第36卷，第9期 2016年9月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
杨辉华1.2，維志超1，蒋淑洁1，张学博3，尹利辉 1.桂林电子科技大学电子工程与自动化学院，广西桂林541004
2.北京邮电大学自动化学院，北京100876 3.中国食品药品检定研究院，北京100050
Vol. 36, No. 9, pp2774-2779
September, 2016
摘要近红外光谱分析技术作为一种快速、无损检测技术十分适用于真假药品现场鉴别，自编码网络作为当前机器学习领域研究的热点受到广泛关注，自编码网络是一种典型的深度学习网络模型，它比传统的潜层学习方法具有更强的模型表示能力。自缩码网络使用贪菱逐层预训练算法，通过最小化各层网络的重构误差，依次训练网络的每一层，进而训练整个网络。通过对数据进行白化预处理并使用无监督算法对输人数据进行逐层重构，使网络更有效的学习到数据的内部结构特征。之后使用带标签数据通过监督学习算法对整个网络进行调优，首先对真假琥乙红霉素片的近红外光谱数据进行预处理以及白化预处理，通过白化处理降低数据特征之间的相关性，使数据各特征具有相同的方差。数据处理之后利用稀疏降噪自编码网络针对真假药品光谱数据建立分类模型，并将稀疏降噪自编码网络模型与BP神经网络以及SVM算法在分类准确率及算法稳定性方面进行对比。结果表明对光谱数据进行白化预处理能有效提升稀疏降噪自编码网络的分类准确率。并且自编码网络分类准确率在不同训练样本数量下均高于BP神经网络，SVM算法在少量训练样本的情况下更有优势，但在训练数据集样本数达到一定数量后，自编码网络的分类准确率将优于 SVM算法，在算法稳定性方面，自编码网络较之BP神经网络和SVM算法也更稳定。使用稀蔬降噪自缩码
网络对真假药品近红外光谱数据进行建模，能对真假药品进行有效的鉴别。关键词近红外光谱；真假药鉴别；自编码网络；白化
中图分类号：TP391
引言
文献标识码：A
D0l: 10. 3964/j. issn, 10000593(2016)09-2774-06
inck等[3]利用决策树（classificationtrees）分别对Viagra和 Cialis真假药品近红外光谱数据进行鉴别，其分类准确率分别达到83.3%和100%。MichelJAnzanello等+使用主成分
药物与人们的生活息息相关，但是市场上充压着大量的
假冒伪劣药品。假如不慎服用假药不但不能起到治疗疾病的效果，反而会对人体产生危害。因此真假药的鉴别有重要意义。近红外光谱分析技术以其分析速度快、不破坏样本、不污染环境等特点，广泛应用于农业产品的质量检测、食品工业、石油化工等领域。同样在药物鉴别分析方面也有若广泛应用，Storme-Paris等2)使用簇类独立软模式法（softinde pendentmodeling of class analogy，SIMCA)算法对通过添加不同的赋形剂来达到相同药物活性成分的药品样本建立药品鉴别模型，实验表明使用近红外光谱技术能检测出药品构成中的微小差异，是鉴别真假药品的一种有效的手段。Decon-
收稿日期：2015-03-18，修订日期：2015-07-24
分析（principal components analysis，PCA）结合K邻近算法（K-nearestneighbour，KNN）和支持向量机算法（support vectormachine，SVM）对Viagra和Cialis真假药品进行鉴别。实验表明，SVM算法相对于KNN算法具有更高的分类准确率，Peinder等[S]、FloydEDowell等[使用偏最小二乘判别分析法（partial least squares discriminant analysis，PLS DA)分别对Lipitor和抗疮疾药进行鉴别，验证了PLS-DA模型在光谱药品鉴别上的有效性，国内方面，冯艳春等使用一致性检验、相关系数法、反相关系数法以及使用特征谱段的相关系数法快速鉴别真假药品。质科等使用最小二乘支持向量机（least squares support veotor machine，LSSVM)建
基金项目：国家自然科学基金项目（21365008，61105004），广西自然科学基金项目（2012GXNSFAA053230，2013GXNSFBA019279），广西
信息科学实验中心重点基金项目（2012-02），广西高等学校优秀人才资助计划项目（桂教人[2011]40号），桂林电子科技大学研究生教育创新计划项目(GDYCSZ201478)资助
作者简介：杨解华，1972年生，北京邮电大学自动化学院教授
e-mail: 13718680586@139, com