本课题是哈尔滨中药二厂委托进行高压提取丹参水溶液性成分课题的一部分。此课题要求能利用近红外光谱技术结合化学计量学方法实现对原儿茶醛含量的快速准确预测。 近年来，在西方国家越来越崇尚回归自然的潮流中，中药以其天然、副作用小的特点，越来越被世界各国所接受，一个全球化的中药市场正逐渐形成。 目前，国家为了取得中药材生产稳定、长足的发展，有关部门指出必须拥有自己的优势品种，在此基础上建立具有一定规模，具有市场竞争力的药材商品基地，并实行产业化。近年内，国家重点抓丹参、人参、地黄等60个重点优势品种的产业化生产经营，建立一批产品质量好、科技含量高、产销渠道相对稳定、有一定规模并有经济优势的药材生产基地。中药农业化的口号也随时代的发展孕育而生。从以上的形势中可以看出丹参在中成药产业中占有很大的份额，是发展我国中成药的重中之重。中国第一个通过美国FDA的中药制剂“复方丹参滴丸”就是一个相当典型的例子。丹参为唇形科植物丹参（Salvia Miltiorrhiza Bunge）的干燥根及根茎，始载于《神农本草经》，被列为上品，历代本草均有收载。药理学证明，丹参具有改善冠状循环、抑制血栓性疾病和抗炎消肿之功效，但对于丹参水溶液化学成分的药力、药效学研究是近年才展开的。作为丹参注射液中的一种重要成分，原儿茶醛能显著降低血粘度、抗凝、抗血栓，促进纤溶，降低血浆粘度和全血粘度，改善微循环，使发生障碍的微循环血流速度加快，清除自由基，防护心脑缺血缺氧和再灌注损伤，保肝、护肾、抗消化性溃疡、抗菌消炎。因此，对于丹参中原儿茶醛含量的测定就尤为重要。而采用传统的化学方法费时、费力，不能满足快速分析的要求，并且在测量化学成分时添加的试剂破坏了药品原有成分，使药物在被测量后，不能被重复利用。近红外(Near-infreied)光谱技术被誉为二十一世纪的“绿色测量技术”，它是近年来得到迅速发展的一门技术。NIR具有以下几个优点： <WP=73>1．很多物质在近红外区域的吸收系数小，使分析过程变得简单；2．近红外光可以在玻璃或石英介质中穿透；3．投资及操作费用低；4．可以用于样品的定性，也可以得到精度很高的定量结果；5．不破坏样品，不用试剂，故不污染环境；6．测定速度极快。近红外光谱区一般是指1100-2500nm之间的光谱区，位于可见光（400nm～700nm）之外的近红外光谱可以分析生物的所有组分。NIR作为一种分析手段，可以测定有机物以及部分无机物。这些物质分子中化学键结合的各种基团（C=C，N=C，O=C，O=H，N=H）的伸缩、振动、弯曲等运动都有它固定的振动频率。当分子受到红外线照射时，被激发产生共振，同时光的能量一部分被吸收，测量其吸收光，可以得到极为复杂的图谱，这种图谱表示被测物质的特征。不同物质在近红外区域有丰富的吸收光谱，每种成分都有特定的吸收特征，这就为近红外光谱定量分析提供了基础。但由于每一种物质有许多近红外吸收带，某一成分的吸收会与其它成分的吸收发生重组，并且这些吸收多为组合频和倍频吸收，吸收较弱、谱带复杂且重迭多，信息无法有效的分离和解析，限制了其应用。随着光学、电子技术、计算机技术和化学计量学技术的发展，多元信息处理的理论与技术得到了发展，可以解决NIR谱区吸收弱和重迭的困难。本文应用主成分分析和人工神经网络方法分别建立了定量预测模型。主成分分析（PCA）是一种数据压缩技术。得到的新变量是原变量的线性组合。主成分分析的一个主要优点是所有的主成分都是相互垂直的，这样在不减少光谱信息的情况下可消除共线性，得到更好的模型。另外，PCA不会象MLR那样必须花费很长的时间进行波长选择，而且一般会降低噪音影响。因为噪音是分布在所有的主成分中，而研究用到的只是前几个主成分。本文应用主成分分析研究了丹参溶液中原儿茶醛的近红外光谱，将样本光谱和对应的化学含量值输入到中国农大编写的近红外光谱定量分析软件中，通过对各个波数间隔的选取，取得了不同模型下的预测平均相对误差和平均绝对误差，并选择了最好的波数间隔，其模型的预测准确性在各个不同波数所建的模型下是最优的，并用SAS软件证明了所选间隔的最优性，真正达到了降低变量维数的作用，建立了原儿茶醛的定量分析模型，并取得了很好的预测效果。人工神经网络是近年来信息处理领域研究的热点问题之一。它的出发点是<WP=74>试图以一数学模型近似地模拟人脑的功能，以所谓的“节点”来模拟神经系统中的神经元，与人类的神经系统类似，整个网络是有多个相互连接的节点组成的。外界的信息作为网络的输入，这些输入经网络内部非线性处理后，会得出一些输出结果。用已知的样本对一个网络进行训练，网络训练成熟后，就可对未知的样本作出预测。一个好的网络模型有很好的认知能力，它能够排除干扰，认清事物的本质，作出正确的判断。人工神经网络已被应用于分析化学的各个领域。本论文主要讨论的是误差反向传播算法在对丹参中原儿茶醛NIR光谱定量解析应用。利用MATLAB软件中的神经网络工具箱对建模样本进行了训练，得到了最佳的隐层值，并成功的建立了定量预测模型。利用B