[发明专利]一种基于LS-SVM模型的红花有效成分超声提取工艺

说明书

本发明公开了一种基于LS‑SVM模型的红花有效成分超声提取工艺，包括有以下步骤：S1，根据Box‑BenhnkenDesign原理对红花有效成分HSYA和AHSYB超声提取；S2，建立最小二乘支持向量机模型LS‑SVM；S3，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；S4，将S3所述最优参数g和C输入LS‑SVM模型，得到S1所述Box‑BenhnkenDesign分析方案的预测综合评价值；S5，使用均方误差MSE对LS‑SVM模型的模拟性能进行评估，其中MSE＝，m为数据集组数，yi为LS‑SVM的预测综合评价值，Yi为真实综合评价值本发明涉及中药提取技术领域。本发明，解决了现有技术处理高纬度非线性问题不稳定的缺陷的问题。

技术领域

本发明涉及中药提取技术领域，特别是涉及一种基于LS-SVM模型的红花有效成分超声提取工艺。

背景技术

红花是一味传统中药，具有祛瘀止血、活血通经、清心除烦等功效。红花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。红花的有效成分主要有两类，脂溶性的红花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。

支持向量机(SupportVectorMachine，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(LeastSquaresSupportVectorMachine，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

为了解决现有技术处理高纬度非线性问题不稳定的缺陷的问题，本发明的目的是提供一种基于LS-SVM模型的红花有效成分超声提取工艺。

为了实现上述目的，本发明采用如下技术方案：一种基于LS-SVM模型的红花有效成分超声提取工艺，包括有以下步骤：

S1，根据Box-BenhnkenDesign原理对红花有效成分HSYA和AHSYB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；

S2，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；

S3，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；

S4，将S3所述最优参数g和C输入LS-SVM模型，得到S1所述Box-BenhnkenDesign分析方案的预测综合评价值；

S5，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。