鸡冠花炒炭前后无机元素的含量变化

分析鸡冠花炒炭前后无机元素的含量变化。采用湿法消解ICP-AES测定6个产地,10个批次鸡冠花生品及其炭品中21种无机元素的含量。鸡冠花炒炭前后无机元素的种类不变,炒炭后除了Ca含量明显升高,Na的含量明显降低之外,其余各无机元素含量变化不明显。炒炭对鸡冠花中无机元素的含量具有一定的影响。     

基于卷积神经网络与投票机制的蒲黄炮制品近红外判别方法

蒲黄炭是由香蒲花粉炮制而成,具有止血、化瘀、通淋等多种功效,被广泛应用于临床抗血栓,创面和出血。然而蒲黄炭在炒炭过程中,常常会出现炭化过轻或者炭化过重的现象,从而出现不同炭化程度的蒲黄炭药品,主要为轻度炭化、标准炭化与重度炭化三种不同的蒲黄炭药品。由于炭化程度不同,蒲黄炭的凝血效果优劣不等,其中标准炭化的蒲黄炭药品药效最优。目前,鉴别蒲黄炭药品的方法多为人工凭借肉眼与经验进行判别。基于人工的蒲黄炭药品判别方法判别效率低,受主观因素影响大,判别结果不稳定,难以区分出标准炭化的蒲黄炭。为有效地对不同炭化程度的蒲黄炭进行识别,提出一种基于卷积神经网络与投票机制的蒲黄炮制品近红外判别方法。该方法创新性地结合深度学习与机器学习算法,有效利用卷积神经网络强大表征提取能力的同时通过投票决策提升算法模型的泛化能力与鲁棒性。首先通过近红外光谱技术获取蒲黄炭的近红外光谱,并通过卷积神经网络分别提取样本经过四种预处理方法所得到光谱图的高阶特征,并计算预测结果。按照样本准确率与损失值为四种预处理方法分配相应权重得到蒲黄炮制品预测模型。该模型将所得到的四种预测结果结合权重共同投票出样本的最终结果,从而鉴别出蒲黄炭的炭化程度。实验结果表明所提方法可以有效判别蒲黄炮制品的炭化程度。当训练集所占样本比例为80%时,预测准确率达到95.4%。所提方法与传统卷积神经网络方法、线性判别分析方法以及标准正太变量变换-线性判别分析方法相比预测准确率分别提高8.6%,4.3%和2.6%。同时,所提方法具有一定的稳定性,当训练集所占样本比例大于70%时,测试准确率高于90%;当训练集比例仅占10%时,预测准确性仍然能够达到约80%。     

鸡冠花炒炭前后的XRD及FTIR光谱分析

比较鸡冠花炒炭前后XRD及IR光谱特征,探讨XRD及IR光谱对鸡冠花炒炭前后鉴别的意义。运用XRD光谱及IR二阶导数光谱,对不同产地鸡冠花炒炭前后进行光谱分析。鸡冠花及鸡冠花炭的XRD图比IR二阶导数谱差异更明显。XRD光谱技术可以对鸡冠花及鸡冠花炭进行直接、快速、有效的鉴别,可为鸡冠花及鸡冠花炭鉴别和质量控制提供可靠依据。