![NMR指纹图谱与模式识别方法在食物分析中的应用[1]](https://img.doczj.com/imgfa/07j43a57kks3gufzkb8k-a1.webp)
![NMR指纹图谱与模式识别方法在食物分析中的应用[1]](https://img.doczj.com/imgfa/07j43a57kks3gufzkb8k-f2.webp)
波谱学杂志
第23卷第3期
2006年9月 Chinese Jo urnal of Magnetic Resonance Vol.23No.3 Sep.2006
文章编号:100024556(2006)0320397211
NMR指纹图谱与模式识别方法
在食物分析中的应用
陈 波13,康海宁1,韩 超1,王小如1,2
(1.厦门大学化学化工学院,现代分析科学教育部重点实验室,福建厦门361005;
2.国家海洋局第一海洋研究所青岛市现代分析技术及中药标准化重点实验室,山东青岛266061)
摘 要:NMR指纹图谱与模式识别方法相结合在食物的研究中得到广泛应用,已经成功应用于食品的产地的区分,质量判定和转基因食品的安全考察等领域中.本文综述了近些年NMR指纹图谱与模式识别方法在这些领域的应用.
关键词:核磁共振;NMR指纹图谱;模式识别;食物;代谢组学
中图分类号: 文献标识码:A
核磁共振(Nuclear Magnetic Resonance,NMR)是一种基于具有自旋性质的原子核在核外磁场作用下,吸收射频辐射而产生能级跃迁的谱学技术[1].现今,NMR已经成为鉴定有机化合物结构的极为重要的方法,在有机化学、生物化学、药物化学等领域中得到广泛应用.复杂生物体系的NMR图谱能提供体系中许多指纹成分的定量信息,但是指纹信号的重叠也使得图谱变得十分复杂.通常,仅靠肉眼观察只能从NMR图谱中获取很有限的信息,而模式识别方法能够从复杂的数据中最大限度的提取信息.事实上, NMR指纹图谱与模式识别方法相结合已经广泛应用于许多领域,如疾病诊断、药物安全评估、毒理学研究、微生物代谢组学和植物的代谢组学等,在这些领域的应用已经有许多相关的综述[2-8].食物也是一个复杂的体系,随着人们对食物质量及安全的日益关注,对其成分的分析也更加重要.本文将对NMR指纹图谱技术与模式识别方法在食物分析中的应用做一个综述.
收稿日期:2005210227;收修改稿日期:2005212219
作者简介:陈波(19812),男,福建霞浦人,硕士研究生,主要从事中药及茶叶的NMR指纹图谱研究. 3通讯联系人:电话:862532288963253,E2mail:mt2elp@https://www.doczj.com/doc/ff13187627.html,.
1 基于NMR的代谢组学
目前,NMR指纹图谱与模式识别方法最主要的应用是代谢组学领域.从某种意义上说,食物中复杂化合物体系的分析也属于代谢组学的范畴.
NMR代谢组学的概念是Nicholson J K教授及其实验组在长期利用NMR分析生物体液、细胞和组织中多组分代谢组成的工作的基础上,于1999年正式提出的[9].它是通过考察生物体系受刺激或扰动后(如某个特定的基因变异或环境变化后)其代谢产物的变化,来研究生物体系的代谢途径的一种技术,它所关注的是相对分子质量为1000以下的小分子[10].代谢组学研究的主要样品是生物流体,其中尿液和血液是最容易获得的,因此,使用也最广泛;其它生物流体,如脑脊髓液、胆汁、精液、肾透析液、肺穿刺液甚至细胞培养上清液、器官组织提取液等也可以使用.另外,现在还可以不经任何处理,对完好组织进行代谢成分研究[7].
NMR是现阶段代谢组学研究所用最为广泛的技术,其中绝大多数研究使用的是1H NMR.MS以及它与HPL C、GC之间的联用技术也已经逐渐应用于动植物的小分子代谢成分的研究.另外,F T2IR光谱、薄层色谱、代谢分析阵列(metabolite arrays)甚至自动生化分析也可以应用于代谢成分分析.表1对几种常用的代谢组学技术的优缺点进行了比较[6,11].
表1 不同代谢组学技术的比较
Table1 Comparison for different techniques using for metabonomics
NMR spectroscopy GC2MS L C2MS
F T2IR spectroscopy
Pros Cheap after initial magnet purchase;Robust and re2
producible on a per sample
basis;Minimal sample
preparation;
High2t hroughput.G ood sensitivity;Cheap to
purchase;G ood chromatog2
raphy by comparison wit h
L C2MS;
G ood identification soft2
ware.
Excellent sensitivity;No
need to derivatisesamples
prior to analysis;More tru2
ly global t han NMR and
GC2MS;
Can be used to analyse spe2
cific metabolitesas well as
produce global profiles.
Cheap and easy
to use.
Cons Only detect s t he highest concentration of metabo2
lites;Significant metabolite
overlap in simple1H NMR
spectra;Large initial pur2
chase of spect rometer and
superconducting magnet.Need to derivatise t he me2
tabolitesto ensure t hey are
volatile.
Ion suppression can prevent
quantitationor even detec2
tion of certain metabolites;
LC reproducibility is lower
t han GC.
Very poor dis2
tinctionbetween
classes of me2
tabolites.
与其它指纹图谱技术相比,NMR测定灵敏度较低、分辨率不够高.另外,NMR的动态范围有限,很难同时测定生物体系中共存的浓度相差较大的代谢产物,所需硬件的投资也较大.但是,NMR却具有不可比拟的优点,例如无需样品预处理和预筛选,可以893波 谱 学 杂 志 第23卷
避免由于分离所造成微小成分的丢失;无损伤性,不会破坏样品的结构和性质,可以进行实时和动态的检测;没有偏向性,对所有化合物的灵敏度是一样的,而MS 则有离子化程度和基质干扰等问题;1H NMR 的谱峰与样品中各化合物的氢原子是一一对应的,所测样品中的每一个氢原子在图谱中都有其相关的谱峰,图谱中信号的相对强弱反映样品中各组分的相对含量;另外,迄今为止,只有NMR 能够对完好组织进行代谢成分分析[12,13].
由于1H NMR 的化学位移范围窄,包含由许多小分子成分的代谢样品引起的NMR 信号大量重叠,使得1H NMR 指纹谱图信号归属困难,很难通过肉眼对谱图进行分析比较.因此,通常使用模式识别方法来分析数据,最大限度提取信息.
理论上,如果仅仅是为了实现对样本不同类别的区分,并没有必要对NMR 信号进行归属.但是如果能找出引起区分的相关成分,将会有助于进一步的研究.NMR 信号的归属一般可以通过化学位移,信号的多重态或者加入标准物质获得.化学位移通常是通过文献调研,收集相关数据.2D NMR 波谱可以减少信号的重叠,为信号归属提供有用的信息,通常使用的有二维相关谱(COS Y )、异核多量子相干(HMQC )、扩散二维谱(DOSY ),J 2分辨谱等.如果使用以上方法还是不能够归属,还可以使用固相萃取色谱(SPEC )或高效液相色谱(H PL C )来简化体系[7].
2 模式识别方法介绍
模式识别是化学计量学研究中的十分重要的内容,它从化学测量数据出发,进一步揭示物质的隐含性质,为分析化学家提供了十分有用的决策信息.模式识别方法通常可以分为监督方法和非监督方法[4,14,15].
2.1 非监督方法
非监督方法针对那些不利用或没有样本所属类别信息的情况,它将复杂的数据(如NMR 波谱)降低到一个低维空间,以分类图的形式显示出来,从而使肉眼能够进行系统分析.该方法包含两个步骤(数据缩减算法的实现,以及识别出的模式或聚类的图形显示).常用的非监督方法如下:
2.1.1 主成分分析(Principal Component Analysis ,PCA )
主成分分析是一种非常有效的数据压缩方法.它以一种最优化方法浓缩及综合测量矩阵中的信息,使数据简化,降低维数.主成分分析产生两个矩阵,得分矩阵和载荷矩阵.得分矩阵的列代表不同样品,行代表主成分(PCs ).PCA 以一种有序的方式提取并保留了有用的信息.连续的PC 所包含的变化越来越少,这就意味着后面的主成分可以舍弃.通过得分矩阵前两个主成分作图,可以获得直观的二维聚类图,从而方便地对不同类别进行判定.载荷矩阵的每一列代表一个主成分,其中每一个元素均代表那个主成分与原始变量的相关.对每一列作图,可以获得与NMR 谱图类似的谱图,可在一定程度上反映引起聚类的相关化学成分.
2.1.2 系统聚类分析(Hierarchical Cluster Analysis ,HCA )
聚类分析是无监督模式识别方法的典型代表,有很大的使用价值,特别适用于归属不清楚的情况.它的基本原理是将待聚类的样本集的n 个样本各自看成一类,然后规定或定义样本之间的距离或相似性量度以及类与类之间的距离后开始进行聚类.聚类开始993 第3期 陈 波等:NMR 指纹图谱与模式识别方法在食物分析中的应用
004波 谱 学 杂 志 第23卷
时,因每个样本各自形成一类,样本之间的距离就等于类之间的距离,选择距离最小的一对样本合并成一个新类;进而计算该新类与其他所有类间的距离.比较各个距离之后,将距离最小的两类又合并成另一个新类.如此下去,直到所有的样本归为一类为止.
2.2 监督方法
监督方法的基本思路是用一组已知类别的样本作为训练集,即用已知的样本进行训练,并由这个训练集得到判别模型,再去识别未知样本.常用的监督方法如下:
2.2.1 簇类独立软模式分类法(Soft Independent Modeling of Class Analogy,SIMCA)
SIMCA法是建立在主成分分析的基础上的一种模式识别方法,其基本思路是先利用主成分分析的显示结果得到一个样本分类基本印象,然后分别对各个样本建立相应的类模型,继而用这些类模型来对未知样本进行判别分析.
2.2.2 偏最小二乘法(Partial Least Squares,PL S)
偏最小二乘法与主成分分析法有共同之处,它们都试图提取出反映数据变异的最大信息,不同点在于主成分分析法只考虑一个自变量矩阵,而偏最小二乘法还有一个“响应矩阵”,因此具有预测功能.该方法必须研究两个矩阵之间相关关系的特殊性使得在分析之前往往要做一些数据校正,以期得到更好的预测效果.
2.2.3 K邻域判别法(K2Nearest Neighbor Analysis,KNN)
KNN可用于线性不可分的多类化合物的识别.其基本思想是先将已分好类别的训练样本点"记入"多维空间中,然后将待分类的未知样本亦记入空间.考查未知样本点的K个近邻(K为奇数,如1,3,5等等).若近邻中某一类样本最多,则可将未知样本亦判为该类.在多维空间中,各点间的距离通常规定为欧氏距离.KNN可以接受多于两类的样本并且不依赖于样本的分布(比如它可以处理嵌入式的样本集合),这优于线性判别分析(LDA).
2.2.4 神经网络(Neural Networks,NN)
神经网络是近年来人工智能的一个重要学科分支,它旨在模拟人类的学习过程,现已广泛应用于科学研究以及自动控制等领域.神经网络中应用最广泛的当属B P神经网络(即逆传播).它遵循“模式顺传播,误差逆传播”的原则.在NMR谱中,通常是采用如下步骤来构造B P网络:1.将每个样本的d个变量(可以是d种代谢物的水平或者指分割区域的强度积分值)作为输入神经元;2.通过优化神经元间的联络权值来训练网络,这是一个循环往复的过程,只有当输入所有训练集合的数据以后,输出层神经元的输出值尽可能与原值接近,即当均方差(mean squared error,MSE)小于某给定值时,训练才会终止,此时构建好的网络便可对未知进行预测.
2.2.5 线性判别分析(Linear Discriminant Analysis,LDA)
LDA也叫做线性学习机,通过计算一个线性判别函数定义一个决策面,以区分只有两个类别的情况.这个判别函数是原变量的线性组合,两个变量定义的函数是一条直线,3个变量则是一个平面,多于3个变量的则是比数据集少一维的超平面.
3 NMR指纹图谱与模式识别方法在食物分析中的应用复杂混合体系的分析对食物化学来说至关重要[16-18].进行NMR指纹图谱分析的基本流程如图1.其中,在样品制备中,如果食物样本是固态(如肉类、农作物、茶叶
等),则需要将样本干燥后,再根据要提取成分的极性选择合适试剂将有效成分提取出,将提取液高速离心(10000rp m 以上)以除去固体颗粒不溶物以及大分子蛋白,所得上层清液进行NMR 分析.一般使用氘代试剂(如D 2O ,CD 3OD ,CCl 3D 等)进行样品制备;加入缓冲溶液以减小溶液p H 对化学位移的影响;另外,还需根据所选氘代试剂加入内标(如TMS 、TSP 等).也有文献[18]先用普通试剂提取有效成分后,将提取液冷冻干燥后所得的提取粉末用适当的氘代试剂溶解,所得的溶液用NMR 分析.另外,许多食物为液态(如果汁、食用油、酒、醋等)多数文献报道是将液态食物高速离心后,加入少量氘代试剂作为内锁,再加入缓冲溶液,即可用NMR 进行分析.
NMR 分析所得谱图经过傅立叶变换、调相、调基线.所得的NMR 数据在模式识别计算前,还必须对数据进行预处理.数据预处理一般包括NMR 谱图分段积分(一般为Δδ0.04)、背景去除、溶剂峰和内标峰数据去除、数据标准化等步骤
.
图1 NMR 指纹图谱分析的基本流程
Fig.1 The basic process of NMR fingerprinting analysis
从文献调研来看,欧洲在NMR 指纹图谱在食物中的应用领域做了大量工作,其中英国更是占了绝大多数,这也可以从一定程度上反应欧盟特别是英国对食品安全的重视,现举例如下:
3.1 食品产地的辨别
1H NMR 与模式识别相结合已经应用于判别法国波尔多4个不同葡萄酒产区的成熟葡萄[19].葡萄的生化成分与其种属和种植的环境(包括气候、土壤等)有关.对用于酿酒的葡萄的质量判断通常是用传统的方法分别测定其糖份、酸度、p H 值和总酚含量等.这项研究是利用传统质量标准与葡萄果皮和果肉提取液的1H NMR 图谱建立波尔多4个不同葡萄酒产区成熟葡萄的代谢物指纹图谱.通过PCA 分别分析传统质量标准与1H NMR 数据,可以观察到4个产区的葡萄有明显的聚类,而传统质量标准要比1H NMR 数据的的聚类效果好,但是NMR 指纹图谱可以通过已识别和一些暂时无法识别的代谢成分进行代谢物指纹分析,这是传统方法做不到的.
104 第3期 陈 波等:NMR 指纹图谱与模式识别方法在食物分析中的应用
204波 谱 学 杂 志 第23卷
Adrian J.Charlton将PCA与LDA方法应用于速溶咖啡的1H NMR谱图分析[20]. 98份来自3个不同生产商的速溶咖啡的1H NMR数据用PCA与LDA分析,99%的样本的聚类与其生产商相吻合.选取36份速溶咖啡盲样用所建立的PCA模型判定生产商,准确率可以达到100%.另外,选其中一个产商的咖啡进行模式识别分析,发现可以分成两组,52羟甲基222糠醛是引起区分的主要化合物.
1H NMR谱图数据的PCA与LDA分析也应用于英国3个苹果产地的苹果的区分[21],本工作将协方差主成分分析与相关主成分分析应用于26份不同产地苹果汁的NMR数据,两种方法都可以取得满意的区分效果.通过主成分的载荷(loading)可以发现,苹果酸和蔗糖是引起区分的主要成分.另外,也发现一些微小的成分对区分起重要作用.
3.2 食品质量相关分析
这是NMR指纹图谱在食品方面应用的最重要的一个领域,它包括成分分析、真伪的判定、质量好坏判定、不同品牌的食物比较、同一食物不同时期的成分比较等.
NMR与模式识别在食品以及相关行业应用的一部分是采用2H NMR波谱(Site2 Specific Nat ural Isotopic Fractionation St udied by Nuclear Magnetic Resonance(SN IF2 NMR)),虽然这种技术并不属于本文讨论的NMR指纹图谱的范围,但是,鉴于其在食品质量检测的广泛应用,本文还是包括了对这种技术的介绍.SN IF2NMR是现今唯一的一种能够同时直接测定一个已知分子中不同位置的氢同位素比(D/H)的技术[22].通过SN IF2NMR测定食品中某些指标成分分子的不同位置的氢同位素比可以有效的判别食品是人工合成或天然的.在这方面的应用已有许多例子[23-25].另外,碳同位素比(13C/ 12C)也可以用作质量判定[26].
G.Vigli利用1H NMR和31P NMR图谱与模式识别分析天然橄榄油中种子油的掺杂[27].192份植物油(包括13种植物油:榛实、向日葵、玉米、大豆、芝麻、胡桃、油菜籽、杏仁、棕榈、花生、红花、椰子和希腊不同地区的天然橄榄油)经1H NMR和31P NMR分析后的谱图用判别分析(Discriminant Analysis)建立模型.用于判别分析的数据是计算所得的1,22甘二油脂、1,32甘二油脂、1,22甘二油脂与所有甘二油脂含量比值、酸度、碘含量、脂肪酸等物质的含量.其中128份样品用于建立食用油种类判别模型,另外64份样本用所建模型可以100%判别.另外,分别人工混合橄榄油与榛实油、玉米油、葵花子油和大豆油,获取其1H NMR和31P NMR图谱,再利用判别分析建立模型,可以判别出掺杂低至5%W/W的样本,此种技术可用于判定是否在橄榄油中添加其它植物油或劣质油.
Gall G.Le利用NMR指纹图谱区分了天然桔子汁和人工加工的桔子汁[28].超过300份天然和人工加工的桔子汁的1H NMR谱图用PCA及LDA分析,通过6个主成分建立了准确率达到94%的模型.主成分分析载荷(loading)显示二甲基脯氨酸对两种桔子汁的区分起重要作用,人工加工桔子汁的含量较高.ANOVA显示两种桔子汁至少有21种其它成分的信号有显著差异.
Gall G.Le还利用1H NMR指纹图谱分析了191份来自不同国家的绿茶,用PCA和HCA分析数据[29].PCA分析结果发现中国和非中国茶叶有一定程度的区分.另外, PCA结果还显示,与中国的其它绿茶相比,龙井茶具有较高含量的茶氨酸、没食子酸、
咖啡因、EGC G (没食子儿茶素没食子酸酯),EC G (儿茶素没食子酸酯)和较低含量的EGC (没食子儿茶素),这些成分在早期的工作中以证明与茶叶的质量相关.此外,还发现茶没食子素、可可碱以及一些糖类等成分在龙井中含量更高,而脂肪酸与蔗糖在其它茶叶的含量更高.
本实验室也用1H NMR 分析测定35种从福建、云南、广州、江西等地采集及购买的不同种类的茶叶.检测出约20种物质,包括多种氨基酸、茶氨酸、多种儿茶素(EGC 、EC (儿茶素)、EGCG 、EC G 和一些未知的儿茶素)、蔗糖、未知糖类、脂肪酸、咖啡因等.所得谱图经主成分分析,实现了不同种类的茶叶以及铁观音产地的区分,并且发现了引起区分的化学成分:红茶和黑茶与绿茶和乌龙茶相比,部分氨基酸和一些未知成分的含量较高,而儿茶素的含量较低;安溪西坪铁观音与安溪祥华和感德铁观音相比,部分氨基酸、咖啡因、EGCG 、EC G 以及一些未知成分的含量较高,而EC 、EGC 含量相对低.另外,谱图的聚类分析也显示了与主成分分析类似的结果.
1H NMR 指纹图谱也应用于啤酒的分析[30].啤酒包含有许多成分,除了水和酒精,还有其它营养成分,如碳水化合物和糖(如葡萄糖、麦芽糖、麦芽三糖和阿拉伯木聚糖等).在该项研究中,啤酒的1H NMR 谱图信号中,除了由几种碳水化合物产生的强烈重叠的谱峰信号外,一些脂肪族和芳香族的微小信号也可以清楚地观察到.通过2D NMR 辅助,大约30种化合物的信号得到了归属.通过PCA 分析17份ale 和lager 啤酒的NMR 谱图发现,如果只用脂肪族和糖类成分数据进行PCA 分析,只能在一定程度上区分ale 和lager 啤酒,而用芳香区的信号进行分析,则可以很好地区分.
3.3 转基因食品分析
基因改良体(GMO )在近十年来得到极大的发展.植物的遗传工程在改进农作物的质量与产量方面起到了重要作用,为人类生活带来了方便.可是,转基因食品的安全问题日益引起人类的关注,因此需要开发能够检测基因改良造成的非预见变异作用.1H NMR 在代谢组学中具有的广泛应用,因此也可以作为基因改良体代谢成分的分析手段[31].
Gall G.Le 利用1H NMR 对红番茄(L ycopersico n esculent um )基因改良后潜在的非预见变异作用进行检测[32].番茄是重要的农作物,对番茄的基因改良主要是提高黄酮类物质的生物合成,以增加其抗氧化能力.本研究所用的番茄是通过对转录因子L C 和C1同时超量表达来增加黄酮类成分.文中比较了在同等条件下生长的不同成熟程度的基因改良和无基因改良番茄的代谢物成分.1H NMR 图谱显示,谷氨酸、果糖和一些核苷及核苷酸的含量随着番茄从不成熟到成熟逐渐增加,而一些氨基酸如缬氨酸和γ2氨酪酸的含量则逐渐降低.经比较,两种红番茄除了6种主要黄酮苷外,至少有15种其它代谢成分含量不同.将PCA 与PLS 应用于80份两种番茄的1H NMR 数据,几乎可完全实现区分.
1H NMR 图谱也应用于转基因玉米、豌豆、烟草等食物的代谢成分分析[33-35].
3.4 新的NMR 技术在食品分析中的应用
一些新的NMR 技术已经在代谢组学领域发挥了越来越重要的作用,在今后的研究中,可能也会在食品分析中有更多的应用.
3.4.1 超导低温探头NMR (Cryoprobe NMR spect ro scopy )
现今基于NMR 的代谢组学主要集中于1H NMR ,由于氢谱的化学位移范围窄,导
304 第3期 陈 波等:NMR 指纹图谱与模式识别方法在食物分析中的应用
404波 谱 学 杂 志 第23卷
致不同代谢成分的NMR信号重叠严重.13C NMR具有比1H NMR宽得多的化学位移,因此,用于代谢分析可提高不同代谢成分的分辨率.可是由于与1H相比具有较低的天然丰度、磁旋比,因此13C NMR的灵敏度要远低于1H NMR.超导低温探头NMR,通过液氦使其探头温度降低到～20K或更低,使热噪音减小到原来的1/4或更低,从而显著提高碳谱的灵敏度,缩短采样时间.H.C.Keun等利用低温探头13C NMR对尿液进行代谢成分分析[6,12,36].然而根据目前的文献调研,此种技术在食物分析的应用还未见报道.
3.4.2 液相色谱与NMR联用(Liquid chromatograp hy2NMR spectro scopy)
将NMR与HPL C联用,可以提高NMR灵敏度,主要是因为HPL C可使各种成分先分离后,再进入NMR进行测定,可大大减少信号的重叠,从而增加了NMR测定低浓度代谢成分的动态范围.另外,代谢成分在HPL C分离过程得到浓缩纯化和富集,从而提高了低浓度代谢成分的灵敏度.对于HPL C2NMR的应用已经有相关的一些综述,此种技术在生物样品中的应用较多,而在食物分析应用的则少见报道[12,37].
3.4.3 高分辨魔角旋转1H NMR(High2resolution magic2angle2spinning1H NMR spec2 t roscopy)
以上所有的核磁技术均需要液态样品,或者样品本身是液态或者为样品的提取液.传统的固态NMR由于固体弛豫时间小以及所有各相异性的相互作用被保留,谱线急剧增宽,因而不适合用于代谢成分分析.而近年发展起来的1H MAS NMR,待分析样品以与磁场成54.7度角的旋转轴高速旋转,减小了由于样品的不均匀、偶极2偶极作用以及化学位移各相异性而引起的谱线增宽,因此,可以获得与液态NMR相媲美的分辨率.所以它完全可以应用于完整组织器官的分析,从而免去了机械的提取过程,大大提高了效率[7,12,18].
L.Shint u将高分辨MAS NMR与模式识别相结合应用于不同成熟期帕玛森奶酪的区分[38].高分辨MAS NMR的灵敏度虽然相对于一般NMR低.但是,还是可以作为检测帕玛森奶酪成熟期的快速方法.15份不同成熟期的1H MAS NMR谱图用PCA和DA (Discriminant Analysis,判别分析)分析,可以成功地区分开,并发现不同成熟期奶酪的主要差异是一些氨基酸与小分子代谢成分.
4 结论
NMR具有无损伤性、无偏向性以及高重现性,它能够对食物体系的进行成分分析,并提供丰富的指纹信息.但是,对这些信息进行有效的整理识别却是一个难点.模式识别方法的出现为攻克这个难点提供了有效的解决方法.目前,这二者相结合,已经被广泛应用于食品产地的辨别,质量相关判定以及转基因食品的安全考察.其它一些新的NMR技术,如超导冷冻探头NMR、液相色谱与NMR联用和高分辨魔角旋转1H NMR 也为食品分析提供了新的手段.
然而,NMR指纹图谱与模式识别方法的结合还有待完善,如核磁共振实验方法的选择优化,数据分析所使用的模式识别方法的发展与选择,都还有很大的发展余地.有理由相信,NMR指纹图谱与模式识别方法将会在食物分析的各个领域发挥越来越大的作用.
参考文献:
[1] Zhao Jian 2yu (赵剑宇),Yan Xian 2zhong (颜贤忠).基于核磁共振的代谢组学研究进展[J ].Foreign Medical
Sciences Section on Pharmacy ,2004,31(5):308-313.
[2] Nicholson J K ,Wilson I D.High resolution proton NMR spectroscopy of biological fluids [J ].Prog Nucl Mag
Res Sp ,1989,21:449-501.
[3] Lindon J C ,Nicholson J K ,Everett J R.NMR spectroscopy of biofluids [J ].Annu Rep NMR Spectrosc ,1999,
38:1-88.
[4] Lindon J C ,Holmes E ,Nicholson J K.Pattern recognition met hods and applications in biomedical magnetic res 2
onance [J ].Prog Nucl Mag Res Sp ,2001,39(1):1-40.
[5] Robert son D G ,Reily M D ,Lindon J C ,et al .Metabonomic technology as a tool for rapid t hroughput in vivo
toxicity screening [J ].Comprehens Toxicol ,2002,14:583-610.
[6] Griffin J L.Metabonomics :NMR spectroscopy and pattern recognition analysis of body fluids and tissues for
characterisation of xenobiotic toxicity and disease diagnosis [J ].Curr Opin Chem Biol ,2003,7(5):648-654.
[7] Lindon J C ,Holmes E ,Nicholson J K.Toxicological applications of magnetic resonance [J ].Prog Nucl Mag
Res Sp ,2004,45(1-2):109-143.
[8] Bligny R ,Douce R.NMR and plant metabolism [J ].Curr Opin Plant Biol ,2001,4(3):191-196.
[9] Nicholson J K ,Lindon J C ,Holmes E.’Metabonomics ’;understanding t he metabolic responses of living systems
to pat hophysiological stimuli via multivariate statistical analysis of biological NMR spect roscopic data [J ].Xeno 2biotica ,1999,29(11):1181-1189.
[10] Xu Guo 2wang (许国旺),Yang J un (杨军).Metabonomics and it ’s Research Advance (代谢组学及其研究进展)
[J ].Chinese Journal of Chromatography (色谱),2003,21(4):316-320.
[11] Griffin J L.The potential of metabonomics in drug safety and toxicology [J ].Drug Discov Today :Technolo 2
gies ,2004,1(3):285-293.
[12] Yang J un (杨军),Song Shuo 2lin (宋硕林),Perez Jose Cast ro ,et al.Metabonomics and it ’s Application (代谢组
学及其应用)[J ].Chinese Journal of Biotechnology (生物工程学报),2005,21(1):1-5.
[13] Yan Xian 2zhong (颜贤忠),Zhao Jian 2yu (赵剑宇),Peng Shuang 2qing (彭双清),et al .Metabonomics in Post 2
Genomic era (代谢组学在后基因组时代的作用)[J ].Chinese J Magn Reson (波谱学杂志),2004,21(2):263-271.
[14] Qiu Yu 2jie (邱玉洁),Xia Sheng 2an (夏圣安),Ye Chao 2hui (叶朝辉),et al .Pattern Recognition Met hods in Bi 2
omedical Magnetic Resonance (生物医学核磁共振中的模式识别方法)[J ].Chinese J Magn Reson (波谱学杂志),2005,22(1):99-111.
[15] Liang Y i 2zeng (梁逸曾),Yu Ru 2qin (俞汝勤).分析化学手册(2nd ed )[M ]].Beijing (北京):Chemical Industry
Press (化学工业出版社),2000.
[16] Barjat H ,Morris G A ,Swanson A G.A t hree dimensional DOSY 2HMQC experiment for t he high resolution a 2
nalysis of complex mixtures [J ].J Magn Reson ,1998,131(1):131-138.
[17] Colquhoun I J.High 2resolution NMR spectroscopy in food analysis and aut hentication [J ].Spectrosc Eur ,
1998,10:8-18.
[18] Fan T W 2M.Metabolite profiling by one 2and two 2dimensional NMR analysis of complex mixtures [J ].Prog
Nucl Mag Res Sp ,1996,28:161-219.
[19] Pereira G E ,Gaudillere J P ,Van Leeuwen C ,et al .1H NMR and chemometrics to characterize mature grape
berries in four wine 2growing areas in Bordeaux ,France[J ].J Agr Food Chem ,2005,53(16):6382-6389.[20] Charlton A J ,Farrington W H H ,Brereton P.Application of
1H NMR and multivariate statistics for screening complex mixtures :quality control and aut henticity of instant coffee [J ].J Agr Food Chem ,2002,50(11):3
098-3103.504 第3期 陈 波等:NMR 指纹图谱与模式识别方法在食物分析中的应用
604波 谱 学 杂 志 第23卷
[21] Belton P S,Colquhoun I J,Kemsley E K,et al.Application of chemometrics to t he1H NMR spectra of apple
juices:discrimination between apple varieties[J].Food Chem,1998,61(1-2):207-213.
[22] Zhang B L,Billault I,Li X B,et al.Hydrogen isotopic profile in t he characterization of sugars influence of t he
metabolic pat hway[J].J Agr Food Chem,2002,50(6):1574-1580.
[23] Remaud G S,Martin Y L,Martin G G.Aut hentication of mustard oils by combined stable isotope analysis
(SNIF2NMR and IRMS)[J].J Agr Food Chem,1997,45(5):1844-1848.
[24] Ogrinc N,K osir I J,K ocjancic M.Determination of aut henticy,regional origin,and vintage of Slovenian wines
using a combination of IRMS and SNIF2NMR analyses[J].J Agr Food Chem,2001,49(3):1432-1440. [25] Brenna E,Fronza G,Fuganti C,et al.Differentiation of natural and synt hetic phenylalanine and tyrosine
t hrough natural abundance2H nuclear magnetic resonance[J].J Agr Food Chem,2003,51(17),4866-4 872.
[26] Tenailleau E J,Lancelin P,Robins R J,et al.Aut hentication of t he origin of vanillin using quantitative natural
abundance13C NMR[J].J Agr Food Chem,2004,52(26):7782-7787.
[27] Vigli G,Philippidis A,Spyros A,et al.Classification of edible oils by employing31P and1H NMR spectrosco2
py in combination wit h multivariate statistical analysis.A proposal for t he detection of seed oil adulteration in virgin olive oils[J].J Agr Food Chem,2003,51(19):5715-5722.
[28] Le Gall G,Puaud M,Colquhoun I J.Discrimination between orange juice and pulp wash by1H nuclear magnet2
ic resonance spectroscopy:identification of marker compounds[J].J Agr Food Chem,2001,49(2):580-588.
[29] Le Gall G,Colquhoun I J,Defernez M.Metabolite profiling using1H NMR spectroscopy for quality assessment
of green tea,Camellia sinensis(L.)[J].J Agr Food Chem,2004,52(4):692-700.
[30] Duarte I,Barros A,Belton P S,et al.High2resolution nuclear magnetic resonance spectroscopy and multivari2
ate analysis for t he characterization of beer[J].J Agric Food Chem,2002,50(9):2475-2481.
[31] Cellini F,Chesson A,Colquhoun I,et al.Unintended effect s and t heir detection in genetically modified crops
[J].Food Chem Toxicol,2004,42(7):1089-1125.
[32] Le Gall G,Colquhoun I J,Davis A L,et al.Metabolite profiling of tomato(Lycopersicon esculentum)using
1H NMR spectroscopy as a tool to detect potential unintended effect s following a genetic modification[J].J Agr Food Chem,2003,51(9):2447-2456.
[33] Manetti C,Bianchetti C,Bizzarri M,et al.NMR2based metabonomic study of transgenic maize[J].Phyto2
chemistry,2004,65(24):3187-3198.
[34] Charlton A,Allnutt T,Holmes S,et al.NMR profiling of transgenic peas[J].Plant Biotechnology Journal,
2004,2(1):27-35.
[35] Choi H K,Choi Y H,Verberne M,et al.Metabolic fingerprinting of wild type and transgenic tobacco plant s
by1H NMR and multivariate analysis technique[J].Phytochemistry,2004,65(7):857-864.
[36] Keun H C,Beckonert O,Griffin J L,et al.Crogenic probe13C NMR spectroscopy of urine for metabonomic
studies[J].Anal Chem,2002,74(17):4588-4593.
[37] Bailey N J C,Oven M,Holmes E,et al.Metabolomic analysis of t he consequences of cadmium exposure in
Silene cucubalus cell cultures via1H NMR spectroscopy and chemometrics[J].Phytochemistry,2003,62(6): 851-858.
[38] Shintu L,Caldarelli S.High2resolution MAS NMR and chemomet rics:characterization of t he ripening of Par2
migiano Reggiano cheese[J].J Agr Food Chem,2005,53(10):4026-4031.
Applications of NMR Spectroscopy and Pattern
R ecognition in Food Analysis
C H EN B o 13,KA N G H ai 2ni ng 1,H A N Chao 1,W A N G X i ao 2ru 1,2
(1.Depart ment of Chemistry and The Key Laboratory of Analytical Science of MO E ,
College of Chemistry and Chemical engineering ,Xiamen University ,Xiamen ,Fujian 361005,China ;
2.First Institute of Oceanorgraphy ,S.O. A.,Qindao 266061,China )
Abstract :The combination of NMR fingerp rinting and pattern recognition has been widely applied in t he field of food analysis ,such as discrimination of different producing areas ,quality assessment and safety assessment of gene 2modified food.This paper re 2views t he applications of t he combined met hod in t his field and t he relevant p rogresses made in recent years.
K ey w ords :NMR ,NMR fingerprinting ,pattern recognition ,food ,metabonomics 3Correspondence aut hor :Chen Bo ,Tel :0532288963253,E 2mail :mt2elp @https://www.doczj.com/doc/ff13187627.html,.7
04 第3期 陈 波等:NMR 指纹图谱与模式识别方法在食物分析中的应用
《模式识别与人工智能》课程教学大纲 一、课程基本信息 课程代码：DX3004 课程名称：模式识别与人工智能 课程性质：选修课 课程类别：专业与专业方向课程 适用专业：电气信息类专业 总学时： 64 学时 总学分： 4 学分 先修课程：MATLAB程序设计；数据结构；数字信号处理；概率论与数理统计 后续课程：语音处理技术；数字图像处理 课程简介： 模式识别与人工智能是60年代迅速发展起来的一门学科，属于信息，控制和系统科学的范畴。模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。模式识别技术主要分为两大类：基于决策理论的统计模式识别和基于形式语言理论的句法模式识别。模式识别的原理和方法在医学、军事等众多领域应用十分广泛。本课程着重讲述模式识别的基本概念，基本方法和算法原理，注重理论与实践紧密结合，通过大量实例讲述如何将所学知识运用到实际应用之中去，避免引用过多的、繁琐的数学推导。这门课的教学目的是让学生掌握统计模式识别基本原理和方法，使学生具有初步综合利用数学知识深入研究有关信息领域问题的能力。 选用教材： 《模式识别》第二版，边肇祺，张学工等编著[M]，北京：清华大学出版社，1999； 参考书目： [1] 《模式识别导论》，齐敏，李大健，郝重阳编著[M]. 北京：清华大学出版社，2009； [2] 《人工智能基础》，蔡自兴，蒙祖强[M]. 北京：高等教育出版社，2005； [3] 《模式识别》，汪增福编著[M]. 安徽：中国科学技术大学出版社，2010； 二、课程总目标 本课程为计算机应用技术专业本科生的专业选修课。通过本课程的学习，要求重点掌握统计模式识别的基本理论和应用。掌握统计模式识别方法中的特征提取和分类决策。掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。基本掌握非监督模式识别方法。了解应用人工神经网络和模糊理论的模式识别方法。了解模式识别的应用和系统设计。要求学生掌握本课程的基本理论和方法并能在解决实际问题时得到有效地运用，同时为开发研究新的模式识别的理论和方法打下基础。 三、课程教学内容与基本要求 1、教学内容： （1）模式识别与人工智能基本知识； （2）贝叶斯决策理论； （3）概率密度函数的估计； （4）线性判别函数； （5）非线性胖别函数；
中药注射剂指纹图谱研究的技术要求(暂行)
关于印发《中药注射剂指纹图谱研究的技术要求(暂行)》的通知 国药管注[2000]348号 2 年 8 月 1 5 日 发 布 各省、自治区、直辖市药品监督管理局：为加强中药注射剂质量管理，我局在《关于加强中药注册管理有关事宜的通知》(国药管注［2000］157号) 中要求“中药注射剂应固定药材产地，建立药材和制
剂的指纹图谱标准，具体要求另行发布”。据此，我局在组织专家论证的基础上制定了《中药注射剂指纹图谱研究的技术要求(暂行)》，现予发布，并就有关事宜通知如下：一、新的中药注射剂指纹图谱标准复核，临床试验用药品，其药材和制剂的指纹图谱标准由省级药品检验所复核；生产用药品，其制剂的指纹图谱标准由中国药品生物制品检定所进行二次复核。二、已批准生产的中药注射剂，其质量标准若缺乏内在质量控制指标和无严格工艺条件，应提高和完善并起草试行标准，在此基础上制订药材和制剂的指纹图谱标准，试行标准起草管理要求同《中药仿制药品试行标准管理规定》，此项工作由国家药典委员会组织实施。三、已批准多家生产的中药注射剂，各生产厂家可根据实际情况单独或联合起草药材和制剂的指纹图谱。联合起草工作由国家药典委员会牵头组织进行。四、已批准生产的中药注射剂，其药材和制剂的指纹图谱标准复核由省级药品检验所进行，需二次复核的品种由国家药典委员会组织完成。五、制定指纹图谱所需的对照品(单一化合物或提取物)，由生产单位向中国药品生物制品检定所提供对照品原料及有关技术资料，经标
定合格后统一发放。附件：《中药注射剂指纹图谱研究的技术要求(暂行)》国家药品监督管理局二○○○年八月十五日中药注射剂指纹图谱研究的技术要求（暂行）为了加强中药注射剂的质量管理，确保中药注射剂的质量稳定、可控，中药注射剂在固定中药材品种、产地和采收期的前提下，需制定中药材、有效部位或中间体、注射剂的指纹图谱。一、注射剂用中药材指纹图谱研究的技术要求中药材指纹图谱系指中药材经适当处理后，采用一定的分析手段，得到的能够标示该中药材特性的共有峰的图谱。如原药材需经过特殊炮制（如醋制、酒制、炒炭等），则应制定原药材和炮制品指纹图谱的检测标准。(一)指纹图谱的检测标准包括名称、汉语拼音、拉丁名、来源、供试品和参照物的制备、检测方法、指纹图谱及技术参数。有关项目的技术要求如下： 1.名称、汉语拼音按中药命名原则制定。 2.来源 包括原植、动物的科名、中文名、拉丁学名、药用部位、产地、采收季节、产地加工、炮制方法等，矿物药包括矿物的类、族、矿石名或岩石名、主要成分、产地、产地加工、炮制方法等。动、植物药材均应固
中药液相色谱指纹图谱实验研究过程中的注意事项 （材料整理） 一、供试品收集 供试品收集是研究指纹图谱最初也是最关键的步骤，由于不可能对一个药材的所有样本进行试验，而且生长环境条件对药材代谢产物有影响，所以要收集有代表性的供试品。收集不少于10批供试品的含义是指样本的数和量要有足够的代表性。 (一) 原料药材：在药材的化学成分与中医临床疗效的之间的关联尚未能阐明的现阶段，基本上是在承认其传统的功能主治及临床验证的基础上进行指纹图谱的实验研究。原料药材的指纹图谱主要是反映其自然状态的内在质量情况，研究其指纹图谱是以此作为选择原药材投料或混批提取的依据，同时作为研究注射剂成品指纹图谱相关性的基础。由于自然条件的变化，药材个体之间指纹图谱的差异是正常的，在品种鉴定无误的基础上，力争药材有较为固定和稳定的来源，个体之间的指纹图谱主要特征大致相似即可，使成品指纹图谱特征的稳定有起码的保证。 药材名称 供试品来源（真实记录供试品来自何处：传统产地收集或是资源丰富的产地收集，或者来自GAP基地供应；还是产地购买、市场购买或委托购买，等，以便于生产原料的采购选择和测试数据的可追溯）。 收集时间（购买时间）及收集人 货源情况调查（货源是否充足和稳定） 基原鉴定及鉴定人：产地或GAP基地收集的药材结合植物形态鉴定品种。如缺原植物，由熟练的专业人员凭性状或显微特征鉴别。如近缘品种、难以区分的野生品种（如白花蛇舌草、蒲公英），应在指纹图谱研究中仔细比较，如获得的指纹图谱相似度很高，也可应用，但须明确记录。并在今后实施GAP时确定一个品种，如指纹图谱相似度很低，则须确定品种，改为栽培品使用。商品混乱的品种（如陈皮）产区的选择应缩小范围，并结合资源选用药典收载品种中的一种。复方制剂中的君药及处方量大的药材必需重点注意品种的鉴定，以避免今后执行指纹图谱过程中出现难以预料的困难。 质量评估：为了便于对色谱的正确分析，减少试验结果的判断误差，首先药材需符合药典或部颁标准规定，并详细记录。所有药材均须编号，必要时附药材外形照片。 如以中药饮片或炮制品为起始原料，应采用符合中国药典或饮片炮制规范的供试品。
人工智能与模式识别 摘要：信息技术的飞速发展使得人工智能的应用围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。模式识别是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词：模式识别；数字识别；人脸识别中图分类号； Abstract: The rapid development of information technology makes the application of artificial intelligence become more and more widely. Pattern recognition, as one of the important aspects, has always been an important direction of artificial intelligence research. In the introduction of artificial intelligence and pattern recognition related knowledge at the same time, artificial intelligence in pattern recognition applications were discussed.Pattern recognition is a basic human intelligence, the emergence of the 20th century, 40 years of computer and the rise of artificial intelligence in the 1950s, pattern recognition technology has made great progress. Pattern recognition and statistics, psychology,
DNA指纹图谱法的基本操作：从生物样品中提取DNA（DNA一般都有部分的降解），可运用PCR 技术扩增出高可变位点（如VNTR系统，串联重复的小卫星DNA等）或者完整的基因组DNA，然后将扩增出的DNA酶切成DNA片断，经琼脂糖凝胶电泳，按分子量大小分离后，转移至尼龙滤膜上，然后将已标记的小卫星DNA探针与膜上具有互补碱基序列的DNA片段杂交，用放射自显影便可获得DNA指纹图谱。 琼脂糖凝胶电泳是分离，鉴定和纯化DNA片段的常规方法。利用低浓度的荧光嵌入染料-溴化乙锭进行染色，可确定DNA在凝胶中的位置。如有必要，还可以从凝胶中回收DNA条带，用于各种克隆操作。琼脂糖凝胶的分辨能力要比聚丙烯酰胺凝胶低，但其分离范围较广。用各种浓度的琼脂糖凝胶可以分离长度为200bp至近50kbp的DNA。长度100kb或更大的DNA，可以通过电场方向呈周期性变化的脉冲电场凝胶电泳进行分离。在基因工程的常规操作中，琼脂糖凝胶电泳应用最为广泛。它通常采用水平电泳装置，在强度和方向恒定的电场下进行电泳。DNA分子在凝胶缓冲液（一般为碱性）中带负电荷，在电场中由负极向正极迁移。DNA分子迁移的速率受分子大小，构象。电场强度和方向，碱基组成，温度和嵌入染料等因素的影响。 三. 实验材料和试剂 1. DNA样品 2.化学试剂和溶液 （1）DNA样品反应缓冲液：100mM Tris，200mM NaCl，20mM MgCl2，2mM DTT，pH 8.0 （2）EcoRⅠ限制性内切酶 （3）PstⅠ限制性内切酶
（4）电泳缓冲液（50×TAE） Tris 242g 冰醋酸57.1ml EDTA（0.5mol/L pH 8.0）100ml 使用时用蒸馏水稀释50倍。 （5）样品缓冲液（DNA sample loading dye） 0.25%溴酚蓝 0.25%二甲苯青 40%（W/V）蔗糖 （6）溴化乙锭（EB）10mg/ml （7）琼脂糖agarose（电泳级） （8）DNA分子量标记物：Lambda HindⅢDNA markers 3. 仪器设备和消耗品 电泳仪、电泳槽、样品梳、微波炉、水浴锅、移液器（10μl，200μl，1000μl）、离心管、一次性枪头（200μl，1000μl）。 四. 实验步骤 1. DNA样品的制备 采集生物检测样本，在弱碱和螯合剂存在条件下进行组织匀浆，溶解细胞或细胞核膜；利用阴离子去垢剂和蛋白酶，在37孵化数小时，消化蛋白质分离DNA；使用有机溶剂如苯酚、氯仿等除去残余蛋白质，萃取DNA；用乙醇或某些盐类从溶液中沉淀DNA。
中药注射剂指纹图谱研究的技术要求 (草案) 为了加强中药注射剂的质量管理，确保中药注射剂的质量稳定、可控，中药注射剂在固定中药材品种、产地和采收期的前提下。需制定中药材、有效部位或中间体、注射剂的指纹图谱。 一、注射剂用中药材指纹图谱研究的技术要求 中药材指纹图谱系指中药材经适当处理后，采用一定的分析手段，得到的能够标示该中药材特性的共有峰的图谱。如原药材需经过特殊炮制(如醋制、酒制、炒炭等)，则应制定原药材和炮制品指纹图谱的检测标准。 (一)指纹图谱的检测标准 包括名称、汉语拼音、拉丁名、来源、供试品和参照物的制备、检测方法、指纹图谱及技术参数。有关项目的技术要求如下： 1.名称、汉语拼音 按中药命名原则制定。 2.来源 包括原植、动物的科名、中文名、拉丁学名、药用部位、产地、采收季节、产地加工、炮制方法等，矿物药包括矿物的类、族、矿石名或岩石名、主要成分、产地、产地加工、炮制方法等。动、植物药材均应固定品种、药用部位、产地、采收期、产地加工和炮制方法，矿物药应固定产地和炮制、加工方法。供试品的取样参照《中国药典》2000年版中规定的中药材的取样方法，以保证供试品的代表性和均一性。 3．供试品的制备 应根据中药材中所令化学成分的理化性质和检测方法的需要，选择适宜的方法进行制备。制备方法必须确保该中药材的主要化学成分在指纹图谱中的体现。对于仅提取其中某类或数类成分的中药材，除按化学成分的性质提取各类成分制定指纹图谱外，还需按注射剂制备工艺制备供试品，制定指纹图谱，用以分析中药材与注射剂指纹图谱的相关性。
4．参照物的制备 制定指纹图谱必须设立参照物，应根据供试品中所合成分的性质，选择适宜的对照品作为参照物，如果没有适宜的对照品，可选择适宜的内标物作为参照物。参照物的制备应根据检测方法的需要，选择适宜的方法进行。 5．测定方法 包括测定方法、仪器、试剂、测定条件等。应根据中药材所合化学成分的理化性质，选择适宜的测定方法。建议优先考虑色谱方法。对于成分复杂的中药材，必要时可以考虑采用多种测定方法，建立多张指纹图谱。以色谱方法制定指纹图谱所采用的色谱柱、薄层板、试剂、测定条件等必须固定；以光谱方法制定指纹图谱，相应的测定条件也必须固定。 6．指纹图谱及技术参数 (1)指纹图谱 根据供试品的检测结果，建立指纹图谱。采用高效液相色谱法和气相色谱法制定指纹图谱，其指纹图谱的记录时间一般为l小时；采用薄层扫描法制定指纹图谱，必须提供从原点至溶剂前沿的图谱；采用光谱方法制定指纹图谱，必须按各种光谱的相应规定提供全谱。对于化学成分类型复杂品种，必要时可建立多张指纹图谱。 指纹图谱的建立：根据10批次以上供试品的检测结果所给出的相关参数，制定指纹图谱。 (2)共有指纹峰的标定 采用色谱方法制定指纹图谱，必须根据参照物的保留时间，计算指纹峰的相对保留时间。根据10批次以上供试品的检测结果，标定中药材的共有指纹峰。色谱法采用相对保留时间标定指纹峰，光谱法采用波长或波数标定指纹峰。 (3)共有指纹峰面积的比值 以对照品作为参照物的指纹图谱，以参照物峰面积作为1，计算各共有指纹峰面积与参照物峰面积的比值；以内标物作为参照物的指纹图谱，则以共有指纹峰中其中一个峰(要求峰面积相对较大、较稳定的共有峰)的峰面积作为1，计算其它各共有指纹峰面积的比值。各共有指纹峰的面积比值必须相对固定。中药材的供试品图谱中各共有峰面积的比值与指纹图谱各共有峰面积的比值比较，单峰面积占总峰面积大于或等于20％的共有峰，其差值不得大于土20％；单峰面积占总峰面积大于或等于10％，而小于20％的共有峰，其差值不得大于土25％；单峰
人工智能与模式识别 摘要：模式识别(Pattern Recognition)是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词:人工智能模式识别模式识别的方法模式识别的应用模式识别的发展潜力 正文: 模式识别的定义是借助计算机，就人类对外部世界某一特定环境中的客体、过程和现象的识别功能(包括视觉、听觉、触觉、判断等)进行自动模拟的科学技术。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。(计算机)模式识别在20世纪60年代初迅速发展并成为一门新学科。 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数 值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。 此外，模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。 模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。 模式识别与很多学科都有联系，它与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制；人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。 模式识别的方法主要有决策理论方法和句法方法，模式识别方法的选择取决于问题的性质。如果被识别的对象极为复杂，而且包含丰富的结构信息，一般采用句法方法；被识别对象不很复杂或不含明显的结构信息，一般采用决策理论方法。这两种方法不能截然分开，在句法方法中，基元本身就是用决策理论方法抽取的。在应用中，将这两种方法结合起来分别施加于不同的层次，常能收到较好的效果。 模式识别的应用非常广泛，比较典型的有：1 文字识别：在信息技术及计算机技术日益普及的今天，如何将文字方便、快速地输入到计算机中已成为影响人机接口效率的一个重要瓶颈，也关系到计算机能否真正在我过得到普及的应用。
说明：本实验研究规程指南为在原技术要求的基础上规范中药注射剂色谱指纹图谱试验研究而制订。本指南未能概括的内容，通过实践可自行补充调整，但申报资料或复核资料中须有相应的说明和申述。指南中的"色谱指纹图谱"指采用柱色谱及薄层色谱等各种色谱技术实验研究的指纹图谱。光谱指纹图谱将另行规定。 一、供试品收集 供试品收集是研究指纹图谱最初也是最关键的步骤，由于不可能对一个药材的所有样本进行试验，而且生长环境条件对药材代谢产物有影响，所以要收集有代表性的供试品。收集不少于10批供试品的含义是指样本的数和量要有足够的代表性。 (一) 原料药材：在药材的化学成分与中医临床疗效的之间的关联尚未能阐明的现阶段，基本上是在承认其传统的功能主治及临床验证的基础上进行指纹图谱的实验研究。原料药材的指纹图谱主要是反映其自然状态的内在质量情况，研究其指纹图谱是以此作为选择原药材投料或混批提取的依据，同时作为研究注射剂成品指纹图谱相关性的基础。由于自然条件的变化，药材个体之间指纹图谱的差异是正常的，在品种鉴定无误的基础上，力争药材有较为固定和稳定的来源，个体之间的指纹图谱主要特征大致相似即可，使成品指纹图谱特征的稳定有起码的保证。 药材的"批" 不是工业生产的"批"，是指相互独立的供试品，即不能将同一地点或同一渠道同一时间获得的供试品分成若干份供试品，以保证试验结果的代表性。由于收集药材供试品受主观和客观的条件限制，供试验的供试品严格讲均没有统计学的意义，所以供试品数越多越好，10批是最低的要求。供试品应保证其真实性，应有完整采样原始记录，内容包括： ?药材名称 ?供试品来源（真实记录供试品来自何处：传统产地收集或是资源丰富的产地收集，或者来自GAP基地供应；还是产地购买、市场购买或委托购买，等，以便于生产原料的采购选择和测试数据的可追溯）。 ?收集时间（购买时间）及收集人 ?货源情况调查（货源是否充足和稳定） ?基原鉴定及鉴定人：产地或GAP基地收集的药材结合植物形态鉴定品种。 如缺原植物，由熟练的专业人员凭性状或显微特征鉴别。如近缘品种、难以区分的野生品种（如白花蛇舌草、蒲公英），应在指纹图谱研究中仔细比较，如获得的指纹图谱相似度很高，也可应用，但须明确记录。并在今后实施GAP时确定一个品种，如指纹图谱相似度很低，则须确定品种，改为栽培品使用。商品混乱的品种（如陈皮）产区的选择应缩小范围，并结合资源选用药典收载品种中的一种。复方制剂中的君药及处方量大的药材必需重点注意品种的鉴定，以避免今后执行指纹图谱过程中出现难以预料的困难。
万方数据
万方数据
万方数据
中药指纹图谱的不同方法特点及应用 作者：赵德玉， 毕桂宏 作者单位：辽阳市中医院,辽宁,辽阳,111000 刊名： 中华中医药学刊 英文刊名：CHINESE ARCHIVES OF TRADITIONAL CHINESE MEDICINE 年，卷(期)：2007,25(3) 参考文献(21条) 1.ROY Upton高效薄层色谱在美国草药典中的应用[期刊论文]-中药新药与临床药理 2001(03) 2.谢培山中药色谱指纹图谱鉴别的概念、属性、技术与应用[期刊论文]-中国中药杂志 2001(10) 3.钱浩泉;李彩君;谢培山高良姜及其近缘植物挥发油成分的气相色谱指纹图谱研究[期刊论文]-中药新药与临床药理 2001(03) 4.凌大奎气相色谱保留指纹谱用于中药材鉴别的研究 1995(04) 5.苏薇薇中药指纹图谱及计算机信息处理[期刊论文]-世界科学技术-中医药现代化 2001(03) 6.丁建弥用随机扩增多态DNA(RAPD)技术鉴定野山人参[期刊论文]-中成药 2001(01) 7.徐朝辉同种不同产地牛蒡子DNA指纹图谱特征研究[期刊论文]-中草药 2001(06) 8.袁湘林基体辅助激光解析电离飞行时间质谱用于中草药黄芪的鉴别的研究[期刊论文]-药物分析杂志 2001(01) 9.孙素琴;白雁道地山药红外指纹图谱和聚类分析的鉴别研究[期刊论文]-光谱学与光谱分析 2003(02) 10.秦海林何首乌和掌叶大黄唐古特大黄的1H-NMR指纹图谱解析 1999(11) 11.秦海林核磁共振氢语法鉴别黄连的研究[期刊论文]-药学学报 1999(01) 12.秦海林核磁共振氢语法鉴别黄连的研究[期刊论文]-中草药 2000(01) 13.周俊国中药蛇床子的粉末X衍射分析[期刊论文]-中草药 1999(01) 14.胡平;罗安国;王如期中药菟丝子的高效毛细管电泳法鉴别 1997(07) 15.张朝辉;范国荣;徐国钧12种海马、海龙药材高效毛细管电泳法鉴别 1998(05) 16.沈平女襄高速逆流色谱(HSCCC)技术与色谱指纹谱[期刊论文]-中成药 2001(05) 17.Fang xingchun;Yin xia;xiang Bingren Classification of Chinese TriditionalMedicine-Shanyao Pyrolysis/High Resolution GC/Pattern Recognition 1990(02) 18.粟晓黎;林瑞超;王兆基中药鬼臼毒性成分HPLC/UV指纹图谱分析方法研究及与威灵仙、龙胆HPLC图谱比较[期刊论文]-中成药 2000(12) 19.施超欧;陶萍丹参注射液主要成分HPLC及LC-MS定性分析[期刊论文]-世界科学技术-中医药现代化 2001(05) 20.颜王贞;林巧玲黄连薄层扫描指纹图谱研究 1993(06) 21.李信炯黄连薄层扫描指纹图谱研究 1987(01) 本文链接：https://www.doczj.com/doc/ff13187627.html,/Periodical_zyyxk200703091.aspx
DNA指纹图谱分析实验 一. 实验目的 1. 掌握DNA指纹图谱技术的概念、原理和基本操作过程 2. 学习DNA的限制性酶切的基本技术 3. 掌握琼脂糖凝胶电泳的基本操作技术，学习利用琼脂糖凝胶电泳测定DNA片段的长度，并能对实验结果进行分析。 二. 实验原理 1984年英国莱斯特大学的遗传学家Jefferys及其合作者首次将分离的人源小卫星DNA 用作基因探针，同人体核DNA的酶切片段杂交，获得了由多个位点上的等位基因组成的长度不等的杂交带图纹，这种图纹极少有两个人完全相同，故称为"DNA指纹"，意思是它同人的指纹一样是每个人所特有的。DNA指纹的图像在X光胶片中呈一系列条纹，很像商品上的条形码。DNA指纹图谱，开创了检测DNA多态性（生物的不同个体或不同种群在DNA结构上存在着差异）的多种多样的手段，如RFLP（限制性内切酶酶切片段长度多态性）分析、串联重复序列分析、RAPD（随机扩增多态性DNA）分析等等。各种分析方法均以DNA的多态性为基础，产生具有高度个体特异性的DNA指纹图谱，由于DNA指纹图谱具有高度的变异性和稳定的遗传性，且仍按简单的孟德尔方式遗传，成为目前最具吸引力的遗传标记。 DNA指纹具有下述特点：1．高度的特异性：研究表明，两个随机个体具有相同DNA图形的概率仅3×10－11；如果同时用两种探针进行比较，两个个体完全相同的概率小于5×10－19。全世界人口约50亿，即5×109。因此，除非是同卵双生子女，否则几乎不可能有两个人的DNA指纹的图形完全相同。2．稳定的遗传性：DNA是人的遗传物质，其特征是由父母遗传的。分析发现，DNA?指纹图谱中几乎每一条带纹都能在其双亲之一的图谱中找到，这种带纹符合经典的孟德尔遗传规律，即双方的特征平均传递50％给子代。3．体细胞稳定性：即同一个人的不同组织如血液、?肌肉、毛发、精液等产生的DNA指纹图形完全一致。 1985年Jefferys博士首先将DNA指纹技术应用于法医鉴定。1989年该技术获美国国会批准作为正式法庭物证手段。我国警方利用DNA?指纹技术已侦破了数千例疑难案件。DNA 指纹技术具有许多传统法医检查方法不具备的优点，?如它从四年前的精斑、血迹样品中，仍能提取出DNA来作分析；如果用线粒体DNA检查，时间还将延长。此外千年古尸的鉴定，在俄国革命时期被处决沙皇尼古拉的遗骸，以及最近在前南地区的一次意外事故中机毁人亡的已故美国商务部长布朗及其随行人员的遗骸鉴定，都采用了DNA指纹技术。
人工智能的模式识别与机器视觉 模式识别 “模式”(Panern)一词的本意是括完整天缺的供模仿的标本或标识。模式识别就是识别出给定物体所模仿的标本或标识。计算机模式识别系统使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。 模式识别是一个不断发展的学科分支，它的理论基础和研究范围也在不断发展。在二维的文字、图形和图像的识别方而，已取得许多成果。三维景物和活动目标的识别和分析是目前研究的热点。语音的识别和合成技术也有很大的发展。基于人工神经网络的模式识别技术在手写字符的识别、汽车牌照的识别、指纹识别、语音识别等方面已经有许多成功的应用。模式识别技术是智能计算机和智能机器人研究的十分重要的基础 机器视觉 实验表明，人类接受外界信息的80％以上来自视觉，10％左右来自听觉，其余来自嗅觉、味觉及触觉。在机器视觉方面，只要给计算机系统装上电视摄像输入装置就可以“看见”周围的东西。但是，视觉是一种感知，机器视觉的感知过程包含一系列的处理过程，例如，一个可见的景物由传感器编码输入，表示成一个灰度数值矩阵；图像的灰度数值由图像检测器进行处理，检测器检测出图像的主要成分，如组成景物的线段、简单曲线和角度等；这些成分又校处理，以便根据景物的表面特征和形状特征来推断有关景物的特征信息；最终目标是利用某个适当的模型来表示该景物。 视觉感知问题的要点是形成一个精练的表示来取代极其庞大的未经加工的输入情息，把庞大的视觉输人信息转化为一种易于处理和有感知意义的描述。 机器视觉可分为低层视觉和高后视觉两个层次，低层视觉主要是对视觉团像执行预处理，例如，边缘检测、运动目标检测、纹理分析等，另外还有立体造型、曲面色彩等，其目的是使对象凸现出来，这时还谈不上对它的理解。高层视觉主要是理解对象，显然，实现高层视觉需要掌捏与对象相关的知识。 机器视觉的前沿研究课题包括：实时图像的并行处理，实时图像的压缩、传输与复原，三绍景物的建模识别，动态和时变视觉等。 人娄的钉能活动过程主要是一个获得知识并运用知识的过程，知识是智能的基础。为了使计算机具有钉能，能模拟人类的智能行为，就必须使它具有知识。把人类拥有的知识采用适当的模式表示出来以便存储到计算机中，这就是知识表示要解决的问题。知识表示是对知识的一种描述，或者说是一组约定，是一种计算机可以接受的用于描述知识的数据结构，对知识进行表木就是把知识表示咸便于计算机存储和利用的菜种数据结构。知识表示方法给出的知识表示形式称为知识表示程式，知识表示模式分为外部表示模式和内部表示模式两个层次。知识外部表示模式是与软件开发的工具、运行的软件平台无关的知识表示的形式化描述。知
实验1 Fisher 线性判别分析实验 一、摘要 Fisher 线性判别分析的基本思想：通过寻找一个投影方向（线性变换，线性组合），将高维问题降低到一维问题来解决，并且要求变换后的一维数据具有如下性质：同类样本尽可能聚集在一起，不同类的样本尽可能地远。 Fisher 线性判别分析，就是通过给定的训练数据，确定投影方向W 和阈值y0，即确定线性判别函数，然后根据这个线性判别函数，对测试数据进行测试，得到测试数据的类别。 二、算法的基本原理及流程图 1 基本原理 （1）W 的确定 各类样本均值向量mi 样本类内离散度矩阵i S 和总类内离散度矩阵 w S [ 12w S S S =+ 样本类间离散度矩阵b S 在投影后的一维空间中，各类样本均值T i i m '= W m 。样本类内离散度和总类内离散度 T T i i w w S ' = W S W S ' = W S W 。样本类间离散度T b b S ' = W S W 。 Fisher 准则函数满足两个性质： ·投影后，各类样本内部尽可能密集，即总类内离散度越小越好。 ·投影后，各类样本尽可能离得远，即样本类间离散度越大越好。 根据这个性质确定准则函数，根据使准则函数取得最大值，可求出W ： -1w 12W = S (m - m ) 。 （2）阈值的确定 实验中采取的方法：012y = (m ' + m ') / 2。 \ T x S (x m )(x m ), 1,2 i i i i X i ∈= --=∑T 1212S (m m )(m m )b =--
（3）Fisher线性判别的决策规则 对于某一个未知类别的样本向量x，如果y=W T·x>y0，则x∈w1；否则x∈w2。 2 流程图 方差标准化（归一化处理） 一个样本集中，某一个特征的均值与方差为： 归一化： 三、实验要求 寻找数据进行实验，并分析实验中遇到的问题和结论，写出实验报告。
中药指纹图谱和特征图谱的区别是什么?各有什么意义? 区别:中药材或中成药经过适当处理后 , 利用现代信息采集技术和质量分析手段得到的能够显现中药材或中成药性质的图像、图形、光谱的图谱及其数据 , 称为中药指纹图谱。它可以较全面地反映中药所含化学成分的种类与数量 , 进而反映中药的质量和中医用药所体现的整体疗效 ; 现阶段中药的有效成分大多尚未明确 , 中药指纹图谱的整体性和模糊性正好符合中药质控的要求 , 较之单一成分或指标成分的质控方法 , 更具有科学性和全面性;中药特征图谱是指中药材经过适当的处理后 , 采用一定的分析手段和仪器检测得到 , 能够标识其中各种组分群体特征的共有峰的图谱。它是一种综合的、可量化的鉴别手段 , 可用于鉴别中药材的真伪 , 评价中药材质量的均一性和稳定性。中药特征图谱可分为化学 (成分特征图谱和生物特征图谱。 意义:中药材多为植物的干燥器官 , 由于复杂的自然环境、社会状况以及我国历史上科技发展不平衡等多种原因 , 造成了中药材在应用方面的复杂性。同一名称的中药材可能来自不同基源的植物。同一基源的中药材由于产地不同、采收季节和生长年限不同而存在差别。一些中药材 , 特别是名贵药材 , 常可见到伪品与正品相混淆。由于以上因素的存在 , 使得不同来源的同种中药材其化学组成有可能相同 , 也有可能不同 , 这就必然影响到中医的临床疗效和中药的实验研究 , 并影响以其为原料生产出的中成药的化学组成 , 从而影响其质量和疗效。此外 , 我国中成药品种繁多 , 中成药生产过程中各工艺环节的稳定性等多种因素对产品的化学组成也具有重要的影响。从现有的中药内在质量控制现状来看 , 还存在很多问题需逐步解决。其中 , 最突出的问题之一就是中药整体化学特征的表征。因此建立中药指纹图谱对于更加客观地从整体上评价中药的内在质量具有重要意义。同样,建立准确有效的鉴别中药材方法——中药特征图谱,对于我国中药资源丰富 , 但长期以来 , 缺乏系统的整理和归类 , 导致中药商品混乱 , 中药材同名异物、同物异名的现象屡有发生 , 甚至出现有以假充真 , 以次充好的情况具有重要意义。
方法 1 参照物的选择及溶液制备绿原酸为金银花的主要成分，而且所选择的金银花药材供试品溶液提取方法很容易将绿原酸提取出来，在色谱图中容易辨认，所以选择绿原酸作为参照物。参照物溶液的制备方法：取绿原酸对照品适量，加50％甲醇配制成每毫升含0.06 mg的溶液，即得。 2 检测波长及流动相的选择根据文献报道，绿原酸类化合物是金银花的主要活性成分，经测定绿原酸参照物溶液和金银花药材提取液在327 nm处均有最大吸收，因此，选择327 nm 为测定波长。在用同一浓度的样品溶液、色谱柱、流速（0.7 ml/min）、检测波长和HPLC 仪器的条件情况下，通过对多种溶剂系统进行考察，最后确定的最佳流动相为甲醇-0.1%磷酸（40∶60），流速为0.7 ml/min，检测时间30 min。 3 提取方法的选择金银花中主要有效成分为绿原酸、异绿原酸，它们是奎宁酸和咖啡酸的酯，其中绿原酸含量高，是金银花及其相关制剂的活性指标成分。参照文献资料［4，5］，经对多种提取溶剂研究，结果表明，以50%甲醇溶液作为提取溶液进行超声提取，能将金银花中绿原酸类成分充分提取，提取液中有效成份不需要进一步提取分离与富集，可以直接进样分析。 4 供试品溶液的制备取金银花药材，置硅胶干燥器中干燥24 h，研细，取约0. 5 g，精密称定，置100 ml具塞锥形瓶中，加50％甲醇50 ml，超声处理30 min，用微孔滤膜滤过，弃去初滤液，精密量取续滤液5 ml，置50 ml量瓶中，用50％甲醇稀释至刻度，摇匀，即得。 5 测定法及数据处理分别精密吸取参照物溶液与供试品溶液各20 μl，注入液相色谱仪，记录30min的色谱图。用中国药典委员会推荐的“中药指纹图谱计算机辅助相似度评价软件”（版本2004A）进行数据处理，将多个批次的色谱图进行比较，得到可全面反映多个色谱图特征的金银花药材的对照指纹图谱。以此模式为基准，计算每个色谱图与之相比较的相似度（范围应在0.90～1.99之间）。
浅谈人工智能与模式识别的应用 一、引言 随着计算机应用范围不断的拓宽，我们对于计算机具有更加有效的感知“能力”，诸如对声音、文字、图像、温度以及震动等外界信息，这样就可以依靠计算机来对人类的生存环境进行数字化改造。但是从一般的意义上来讲，当前的计算机都无法直接感知这些信息，而只能通过人在键盘、鼠标等外设上的操作才能感知外部信息。虽然摄像仪、图文扫描仪和话筒等相关设备已经部分的解决了非电信号的转换问题，但是仍然存在着识别技术不高，不能确保计算机真正的感知所采录的究竟是什么信息。这直接使得计算机对外部世界的感知能力低下，成为计算机应用发展的瓶颈。这时，能够提高计算机外部感知能力的学科——模式识别应运而生，并得到了快速的发展，同时也成为了未来电子信息产业发展的必然趋势。 人工智能中所提到的模式识别是指采用计算机来代替人类或者是帮助人类来感知外部信息，可以说是一种对人类感知能力的一种仿真模拟。近年来电子产品中也加入了诸多此类的功能：如手机中的指纹识别解锁功能；眼球识别解锁技术；手势拍照功能亦或是机场先进的人耳识别技术等等。这些功能看起来纷繁复杂，但如果需要一个概括的话，可以说这都是模式识别技术给现代生活带来的福分。它探讨的是计算机模式识别系统的建立，通过计算机系统来模拟人类感官对外界信息的识别和感知，从而将非电信号转化为计算机可以识别的电信号。 二、人工智能和模式识别 （一）人工智能。人工智能（Artificial Intelligence），是相对与人的自然智能而言的，它是指采用人工的方法及技术，对人工智能进行模仿、延伸及扩展，进而实现“机器思维”式的人工智能。简而言之，人工智能是一门研究具有智能行为的计算模型，其最终的目的在于建立一个具有感知、推理、学习和联想，甚至是决策能力的计算机系统，快速的解决一些需要专业人才能解决的问题。从本质上来讲，人工智能是一种对人类思维及信息处理过程的模拟和仿真。 （二）模式识别。模式识别，即通过计算机采用数学的知识和方法来研究模式的自动处理及判读，实现人工智能。在这里，我们将周围的环境及客体统统都称之为“模式”，即计算机需要对其周围所有的相关信息进行识别和感知，进而进行信息的处理。在人工智能开发，即智能机器开发过程中的一个关键环节，就是采用计算机来实现模式（包括文字、声音、人物和物体等）的自动识别，其在实现智能的过程中也给人类对自身智能的认识提供了一个途径。在模式识别的过程中，信息处理实际上是机器对周围环境及客体的识别过程，是对人参与智能识别的一个仿真。相对于人而言，光学信息及声学信息是两个重要的信息识别来源和方式，它同时也是人工智能机器在模式识别过程中的两个重要途径。在市场上具有代表性的产品有：光学字符识别系统以及语音识别系统等。 在这里的模式识别，我们可以将之理解成为：根据识别对象具有特征的观察值来将其进行分类的一个过程。采用计算机来进行模式识别，是在上世纪60年
浅谈人工智能学习研究的现状 及其发展趋势 摘要：自上世纪五十年代以来，经过了几个阶段的不断探索和发展，人工智能在模式识别、知识工程、机器人等领域已经取得重大成就，但是离真正意义上的的人类智能还相差甚远。但是进入新世纪以来，随着信息技术的快速进步，与人工智能相关的技术水平也得到了相应的提高。尤其是随着因特网的普及和应用，对人工智能的需求，变得越来越迫切，也给人工智能的研究提供了新的更加广泛的舞台。本文强调在当今的网络时代，作为信息技术的先导，人工智能学习在人工智能科学领域中是一个着非常值得关注的研究方向，要在学科交叉研究中实现人工智能学习的发展与创新，就要关注认知科学、脑科学、生物智能、物理学、复杂网络、计算机科学与人工智能之间的交叉渗透点，尤其是重视认知物理学的研究。自然语言是人类思维活动的载体，是人工智能学习研究知识表示无法回避的直接对象，要对语言中的概念建立起能够定量表示的不确定性转换模型，发展不确定性人工智能；要利用现实生活中复杂网络的小世界模型和无尺度特性，把网络拓扑作为知识表示的一种新方法，研究网络拓扑的演化与网络动力学行为，研究网络化了的智
能，从而适应信息时代数据挖掘的普遍要求，迎接人工智能学习与应用领域新的辉煌。 1.前言 自20世纪90年代以来，随着全球化的形式与国际竞争的日益激烈，对人工智能技术的研究与应用变的越来越被人们关注，且人工智能在制造中的运用以成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。 人工智能已对现实社会做出了非常重大的贡献，而且其作用已在各领域发挥得淋漓尽致，特别是在计算机领域，人工智能的应用更加突出，可以说，哪里有计算机应用，哪里就在应用人工智能；哪里需要自动化或半自动化，哪里就在应用人工智能的理论、方法和技术。目前，人工智能应用的主要领域，也就是计算机应用的主要领域。 人工智能是一门研究人类智能的机理以及如何用机器模拟人的智能的学科。从后一种意义上讲，人工智能又被称为“机器智能”或“智能模拟”。人工智能是在现代电子计算机出现之后才发展起来的，它一方面成为人类智能的延长，另一方面又为探讨人类智能机理提供了新的理论和研究方法。 学习机制的研究是人工智能研究的一项核心课题。它是智能系统具有适应性与性能自完善功能的基础。学习过程具
. 中药指纹图谱和特征图谱的区别是什么？各有什么意义？ 区别：中药材或中成药经过适当处理后,利用现代信息采集技术和质量分析手段得到的能够显现中药材或中成药性质的图像、图形、光谱的图谱及其数据, 称为中药指纹图谱。它可以较全面地反映中药所含化学成分的种类与数量,进而反映中药的质量和中医用药所体现的整体疗效; 现阶段中药的有效成分大多尚未明确,中药指纹图谱的整体性和模糊性正好符合中药质控的要求,较之单一成分或指标成分的质控方法, 更具有科学性和全面性；中药特征图谱是指中药材经过适当的处理后,采用一定的分析手段和仪器检测得到,能够标识其中各种组分群体特征的共有峰的图谱。它是一种综合的、可量化的鉴别手段,可用于鉴别中药材的真伪,评价中药材质量的均一性和稳定性。中药特征图谱可分为化学(成分)特征图谱和生物特征图谱。 意义：中药材多为植物的干燥器官, 由于复杂的自然环境、社会状况以及我国历史上科技发展不平衡等多种原因, 造成了中药材在应用方面的复杂性。同一名称的中药材可能来自不同基源的植物。同一基源的中药材由于产地不同、采收季节和生长年限不同而存在差别。一些中药材, 特别是名贵药材, 常可见到伪品与正品相混淆。由于以上因素的存在, 使得不同来源的同种中药材其化学组成有可能相同, 也有可能不同, 这就必然影响到中医的临床疗效和中药的实验研究, 并影响以其为原料生产出的中成药的化学组成, 从而影响其质量和疗效。此外, 我国中成药品种繁多, 中成药生产过程中各工艺环节的稳定性等多种因素对产品的化学组成也具有重要的影响。从现有的中药内在质量控制现状来看, 还存在很多问题需逐步解决。其中, 最突出的问题之一就是中药整体化学特征的表征。因此建立中药指纹图谱对于更加客观地从整体上评价中药的内在质量具有重要意义。同样，建立准确有效的鉴别中药材方法——中药特征图谱，对于我国中药资源丰富,但长期以来,缺乏系统的整理和归类,导致中药商品混乱,中药材同名异物、同物异名的现象屡有发生,甚至出现有以假充真,以次充好的情况具有重要意义。 .