1.一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于，包含以下步骤：

步骤一，样品制备：将植物类中药材根部粉碎、过筛得到均匀细腻的药材粉末样品，取同等质量的粉末样品制成厚度均匀的片状样品；

步骤二，样品的光谱数据采集：对n个不同产地的中药材进行LIBS光谱数据采集，每种产地的中药材样品采集m个等离子光谱，共获得N＝n*m个等离子光谱；

步骤三，主成分分析：将不同产地中药材的光谱数据贴上标签，对光谱数据进行标准化，再采用交叉验证方法进行主成分分析；通过方差极大旋转将高维的光谱数据映射到低维空间，根据得分图的聚类效果结合累计贡献率选取主成分数，提取主成分得分矩阵；

步骤四，BP神经网络建模：N组中药材样品光谱数据的主成分得分矩阵为建模数据，选择部分组数据作为训练集，用于训练BP神经网络，将剩余组数据作为模型测试集，用于测试所建立BP神经网络模型识别精度；

步骤五，产地识别：重新采集同种中药光谱数据，按步骤三提取相同的主成分数，将得分矩阵输入已建立的BP神经网络中，即可得到预测的产地。

2.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤一所述的粉末样品是使用孔径0.075毫米的标准检验筛过筛，取0.5g的粉末样品制成片状样品。

3.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤二所述的产地数n≥3，等离子光谱数m≥50。

4.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤三所述的标签数为产地数目，主成分分析软件为Unscrambler软件，标准化方法为平均数方差法，函数形式如下：xk＝(xk-xmean)/xvar

式中，xmean为数据序列的均值，xvar为数据的方差，xk为归一化后的数据；交叉验证方法中需选择片段数及对应的样本数，前N个样本属于第一个分段，接下来的N个样本属于第二个分段，以此类推，总的分段数目等于产地数目。

5.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤三所述的方差极大旋转为：原始数据表X分解为得分矩阵T和载荷矩阵PT的乘积：X＝TPT，有单位矩阵I＝RRT，R为正交矩阵原始数据用旋转载荷和得分重构，有：X＝T×R(P×R)T＝T×RRTPT＝T×I×PT；定义R是为了使负载平方的方差最大化，最大化方差v可有下式计算出：其中n是样本的数量，p是得分，h是标准化因素和y是定义不同类型旋转的换算系数，方差极大旋转法中y的值设为1；基于累计贡献率选取主成分数，选取累计贡献率在85％～

99％之间的主成数。

6.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤四所述的BP神经网络包含输入层，隐含层，输出层，输入层数据矩阵为提取主成分数的得分矩阵，隐含层激励函数为： 输入矩阵随机排序后选择前80％作为训练集，剩余20％为预测集，输出变量为产地标签。

7.根据权利要求1所述的一种基于主成分分析和BP神经网络的中药材产地鉴别方法，其特征在于：步骤五所述的BP神经网络是步骤四中训练好的模型，输入新的数据作为模型的输入，模型输出相应的产地标签，得到每个光谱对应的产地，统计分析出产地识别率。