紫外可見吸收光譜結(jié)合主成分-反向傳播人工神經(jīng)網(wǎng)絡(luò)鑒別真假蜂蜜

摘要 研究紫外-可見吸收光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法鑒別真假蜂蜜。根據(jù)蜂蜜中果糖和葡萄糖的典型質(zhì)量比1.2:1.0，配制與真蜂蜜相近的摻假溶液，并以5%～20%的比例摻入真蜂蜜中。獲取純正蜂蜜和摻假蜂蜜的紫外-可見吸收光譜，選擇最佳敏感波段250～400 nm的吸光度值進(jìn)行主成分分析（PCA），優(yōu)選主成分作為反向傳播人工神經(jīng)網(wǎng)絡(luò)（BPANN）的輸入向量。輸出結(jié)果顯示，校準(zhǔn)集和預(yù)測(cè)集的準(zhǔn)確鑒別率均為100%; 對(duì)應(yīng)的均方根誤差分別為8.523×10^－3和8.961×10^－3。研究結(jié)果表明，基于PCA-BPANN的紫外-可見吸收光譜技術(shù)能夠方便、快速、準(zhǔn)確地鑒別真假蜂蜜，為食品質(zhì)量的快速檢測(cè)提供可靠參考。

關(guān)鍵詞 蜂蜜；摻假；紫外-可見吸收光譜；反向傳播人工神經(jīng)網(wǎng)絡(luò)；主成分-反向傳播人工神經(jīng)網(wǎng)絡(luò)

2010-10-14收稿；2011-01-18接受

本文系國(guó)家自然科學(xué)基金（No.60411130595）和廣東省中醫(yī)藥局項(xiàng)目（No.2008233）資助

E-mail: mengyy@tom.com

1 引言

蜂蜜是一種天然營(yíng)養(yǎng)食品，具有很好的醫(yī)療保健作用和養(yǎng)顏效果。為保證蜂蜜質(zhì)量，國(guó)家標(biāo)準(zhǔn)GB18796針對(duì)蜂蜜的理化性質(zhì)作出強(qiáng)制性要求：果糖和葡萄糖含量≥60%， 蔗糖含量≤5%， 蜂蜜一級(jí)品水分≤20%，二級(jí)品水分≤24%^［1，2］。但一些不法商家對(duì)蜂蜜進(jìn)行摻假，依靠常規(guī)的感官物理檢測(cè)（色澤、滋味、氣味、狀態(tài)）和化學(xué)檢測(cè)（水分、酸度、折射率、果糖、酶值、葡萄糖等）已無法準(zhǔn)確鑒別。目前，檢測(cè)蜂蜜的方法主要有傅里葉變換拉曼光譜法（FT-RS）、花粉分析法、高效液相色譜法（HPLC）、氣相色譜火焰離子化檢測(cè)技術(shù)（GC-FID）、高效陰離子交換色譜-脈沖安培檢測(cè)技術(shù)（HPAEC-PAD）、穩(wěn)定性碳同位素（^12C/13C）比值分析法（SCIRA）及特異性天然同位素分餾核磁共振技術(shù)（SNIF-NMR）^［3～5］，這些方法應(yīng)用于檢測(cè)摻假蜂蜜中， 雖然具有很好的可行性，但大都操作繁瑣、費(fèi)時(shí)，而且儀器成本高。文獻(xiàn)［6～8］研究了傅立葉變換紅外-衰減全反射光譜（FTIR-ATR）結(jié)合軟獨(dú)立模型類簇法（SIMCA）和偏最小二乘法（PLS）檢測(cè)摻假蜂蜜，有效解決了蜂蜜檢測(cè)技術(shù)操作繁鎖耗時(shí)的問題。文獻(xiàn)［9］利用近紅外光譜（NIR）結(jié)合小波變換-最小二乘支持向量機(jī)（WT-LV-SVM）檢測(cè)摻假蜂蜜。對(duì)純正蜂蜜摻假的檢測(cè)方法主要集中于紅外光譜法，尚未見紫外-可見吸收光譜法的研究應(yīng)用。

本實(shí)驗(yàn)采用紫外-可見吸收光譜法，操作簡(jiǎn)單快捷，無需使用比色皿和毛細(xì)管，且僅需0.5～10 μL樣品，適于檢測(cè)少量及微量樣品。測(cè)量時(shí)以水為參比，消除了水的羥基峰對(duì)蜂蜜檢測(cè)的干擾。數(shù)據(jù)分析時(shí)采用模擬人腦細(xì)胞工作原理的反向傳播人工神經(jīng)網(wǎng)絡(luò)（BPANN）和主成分分析法（PCA）。結(jié)果表明，紫外-可見吸收光譜與化學(xué)計(jì)量學(xué)相結(jié)合的方法可快速檢測(cè)純正蜂蜜和摻假蜂蜜，為食品質(zhì)量檢測(cè)提供可靠的依據(jù)。

2 實(shí)驗(yàn)部分

2.1 樣品制備

D-果糖（生化試劑，國(guó)藥集團(tuán)化學(xué)試劑有限公司）和D-葡萄糖（分析純，廣州化學(xué)試劑廠）按照質(zhì)量比1.2∶1.0配制成與真蜂蜜相近的混合溶液^［7］。稀釋純正蜂蜜（紫云英蜂蜜，廣州市寶生園有限公司），使得純正蜂蜜溶液和果糖葡萄糖混合溶液的糖度均為70 °Brix。在40 ℃下水浴加熱，直至水溶液中的晶體物質(zhì)完全溶解。參照文獻(xiàn)［7］配制摻假7%，14%和21%的蜂蜜，將果糖葡萄糖混合溶液以5%，10%，15%和20%分別摻到34個(gè)純正蜂蜜溶液中。為對(duì)比分析全部為真蜂蜜溶液和全部為假蜂蜜溶液的不同光譜特征，同時(shí)配備了11個(gè)100%摻假樣品（即果糖葡萄糖混合溶液），將制得的45個(gè)假蜂蜜樣品標(biāo)記為F_n，i（n為樣品序號(hào)；i＝5%，10%，15%，20%，100%，為摻假百分比）。其余16個(gè)未摻假的蜂蜜溶液記為純正蜂蜜樣品。最后利用XW-80A渦旋混合器（廣州泰通儀器有限公司）將每個(gè)樣品溶液混合均勻。

2.2 儀器與光譜測(cè)量ND-1000超微量分光光度計(jì)（美國(guó)NanoDrop公司），波長(zhǎng)范圍為220～750 nm，分辨率為3 nm，吸光率精確度為0.003（1 mm光程），吸光率范圍0.02～75 （相當(dāng)于10 mm光程）；移液槍（0～10 μL）；AR1140電子天平（奧豪斯公司）；MATLAB 7.0數(shù)據(jù)分析軟件。

測(cè)量時(shí)以蒸餾水為參比，即消除了水在UV-Vis波段的吸收對(duì)液體樣品檢測(cè)的干擾。吸取2 μL樣品置于分光光度計(jì)測(cè)量基座上，采用UV-Vis模式測(cè)量樣品的紫外-可見吸收光譜。每完成一個(gè)樣品的測(cè)量，用蒸餾水清洗上下基座，以避免殘余液對(duì)下一個(gè)樣品測(cè)量的影響。每個(gè)樣品重復(fù)測(cè)量3次后取均值。

3 結(jié)果與討論

3.1 樣品的紫外-可見吸收光譜圖分析

本實(shí)驗(yàn)采集了紫外-可見波段220～750 nm的吸收光譜。由于儀器檢測(cè)范圍的原因，導(dǎo)致譜圖兩端220～250 nm和700～750 nm光譜噪聲較大，因此， 截取了250～700 nm波段進(jìn)行分析。圖1為純正蜂蜜樣品H和摻假樣品Fn，i截取波段的紫外-可見吸收光譜圖。由圖1可知，純正蜂蜜樣品與摻假的F_n，5% ， Fn，10%， Fn，15%和Fn，20%樣品的光譜圖極其相似，在257 nm處出現(xiàn)波谷；273 nm處有強(qiáng)吸收峰；在406 nm處吸光度值近似為0，即主要為水的吸收；在440～700 nm區(qū)間，吸光度值基本保持不變，說明此波段內(nèi)，主要為蜂蜜主要成分（果糖和葡萄糖）的吸收。而Fn，100%光譜譜線明顯不同于純正蜂蜜樣品的光譜譜線，在250～385 nm之間譜線較平緩且吸收峰位于295 nm處。表明識(shí)別純正蜂蜜樣品和100%摻假樣品，不需要任何數(shù)據(jù)處理，由光譜圖即可鑒別。但鑒別摻假5%～20%的蜂蜜樣品需進(jìn)行統(tǒng)計(jì)處理才能辨別。

3.2 模型的建立及評(píng)價(jià)指標(biāo)

選取圖1中差別較大的敏感波段250～400 nm的吸光度值進(jìn)行數(shù)據(jù)處理。每隔3 nm取一個(gè)數(shù)據(jù)點(diǎn)，此波段內(nèi)共計(jì)51個(gè)光譜數(shù)據(jù)，因此， 所有樣品光譜組成了一個(gè)61 × 51維的矩陣。建立兩種模型：原始光譜數(shù)據(jù)作為輸入向量， “1”代表真蜂蜜樣品，“0”代表假蜂蜜樣品，作為目標(biāo)向量（即樣品的真實(shí)值），建立BPANN模型；對(duì)該波段的原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，提取主成分，分析二維主成分得分圖，將代表光譜特征信息的主成分作為BPANN的輸入，“1”代表真蜂蜜樣品、“0”代表假蜂蜜樣品作為目標(biāo)向量，構(gòu)建PCA-BPANN模型。兩種模型中的BPANN均采用三層結(jié)構(gòu)，以Sigmoid函數(shù)作為連接隱含層和輸出層的傳遞函數(shù)，按照校準(zhǔn)集與預(yù)測(cè)集2∶1的比例關(guān)系^［2］，將40個(gè)樣品作為校正集，21個(gè)樣品作為預(yù)測(cè)集，訓(xùn)練次數(shù)設(shè)為2000，目標(biāo)誤差設(shè)為0.0001，輸入層節(jié)點(diǎn)由MATLAB軟件自動(dòng)計(jì)算，隱含層節(jié)點(diǎn)需經(jīng)過多次嘗試才能確定，輸出層節(jié)點(diǎn)設(shè)為1。

若樣品的網(wǎng)絡(luò)輸出結(jié)果在0.9～1.1范圍內(nèi)，表示此樣品為真蜂蜜；在－0.1～0.1范圍內(nèi)，表示此樣品為假蜂蜜。換言之，樣品的預(yù)測(cè)值與真實(shí)值之差，即絕對(duì)偏差值，在閾值±0.1內(nèi)，則為正確識(shí)別；超出閾值范圍，則為錯(cuò)誤識(shí)別。評(píng)價(jià)模型優(yōu)劣，主要依據(jù)準(zhǔn)確鑒別率，同時(shí)比較校正集的均方根誤差（RMSEC）與預(yù)測(cè)集的均方根誤差（RMSEP）。若RMSEC和RMSEP近似相等，說明所建立的BPANN模型已有效逼近訓(xùn)練樣本所蘊(yùn)含的規(guī)律，具有很強(qiáng)的逼近能力，即泛化能力很好。均方根誤差計(jì)算公式為^［2，10］：

3.2.1 BPANN模型

以40個(gè)樣品的原始光譜數(shù)據(jù)（40×51維矩陣）為輸入向量，經(jīng)多次嘗試，隱含層設(shè)為5時(shí)網(wǎng)絡(luò)最優(yōu)化。迭代39次后，網(wǎng)絡(luò)輸出誤差為6.4125×10^－5，小于收斂誤差界值0.0001，完成了目標(biāo)。輸出結(jié)果顯示：訓(xùn)練集中每個(gè)樣品的絕對(duì)偏差都未超出閾值±0.1，即準(zhǔn)確率為100%，RMSEC＝8.008×10^－3。其余的21個(gè)樣品作測(cè)試集，預(yù)測(cè)結(jié)果的絕對(duì)偏差如圖2所示。有2個(gè)樣品（n＝2，12）的絕對(duì)偏差超過0.1，測(cè)試集的準(zhǔn)確率為90.48%，RMSEP＝6.1539×10^－2。可知，RMSEC與RMSEP相差一個(gè)數(shù)量級(jí)，說明由原始光譜所建立的BPANN模型未能完全有效地逼近訓(xùn)練樣本所蘊(yùn)含的規(guī)律，逼近能力較弱。

3.2.2 PCA-BPANN模型

對(duì)所有樣品在250～400 nm的光譜數(shù)據(jù)（61×51維矩陣）進(jìn)行標(biāo)準(zhǔn)化處理后，調(diào)用函數(shù)princomp（X）進(jìn)行主成分分析。所有樣品的第一、二主成分得分的運(yùn)行結(jié)果如圖3所示。Fn，100%全部分布在圖右側(cè)，明顯遠(yuǎn)離純正蜂蜜樣品和摻假5%～20%的樣品，這是因?yàn)榧冋涿壑须m然60%以上是果糖和葡萄糖，但還含有氨基酸、蛋白質(zhì)、維生素、礦物質(zhì)和微量元素等成分；摻假5%～20%的樣品依據(jù)摻假量的不同，與純正蜂蜜樣品分布的距離遠(yuǎn)近也不同。比如，摻假5%的樣品與純正蜂蜜樣品分布在同一區(qū)域，并且第二主成分出現(xiàn)交叉重疊現(xiàn)象。由各點(diǎn)在橫軸上的投影可見，摻假含量越多，第一主成分得分越大，F(xiàn)n，100%得分最大。但是摻假量相對(duì)少的樣品與純正蜂蜜樣品在橫軸上的投影卻非常接近，無法準(zhǔn)確區(qū)分。所以， 本研究聯(lián)合了BPANN方法共同分析，利用提取的主成分作為BPANN的輸入向量并建立模型。

為驗(yàn)證PCA-BPANN模型的可靠性及準(zhǔn)確性，優(yōu)化了不同數(shù)量的主成分作為輸入變量：（1）由主成分分析可知，前3個(gè)主成分的累積貢獻(xiàn)率達(dá)到99.27%，可代表原始光譜^［10］，因此選取前3個(gè)主成分作為BPANN模型的輸入。輸出結(jié)果顯示，校準(zhǔn)集和預(yù)測(cè)集的準(zhǔn)確率均為100%，相關(guān)參數(shù)及其它性能指標(biāo)見表1；（2）根據(jù)數(shù)理統(tǒng)計(jì)中選取主成分的一般規(guī)律，即主成分的累積貢獻(xiàn)率超過85%～95%，就可解釋大部分原始數(shù)據(jù)方差，代表原始光譜^［11］，而第一主成分的貢獻(xiàn)率達(dá)到96.74%，因此選取第一主成分作為BPANN模型的輸入。輸出結(jié)果顯示，校準(zhǔn)集和預(yù)測(cè)集的準(zhǔn)確率均為100%。從兩種PCA-BPANN模型的預(yù)測(cè)結(jié)果（表1）可知，所有預(yù)測(cè)樣品的絕對(duì)偏差都未超過閾值，表明兩種方法的預(yù)測(cè)結(jié)果都100%準(zhǔn)確，從而驗(yàn)證了所建立的PCA-BPANN模型的可靠性及準(zhǔn)確性。由兩者的其它性能指標(biāo)可見，以前3個(gè)主成分作輸入變量時(shí)，校準(zhǔn)集的RMSEC約為預(yù)測(cè)集的RMSEP的2.39倍; 而以第一主成分作輸入變量時(shí)，RMSEC和RMSEP接近，即測(cè)試樣本的誤差接近于訓(xùn)練樣本的誤差，說明建立的網(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。相比而言，只用一個(gè)主成分建模，性能更好。

3.3 小結(jié)

利用紫外-可見吸收光譜法檢測(cè)純正蜂蜜樣品、摻假5%～20%的蜂蜜樣品和100%摻假液的樣品。選取最佳敏感波段250～400 nm的吸光度值進(jìn)行反向傳播人工神經(jīng)網(wǎng)絡(luò)（BPANN）建模，其預(yù)測(cè)集準(zhǔn)確率為90.48%，RMSEP為6.1539×10^－2；而對(duì)選取的吸光度值主成分分析后，再構(gòu)建BPANN模型，其準(zhǔn)確率為100%，RMSEP為8.961×10^－3。說明PCA-BPANN模型比單獨(dú)利用BPANN建模效果更好。而且，經(jīng)過主成分分析后，輸入變量得到大大壓縮，進(jìn)而顯著提高了人工神經(jīng)網(wǎng)絡(luò)的收斂速度和泛化能力。因此可以考慮增加樣品數(shù)量及摻假百分含量進(jìn)一步驗(yàn)證模型的準(zhǔn)確性。研究結(jié)果表明，基于PCA-BPANN的紫外-可見吸收光譜技術(shù)能夠方便、快速、準(zhǔn)確地鑒別真假蜂蜜，為食品質(zhì)量的快速檢測(cè)提供可靠參考。

References

1 GB 18796-2005，Honey（蜂蜜）. National Standards of the People′s Republic of China（中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)）， 2005

2 TU Zhen-Hua， ZHU Da-Zhou， JI Bao-Ping， MENG Chao-Ying， WANG Lin-Ge， QING Zhao-Kun（屠振華， 朱大洲， 籍保平， 孟超英， 王林舸， 慶兆珅）. Chinese J. Anal. Chem.（分析化學(xué)）， 2010， 38（1）: 45～50

3 Cotte J F， Casabianca H， Chardon S， Lheritier J， Grenier-Loustalot M F. J. Chromatogr. A， 2003， 1021（1）: 145～155

4 Cordella C， Militao J S L T， Clément M， Drajnudel P， Cabrol-Bass D. Anal. Chim. Acta， 2005， 531（2）: 239～248

5 ZHU Qing， WANG Bi-Ni， LIANG Yan， CHEN Wei-Jun， CAO Wei （朱 青， 王畢妮， 梁 艷， 陳衛(wèi)軍， 曹 煒）.Apic. China（中國(guó)蜂業(yè)）， 2008， 59（10）: 35～37

6 Gallardo-Velzquez T， Osorio-Revilla G， Loa M Z， Rivera-Espinoza Y. Food Res. Int.， 2009， 42（3）： 313～318

7 Kelly J F D， Downey G， Fouratier V.J. Agric. Food Chem.， 2004， 52（1）: 33～39

8 Kelly J D， Petisco C， Downey G.J. Agric. Food Chem.， 2006， 54（17）: 6166～6171

9 Zhu X R， Li S F， Shan Y， Zhang Z Y， Li G Y， Su D L， Liu F.J. Food Eng.， 2010， 101（1）： 92～97

10 TANG Shou-Peng， YAO Xin-Feng， YAO Xia， TIAN Yong-Chao， CAO Wei-Xing， ZHU Yan（湯守鵬， 姚鑫鋒， 姚霞， 田永超， 曹衛(wèi)星， 朱 艷）.Chinese J. Anal. Chem. （分析化學(xué)）， 2009， 37（10）: 1445～1450

11 CHEN Gui-Ming， QI Hong-Yu， PAN Wei（陳桂明， 戚紅雨， 潘 偉）.MATLAB Mathematical Statistics（6.x） （MATLAB數(shù)理統(tǒng)計(jì)（6.x））. Beijing（北京）: Science Press（科學(xué)出版社）， 2002: 199～208

Application of UV-Visible Absorption Spectroscopy and PrincipalComponents-Back Propagation Artificial Neural Network toIdentification of Authentic and Adulterated Honeys

OU Wen-Juan¹， MENG Yao-Yong^1， ZHANG Xiao-Yan¹， KONG Meng¹

¹（College of Biophotonics， South China Normal University， Guangzhou 510631）

Abstract UV-visible （UV-vis） absorption spectroscopy in combination with chemometrics was used to identify the authentic and adulterated honeys. Adulterant solution prepared using D-fructose and D-glucose following the mass ratio of typical of honey composition （1.2∶1.0） was close to the real honey and added to individual honeys at levels of 5%， 10%， 15% and 20%. Absorption spectra of authentic and adulterated honeys in the wavelength range of 220－750 nm were acquired. The absorbance values of the best-sensitive band （250－400 nm） were selected to build models. The optimal identification model was developed with principal component analysis in combination with back propagation artificial neural network （PCA-BP-ANN）. The scores of optimal principal components were used as the input vectors of model. The output results showed that the correct identification rates were 100% for both the calibration and prediction sets and the corresponding root-mean-square errors were 8.523×10^－3 （RMSEC） and 8.961×10^－3 （RMSEP）， respectively. The study demonstrates that UV-vis absorption spectroscopy based on PCA and BP-ANN can be used as a convenient， rapid and accurate technique for identification of authentic and adulterated honeys

Keywords Honey; Adulteration; Ultraviolet-Visible absorption spectroscopy; Back propagation artificial neural network; Principal components-back propagation artificial neural network

（Received 14 October 2010; accepted 18 January 2011）