[发明专利]一种柴胡药材的质量快速检测方法

权利要求书

1.一种柴胡药材的质量快速检测方法，其特征在于：基于网格寻优支持向量机算法快速检测，包括浸出物、柴胡皂苷a和柴胡皂苷d含量测定：

A、浸出物含量测定包括如下步骤：

(1)采集多批次的柴胡药材，粉碎过筛，得到若干柴胡粉末样品；

(2)测定多批次柴胡粉末样品中的浸出物含量；

(3)采集步骤(2)中每个柴胡粉末样品的近红外原始光谱；

(4)依据步骤(3)中采集的近红外原始光谱，采用KS算法将柴胡粉末样品划分为校正集和验证集；

(5)利用校正集构建网格寻优支持向量机模型，利用验证集验证网格寻优支持向量机模型的准确性；网格寻优支持向量机模型建立的具体步骤为：采用网格寻优算法获取惩罚参数C和核参数g的最优值，然后将最优C和g代入网格寻优支持向量机模型建立全部光谱与各组分含量的预测值之间的定量校正模型；网格寻优支持向量机模型的预测性能进行评价的步骤为：评价指标包括校正集相关系数(RC)、预测集相关系数(RP)、校正集均方根误差(RMSEC)、验证集均方根误差(RMSEP)、预测相对偏差(RSEP)，R值接近于1，表明模型的预测性能越好；RMSEC和RMSEP的大小与样品化学值相关，这两个参数越小且越接近，则表明模型性能越佳，预测精度越高；当RSEP值小于10％时，认为定量校正模型适用于柴胡药材的检测；

(6)按照上述步骤(3)的方法获取另外一批柴胡粉末样品的近红外光谱，导入步骤(5)建立的定量校正模型获得另外一批柴胡药材样品的浸出物含量值；

B、柴胡皂苷a含量测定包括如下步骤：

(1)采集多批次的柴胡药材，粉碎过筛，得到若干柴胡粉末样品；

(2)测定多批次柴胡粉末样品中的柴胡皂苷a含量；

(3)采集步骤(2)中每个柴胡粉末样品的近红外原始光谱；

(4)依据步骤(3)中采集的近红外原始光谱，采用KS算法将柴胡粉末样品划分为校正集和验证集；

(5)利用校正集构建网格寻优支持向量机模型，利用验证集验证网格寻优支持向量机模型的准确性；网格寻优支持向量机模型建立的具体步骤为：采用网格寻优算法获取惩罚参数C和核参数g的最优值，然后将最优C和g代入网格寻优支持向量机模型建立全部光谱与各组分含量的预测值之间的定量校正模型；网格寻优支持向量机模型的预测性能进行评价的步骤为：评价指标包括校正集相关系数(RC)、预测集相关系数(RP)、校正集均方根误差(RMSEC)、验证集均方根误差(RMSEP)、预测相对偏差(RSEP)，R值接近于1，表明模型的预测性能越好；RMSEC和RMSEP的大小与样品化学值相关，这两个参数越小且越接近，则表明模型性能越佳，预测精度越高；当RSEP值小于10％时，认为定量校正模型适用于柴胡药材的检测；

(6)按照上述步骤(3)的方法获取另外一批柴胡粉末样品的近红外光谱，导入步骤(5)建立的定量校正模型获得另外一批柴胡药材样品的柴胡皂苷a含量值；

C、柴胡皂苷d含量测定包括如下步骤：

(1)采集多批次的柴胡药材，粉碎过筛，得到若干柴胡粉末样品；

(2)测定多批次柴胡粉末样品中的柴胡皂苷d含量；

(3)采集步骤(2)中每个柴胡粉末样品的近红外原始光谱；

(4)依据步骤(3)中采集的近红外原始光谱，采用KS算法将柴胡粉末样品划分为校正集和验证集；

(5)利用校正集构建网格寻优支持向量机模型，利用验证集验证网格寻优支持向量机模型的准确性；网格寻优支持向量机模型建立的具体步骤为：采用网格寻优算法获取惩罚参数C和核参数g的最优值，然后将最优C和g代入网格寻优支持向量机模型建立全部光谱与各组分含量的预测值之间的定量校正模型；网格寻优支持向量机模型的预测性能进行评价的步骤为：评价指标包括校正集相关系数(RC)、预测集相关系数(RP)、校正集均方根误差(RMSEC)、验证集均方根误差(RMSEP)、预测相对偏差(RSEP)，R值接近于1，表明模型的预测性能越好；RMSEC和RMSEP的大小与样品化学值相关，这两个参数越小且越接近，则表明模型性能越佳，预测精度越高；当RSEP值小于10％时，认为定量校正模型适用于柴胡药材的检测；

(6)按照上述步骤(3)的方法获取另外一批柴胡粉末样品的近红外光谱，导入步骤(5)建立的定量校正模型获得另外一批柴胡药材样品的柴胡皂苷d含量值。