为验证PCA-BPANN模型的可靠性及准确性，优化了不同数量的主成分作为输入变量:(1)由主成分分析可知，前3个主成分的累积贡献率达到99．27%，可代表原始光谱［10］，因此选取前3个主成分作为BPANN模型的输入。输出结果显示，校准集和预测集的准确率均为100%，相关参数及其它性能指标见表1;(2)根据数理统计中选取主成分的一般规律，即主成分的累积贡献率超过85%～95%，就可解释大部分原始数据方差，代表原始光谱［11］，而第一主成分的贡献率达到96．74%，因此选取第一主成分作为BPANN模型的输入。输出结果显示，校准集和预测集的准确率均为100%。从两种PCA-BPANN模型的预测结果(表1)可知，所有预测样品的绝对偏差都未超过阈值，表明两种方法的预测结果都100%准确，从而验证了所建立的PCA-BPANN模型的可靠性及准确性。由两者的其它性能指标可见，以前3个主成分作输入变量时，校准集的RMSEC约为预测集的RMSEP的2．39倍;而以第一主成分作输入变量时，RMSEC和RMSEP接近，即测试样本的误差接近于训练样本的误差，说明建立的网络模型已有效逼近训练样本所蕴含的规律，具有很好的泛化能力。相比而言，只用一个主成分建模，性能更好。

利用紫外-可见吸收光谱法检测纯正蜂蜜样品、掺假5%～20%的蜂蜜样品和100%掺假液的样品。选取最佳敏感波段250～400nm的吸光度值进行反向传播人工神经网络(BPANN)建模，其预测集准确率为90．48%，RMSEP为6．1539×10－2;而对选取的吸光度值主成分分析后，再构建BPANN模型，其准确率为100%，RMSEP为8．961×10－3。说明PCA-BPANN模型比单独利用BPANN建模效果更好。而且，经过主成分分析后，输入变量得到大大压缩，进而显著提高了人工神经网络的收敛速度和泛化能力。因此可以考虑增加样品数量及掺假百分含量进一步验证模型的准确性。研究结果表明，基于PCABPANN的紫外-可见吸收光谱技术能够方便、快速、准确地鉴别真假蜂蜜，为食品质量的快速检测提供可靠参考。