[发明专利]一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法

说明书

本发明公布了一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法，包括：采集真假蜂蜜样品并生成洋槐蜜数据；对洋槐蜜数据进行真假标注得到洋槐蜜数据集；通过特征选择得到低维洋槐蜜数据集；构建蜂蜜真假鉴别模型RF‑XGBoost；对模型进行参数优化和模型验证；利用训练好的模型对待测蜂蜜进行真伪鉴别。本发明方法可有效精准地鉴别洋槐蜜的真伪，避免人工查看谱图进行真伪鉴别的误差，有效提高了洋槐蜜真伪鉴别的准确率、均方根误差和AUC值，降低了数据特征维数、模型训练时间、模型复杂度和过拟合的风险，是一种鉴别洋槐蜜真伪的有效方法。

技术领域

本发明涉及蜂蜜真伪鉴别技术，尤其涉及一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法RF-XGBoost。

背景技术

蜂蜜是蜜蜂从开花植物的花中采得花蜜在蜂巢中经过充分酿造而成的天然甜物质，其气味清香浓郁，味道纯真甜美。蜂蜜是一种糖类为主的天然食品，葡萄糖和果糖为其主要成分，可以被人体直接吸收，而不需要酶的分解，也是最常用的滋补品之一，深受消费者喜爱。

但是，蜂蜜的成分复杂，且组分含量与蜜源植物种类，花期，气候以及存贮加工工艺等相关，目前国内对蜂蜜的真伪判别，主要采用食品安全国家标准GB/T 18932.1-2002和GB/T 18932.2-2002，使用靶向检测技术，如质谱或色谱技术，对蜂蜜的掺入物的特征组分进行判定，然而，造假者针对标准中检测项目，有组织地进行规避，上述两种国家标准已不能满足现阶段蜂蜜掺假或混配的检测，急需开发和建立基于机器学习地蜂蜜真伪鉴别的有效方法。

核磁共振氢谱检测技术作为非靶向检测技术，对蜂蜜样品有机组分中地氢元素进行检测，采集蜂蜜样品有机组分中氢元素地整体信号，可以反映出各有机组分地含量。外源物质掺入的蜂蜜样品，其核磁共振氢信号谱图的整体形貌会发生变化，比如糖浆的掺入会引起糖区信号的相对增加，与真实蜂蜜的谱图产生差异，借助人工智能机器学习方法去学习真蜂蜜和掺假蜂蜜的谱图特征，进而实现真假蜂蜜的判别，可以有效地检测蜂蜜中是否掺入糖浆。

发明内容

本发明的目的是提供一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法(下文中提到的蜂蜜或样品均指洋槐蜜)RF-XGBoost，其中特征选择主要基于随机森林算法(Random Forest，RF)，机器学习算法使用XGBoost。该方法主要包括：采集真假蜂蜜样品并生成蜂蜜数据、对蜂蜜数据记录进行真假标注得到洋槐蜜数据集、通过特征选择得到低维洋槐蜜数据集、构建蜂蜜真假鉴别模型(RF-XGBoost)、模型参数优化和模型验证。之后就可以利用该模型RF-XGBoost对待测蜂蜜进行真伪鉴别。

针对上述目的，本发明技术方案是：

一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法RF-XGBoost，该方法包含下列步骤：

A：采集和制备真假蜂蜜样品并生成洋槐蜜数据。

本方法中蜂蜜数据获取主要通过核磁共振技术，对蜂蜜样品进行NOESY 1D检测，得到检测样品的核磁共振氢信号谱图，进而对谱图进行数字化转换，得到反映样品谱图特征的洋槐蜜数据。具体方法如下：

A1:采集和制备真假蜂蜜样品。直接从蜂场，按照事先制定的程序，采集真实蜂蜜样品若干；制备掺假蜂蜜样品若干，掺假蜂蜜样品主要是通过在真实蜂蜜样品中添加一定比例的不同来源的糖浆而获得，比例一般在10％～90％之间。

A2:采用核磁共振波谱仪对真假蜂蜜样品进行检测，得到蜂蜜样品的核磁共振氢信号谱图。谱图使用核磁波谱仪的采集和处理软件VnmrJ 4.2进行相位调整、设定内标物的化学位移原点(内标物TSP)得到。谱图的形状反映了被测样品所含组分及其含量，是鉴别蜂蜜真伪的重要依据。