含的細節特征和高度非線性特征，減弱了單一模型的非線性程度，消除了單一模型的不確定性，在既保證各子模型相容性問題的同時，又保留了各子模型的差異性，能夠較好地描述前胡切片干燥過程的全局特性。模型應用結果表明：智能集成模型具有較好的穩定性、泛化性和預測精度。

前胡切片干燥過程中水分比智能集成模型，較好地反映了微波真空干燥工藝參數與前胡切片水分比之間的復雜非線性關系，可以用于快速準確地預測干燥過程的水分比變化。另外，智能集成建模方法還為中藥材干燥過程的建模提供了一種有效的建模新方法。研究結果不僅有助于準確掌握前胡切片干燥過程含水率的變化規律，還可以為前胡切片干燥過程優化和控制提供重要的技術支持，這對保證中藥材干燥品質和降低能耗都具有重要的理論及現實意義。

前胡切片的品質評價不僅僅在于水分比這一指標，還應包括藥材的性狀（例如：顏色）、有效成分含量（例如：香豆素類成分含量）等諸多因素。筆者還開展了一些前胡切片微波真空干燥實驗，用于研究干燥后前胡切片香豆素類成分含量變化，以及干燥過程前胡切片的色度變化，并得到了一些初步研究結果。香豆素類是前胡藥材的主要有效成分，雖然這些成分相對較穩定，但是在干燥過程中也會發生不同程度的降解和轉變[3]。由于微波真空干燥實驗的溫度變化范圍為25.2～39.6 ℃，所有干燥條件（微波功率、切片厚度等）的變化對干燥后的前胡切片香豆素類成分含量影響均不顯著，因此微波真空低溫干燥技術可以減少香豆素類成分的損失，提高前胡切片的干燥品質。在微波真空干燥過程中，前胡切片由白逐漸變黑，由綠變紅然后偏紅程度逐漸保持穩定，由藍變黃然后偏黃程度逐漸降低，總色差值逐漸增加。雖然增大微波功率可以縮短干燥時間，但會增加前胡切片的顏色劣變影響。今后可以在這些前期研究工作和本研究工作的基礎上，進一步開展前胡切片微波真空干燥過程的質量綜合評價、質量退化建模和工藝參數優化等研究工作。

中藥材干燥過程建模不能僅局限于中藥材的宏觀干燥特性，還應該從微觀角度深入揭示干燥過程的質熱傳遞機理，并對干燥過程的有效成分變化進行模擬和定量分析?？紤]到中藥材干燥過程的復雜性，以后可以考慮采用智能模型與機理模型相結合的混合建模方法建立干燥過程的傳熱傳質數學模型，以提升模型的準確性和可解釋性。同時，還可以充分利用國內外新型的檢測設備（屬于直接檢測法，例如：近紅外光譜儀）或者軟測量技術（屬于間接檢測法）以及新型干燥設備，以實現干燥過程重要數據（特別是中藥材有效成分含量）的精準采集，并提高自動化和智能化水平，最終實現中藥材加工生產過程的綠色、高效及高品質干燥[3]。

利益沖突所有作者均聲明不存在利益沖突