蜂蜜的主要成分是糖及其混合物，以果糖和葡萄糖两种单糖为主，并含有极少量蔗糖和麦芽糖为代表的双糖，另外还含有少量水分和微量矿物质、氨基酸以及有机酸等物质。蜂蜜作为一种纯天然的农副产品，不仅具有很好的食用价值，而且还具有药用功效和保健功能。根据蜜蜂采蜜的花源不同，目前市售蜂蜜按蜜源可以分为槐花蜜、椴树蜜、油菜花蜜、山花蜜和丹参蜜等品种。由于蜜源间所含微量元素不同，导致不同品种蜂蜜的组成成分存在较大差异，其中糖分含量是影响蜂蜜品质的重要因素之一。因此研究一种快速、准确地鉴别蜂蜜品种的方法，对于蜂蜜品质的监管具有重要意义。

  目前，蜂蜜品种的鉴别方法主要有高效液相色谱 – 质谱法、气相色谱法、化学分析法和近红外光谱检测法等。高效液相色谱 – 质谱法是目前应用较多的一种方法，虽然准确度满足要求，但检测过程复杂；气相色谱法需要将粘稠且不易挥发的蜂蜜进行衍生化处理，过程繁琐；化学分析法难以实现对蜂蜜品种的判别。近红外光谱技术是利用 C—H，O—H，N—H 等基团对近红外光的合频与倍频对样品内部成分进行间接预测的方法。目前，采用近红外光谱技术对蜂蜜品质的研究已取得较大进展，但仍无法克服由于蜂蜜粘稠度大导致预测结果不佳和数据提取慢等问题。

  采用近红外光谱技术对蜂蜜进行定性判别时，通常采用一种模型进行判别，即采用单一定性判别算法建立一个最优的定性判别模型来对未知样本的品种进行判别。在单分类器定性判别的基础上，人们提出多分类器融合的定性判别方法。多分类器融合是指将存在一定差异性的多个（两个或两个以上）单分类器进行结合，将多个单分类器各自的判别结果按照一定的权值进行融合，得到一个集各子分类器优点于一身的融合分类器。由于各子分类器之间具有一定的互补性，因此多分类器融合的融合分类器可以提高分类判别的效果。多分类器融合的近红外光谱判别方法已在农副产品、食品以及石油化工等领域得到广泛应用。S[**]URI–DUCH E和 L[**]TORRE C H 等人已成功将近红外光谱分析技术应用于蜂蜜的鉴定，并取得了一定成果，但由于蜂蜜的粘稠度较大，导致分析结果的准确率较差。笔者以槐花蜜、山花蜜、丹参蜜和油菜蜜的品种鉴别为研究对象，利用近红外光谱分析技术，结合多种判别分析方法，建立了基于多分类器融合的近红外光谱技术判别蜂蜜品种，与单分类器相比，该方法提高了蜂蜜品种鉴别的准确率。

1 实验部分

1.1 主要仪器与试剂

  傅里叶变换近红外光谱仪：[**]ntaris II 系列光谱仪及其透射部件，美国尼高力仪器公司；

  蜂蜜样品：根据各种花期到蜂场购得高纯度槐花蜜、山花蜜、丹参蜜、油菜蜜，每个品种的蜂蜜选取50 个样品，共计 200 个样品。

1.2 仪器工作条件

  环境温度：20℃；仪器预热时间：15 min ；扫描范围：4 000～10 000 cm^–1 ；扫描次数：16 次；分辨率：–13.0 cm。

1.3 模型的建立

  在全波段下对蜂蜜样品的近红外光谱图分别采用不同的处理方式进行预处理，采用偏最小二乘法 (PLS) 和主成分分析方法提取前 10 个主成分进行实验，选择 Fisher，SVM，PLS–D[**] 和 [**]daBoost 4种分类方法分别建立蜂蜜品种模型，其中 [**]daBoost采用 C[**]RT 迭代算法。

1.4 分析方法

  采用化学计量学与光谱分析相结合的方法建立蜂蜜品种鉴别模型，并对模型进行验证。

2 结果与讨论

2.1 光谱采集

  在 1.2 仪器工作条件下，对蜂蜜的近红外光谱进行采集。每次采集前均以空气作为采集背景进行扫描，以去除环境光中的近红外光对光谱的干扰。图 1 为 200 个蜂蜜样本的近红外透射光谱图。

2.2 主成分分析

  对采集到的样本数据进行主成分分析，得到前10 个主成分的方差累计贡献率，如图 2 所示。由图2 可以看出，方差累计贡献率随因子数的增加而逐渐增加，其前 10 个主成分的累计贡献率达 99.66%，涵盖了蜂蜜近红外光谱的大部分信息，故选择蜂蜜近红外光谱的前 10 个主成分作为建立蜂蜜种类模型的有效数据。

  由蜂蜜近红外光谱的第一个主成分与第二个主成分绘制的蜂蜜样本主成分分析图见图 3。

  由图 3可知，油菜蜜样本的集中趋势较为明显，且与其它品种的蜂蜜样本有一定的区分，但油菜蜜中混有一部分槐花蜜和丹参蜜样本，其余三类蜂蜜样本间的相互交叉现象较为严重，每种蜂蜜的特征不明显，因此需借助有效的判别分类器来完成蜂蜜品种的判别。

2.3 单一分类器选择原则

  通常情况，如果多分类器融合所选取的各分类器的输出结果具有较高的相关性，则认为融合后的分类器对系统的优化效果不明显，因此在进行多分类器融合之前首先应选择差异性较大的单分类器进行融合，即单分类器的差异性度量较大。本试验选取的差异性度量方法为 Q 值度量，假设两个算法不同的分类器分别命名为 D_i 和 D_j，对应每个分类器的蜂蜜样本判别结果存在表 1 中的关系。

  用 N 表示样本总数，N=N₁₁+N₁₀+N₀₁+N₀₀。

  两个不同的分类器 D_i 和 D_j 之间的差异性度量Q_i,j 按下式计算：

 Qi,j 变化范围为 (–1，1)，如果 Q_i,j 为正，表明两分类器正相关；Q_i,j 为负，表明两分类器负相关。

2.4 单分类器对蜂蜜的判别分析

  4 种不同品种的蜂蜜共计 200 个样本，按照 1∶1的比例随机分为校正集与验证集，校正集与验证集各有 100 个样本进行试验。选择 Fisher，SVM，PLS–D[**] 和 [**]daBoost 4 种分类方法分别建立蜂蜜品 种 模 型，其 中 [**]daBoost 采 用 C[**]RT 迭 代 算 法。每种分类方法建模结果见表 2。

  对上述 4 种分类器分类结果按 Q 值度量法分别计算各个分类器之间的差异性度量 Q 值，结果见表 3。在进行多分类器融合时，单分类器模型需要具有较高的校正集与验证集准确率，模型之间应具有一定的差异性，才能充分体现多分类器融合判别的优势。 由表3可知，Fisher 与 SVM 和 PLS–D[**]均具有较好的差异性，而其它分类器两两之间差异性较小，因此选用 Fisher、SVM 和 PLS–D[**] 3 个分类器作为多分类器融合的基本判别单元。

2.5 多分类器融合—权值

  根据输出层信息的不同可以将多分类器融合技术分为输出层为度量层的多分类器融合方法、输出层为决策层的多分类器融合方法和输出层为排序层的多分类器融合方法。本试验采用输出层为决策层的多分类器融合方法，首先利用多种建模手段分别建立蜂蜜品种的近红外光谱模型；然后计算两两分类模型预测结果的差异性，选取差异性较大的几个模型作为基分类器进行多分类器融合；最后对选取的基分类器按照加权投票法进行分类器融合，将得到的多分类器用于对蜂蜜样本品种的鉴别。根据每个单分类器对模型预测结果的影响不同，即通过各个校正集的判别准确率来确定 3 种模型最终的权值系数。设 Fisher，SVM 和 PLS–D[**] 校正集的判别准确率分别为 P₁、P₂ 和 P₃，按式 (1) 计算权值：

式中：α_i——表示 Fisher，SVM 和 PLS–D[**] 的权值，且满足 α₁+α₂+α₃=1。

    P_i——表示 Fisher，SVM 和 PLS–D[**] 校正集的判别准确率。

2.6 多分类器融合对不同品种蜂蜜判别结果分析

  根据表 2 和式 (1) 计算得各个单分类器的权值α₁，α₂，α₃ 分别为 0.321 1，0.354 2，0.324 7。由此得到多分类器融合分类器模型，其分类判别因式为：

  Classify 表示由 3 个单分类器融合后的分类器，用该融合模型对验证集蜂蜜样本进行测试，结果见表 4。由表 4 可知，利用建立的多分类器模型判别蜂蜜品种的准确率达到 96%。多次测试结果表明，融合后的分类器不仅判别准确率得到较大幅度提高，而且系统的判别稳定性也得到的一定程度的改善。

3 结语

  Fisher，SVM，PLS–D[**] 和 [**]daBoost 4 种 分 类方法具有各自的特点，通过试验选取 Fisher，SVM和 PLS–D[**] 3 种分类器融合，建立多分类器融合模型，对验证集蜂蜜样本品种进行判别，判别准确率可达到 96%，比单一分类器具有较大提高，表明 3 种单分类器的有效融合，互补了各个分类器间的缺点。因此采用多分类器融合近红外光谱分析方法对蜂蜜品种进行鉴别是可行的，并且比单一分类器预测结果更加稳定可靠。