28、草药物质自动分类与事件地址表示连接性特征提取

草药物质自动分类与事件地址表示连接性特征提取

1. 草药物质自动分类

在草药物质的分析中，为了实现准确的分类，需要对不同分析技术得到的光谱数据进行一系列处理。

1.1 数据预处理

• 噪声去除 ：为避免高频低振幅噪声与物质成分的真实峰混淆，采用样条插值对光谱进行平滑处理。例如，对紫外（UV）光谱进行样条插值平滑，可减少噪声干扰。
• 对齐处理 ：色谱方法（薄层色谱TLC和气相色谱GC）会引入实验或仪器误差，如峰位移、峰共洗脱、背景偏移、基线位移和缩放效应等。因此，需要进行对齐处理，即根据保留因子（以时间表示）调整每种物质浓度峰的对应关系。选择与其他模式相关性最佳的模式作为参考光谱，同时考虑物质基本化学成分对应峰的存在。为处理缩放和基线偏移问题，采用乘法散射校正（MSC）。在经典对齐算法中，如相关优化翘曲（COW）和动态时间规整（DTW），COW取得了更好的结果。

1.2 类别发现

由于现有类别的数量未知，采用了具有完全链接准则的层次聚类分析（HCA）这种无监督聚类技术。最终的分区由领域专家通过探索性分析确定，以气相色谱（GC）数据作为探索紫外（UV）和薄层色谱（TLC）数据集的真实参考。选择两种相关距离作为相似度度量，以捕捉物质组成的相关性。聚类结果显示，不同类别的样本在不同分析技术下有一定的一致性，且同一聚类中的光谱形状相似。

1.3 基于熵的模板选择

信息论相关模型在许多领域有应用，基于熵的模板选择策略可用于识别给定集合中最具代表性的模板。对于模板库 $G$，可将其视