近红外光谱(NIR)分析具有分析高效、 样品无损、 环境无污染以及可现场检测等优点, 特别适合药品的快速建模分析。 但NIR存在吸收强度弱以及谱带重叠等缺点, 需要建立稳健可靠的化学计量学模型对其进行分析。 深度卷积神经网络是深度学习方法中一个重要分支, 它通过逐层抽取数据特征并进行组合、 转换, 形成更高层的语义特征, 具有极强的建模能力, 广泛应用于计算机视觉、 语音识别等领域, 而在药品NIR分析方面尚未见报道。 基于深度卷积网络模型, 对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层, 将特征图进行整体池化, 形成一个特征点, 用于解决全连接层存在的限制输入维度大小, 参数过多的问题。 同时, 在网络模型中引入批处理操作和dropout机制, 以防止梯度消失和减小网络过拟合的风险。 在网络模型的设计过程中, 通过设计不同的卷积网络层数以及不同的卷积核尺寸大小, 分析其对建模效果的影响, 同时分析五种经典数据预处理方法对NIR分析的影响。 以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、 多厂商分类模型, 该模型在二分类、 多分类实验中取得了良好的分类效果。 在十八分类实验中, 当训练集与测试集比例为7∶3时, 分类准确率为99.37±0.45, 比SVM, BP, AE和ELM算法取得更优的分类性能。 同时, 深度卷积神经网络模型推理速度较快, 优于SVM和ELM算法, 但训练速度慢于二者。 大量实验结果表明, 深度卷积神经网络可对多品种、 多厂商药品NIR数据准确、 可靠地判别分类, 且模型具有良好的鲁棒性和可扩展性。 该方法也可推广到烟草、 石化等其他领域的NIR数据分类应用中。

提出一种稀疏降噪自编码结合高斯过程的近红外光谱药品鉴别方法。 首先对近红外光谱数据进行小波变换以消除基线漂移, 然后用稀疏降噪自编码(SDAE)网络提取光谱特征并降维表示, 最后采用高斯过程(GP)进行二分类, 其中GP选用光谱混合(SM)核函数作为协方差函数, 记此分类网络为wSDAGSM。 自编码网络具有很强的模型表示能力, 高斯过程分类器在处理小样本数据时具有优势。 wSDAGSM网络通过稀疏降噪自编码学习得到维数更低但更有价值的特征来表示输入数据, 同时将具有很好表达力的光谱混合核作为高斯过程的协方差函数, 有利于更准确的光谱数据分类。 以琥乙红霉素及其他药品的近红外光谱为实验数据, 将该方法与经过墨西哥帽小波变换的BP神经网络(wBP)、 支持向量机(wSVM), SDAE结合Logistic二分类(wSDAL)、 SDAE结合采用平方指数(SE)协方差核的GP二分类(wSDAGSE), 以及未采用小波变换的SDAGSM网络等方法进行对比。 实验结果表明, 对光谱数据进行墨西哥帽小波变换预处理能有效提升SDAGSM网络的分类准确率和稳定性。 wSDAGSM方法无论从分类准确率还是分类结果稳定性方面, 都优于其他分类器。