导读：研究紫外-可见吸收光谱技术结合化学计量学方法鉴别真假蜂蜜。

若样品的网络输出结果在0．9～1．1范围内，表示此样品为真蜂蜜;在－0．1～0．1范围内，表示此样品为假蜂蜜。换言之，样品的预测值与真实值之差，即绝对偏差值，在阈值±0．1内，则为正确识别;超出阈值范围，则为错误识别。评价模型优劣，主要依据准确鉴别率，同时比较校正集的均方根误差(RMSEC)与预测集的均方根误差(RMSEP)。若RMSEC和RMSEP近似相等，说明所建立的BPANN模型已有效逼近训练样本所蕴含的规律，具有很强的逼近能力，即泛化能力很好。均方根误差计算公式为［2，10］:

其中，为预测值，yi为真实值。

3．2．1 BPANN模型以40个样品的原始光谱数据(40×51维矩阵)为输入向量，经多次尝试，隐含层设为5时网络最优化。迭代39次后，网络输出误差为6．4125×10－5，小于收敛误差界值0．0001，完成了目标。输出结果显示:训练集中每个样品的绝对偏差都未超出阈值±0．1，即准确率为100%，RMSEC=8．008×10－3。其余的21个样品作测试集，预测结果的绝对偏差如图2所示。有2个样品(n=2，12)的绝对偏差超过0．1，测试集的准确率为90．48%，RMSEP=6．1539×10－2。可知，RMSEC与RMSEP相差一个数量级，说明由原始光谱所建立的BPANN模型未能完全有效地逼近训练样本所蕴含的规律，逼近能力较弱。

3．2．2 PCA-BPANN模型对所有样品在250～400nm的光谱数据(61×51维矩阵)进行标准化处理后，调用函数princomp(X)进行主成分分析。所有样品的第一、二主成分得分的运行结果如图3所示。Fn，100%全部分布在图右侧，明显远离纯正蜂蜜样品和掺假5%～20%的样品，这是因为纯正蜂蜜中虽然60%以上是果糖和葡萄糖，但还含有氨基酸、蛋白质、维生素、矿物质和微量元素等成分;掺假5%～20%的样品依据掺假量的不同，与纯正蜂蜜样品分布的距离远近也不同。比如，掺假5%的样品与纯正蜂蜜样品分布在同一区域，并且第二主成分出现交叉重叠现象。由各点在横轴上的投影可见，掺假含量越多，第一主成分得分越大，Fn，100%得分最大。但是掺假量相对少的样品与纯正蜂蜜样品在横轴上的投影却非常接近，无法准确区分。所以，本研究联合了BPANN方法共同分析，利用提取的主成分作为BPANN的输入向量并建立模型。