周 密，馮 灝，劉 杰，皮江一，王會(huì)霞，周陶鴻，

彭青枝1，2，張 莉1，2

（1．湖北省食品質(zhì)量安全監(jiān)督檢驗(yàn)研究院，湖北 武漢 430075；2．湖北省食品質(zhì)量安全檢測工程技術(shù)研究中心，湖北 武漢 430075）

蜂蜜是蜜蜂采集植物的花蜜、分泌物或蜜露，與自身分泌物混合后，經(jīng)充分釀造而成的天然甜物質(zhì)［1］。隨著人們健康意識(shí)的提高，蜂蜜作為一種天然食品漸受青睞。自然界中分泌花蜜的植物種類繁多，不同植物來源蜂蜜所具備的活性功能也不盡相同［2］，產(chǎn)品價(jià)格更是千差萬別。市場上部分不法商販?zhǔn)芾骝?qū)使，對蜂蜜進(jìn)行摻雜使假，掩蓋或錯(cuò)誤標(biāo)識(shí)蜂蜜蜜源信息是常見的使假手段之一［3］。而我國作為蜂產(chǎn)品出口大國，此種違法現(xiàn)象不僅損害了消費(fèi)者的合法權(quán)益，制約了我國蜂產(chǎn)業(yè)在經(jīng)濟(jì)全球化中的進(jìn)程，更是給國際蜂產(chǎn)業(yè)的健康、可持續(xù)發(fā)展留下隱患。因此，為了保護(hù)消費(fèi)者利益和促進(jìn)生產(chǎn)者的公平競爭，保障蜂產(chǎn)業(yè)的繁榮發(fā)展，對蜂蜜植物源進(jìn)行鑒別研究意義重大。

蜂蜜富含多種礦物質(zhì)元素，占比雖小，但提供了重要的樣品信息［4］，能為蜂蜜屬性區(qū)分提供依據(jù)，如魏月等［5］分析了云南南部4種植物源蜂蜜中21種礦質(zhì)元素，結(jié)合典型判別分析，對4種蜂蜜的植物源歸屬判別正確率達(dá)90%，表明在氣候和土壤環(huán)境相似的情況下，不同植物源蜂蜜之間礦質(zhì)元素存在差異；陳輝等對蜂蜜產(chǎn)地［6］和植物源［7］的鑒別研究不僅能將來自河北、北京等地的荊條蜜進(jìn)行產(chǎn)地溯源，還能有效鑒別來自不同地區(qū)的荊條、椴樹、洋槐、油菜蜂蜜，表明同種植物源蜂蜜產(chǎn)地之間的差異或小于不同植物源之間引起的差異，因此，利用蜂蜜中多種礦質(zhì)元素對不同地區(qū)蜂蜜樣品進(jìn)行植物源鑒別是可行的。

截尾數(shù)據(jù)（Censored data）指監(jiān)測數(shù)據(jù)中污染物的檢測值小于檢出限或者定量下限的不完全數(shù)據(jù)［8］，在食品化學(xué)污染物評價(jià)中不可避免。受限于植物生長自然環(huán)境、樣品狀態(tài)、儀器條件等因素，電感耦合等離子體質(zhì)譜儀（ICP－MS）測定蜂蜜樣品時(shí)，截尾數(shù)據(jù)總是客觀存在的，世界衛(wèi)生組織（World health organization，WHO）建議在對食品中低含量污染物進(jìn)行暴露評估過程中，當(dāng)?shù)陀跈z出限的結(jié)果數(shù)據(jù)小于數(shù)據(jù)總量的60%時(shí)，所有小于檢出限的結(jié)果均以二分之一檢出限值進(jìn)行替換參與計(jì)算［9］。如Hannah等［10］在評估土壤中鋅、錳元素含量時(shí)，比較了替換法（Substitution method）、最大似然估計(jì)法（Maximum likelihood estimation）、次序統(tǒng)計(jì)量回歸法（Regression on order substitution）、生存分析法（Survival analysis）4種不同截尾數(shù)據(jù)處理方法，發(fā)現(xiàn)使用替換法將截尾數(shù)據(jù)按二分之一檢出限值處理時(shí)能較好地計(jì)算樣本幾何平均值。盡管國內(nèi)外有通過ICP－MS進(jìn)行元素分析并建立判別模型鑒別蜂蜜植物源的報(bào)道［5，11］，但并未涉及ICP－MS中截尾數(shù)據(jù)對模型判別能力的研究，且識(shí)別模型單一，缺少對模型參數(shù)的優(yōu)化。因此，為提高蜂蜜植物源模型的鑒別能力，有必要建立蜂蜜中ICP－MS截尾數(shù)據(jù)和識(shí)別模型參數(shù)的研究。本文采用ICP－MS測定荊條、洋槐、葵花、油菜4種植物源蜂蜜中的16種金屬元素，再利用替換法按二分之一檢出限值處理截尾數(shù)據(jù)并建立支持向量機(jī)（Support vector machine，SVM）分類模型，并進(jìn)一步通過網(wǎng)格搜索法（Grid search，GS）、遺傳算法（Genetic algorithm，GA）和粒子群優(yōu)化算法（Particle swarm optimization，PSO）3種尋優(yōu)算法優(yōu)化模型參數(shù)，有效提高了判別能力，以期為規(guī)范蜂蜜市場秩序提供技術(shù)支持。

1 實(shí)驗(yàn)部分

1.1 儀器與試劑

NexION 350X型電感耦合等離子發(fā)射光譜質(zhì)譜聯(lián)用儀（美國PerkinElmer公司），檢測器帶電信號(hào)稀釋功能；Multiwave Pro型微波消解儀（奧地利Anton paar公司）；BHW－09A24S型恒溫消解趕酸儀（上海博通化學(xué)科技有限公司）；WNE29型恒溫水浴鍋（德國Memmert公司）；Purelab Chorus型超純水系統(tǒng)（英國ELGA公司）。

硝酸（優(yōu)級(jí)純，德國Merck公司）；Na、Mg、Al、K、Ca、Ti、Cr、Mn、Ni、Cu、Zn、As、Se、Cd、Ba、Pb單元素標(biāo)準(zhǔn)儲(chǔ)備液（1 000 mg/L，國家有色金屬及電子材料分析測試中心）；實(shí)驗(yàn)室用水為去離子水。

1.2 實(shí)驗(yàn)方法

1.2.1 樣品前處理 樣品收集：蜂蜜樣品來源于武漢市蜂產(chǎn)品質(zhì)量工程控制技術(shù)研究中心，植物源屬性明確。其中，油菜蜜37例，荊條蜜36例，洋槐蜜13例，葵花蜜11例，共計(jì)97例，測試前于－20℃冷凍貯藏。

微波消解程序：設(shè)置微波消解儀最大工作功率1 500 W，在10 min內(nèi)由室溫升溫至120℃，保持5 min；然后在10 min內(nèi)由120℃升溫至180℃，保持20 min。

元素分析前處理：樣品分析前于水浴鍋內(nèi)40℃恒溫水浴至樣品結(jié)晶完全融化，充分混勻后稱取約1 g（精確至0．001 g）樣品至聚四氟乙烯消解罐內(nèi)，加入10．0 mL硝酸，放置過夜后于微波消解儀中按上述微波消解程序消解，消解完畢后145℃加熱趕酸至約1．0 mL消化液，轉(zhuǎn)移聚四氟乙烯罐中消化液至50 mL刻度離心管，用水多次洗滌聚四氟乙烯罐內(nèi)壁，合并洗液至刻度離心管中，并定容至50 mL，待測。

參考GB 5009．268－2016《食品安全國家標(biāo)準(zhǔn)食品中多元素的測定》［12］中第一法（ICP－MS法）測定樣品中Na、Mg、Al、K、Ca、Ti、Cr、Mn、Ni、Cu、Zn、As、Se、Cd、Ba、Pb 16種元素，采用碰撞檢測模式消除Ca、Ti、As、Se元素的測定干擾，45Sc、72Ge、103Rh、185Re內(nèi)標(biāo)混合使用溶液由儀器在線加入，質(zhì)量濃度均為200μg/L。

1.2.2 儀器測定條件 霧化器氣體流速0．96 L/min，輔助器氣體流速1 L/min，等離子體氣體流速17 L/min，碰撞池氣體流速（氦氣）5 mL/min，ICP射頻功率為1 500 W，脈沖電壓為875 V，掃描次數(shù)20次，重復(fù)次數(shù)2次，樣品沖洗時(shí)間13 s，讀數(shù)延遲7 s。

1.2.3 數(shù)據(jù)分析 方差分析采用SPSS Statistics 25．0（美國IBM公司）軟件，SVM算法優(yōu)化和數(shù)據(jù)圖繪制采用Matlab 2014a（美國Mathworks公司）軟件。

2 結(jié)果與討論

2.1 多元素分析

對荊條、油菜、洋槐、葵花4種植物源蜂蜜中16種元素含量按“1．2”方法分析，97例蜂蜜樣品平行測定3次；連續(xù)測定11次空白（2．0%硝酸溶液），以儀器響應(yīng)值的3倍標(biāo)準(zhǔn)偏差除以工作曲線斜率，按1．0 g試樣定容至50 mL計(jì)算得方法檢出限（LOD），結(jié)果見表1。

表1數(shù)據(jù)顯示，受植物源生長環(huán)境、蜂蜜樣品存儲(chǔ)條件等因素影響，部分樣品中Al、Ti、Cr、Ni、As、Se、Cd、Ba、Pb測試結(jié)果小于方法檢出限（Min0．05）。另外，K、Ca、Na、Mg、Zn 5種元素含量依次位列前5，4種植物源蜂蜜中污染物鎘（以Cd計(jì)）的平均值含量均低于檢出限。

表1 4種不同植物源蜂蜜中16種金屬元素含量Table 1 Contents of metal elements in the four kinds of botanical source honeys （mg/kg，n=3）

2.2 支持向量機(jī)分類

支持向量機(jī)是Cortes等［13］基于統(tǒng)計(jì)學(xué)理論提出的一種新的核函數(shù)機(jī)器學(xué)習(xí)算法，在鑒別分類及回歸預(yù)測分析中應(yīng)用廣泛［14－16］。數(shù)據(jù)處理采用Lin等［17］開發(fā)，李洋等［18］優(yōu)化的LIBSVM工具箱建立SVM分類模型。首先選取合適的核函數(shù)類型，研究顯示，基于高斯徑向基函數(shù)（Gaussian radial basis function）的SVM模型表現(xiàn)出優(yōu)秀的分類性能，且參數(shù)的優(yōu)化過程簡單［19］，因此本研究選擇高斯徑向基函數(shù)建立SVM分類模型。

2.2.1 樣品集的劃分 采用Kennard－Stone法將4種植物源蜂蜜共計(jì)97例樣品按2∶1劃分為訓(xùn)練集和測試集［20］，利用訓(xùn)練集建立判別模型，并將測試集作為未知樣品代入模型檢驗(yàn)，樣品集劃分如下：訓(xùn)練集65例，其中荊條蜜24例，洋槐蜜9例，葵花蜜7例，油菜蜜25例；測試集32例，其中荊條蜜12例，洋槐蜜4例，葵花蜜4例，油菜蜜12例。

2.2.2 選擇輸入變量建立模型 通過單因素分析選出4種植物源蜂蜜間具有顯著性差異的13種元素Na、Mg、Al、K、Ca、Mn、Ni、Cu、Zn、As、Se、Ba、Pb，考慮截尾數(shù)據(jù)的存在，將輸入變量分為：①所有樣品均不含截尾數(shù)據(jù)的變量（7種）：Na、Mg、K、Ca、Mn、Cu、Zn；②樣品中含截尾數(shù)據(jù)且按二分之一檢出限進(jìn)行替換處理的數(shù)據(jù)變量（13種）：Na、Mg、Al、K、Ca、Mn、Ni、Cu、Zn、As、Se、Ba、Pb。將訓(xùn)練集和測試集數(shù)據(jù)標(biāo)準(zhǔn)化到［1，2］之間，尋優(yōu)參數(shù)設(shè)置為默認(rèn)參數(shù)（懲罰參數(shù)c為1，核函數(shù)參數(shù)g的默認(rèn)值為1/k，k是類別數(shù)）［16］，將訓(xùn)練集進(jìn)行K折交叉驗(yàn)證（K=3），建立蜂蜜植物源SVM分類模型，將測試集代入模型驗(yàn)證。判別結(jié)果表明，含截尾數(shù)據(jù)建立的SVM分類模型，其訓(xùn)練集、測試集共計(jì)97例樣品的綜合判別正確率達(dá)91．8%，高于不含截尾數(shù)據(jù)所建模型的綜合判別正確率82．5%，表明客觀存在的截尾數(shù)據(jù)中同樣包含較為重要的樣品信息，在建立分類模型時(shí)，應(yīng)充分考慮截尾數(shù)據(jù)，使用替換法按二分之一檢出限值處理，增加數(shù)據(jù)組輸入變量，以提高模型準(zhǔn)確度。除葵花蜜在兩組變量輸入模型中判別正確率為100%外，其余植物源蜂蜜均存在歸類錯(cuò)誤的情況。含截尾數(shù)據(jù)的訓(xùn)練集中，65例樣品僅4例歸類錯(cuò)誤，判別正確率達(dá)93．8%，而測試集中32例樣品的判別正確率僅為87．5%，可能由于樣品量較少，模型過擬合導(dǎo)致，因此，為進(jìn)一步提高模型穩(wěn)健性，有必要進(jìn)一步優(yōu)化SVM分類模型參數(shù)。

2.3 模型優(yōu)化

采用高斯徑向基核函數(shù)建立SVM模型時(shí)，懲罰參數(shù)c和核函數(shù)參數(shù)g對于控制模型的復(fù)雜度、逼近誤差及模型的測量精度有重要影響，可使用GS、GA、PSO算法對懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行尋優(yōu)分析［16］。GS法在log2c與log2g為［－8，8］區(qū)間尋優(yōu)，GS法尋優(yōu)結(jié)果見圖1A，隨著得到交叉驗(yàn)證準(zhǔn)確率的提高，log2c與log2g參數(shù)所形成的網(wǎng)格顏色由藍(lán)色變?yōu)辄S色，搜索得最佳參數(shù)c=4．00，g=1．41，交叉驗(yàn)證最佳正確率為90．8%，將其投影到二維平面得GS法尋優(yōu)等高線圖（圖1B）；設(shè)置種群數(shù)量為20，最大進(jìn)化代數(shù)為50進(jìn)行GA算法尋優(yōu)，通過最佳適應(yīng)度曲線發(fā)現(xiàn)，在迭代次數(shù)為0～15時(shí)，交叉驗(yàn)證率不斷提高，20次迭代后達(dá)到最大值，最佳參數(shù)為c=5．10，g=1．86，交叉驗(yàn)證正確率為90．8%（圖1C）；設(shè)置種群數(shù)量為20，最大進(jìn)化代數(shù)為100進(jìn)行PSO算法尋優(yōu)，經(jīng)過80次迭代后交叉驗(yàn)證正確率達(dá)最大值90．8%，最佳參數(shù)c=62．8，g=1．26（圖1D）。

圖1 SVM模型c、g參數(shù)尋優(yōu)結(jié)果圖Fig．1 The parameter optimization results of c and gA：3D display of GS optimization results（GS尋優(yōu)結(jié)果三維顯示）；B：contour diagram of GS optimization results（GS尋優(yōu)結(jié)果等高線圖）；C：GA optimization results（GA尋優(yōu)結(jié)果）；D：PSO optimization results（PSO尋優(yōu)結(jié)果）

將訓(xùn)練集結(jié)合尋優(yōu)參數(shù)建立SVM分類模型，并利用測試集進(jìn)行驗(yàn)證，結(jié)果見表2。3種尋優(yōu)算法建立的SVM分類模型綜合判別正確率均有一定程度的提高，其中，采用PSO算法進(jìn)行參數(shù)尋優(yōu)后模型識(shí)別效果提升最為顯著，訓(xùn)練集判別正確率為100%（圖2A），測試集有3例分類錯(cuò)誤（圖2B），1例荊條蜜（分類標(biāo)簽1）錯(cuò)誤分類至油菜蜜（分類標(biāo)簽4）中，1例洋槐蜜（分類標(biāo)簽2）錯(cuò)誤分類至荊條蜜中，1例油菜蜜分類至荊條蜜中，判別正確率為90．6%，且訓(xùn)練集、測試集綜合判別正確率由91．8%提升至96．9%。

表2 優(yōu)化參數(shù)SVM模型分類結(jié)果Table 2 Model classification results of SVM by parameter optimization

圖2 PSO－SVM分類標(biāo)簽和真實(shí)標(biāo)簽圖Fig．2 PSO－SVM classification label and the actual labelA：training set（訓(xùn)練集）；B：testing set（測試集）

3 結(jié) 論

本文基于荊條、洋槐、葵花、油菜4種植物源蜂蜜中13種顯著差異性金屬元素，結(jié)合替換法處理的截尾數(shù)據(jù)，有效建立了SVM蜂蜜植物源鑒別模型。方差分析結(jié)果表明，4種不同植物源蜂蜜中Na、Mg、Al、K、Ca、Mn、Ni、Cu、Zn、As、Se、Ba、Pb存在顯著性差異；采用替換法處理的截尾數(shù)據(jù)作為輸入變量較不含截尾數(shù)據(jù)的SVM分類模型識(shí)別率高；利用PSO算法參數(shù)尋優(yōu)后建立的SVM判別模型對97例蜂蜜植物源屬性的綜合判別正確率達(dá)96．9%，可為食品屬性鑒別提供有益思路。