[发明专利]基于LS-SVM模型的丹参有效成分超声提取工艺优化方法

说明书

基于LS‑SVM模型的丹参有效成分超声提取工艺优化方法，属于中药提取技术领域。本发明在高维特征空间利用最小二乘支持向量机建立综合评价值关于提取因素的回归模型，将回归模型转化成与核函数相关的优化模型，最终通过数据集进行不断学习找出在最优参数下与真实综合评价值误差最小的预测综合评价值从而能够找出提取的最优工艺因素。依照本发明建立一个非线性模型，可揭示数据之间的定量关系，模型误差小，可靠性高，为丹参有效成分超声提取工艺优化研究提供了新的思路与参考。

技术领域

本发明属于中药提取技术领域，具体涉及基于LS-SVM模型的丹参有效成分超声提取工艺优化方法。

背景技术

丹参是一味传统中药，具有祛瘀止血、活血通经、清心除烦等功效。丹参在药理方面具有保护心血管、改善血液循环、抗氧化、保护脑组织缺血、保护再灌注损伤、增强耐缺氧能力和改善肾功能等作用。丹参的有效成分主要有两类，脂溶性的丹参酮类化合物和水溶性的酚酸类化合物，其中发挥积极作用的有效成分多达几十种，其有效成分提取工艺优化亦是研究重点。

支持向量机(Support Vector Machine，SVM)是一种解决回归问题的机器学习模型，通过引入核函数使其解决繁琐的非线性问题，避免出现高纬度空间计算的“维数灾难”问题。最小二乘支持向量机模型(Least Squares Support Vector Machine，LS-SVM)是对支持向量机模型的进一步改进，通过转化目标函数和优化等式条件，提高运算速度和降低计算复杂度。目前许多研究者常借助Matlab环境下运行神经网络模型对中药提取数据进行分析，但是运用最小二乘支持向量机优化中药有效物质提取工艺条件的研究鲜有报道。

发明内容

针对上述中药有效成分工艺优化现有技术处理高纬度非线性问题不稳定的缺陷，本发明在高维特征空间利用最小二乘支持向量机建立综合评价值关于提取因素的回归模型，将回归模型转化成与核函数相关的优化模型，最终通过数据集进行不断学习找出在最优参数下与真实综合评价值误差最小的预测综合评价值从而能够找出提取的最优工艺因素，具体包括以下步骤：

(1)根据Box-Benhnken Design原理对丹参有效成分Sal_B和Tan_ⅡA超声提取，各工艺的有效成分提取率及真实综合评价值进行实验测定，得到m组分析方案实验数据集D＝{(X₁,Y₁),(X₂,Y₂),…,(X_m,Y_m)}，X₁,X₂…X_m为m种提取因素工艺组合，Y₁,Y₂…Y_m为与提取因素工艺组合对应的m种提取率的真实综合评价值；

(2)建立最小二乘支持向量机模型LS-SVM，基于Matlab语言环境，设立提取因素x_i和综合评价值y，得到提取因素x₁,x₂…x_i与提取率的预测综合评价值y之间的定量关系；

(3)优选模型参数核参数g和惩罚因子C，核函数采用径向基核函数RBF，利用Matlab软件编辑，由交叉验证方法同时对g和C进行交叉验证，在g和C组成的参数矩阵中逐个检验每一对参数效果，得到最优参数g和C；

(4)将步骤(3)所述最优参数g和C输入LS-SVM模型，得到步骤(1)所述Box-Benhnken Design分析方案的预测综合评价值；

(5)使用均方误差MSE对LS-SVM模型的模拟性能进行评估，其中m为数据集组数，y_i为LS-SVM的预测综合评价值，Y_i为真实综合评价值。

所述步骤(1)中真实综合评价值为工艺提取率与权重相乘得到数值的总和，所述权重通过标准离差法计算得到。