近紅外光譜人工神經(jīng)網(wǎng)絡(luò)的模型優(yōu)化用于銀耳產(chǎn)地識(shí)別研究

劉宇佳,賀麗蘋,張　泳,呂雪娟,曹　庸,高新開(kāi)

(1.華南農(nóng)業(yè)大學(xué)應(yīng)用化學(xué)系,廣東廣州 510642;2.華南農(nóng)業(yè)大學(xué)食品學(xué)院,廣東廣州 510642;3.華南農(nóng)業(yè)大學(xué)測(cè)試中心,廣東廣州 510642;4.無(wú)限極(中國(guó))有限公司,廣東江門 529156)

?

劉宇佳1,賀麗蘋2,3,*,張泳2,呂雪娟3,曹庸2,高新開(kāi)4

(1.華南農(nóng)業(yè)大學(xué)應(yīng)用化學(xué)系,廣東廣州 510642;2.華南農(nóng)業(yè)大學(xué)食品學(xué)院,廣東廣州 510642;3.華南農(nóng)業(yè)大學(xué)測(cè)試中心,廣東廣州 510642;4.無(wú)限極(中國(guó))有限公司,廣東江門 529156)

研究通過(guò)近紅外光譜技術(shù)(NIRS)結(jié)合人工神經(jīng)網(wǎng)絡(luò)技術(shù)(ANN)識(shí)別銀耳的不同產(chǎn)地。實(shí)驗(yàn)以四川省與福建省兩個(gè)產(chǎn)地共120組銀耳樣品為研究對(duì)象,對(duì)其進(jìn)行近紅外光譜測(cè)定,計(jì)算光譜吸收值的平均偏差與一階導(dǎo)數(shù)進(jìn)而選取有效數(shù)據(jù),結(jié)合主成分分析方法將原始數(shù)據(jù)降維并采用反向人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建近紅外分析模型。結(jié)果顯示,通過(guò)對(duì)有效數(shù)據(jù)主成分分析,前3個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)到100%,判斷準(zhǔn)確率為88.3%;進(jìn)一步采用人工神經(jīng)網(wǎng)絡(luò)優(yōu)化模型,在輸出層為2隱藏層為11時(shí),判斷準(zhǔn)確率達(dá)100%;此時(shí)校正集與預(yù)測(cè)集的均方根誤差分別為3.05×10-2與2.90×10-2,模型具有良好的泛化能力。因此,結(jié)合人工神經(jīng)網(wǎng)絡(luò)的近紅外光譜檢測(cè)技術(shù),優(yōu)化檢測(cè)模型,能夠準(zhǔn)確、快速地識(shí)別銀耳產(chǎn)地,為食品原材料的質(zhì)量控制及地理標(biāo)志的建立提供科學(xué)依據(jù)。

銀耳,產(chǎn)地識(shí)別,近紅外光譜,人工神經(jīng)網(wǎng)絡(luò)

銀耳(Tremellafuciformis)又被稱作白木耳、雪耳等,屬于真菌類銀耳科銀耳屬,有“菌中之冠”的美稱。銀耳作為一種珍貴的食用菌,具有益氣清腸、滋陰潤(rùn)肺等功效;現(xiàn)代研究也表明,銀耳所含銀耳多糖具有抗癌[1],抗氧化[2]以及抗炎[3]等多種生理活性,是良好的功能性食品。銀耳是我國(guó)特產(chǎn),尤以四川和福建為兩個(gè)主要產(chǎn)地。四川通江地區(qū)所產(chǎn)銀耳為上品,在我國(guó)古代屬于名貴補(bǔ)品[4];福建古田縣是我國(guó)銀耳的主要產(chǎn)地,占全國(guó)總產(chǎn)量的80%,“古田銀耳”已被國(guó)家質(zhì)檢總局批準(zhǔn)為國(guó)家原產(chǎn)地域保護(hù)產(chǎn)品[5]。作為銀耳生產(chǎn)和出口大國(guó),銀耳標(biāo)簽的產(chǎn)地標(biāo)注更應(yīng)引起重視。目前,對(duì)銀耳產(chǎn)地的判別除依賴感官評(píng)定之外,缺乏有效、準(zhǔn)確、統(tǒng)一的識(shí)別方法。

不同產(chǎn)地來(lái)源的食品,因自然環(huán)境、加工方式、生產(chǎn)原料等不同,導(dǎo)致食品中主要有機(jī)物成分存在差異,通過(guò)采集近紅外光譜中所蘊(yùn)含的獨(dú)特信息可用于產(chǎn)地溯源[6-7]。產(chǎn)地溯源有助于食品原材料的品質(zhì)保證與安全監(jiān)管,是食品安全領(lǐng)域的一個(gè)重要環(huán)節(jié)。人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦功能的非線性信息處理系統(tǒng)[8],目前廣泛應(yīng)用于食品領(lǐng)域工藝條件優(yōu)化[9]與目標(biāo)結(jié)果預(yù)測(cè)[10]。因其具有良好的非線性映射逼近能力和預(yù)測(cè)能力,在產(chǎn)地溯源方面也取得了良好的效果[11-14],但該技術(shù)用于真菌類農(nóng)產(chǎn)品銀耳的產(chǎn)地鑒別尚未見(jiàn)相關(guān)報(bào)道。本研究通過(guò)選取四川和福建兩種產(chǎn)地的銀耳,基于近紅外光譜分析,結(jié)合數(shù)據(jù)降維構(gòu)建人工神經(jīng)網(wǎng)絡(luò)鑒別模型并優(yōu)化模型隱藏層與輸出層數(shù)量。旨在探索與建立一種快速高效的模型建立方法與銀耳產(chǎn)地識(shí)別方法,為食品原材料的質(zhì)量控制以及地理標(biāo)志的建立提供參考。

1　材料和方法

1.1材料與儀器

銀耳樣品共分10個(gè)批次分別采集于四川省與福建省,共采集銀耳樣品120組,其中四川產(chǎn)61組,福建產(chǎn)59組,編號(hào)與采收時(shí)間如表1所示。銀耳樣品除去根部附帶培養(yǎng)基雜質(zhì),去離子水沖洗干凈,自然晾干后粉碎備用,樣品粒度控制在20～40目之間。

表1　銀耳樣品分類編號(hào)與基本信息Table 1　The basic information and number of tremella samples

1.2近紅外光譜測(cè)定

25 ℃環(huán)境下,用VERTEX 70傅里葉變換近紅外光譜儀(德國(guó)BRUKER公司)采集和保存光譜。光譜采集條件:采用積分球漫反射方式,掃描范圍4000～10000 cm-1,分辨率8 cm-1,增益2,掃描次數(shù)64次。

1.3數(shù)據(jù)處理

通過(guò)計(jì)算平均偏差以及一階求導(dǎo)的方法選取有效特征數(shù)據(jù)。平均偏差是各單次測(cè)量偏差的絕對(duì)值之和與測(cè)量次數(shù)之比,代表一組測(cè)量值中任意數(shù)值的總體偏離程度,用公式(1)表示:

式(1)

一階求導(dǎo)采用Origin 9.0中的Differentiate分析模塊進(jìn)行計(jì)算。

評(píng)價(jià)構(gòu)建的模型主要考察準(zhǔn)確率與泛化能力:準(zhǔn)確率表示模型預(yù)測(cè)結(jié)果的準(zhǔn)確程度,用公式(2)表示;泛化能力通過(guò)對(duì)比校正集與預(yù)測(cè)集的均方根誤差(RMSE),用公式(3)表示:

準(zhǔn)確率(%)=(正確預(yù)測(cè)樣品數(shù)量/總樣品數(shù)量)×100

式(2)

式(3)

1.4分析軟件

使用Office Excel 2013進(jìn)行數(shù)據(jù)整理與平均偏差、均方根誤差計(jì)算;Origin 9.0進(jìn)行數(shù)據(jù)一階求導(dǎo)處理;SPSS 17.0統(tǒng)計(jì)軟件因子分析模塊對(duì)數(shù)據(jù)進(jìn)行主成分分析;MATLAB R2010B中BP-ANN工具箱進(jìn)行判別分類。

2　結(jié)果與分析

2.1有效數(shù)據(jù)選取

兩種產(chǎn)地銀耳樣品的原始近紅外光譜有效數(shù)據(jù)預(yù)處理方法如圖1所示。圖1a的橫坐標(biāo)為波數(shù)范圍 4000～10000 cm-1,縱坐標(biāo)為光譜吸光度值。從圖1a可以發(fā)現(xiàn),所有的銀耳樣品光譜差異不明顯,分布趨勢(shì)相近,無(wú)法直觀的根據(jù)光譜數(shù)據(jù)判別銀耳的主要差別信息,必須借助一定的光譜預(yù)處理及化學(xué)計(jì)量學(xué)及數(shù)學(xué)模型才能實(shí)現(xiàn)不同產(chǎn)地的識(shí)別。通過(guò)對(duì)光譜進(jìn)行矩陣數(shù)據(jù)化,可以得到1555×120個(gè)數(shù)據(jù),該矩陣共包含約18.6萬(wàn)個(gè)龐大數(shù)據(jù)。數(shù)據(jù)預(yù)處理方法主要包括降噪平滑、基線矯正、多元散射矯正等,這些方法通過(guò)對(duì)所有數(shù)據(jù)進(jìn)行處理,使原始數(shù)據(jù)具備更高的精確度,但是沒(méi)有降低數(shù)據(jù)維度,仍然具有大量的無(wú)效數(shù)據(jù),對(duì)于日益龐大的數(shù)據(jù)來(lái)源與數(shù)據(jù)總量,逐漸表現(xiàn)出局限性。因此,需要采取一種高效數(shù)據(jù)預(yù)處理方法,提取有效數(shù)據(jù),提高有效信息量。本研究通過(guò)計(jì)算平均偏差,以及一階導(dǎo)數(shù)的方法,找出差異性最大的波數(shù)范圍作為主要的特征分析數(shù)據(jù)。

圖1　原始光譜中有效數(shù)據(jù)選取Fig.1　Sellecting the useful data from initial NIR spectrum注：a.120組銀耳樣品近紅外原始光譜;b.平均偏差計(jì)算結(jié)果; c.平均偏差一階求導(dǎo)計(jì)算結(jié)果;d.原始數(shù)據(jù)中有效數(shù)據(jù)波數(shù)選取范圍。

圖1b為120組光譜的平均偏差結(jié)果,可以發(fā)現(xiàn)在波數(shù)5000 cm-1及7000 cm-1處出現(xiàn)波峰,表示在這個(gè)波數(shù)周圍光譜具有較大的差異性,為了進(jìn)一步得到具體的有效數(shù)據(jù)所在的波數(shù)范圍,對(duì)平均偏差結(jié)果進(jìn)行一階求導(dǎo),結(jié)果如圖1c所示。從圖1c可以直觀的發(fā)現(xiàn)在4933、5298 cm-1及7144 cm-1處都有明顯的波峰,選取一階導(dǎo)數(shù)在0.0001范圍外的波數(shù),由此得出原始光譜中存在差異以及波動(dòng)最大的波數(shù)范圍:分別為5183～5434、4786～5091 cm-1以及6971～7301 cm-1三個(gè)波數(shù)范圍內(nèi)共232組數(shù)據(jù)作為有效數(shù)據(jù)(如圖1d所示),以這些光譜數(shù)據(jù)組成一個(gè)232×120矩陣,進(jìn)行下一步模型的建立。

2.2主成分分析

主成分分析是一種有效的數(shù)據(jù)挖掘手段,可將龐大的數(shù)據(jù)進(jìn)行優(yōu)化。對(duì)數(shù)據(jù)預(yù)處理所得的光譜數(shù)據(jù)(232×120矩陣)通過(guò)主成分分析,發(fā)現(xiàn)前3個(gè)主成分累計(jì)方差貢獻(xiàn)率即達(dá)到100%(表2),說(shuō)明運(yùn)用主成分分析可以有效的表達(dá)原始數(shù)據(jù)的特征。其中,第1主成分與第2主成分貢獻(xiàn)率分別為50.929%與49.067%,第3主成分貢獻(xiàn)率僅為0.003%,為了將優(yōu)化后各特征信息直觀表現(xiàn)出來(lái),分別選取第1與第2主成分作圖,結(jié)果如圖2所示。從圖2可以看出,福建產(chǎn)銀耳主要分布在X軸的負(fù)軸部分,四川產(chǎn)銀耳主要分布在X軸0.05右側(cè),有6個(gè)樣品分布在X軸負(fù)軸。兩種銀耳樣品的落點(diǎn)分布各自相對(duì)集中,但仍有14組樣品落點(diǎn)離散,判斷準(zhǔn)確率為88.3%。

表2　主成分分析累計(jì)方差貢獻(xiàn)率Table 2　The cumulative contribution of principal component analysis

圖2　兩種產(chǎn)地銀耳的主成分分析Fig.2　The principal component analysis of tremella samples from Sichuan and Fujian

主成分分析是一種將多個(gè)變量通過(guò)線性變換以選出較少個(gè)數(shù)變量的一種統(tǒng)計(jì)分析方法,當(dāng)輸入數(shù)據(jù)的線性程度不高時(shí),應(yīng)用線性主成分分析方法會(huì)出現(xiàn)特征提取能力下降的問(wèn)題。因?yàn)槭称吩暇哂卸鄻有缘奶攸c(diǎn),表現(xiàn)在其近紅外光譜的復(fù)雜性,很難準(zhǔn)確得到相應(yīng)的線性關(guān)系。主成分分析是一種良好的數(shù)據(jù)降維手段,但對(duì)于提取特征變量后的數(shù)據(jù)分類效果仍存在不足,所以,個(gè)別銀耳樣品出現(xiàn)了誤判,鑒別準(zhǔn)確率不夠高,需要選用其他方法優(yōu)化。

本研究進(jìn)一步采用非線性的BP-ANN方法,利用主成分分析方法所提取的主成分作為輸入向量,進(jìn)一步建立更為準(zhǔn)確、優(yōu)化的鑒別模型。

2.3BP-ANN模型的建立與結(jié)果預(yù)測(cè)

選取主成分分析處理所得到前3個(gè)主成分(3×120維矩陣)為輸入向量;設(shè)置“1”代表四川產(chǎn)銀耳樣品,“0”代表福建產(chǎn)銀耳樣品,作為目標(biāo)向量建立BP-ANN模型;訓(xùn)練集數(shù)量一般選取樣本總數(shù)的三分之二[11,15],本研究訓(xùn)練集,校正集與測(cè)試集分別按照70%,15%和15%的比例進(jìn)行選取,即從120個(gè)樣品中隨機(jī)抽取84個(gè)樣品為訓(xùn)練集,18個(gè)樣品為校正集,18個(gè)樣品為測(cè)試集,構(gòu)建不同隱藏層與輸出層BP-ANN模型。為了提高預(yù)測(cè)準(zhǔn)確率與計(jì)算效率,得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu),分別嘗試輸出層為1與2時(shí),不同數(shù)量隱藏層對(duì)預(yù)測(cè)結(jié)果的影響,結(jié)果如圖3所示。在輸出層為1,隱藏層為15時(shí),預(yù)測(cè)準(zhǔn)確率首次達(dá)到100%,在達(dá)到18時(shí),結(jié)果趨于穩(wěn)定;在輸出層為2,隱藏層為11時(shí),預(yù)測(cè)準(zhǔn)確率即達(dá)到100%,結(jié)果趨于穩(wěn)定。

圖3　不同隱藏層與輸出層對(duì)預(yù)測(cè)準(zhǔn)確率的影響Fig.3　The effects on forecast accuracy from different number of hidden layers and output layers

因此,選取輸出層為2,隱藏層為11構(gòu)建BP-ANN模型,在迭代74次后,網(wǎng)絡(luò)輸出誤差為2.14×10-5,小于收斂誤差界值0.0001,完成訓(xùn)練目標(biāo)。對(duì)模型優(yōu)劣的評(píng)價(jià),主要是依據(jù)鑒別的準(zhǔn)確率,同時(shí)比較校正集與預(yù)測(cè)集的RMSE,若兩者近似相等,則說(shuō)明所建立的BP-ANN模型已有效逼近訓(xùn)練集所蘊(yùn)含的規(guī)律,能夠充分的表現(xiàn)出樣品本身所含有的性質(zhì),具有很強(qiáng)的逼近能力,即泛化能力很好[16]。

圖4　BP-ANN模型中兩種產(chǎn)地銀耳樣品的預(yù)測(cè)值分布Fig.4　The predicted results of tremella samples from Sichuan and Fujian in BP-ANN model

通過(guò)構(gòu)建模型,計(jì)算結(jié)果如圖4所示,所有樣品獲得準(zhǔn)確區(qū)分,鑒別準(zhǔn)確率為100%,說(shuō)明所建立的模型具有良好的鑒別能力,能夠?qū)︺y耳產(chǎn)品進(jìn)行有效的產(chǎn)地區(qū)分。圖5為所有銀耳樣品的預(yù)測(cè)值與實(shí)際值平均方差結(jié)果,可以觀察每一個(gè)樣品的預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的誤差。從圖5可以看出,除了四川產(chǎn)No.4銀耳樣品外,其他樣品的平均方差絕對(duì)值都小于0.1,雖然No.4樣品預(yù)測(cè)結(jié)果誤差略大,但并未影響預(yù)測(cè)的準(zhǔn)確性。訓(xùn)練集與預(yù)測(cè)集的RMSE分別為3.05×10-2與2.90×10-2,即測(cè)試樣本的誤差接近于訓(xùn)練樣本的誤差,說(shuō)明建立的網(wǎng)絡(luò)模型已有效逼近訓(xùn)練樣本所蘊(yùn)含的規(guī)律,具有很好的泛化能力。

圖5　BP-ANN模型中預(yù)測(cè)值與實(shí)際值平均方差Fig.5　The average variance between predicted value and actual value in BP-ANN model

3　結(jié)論

采用平均偏差與一階導(dǎo)數(shù)的方法處理原始紅外光譜,剔除無(wú)效信息,提取特征數(shù)據(jù),降維得到232×120組數(shù)據(jù)作為特征數(shù)據(jù),有效的減少計(jì)算量,提高模型效率。

基于主成分分析,對(duì)兩種產(chǎn)地銀耳進(jìn)行初步判別,準(zhǔn)確率為88.3%,存在一定的誤差,鑒別準(zhǔn)確率不理想;進(jìn)一步采用BP-ANN分類工具,在輸出層為2,隱藏層為11時(shí),預(yù)測(cè)準(zhǔn)確率為100%,鑒別結(jié)果準(zhǔn)確,此時(shí)校正集與預(yù)測(cè)集的均方根誤差分別為3.05×10-2與2.90×10-2,模型具有良好的泛化能力。

有效的特征數(shù)據(jù)選取方法,使特征向量攜帶更多的有利于分類的樣品信息,可以有效提高模型分類速度與效率;隱藏層與輸出層的正確選取,使BP-ANN模型的結(jié)構(gòu)簡(jiǎn)單,能夠提高分類器的準(zhǔn)確率與泛化能力。

基于BP-ANN的近紅外光譜檢測(cè)技術(shù)能夠快速、準(zhǔn)確地鑒別銀耳產(chǎn)地,可以為食品原材料的質(zhì)量控制以及地理標(biāo)志的建立提供科學(xué)依據(jù)。

[1]Du X,Zhang J,Lv Z,et al. Chemical modification of an acidic polysaccharide(TAPA1)from Tremella aurantialba and potential biological activities[J].Food Chemistry,2014,143(1):336-340.

[2]Zhang Z,Wang X,Zhao M,et al. Free-radical degradation by Fe2+/Vc/H2O2and antioxidant activity of polysaccharide from Tremella fuciformis[J].Carbohydrate Polymers,2014,112(11):578-582.

[3]Shi Z,Liu Y,Xu Y,et al. Tremella Polysaccharides attenuated sepsis through inhibiting abnormal CD4+CD25highregulatory T cells in mice[J].Cell Immunol,2014,288(2):60-65.

[4]顏軍,郭曉強(qiáng),鄔曉勇,等.銀耳多糖的提取及其清除自由基作用[J].成都大學(xué)學(xué)報(bào):自然科學(xué)版,2006,25(1):35-38.

[5]黃建立,黃艷,鄭寶東,等.不同干燥方式對(duì)銀耳品質(zhì)的影響[J].中國(guó)食品學(xué)報(bào),2010,10(2):167-173.

[6]Xiccato G,Trocino A,Tulli F,et al. Prediction of chemical

composition and origin identification of european sea bass(Dicentrarchus labrax L.)by near infrared reflectance spectroscopy(NIRS)[J].Food Chemistry,2004,86(2):275-281.

[7]管驍,古方青,楊永健.近紅外光譜技術(shù)在食品產(chǎn)地溯源中的應(yīng)用進(jìn)展[J].生物加工過(guò)程,2014,12(2):77-82.

[8]Marini F,Bucci R,Magri AL,et al. Artificial neural networks in chemometrics:History,examples and perspectives[J]. Microchemical Journal,2008,88(2):178-185.

[9]Marini F. Artificial neural networks in food stuff analyses:Trends and perspectives a review[J].Analytica Chimica Acta,2009,635(2):121-131.

[10]王曉謙,鐘賽義,秦小明,等.基于神經(jīng)網(wǎng)絡(luò)平臺(tái)的牡蠣肉超高壓殺菌工藝條件優(yōu)化[J].食品工業(yè)科技,2014,36(6):257-261.

[11]Aursand M,Standal IB,Axelson DE. High-resolution 13C nuclear magnetic resonance spectroscopy pattern recognition of fish oil capsules[J].Journal of Agricultural and Food Chemistry,2007,55(1):38-47.

[12]龐濤濤,姚建斌,杜黎明.人工神經(jīng)網(wǎng)絡(luò)分類鑒別苦丁茶紅外光譜[J].光譜學(xué)與光譜分析,2007,27(7):1336-1339.

[13]王鳳花,朱海龍,楊菊,等.基于近紅外光譜蕎麥淀粉、蛋白質(zhì)和總黃酮含量測(cè)定方法研究[J].食品工業(yè)科技,2014,35(5):281-284.

[14]洪雪珍,韋真博,海錚,等.基于電子鼻和神經(jīng)網(wǎng)絡(luò)的牛肉新鮮度的檢測(cè)[J].現(xiàn)代食品科技,2014,30(4):279-285.

[15]包剛,覃志豪,周義,等. 基于高光譜數(shù)據(jù)和RBF神經(jīng)網(wǎng)絡(luò)方法的草地葉面積指數(shù)反演[J].國(guó)土資源遙感,2012,93(2):7-11.

[16]歐文娟,孟耀勇,張小燕,等.紫外可見(jiàn)吸收光譜結(jié)合主成分-反向傳播人工神經(jīng)網(wǎng)絡(luò)鑒別真假蜂蜜[J].分析化學(xué),2011,39(7):1104-1108.

Model optimization of near-infrared spectroscopy and back propagation artificial neural network for identifying the geographical origin ofTremellafuciformis

LIU Yu-Jia1,HE Li-Ping2,3,*,ZHANG Yong2,LV Xue-Juan3,CAO Yong2,GAO Xin-Kai4

(1.Department of Applied Chemistry,South China Agricultural University,Guangzhou 510642,China;2.College of Food Science,South China Agricultural University,Guangzhou 510642,China;3.Instrumental Analysis & Research Center,South China Agricultural University,Guangzhou 510642,China;4.Infinitus(China)Co.,Ltd,Jiangmen 529156,China)

Near-infrared spectroscopy in combination with artificial neural network was used to identify the geographical origin oftremellafuciformis. A total of 120 samples from Sichuan province and Fujian province were studied. After being pre-treated with average deviation and first derivative,the dimension of near-infrared absorption spectroscopy data were reduced and applied to develop classification models by principal components analysis and back propagation artificial neural network. The results showed that the cumulative contribution of first three principal components was 100%,but identification accuracy was 88.3% by principal components analysis. Thus the artificial neural network was further used to optimize the structure of classification model. Under 2 output layers and 11 hidden layers,the identification accuracy reached 100%.The study demonstrated that near-infrared absorption spectroscopy based on artificial neural network can be used as an accurate and rapid technique for identification of geographical origin oftremellafuciformis. Models builded by this study can help building geographical indications and monitoring quality for raw materials of food.

Tremellafuciformis;Geographical identification;near-infrared spectroscopy;back propagation artificial neural network

2015-04-29

劉宇佳(1987-)，男，在讀博士，研究方向：食品化學(xué)與檢測(cè)技術(shù)，E-mail：Thomas.cate@foxmail.com。

賀麗蘋(1965-)，女，博士，高級(jí)實(shí)驗(yàn)師，研究方向：天然產(chǎn)物化學(xué)與生物分析化學(xué)，E-mail：heliping@scau.edu.cn。

TS207.3

A

1002-0306(2016)03-0303-05

10.13386/j.issn1002-0306.2016.03.055