蜂蜜文献

基于近红外光谱技术的蜂蜜掺假识别

中华蜂蜜网 2016年04月25日 17时41分45秒

对于掺入果葡糖浆的掺假情况,校正集的正确判别率均达到95%以上,验证集的正确判别率均达到87%以上,对于掺入果葡糖水的掺假蜂蜜校正集的正确判别率均达到93%以上,验证集的正确判别率均达到84

此外,根据White等人对490多份蜂蜜样品统计,水分、果糖、葡萄糖含量为蜂蜜中的主要成分,分别约占蜂蜜质量的17%、38%、31%[2],因此还按照质量分数,果糖38%,葡萄糖31%配置了果葡糖水,然后按质量分数7%,14%和21%加入上述21种单一花种蜂蜜中,得到另一个掺假蜂蜜样品集,该集样品数为63个(21×3=63)。

1.2蜂蜜近红外光谱采集

研究采用的样品光谱为透反射近红外光谱,光谱采集采用BRUKER公司生产的ISF/28N型傅立叶型近红外光谱仪,其光源为空气冷却卤钨灯,采用光纤透反射采集形式为硫化铅检测器,仪器最大光谱采样范围为3600~12500cm-1,最小分辨率1cm-1。附件为:2mm液体透反射光纤,光程2mm,扫描谱区:3600~12500cm-1,分辨率:8cm-1,扫描次数:32次取平均,以空气作为参比。

1.3 近红外光谱定性分析模型建立方法

研究采用了 4 种定性分析模型建立方法:偏最小二 乘判别分析方法(PLS discriminate analysis,PLS-DA), 独立软模式方法(soft independent modelling of class analogy,SIMCA),误差反向传播神经网络(BP 神经网 络,error back propagation network,BP-ANN),最小二乘 支 持 向 量 机 ( least-squares support vector machine, LS-SVM)。其中 PLS-DA 和 SIMCA 建模计算采用 PLS-Toolbox 3.0 工具箱相应的函数由自编的 Matlab 程序 来进行,BP-ANN 建模计算采用人工神经网络工具箱相 应的函数由自编的 Matlab 程序来进行,LS-SVM 建模计 算采用 LS-SVMlab1.5 工具箱相应的函数由自编的 Matlab 程序来进行,计算平台均为 MTLAB2006a(The Math Works,Inc.,Natick,MA,USA)。

1.4 定性识别效果判断标准

研究试验结果中,如果样品原为天然蜂蜜样品,而 被判定为掺假蜂蜜样品的,则定为假阳性(False Positive),实际的应用中这种错误应该尽量减少;如果 样品原为掺假蜂蜜样品而被判定为天然蜂蜜样品,则定 为假阴性(False Negative),在实际的应用中这种错误 是应该尽量避免。在总样品中,减去假阳性、假阳性样 品,定义为正确判别样品,分别利用校正集和验证集模 型的正确判别率,假阳性率和假阴性率来评价模型,其 定义分别如下
正确判别率=正确判别样品数/总样品×100%
假阳性率=假阳性样品数/总样品×100%
假阴性率=假阴性样品数/总样品×100%
对于识别效果来说,正确判别率越接近 100%,假阳性率和假阴性率越小,表明识别效果越好,而小的假阴 性率比小的假阳性率更为重要。

上一页 1 2 3 4 5 6 7 下一页

本文热门标签

热门推荐