Page 56 - 《中国药房》2025年19期

表1 知母盐炙工艺的因素与水平 因素 A 与 C 的交互作用次之，因素 A 与 B 的交互作用最
水平 A/min B/℃ C/min 弱。根据模型预测出知母盐炙的最佳工艺为：闷润时间
－1 15 150 9 23.202 5 min、炒制温度 159.362 1 ℃、炒制时间 11.901 7
0 25 160 12 min，预测综合评分为62.694 6分。
1 35 170 15
综合评分/分
表2 知母盐炙工艺的实验设计与结果 170 70.000
60.000
因素（水平） 含量 165 综合评分/分 50.000
新芒 异芒 知母皂 知母皂 知母皂 综合 40.000
序号 芒果苷/ 总黄 总皂
A B C 果苷/ 果苷/ 苷BⅡ/ 苷BⅢ/ 苷AⅢ/ 评分/分 B/℃ 160 30.000
（mg/g） 酮/% 苷/%
（mg/g）（mg/g）（mg/g）（mg/g）（mg/g）
155 170
1 25 150 9 4.679 13.476 0.991 73.819 0.370 0.904 4.596 10.418 44.727 165
160 35
2 35 160 15 4.339 15.282 0.739 87.668 0.316 0.820 4.424 9.834 39.338 150 B/℃ 155 150 15 20 25 30
3 15 160 9 4.283 15.187 0.987 92.183 0.712 0.914 4.139 9.609 44.543 15 20 25 30 35 A/min
A/min
4 25 150 15 3.956 13.646 0.885 84.865 0.792 1.077 4.392 7.049 33.227 A.因素A与B的交互作用
5 25 160 12 5.203 12.397 0.966 72.573 0.937 2.225 4.857 10.663 63.665 综合评分/分 70.000
6 35 150 12 4.466 13.495 0.881 80.830 0.760 1.176 4.637 8.799 43.862 15 60.000
7 15 170 12 4.530 13.591 0.943 69.282 1.569 0.610 4.333 10.979 46.599 14 50.000
8 25 160 12 4.916 17.136 1.129 93.308 1.456 0.759 4.346 9.803 64.652 13 综合评分/分 40.000
9 25 170 9 3.850 14.156 0.940 57.430 0.693 0.654 4.279 10.604 34.014 C/min 12 30.000
10 25 160 12 4.446 14.278 1.127 87.066 1.690 0.991 4.529 9.884 60.800 11
11 25 160 12 4.548 15.316 1.129 90.564 1.094 1.441 4.519 10.315 65.054 10 15 13
12 35 160 9 3.082 11.358 0.805 71.419 0.906 0.927 4.768 8.938 30.435 C/min 11 30 35
9 20 25
13 15 160 15 3.713 11.261 0.942 70.594 1.675 1.058 4.348 9.714 38.429 15 20 25 30 35 9 15 A/min
14 25 160 12 4.502 15.035 1.027 89.265 1.282 1.061 4.671 8.982 57.987 A/min B.因素A与C的交互作用
15 15 150 12 3.655 14.063 1.072 81.288 0.790 0.863 4.714 10.360 50.857
综合评分/分 70.000
16 25 170 15 4.013 11.663 0.909 85.283 2.693 0.423 4.620 7.046 42.241 15
17 35 170 12 4.175 13.658 1.072 77.062 1.926 0.856 4.293 7.928 45.174 14 60.000
50.000
2.7.2 模型拟合与方差分析 13 综合评分/分 40.000
使用Design Expert 13.0软件对表2中的数据进行二 C/min 12 30.000
11
次多项式回归分析，建立综合评分的预测模型：Y＝ 15
10 13
62.43－2.70A－0.580 8B－0.060 5C+1.39AB+3.75AC+ C/min 11 165 170
9 9 150 155 160
160
2
4.93BC－8.09A －7.72B －16.16C（R ＝0.978 8）。由表 3 150 155 B/℃ 165 170 B/℃
2
2
2
可知，预测模型具有高度显著性（F＝35.990，P＜0.000 1）， C.因素B与C的交互作用
且失拟项不显著（P＞0.05），这说明模型拟合效果良好， 图3 Box-Behnken响应面分析的等高线图和响应面图
可用于知母盐炙工艺参数的优化和预测。进一步分析
2.8 GA-BP神经网络优化知母盐炙工艺
发现，各因素影响大小顺序依次为A＞B＞C。
基于 Box-Behnken 响应面实验设计的 17 组工艺参
表3 方差分析结果 数及数据，使用MATLAB R2024a软件构建BP神经网络
方差来源 平方和 自由度 均方 F P 模型，模型输入层为闷润时间（ x ）、炒制温度（ x ）、炒制
模型 2 007.45 9 223.05 35.990 ＜0.000 1 1 2
A 58.42 1 58.42 9.430 0.018 1 时间（ x ）3个关键工艺参数，输出层为综合评分（Y）。采
3
B 2.70 1 2.70 0.435 0.530 5 用随机划分法，按照 70%、15%、15% 的比例将数据集划
C 0.03 1 0.03 0.004 0.947 2 分为训练集、测试集和验证集，并利用 mapminmax 函数
AB 7.75 1 7.75 1.250 0.300 3 对输入变量进行[－1，1]区间归一化处理以消除量纲差
AC 56.38 1 56.38 9.100 0.019 5
BC 97.28 1 97.28 15.700 0.005 4 异，输出层通过反归一化还原预测值。网络结构采用三
A 2 275.39 1 275.39 44.430 0.000 3 层前馈神经网络架构（由 feedforwardnet 函数实现），其
B 2 251.03 1 251.03 40.500 0.000 4 中，输入层与隐含层之间采用双曲正切激活函数（tansig
C 2 1 099.31 1 1 099.31 177.360 ＜0.000 1
残差 49.39 7 6.20 函数），以增强模型对复杂非线性关系的拟合能力；输出
失拟项 7.64 3 2.55 0.290 0.834 7 层采用线性激活函数（purelin函数）实现连续值的预测。
纯误差 35.75 4 8.94 模型训练参数设置如下：采用Levenberg-Marquardt优化
总变异 2 050.84 16
算法（trainlm 函数）进行网络训练，最大训练次数设为
2.7.3 Box-Behnken响应面分析 1 000，初始学习率设为 0.01，训练误差目标值设为 1×
－5
使用 Design Expert 13.0 软件绘制响应曲面图和等 10 。通过试错法优化隐含层节点数，发现当隐含层节
高线图（图 3），结果显示，因素 B 与 C 的交互作用最显 点数为 6 时，模型均方误差最小为 0.137，最终确定网络
著，其响应曲面坡度陡峭，等高线呈椭圆形且分布密集； 拓扑结构为3-6-1。

· 2402 · China Pharmacy 2025 Vol. 36 No. 19 中国药房 2025年第36卷第19期