导读：掺假蜂蜜的电子鼻信息呈现线性变化, 并且电子鼻对掺假蜂蜜有较强的敏感力。LDA 模式识别算法可以将纯蜂蜜样品与掺假蜂蜜样品很好的区分开, LDA 掺假判别模型正确识别率为 94 7%,该技术可以

 

1.2.3信号分析与数学统计方法

采用PCA进行数据降维,通过主成分得分反映不同蜜源蜂蜜样品间的相似性和独特性,揭示样本的内部特征和聚类信息,进一步说明每个样本在大类样本集中是否存在较大差异,是否根据样品间品质特征形成自动聚类现象。

采用LDA对原始数据向量进行线性变换,使得不同性质的样品更好的区分。LDA是有监督模式算法,即知道各样品所属类别的情况下,通过重新组合传感器数据来优化区分效果,达到使组间距离最大的同时保证组内差异最小的目的。

 

2、结果与分析

2.1掺假蜂蜜复合香气体系变化规律分析

为探究基于蜂蜜香气体系变化规律的蜂蜜掺假判别的可行性,对1.1中的蜂蜜掺假样品采集电子鼻数据,进行主成分分析。主成分结果如图1所示。

图1a是利用油菜蜜作为添加物加入洋槐蜜中配制成掺假样品的PCA图。图中主成分1(PCl)的方差贡献率为97.1%,主成分2(PC2)的方差贡献率为2.7%,前两个主成分的累积方差贡献率为99.8%,远超过统计学一般认定85%的界限[19],说明通过PCA分析,可以将以18根传感器为变量的电子鼻图谱矩阵转换为以主成分1和主成分2为变量的得分矩阵,并保留了蜂蜜电子鼻香气图谱99.8%的信息,可以此为基础进行分析研究。在PCA得分图中纯蜂蜜聚集到一起,掺假蜂蜜聚集到一起。图1a、1b是分别以油菜蜜和大米糖浆为掺假物质配制的掺假洋槐蜜(含不同掺假比例),以探索掺假物质和掺假含量对蜂蜜样品PCA得分聚类的影响。从图1a、1b可以看出,所有掺假样品的PCA得分呈明显的线性变化,即掺假样品在主成分1方向上从右到左按掺假含量增加的顺序排列,并且掺入油菜蜜和大米糖浆的掺假样品在主成分1方向上都是位于纯洋槐蜜的左边并按从右向左排列,由此说明通过PCA处理后,主成分1代表了洋槐蜜掺假的信息。由图1中的c、d、e、f可以看出,这种线性变化的掺假信息不受蜜源的影响,即枣花蜜、荆花蜜的掺假样品与洋槐蜜的掺假样品具有相同的规律,表明这种线性变化掺假信息在蜂蜜中具有普遍性,为电子鼻用于蜂蜜掺假判别奠定了基础。

从以上分析可知,主成分1不仅代表了蜂蜜的掺假信息,也代表蜂蜜的主体信息,即蜂蜜的主体信息与掺假信息规律一致,具有相关性。这主要是由于纯蜂蜜中添加的外来物质不是对某种香气的影响,而是对蜂蜜整个香气体系都产生影响,从而使得掺假蜂蜜的香气体系与纯蜂蜜相比具有规律性的变化。掺假蜂蜜的电子信息特征线性变化显著,表明该技术可以推广到蜂蜜掺假判别的实际应用中。