蜂王浆是一种具有抗氧化、 抗衰老、 调节心血管系统和免疫功能的纯天然营养保健食品, 近年来在食品、 生物医学等领域广泛应用。 由于蜂王浆的采集过程费时费力且没有快捷简便的方法检测其品质, 使得市场上的蜂王浆产品质量参差不齐, 因此实现蜂王浆品质的快速鉴别就显得至关重要。 该研究以蜂王浆的水分和蛋白质为研究对象, 利用拉曼光谱技术结合主成分回归算法(PCR)和偏最小二乘法对蜂王浆进行了快速定量检测, 建立了水分、 蛋白质的定量模型, 探究对其定量分析的可行性, 并进行光谱预处理以提升模型的预测能力, 使其预测准确性更高。 蜂王浆中水分和蛋白质化学值的测定分别采纳蜂王浆国家标准规定的减压干燥法和凯氏定氮法。 蜂王浆光谱的采集则是由DXR激光共焦显微拉曼光谱仪测得。 应用TQ Analyst分析软件对蜂王浆光谱进行预处理及建立定量分析模型。 其中光谱预处理包括导数、 标准正态变换、 多元散射校正、 Savitsky-Golay卷积这四种光谱预处理法, 并按一定关系排列组合成多种不同的预处理方法, 对蜂王浆样品光谱进行数据处理, 寻找出最优的模型与处理方法。 结果表明, 利用主成分回归法建立蜂王浆水分和蛋白质的定量模型效果不理想, 水分的定量模型结果表明, Savitsky-Golay平滑(7) 处理校正集决定系数最高但也仅为0.741 3, 预测集决定系数为0.661 6, RMSEC为0.656, RMSEP为1.34, 建模效果差。 蛋白质的PCR定量模型结果表明, Savitsky-Golay平滑(7) 处理相较之下最优, 校正集决定系数0.675 0, 预测集决定系数为0.566 8, RMSEC为0.548, RMSEP为0.957, 建模效果较差。 因此, 基于PCR所建模型对蜂王浆水分、 蛋白质的含量有一定的预测可能性, 但建模效果较差, 预测准确度低, 稳健性差。 而结合偏最小二乘法并进行S-G(7) +二阶导数+SNV处理对蜂王浆水分建模效果最好, 水分含量校正集和预测集的决定系数分别为0.992 7和0.948 8, RMSEC和RMSEP分别为0.162和0.442。 蛋白质的PLS定量模型, 通过对多种预处理组合处理结果进行对比, S-G(7) +一阶导数+SNV处理对蜂王浆蛋白质建模效果最佳, 蛋白质含量校正集和预测集的决定系数分别为0.991 6和0.879 5, RMSEC和RMSEP分别为0.143和0.497, 建模效果好。 因此, 利用拉曼光谱结合偏最小二乘法快速检测蜂王浆中水分和蛋白质的含量是可行的, 且所建定量模型稳健性良好, 预测准确度高。 通过上述实验可总结得出, 在一些不可避免的外界因素影响下, 将多种预处理方法组合起来可以提高模型的准确性和稳健性, 比用单一的光谱预处理方法修正光谱更加有效, 优化效果更加明显, 且有效提升了模型的各参数, 更好的提高了模型预测的准确性。 同时表明了, 拉曼光谱技术应用于蜂王浆品质的快速检测是可行的, 且检测准确度高, 速度快, 在蜂王浆品质的快速检测方面展现了很好地应用前景。

为快速鉴别5种蜂蜜(椴树蜜、荆条蜜、油菜蜜、洋槐蜜、荔枝蜜)的品种,首次提出了基于主成分分析(PCA)方法结合线性支持向量机(SVM)或最小二乘支持向量机(LSSVM)的中红外光谱法鉴别蜂蜜品种的新方法。用傅里叶变换中红外光谱仪测定5种蜂蜜样本的中红外光谱,并进行归一化预处理,然后用主成分分析降维方法分别提取经预处理后的光谱数据中的5维、10维、15维、20维特征数据,最后设计了线性SVM和基于网格搜索优化算法的径向基函数(RBF)的LSSVM分类器模型。利用不同分类器模型,识别未知蜂蜜样本光谱数据降维到不同维数的特征数据,并进行实验验证。结果表明:应用主成分分析降维方法降维到20维的特征数据在SVM和LSSVM分类器上的平均识别率均高于97%,最高识别率均可达到100%,且稳定性很好;利用较低维数数据进行分类时,LSSVM分类器比SVM的识别精度更高,稳定性更好。研究证明将中红外光谱与线性SVM或LSSVM结合用于快速鉴别蜂蜜品种是可行的。

不同植物源的蜂胶物质组成不同, 其生理和药理活性也存在着一定的差异。 目前主要是根据蜂胶中物质组成及其含量的不同来鉴别蜂胶植物源, 存在着一些局限性。 因此, 建立一种快速、 准确鉴别蜂胶植物源的方法具有重要的意义。 以三种不同植物源的蜂胶(杨树型蜂胶、 桦树型蜂胶和橡树型蜂胶)为研究对象, 利用傅里叶变换近红外光谱仪对蜂胶的无水乙醇溶液进行光谱扫描, 采用主成分分析结合马氏距离判别法和典型判别分析分别建立蜂胶品种的判别模型并对其性能进行检验。 结果表明: 在经过光谱预处理和主成分分析后, 得到最佳的光谱建模波段为4　500～12　000　cm-1,最佳的光谱预处理方法为一阶导数+Savitzky-Golay(7)平滑; 主成分分析结合马氏距离判别法建立的判别模型校正集和检验集的判别准确率分别为93.62%和82.61%; 典型判别分析建立的判别模型的判别准确率为91.4%, 交叉检验的判别准确率为88.6%。 由此可知, 主成分分析结合马氏距离判别法与典型判别分析对蜂胶样品的分类效果均较好。 近红外光谱技术结合化学计量学方法应用于蜂胶植物源的快速、 准确鉴别具有一定的可行性和实用性。

利用近红外光谱技术(near infrared spectroscopy, NIR)并结合化学计量学方法鉴别洋槐蜜中掺入大米糖浆的可行性研究。 以来自不同蜂场的20个洋槐原料蜜样品与大米糖浆混合成7个不同浓度梯度(10∶0, 9∶1, 7∶3, 1∶1, 3∶7, 1∶9, 0∶10 g·g-1)共121个样品为研究对象, 利用近红外光谱仪和光谱处理软件分别不同浓度梯度的对掺假样品进行光谱扫描和数据转换, 并进行主成分分析(PCA), 结合典型判别分析进行区分。 结果表明, 经过主成分分析后, 前2个主成分的得分累计贡献率达97.23%, 但掺假样品在第一、 第二主成分得分散点图的区域划分不明显。 用典型判别分析进一步判别, 所有样本均得到准确的判别, 准确率为100%, 6个典型判别函数中前两个判别函数的累积贡献率达到91.6%, 同时在第一类和第二类典型判别函数的分组图中, 不同浓度梯度的掺假蜂蜜能够被较好的判别。 表明该方法能够快速、 有效鉴别大米糖浆在洋槐蜂蜜中的掺假, 具有一定可行性和实用性。

开展了一种用电感耦合等离子体质谱仪(ICP-MS)结合主成分分析(principle component analysis)和判别分析(discrimination analysis)识别蜂蜜品种的研究。实验选取三种不同品种的蜂蜜: 洋槐蜜, 葵花蜜和油菜蜜, 经湿法消解等预处理后, 利用ICP-MS分别测得蜂蜜样品中20种矿质元素的含量。结果表明电感耦合等离子体质谱法的精密度, 准确度以及回收率等满足要求, 洋槐蜜在主成分得分图上呈现一定的聚集趋势, 而葵花蜜和油菜蜜的聚集趋势不明显, Na, Mg, K, Ca, Sr, Ba, V, Fe, Ni, Sb等十种矿质元素能够成为鉴别蜂蜜品种的特征元素;通过逐步判别分析筛选出Mg, Sr, Ba, Ni, Sb, Cr和Na等七种矿质元素, 并利用贝叶斯判别对这些元素建立线性判别函数, 其中洋槐蜜的判别率为100%, 葵花蜜的判别率为80.8%, 有两个葵花蜜样品误判为油菜蜜, 油菜蜜的判别率为 90.9%, 有一个油菜蜜样品误判为洋槐蜜, 模型交叉验证总判别率为90.3%, 说明矿质元素对蜂蜜品种鉴别具有良好的分类和鉴别效果, 能够为研究蜂蜜品种与矿质元素之间的关系提供理论依据, 该方法具有简单、准确、稳定等特点, 可作为蜂蜜品种鉴别的可靠方法。

建立了高效液相色谱测定蜂花粉中糠氨酸的分析方法,方法用于实际样品测定,评价蜂花粉在贮藏加工过程中营养物质的损失变化.样品经盐酸水解,C18柱净化,用高效液相色谱测定.该方法在10min内即可完成糠氨酸的分离与检测.糠氨酸在0.5～200mg/L的范围内线性关系良好,相关系数0.9987.在10～100mg/kg的添加水平上回收率在89.2%～94.3%之间,相时标准偏差为2.1%～6.5%.此方法可以作为标准方法用于评价蜂花粉产品的质量.