基于人工神经网络的花生红衣色素的提取研究

罗　璇,李　莉

(武汉设计工程学院,食品与生物科技学院,湖北武汉 430205)

基于人工神经网络的花生红衣色素的提取研究

罗璇,李莉

(武汉设计工程学院,食品与生物科技学院,湖北武汉 430205)

目的:建立花生红衣色素综合评价值的BP人工神经网络模型,得出最佳提取工艺参数。方法:正交实验与人工神经网络相结合,利用正交实验获得的数据作为神经网络的训练样本,建立输入为实验因素参数,输出为花生红衣色素的综合评价值的神经网络模型;采用人工神经网络模拟和预测花生红衣色素提取的最佳条件和综合评价值。结果:花生红衣色素最佳提取条件为温度55 ℃,提取剂为乙醇,乙醇的浓度为60%,提取时间为3 h,料液比为1∶35(g/mL)。结论:人工神经网络模型准确预测花生红衣色素提取的最佳条件和综合评价值,且得到最佳提取条件下花生红衣色素的综合评价值为33.0824,优于正交实验33.08的综合评价值。

花生红衣色素,正交实验,BP人工神经网络

花生是全球重要的四大油料作物(油菜、大豆、花生、芝麻)之一[1]。我国是花生生产大国,2010年种植面积约 500 hm2,占世界花生耕作面积的20%左右,2011年,我国的花生总产量为1900万t,其中,花生红衣占到4.1%[2]。花生红衣也叫花生种皮,为红棕色膜质,包含约7%的单宁及多种色素[3]。目前国内外研究表明花生红衣色素中的功能成分主要是花生红色素,多酚物质(百藜芦醇和原花色素)。从花生红衣中提取花生红衣色素属于固液浸提过程,由于该过程受到溶剂种类、溶剂浓度、温度、时间、物料比等多种因素的影响,优化其最佳的因素与水平是提高花生红衣色素综合评价值的基础。

人工神经网络(artificial neural networks,ANNs)是以人脑的组织结构和活动规律为背景,反映了人脑的某种抽象、简化和模仿的数学模型,是基于模仿大脑功能而建立的一种信息处理系统,具有高度的非线性映射能力、自组织和自适应能力、记忆联想能力等,能够进行复杂的逻辑操作和非线性映射[4]。目前人工神经网络已用于包括干燥、焙烤、挤压、发酵、采后保藏、食品流变学及热处理等食品工业领域[5]。在国内也有关于人工神经网络的花色苷提取的研究报道[6]。

目前国内外还没有关于ANN模拟和预测提取花生红衣色素综合评价的相关报道。本课题以低值副产物花生红衣为原料,采用人工神经网络方法建立花生红衣色素提取工艺的预测模型,优化其溶剂提取工艺,使其能简单、方便、快速获得高产的花生红衣色素。

1　材料与方法

1.1材料与仪器

红花生武汉中百超市,四粒花生品种;原花色素标准品(≥98%)上海融禾医药科技有限公司;水乙醇,丙酮,甲醇,乙酸乙酯,氢氧化钠,香草醛,冰醋酸,盐酸均为分析纯国药集团化学试剂有限公司。

722可见分光光度计天津市普瑞斯仪器有限公司;HH-S6电热恒温水浴锅金坛市医疗仪器厂;TDL-5-A离心机上海安亭科学仪器厂;RE-52旋转蒸发器上海亚荣生化仪器厂;DFY-300高速粉碎机温岭市林大机械有限公司;DHG-907385-Ⅲ电热恒温鼓风干燥箱上海新苗医疗器机械有限公司。

1.2实验方法

1.2.1花生红衣预处理将四粒红花生米搓去外皮,得到花生红衣残片,使用高速粉粹机将花生红衣残片粉粹,过60目筛,与石油醚混合,装至烧杯中,并置于30 ℃恒水浴锅中保温,脱脂5 h,抽滤,之后将滤渣置于通风橱中,经高速粉粹机粉碎后得到花生红衣粉末,保存在干燥器中备用。

1.2.2实验步骤称取2.00 g 花生红衣粉末于烧杯中,加入60%的乙醇,在60 ℃温度下浸置提取2.5 h,提取液过滤,减压浓缩回收乙醇,将浓缩液置于45 ℃恒温鼓风干燥箱干燥至恒重,所得的固体即为红色素及原花色素的粗提物[6],测定原花色素含量、花生红衣色素色价和提取率。

1.2.3原花色素含量及盐酸-香草醛法

1.2.3.1标准曲线的制作配置原花色素标准溶液,浓度为0.5 mg/mL,分别取0.05、0.1、0.15、0.2、0.25、0.3 mL,用蒸馏水定容至0.5 mL。加入3.0 mL的4%香草醛-甲醇液和1.5 mL浓盐酸,立即混匀,于30 ℃下显色15 min左右,在500 nm下测定吸光值,绘制标准曲线(图1)。

图1　分光光度法测定原花色素含量的标准曲线Fig.1　The standard curve of the determination of the content of the original flower pigment by Spectrophotometry

1.2.3.2原花色素测定方法取提取液0.5 mL,放入试管,加入3.0 mL的4%香草醛-甲醇液和1.5 mL浓盐酸(36%～38%),立即彻底混匀。30 ℃显色15 min左右,在500 nm下测定吸光值,4%香草醛-甲醇液做空白对照,避光操作[7]。

式中:c-原花色素质量浓度(mg/mL);V-花生衣中原花色素提取液体积(mL);M-花生衣质量(g)。

1.2.4花生红衣粗提物得率精确称量制得的花生红衣粗提物质量,根据公式计算花生红衣粗提物得率P。

式中:m-提取所得的花生红衣粗提物质量,g;M-提取所用花生红衣粉末质量,g。

1.2.5花生红衣红色素色价称取约 0.1 g的固体花生红衣粗提物,用0.01 mol/L标准氢氧化钠溶液溶解,定容于10 mL容量瓶中。在500 nm下用0.01 mol/L氢氧化钠溶液作参比,于1 cm比色皿中测花生红衣粗提物的吸光度。

式中:A-花生衣红色素溶液在500 nm下的吸光度;m-测量色价所用固体花生红衣粗提物质量,g。

1.2.6熵值法求权重正交实验多指标综合:对于花生红衣色素的提取,原花色素含量、得率和色价是三个重要的评价指标。在对提取花生红衣色素进行效能评价时,指标权重的确定具有举足轻重的地位。指标权重确定的科学、合理,评估结果的可靠性与正确性就高。熵值法是熵理论派生出来的一种权衡研究对象重要性程度的方法,以熵理论为指导,对项目决策或者多目标决策时进行权重分配就是熵值法。按照信息熵理论的观点,衡量指标体系中某一指标的作用必须以指标的变异程度为标准。某一指标的变异程度与其反映的信息量是呈正比的,其变异程度越高识别作用也就越大。也就是说某个指标的熵值越小,其差异系数就越大,其权重则越大,从而该指标的重要程度就越高[8]。用熵值法将三者的权重分析出来,得到提取花生红衣色素综合评价公式。

1.2.7正交实验单因素实验表明,利用溶剂进行花生红衣色素提取时,提取剂种类、提取剂浓度、提取时间、提取温度、料液比对花生红衣色素的综合评价值均有不同程度的影响。单因素实验结果表明最佳提取参数为:温度60 ℃,提取剂为乙醇,乙醇的浓度为60%,提取时间为2.5 h,液料比为1∶25。按提取温度(A)、提取剂种类(B)、提取剂浓度(C)、提取时间(D)、料液比(E),5因素4水平的正交实验L16(45)。

1.2.8人工神经网络提取花生红衣色素模型的建立本文选用BP人工神经网络模型。

1.2.9人工神经网络模型预测并验证根据人工神经模型预测出的最佳提取花生红衣色素的提取工艺条件,进行实验,做三组平行实验,进行验证。

表2　正交实验结果

2结果与分析

2.1熵值法求权重的结果

根据熵值法的求解步骤,用matlab软件编写代码。得到综合评价公式:y=0.5224×得率+0.3747×原花色素含量+0.1029×色价

表1　熵值法求权重的结果

2.2正交实验结果

正交实验结果表明,每个因素对花生红衣色素的提取效果的影响不同。花生红衣中提取红色素、原花色素的影响因素中,影响红色素效果依次为提取剂、温度、提取剂浓度、时间、料液比,其最适条件为A1B2C2D3E4,即乙醇浓度60%,温度55 ℃,提取时间3 h,料液比1∶35。影响原花色素提取效果因素依次为提取剂、料液比、时间、温度、提取剂浓度,5个因素的优水平组合是A2B2C2D2E4,即乙醇浓度60%,温度60 ℃,提取时间2.5 h,料液比1∶35。影响色价效果因素的优水平组合是A1B2C3D2E2,即乙醇浓度65%,温度55 ℃,提取时间2.5 h,料液比1∶25。

2.3花生红衣色素的最佳提取条件的人工神经网络优化

2.3.1网络层数本实验中仅考虑含有1个隐含层的网络,选取上述5个参数和1个响应值分别作为输入和输出变量,建立BP网络来模拟和预测提取花生红衣色素的综合评价。

图2　BP网络结构Fig.2　BP network structure

2.3.2网络学习参数的选取输入层的节点数,本实验输入的是提取剂、提取剂浓度、时间、温度、料液比五个参数,即输入层的节点数取5。为使网络训练更加有效,对神经网络的输入、输出数据进行一定的预处理可以加快网络的训练速度。Matlab提供的预处理方法有归一化处理、标准化处理和主成分分析。常采用的是归一化处理,即将输入、输出数据映射到[-1,1]范围内,训练结束后再反映射到原数据范围。如果BP函数最后一层是Sigmoid函数,那么整个网络的输出就限制在一个较小的范围内(0～1之间的连续量);如果BP网络最后一层是Pureline函数,那么整个网络的输入可以取任意值。本实验选择的输入层与隐层之间使用S型的正切函数tansig传递函数,隐层与输出层之间使用纯线性purelin函数。针对不同的应用,BP网络提供了多种训练,学习方法,通常对于包含数百个权值的函数逼近网络,训练函数trainlm收敛速度最快。将RPROP算法的训练函数trainrp应用于模式识别时,其速度是最快的。用变梯度算法的训练函数traincgf,在网络规模比较大的场合,其性能都很好。本实验选着的学习函数为梯度下降权值/阀值的learngd,用函数trainlm来训练(调整)网络,以均方误差函数mse=1e-5为训练目标,最大训练次数net.trainparam.epochs为1000,训练时间net.trainparam.time和最小性能梯度net.trainparam.min_grad等为软件默认值[9]。

2.3.3BP网络模型的建立及运算结果的分析根据上面所确定的网络结构及网络训练参数,以正交实验中每组实验5个因素的数值作为输入,以花生红衣色素综合评价值作为输出。得到一个网络模型,网络层数为3层,输入层5个节点,隐含层10个节点,输出层1个节点;输入层与隐层之间使用S型的正切函数tansig传递函数,隐层与输出层之间使用纯线性purelin函数。用函数trainlm来训练(调整)网络,以均方误差函数mse=1e-5为训练目标,通过有限次尝试,由图2可知得到了1个恰当的BP网络模型。

图3　提取模型网络训练图Fig.3　Network Training extraction model

2.3.4网络模型的仿真与预测性能运用训练好的网络模型,对花生红衣色素综合评价值进行计算,以验证网络模型的预测性能。结果如图3,表3所示,网络模型预测值与实验值能较好的拟合,最大相对误差为0.00033,表明了网络模型有良好的预测性能。由表3可知提取花生红衣色素的正交实验最优的工艺条件是A1B2C2D3E4,即乙醇浓度60%,温度55 ℃,提取时间3 h,料液比1∶35。根据极差分析可知,五个因素对提取花生红衣色素的综合评价值影响有差别,其重要性依次为B>A>C>D>E,即:提取剂>温度>提取剂浓度>时间>料液比,因此在对提取花生红衣色素时应谨慎选择提取剂和严格控制提取温度,以保证最佳提取效果。

图4　预测值与实验值拟合图Fig.4　Predicted and experimental values fit Figure

表3　花生红衣色素提取正交实验样本综合评价值及ANNs模型仿真结果

2.3.5用BP人工神经网络模型预测并验证的结果与分析结果表明,ANN能适合模拟与准确预测花生红衣色素的综合评价值,是研究花生红衣色素提取工艺的有力工具。人工神经网络模型预测的花生红衣色素的综合评价效果影响的主次顺序为:提取剂>温度>提取剂浓度>时间>料液比。最佳提取工艺条件:乙醇浓度60%,温度55 ℃,提取时间3 h,料液比1∶35。由表5可知,人工神经网络优化结果的花生红衣色素的综合评价值为33.0824,优于正交实验33.08的综合评价值。

表4　实验验证结果

表5　验证实验及ANN模型计算结果

本实验提取花生红衣中的原花色素含量的结果与参考文献[9]结果基本一致。花生红衣色素粗提物的得率与参考文献[10]结果基本一致。花生红衣红色素的色价的结果与参考文献[6,10]结果基本一致。用熵值法得到原花色素含量、提取率和色价的权重从而得出综合评价公式。BP人工神经网络优化提取花生红衣色素在国内外尚属首例,属于一次创新尝试。

3　结论

本文采用ANN神经网络法研究了花生红衣色素的提取工艺,建立了花生红衣色素综合评价值的BP人工神经网络模型,得出了最佳提取工艺条件。结果表明当温度为55 ℃,提取溶剂为乙醇,乙醇的浓度为60%,提取时间为3 h,液料比为1∶35时,花生红衣色素的综合评价值为33.0824,优于正交实验33.08的综合评价值。验证实验证明模型的预测结果真实可靠。

[1]温志英,刘晶,刘焕云.花生红衣综合利用现状及发展前景[J].中国粮油学报,2010,01:143-146.

[2]张良晨,于淼,石太渊,等.溶剂法提取花生红衣色素工艺研究[J].农业科技与装备,2012,09:69-71.

[3]Mack F Stansbury,Elsie T Field,John D Guthrie.The tannin and related pigments in the red skins(Testa)of peanut kernels[J].Journal of the American Oil Chemists Society,1950,278.

[4]李晓歌,邵丽红,李娜.人工神经网络BP算法的实现[J].人工智能及识别技术,2008,(5):921-924.

[5]李琳,赵谋明,张黎.利用人工神经网络优化制备鳙鱼抗氧化肽[J].四川大学学报:工程科学版,2006,38(1):79-81.

[6]童愈元,何东平.花生红衣中红色素、原花色素的提取工艺研究[J].农业机械,2011,05:116-119.

[7]L J Portet,L N Hrstichi,B G Chan. The conversion of procyanidins and prodelphinidins ticyaniding and delphindin[J]. Phytochemistry,1986,25(1):223-230.

[8]侯召华,张宇,金春爱,等.基于人工神经网络的黑米花色苷提取的研究[J].食品科技,2012,01:194-198+203.

[9]管文荻,路鑫,文连奎.响应面法优化超声波辅助提取花生红衣原花色素的研究[J].农产品加工：学刊,2013,10:6-9.

[10]张红梅. 花生衣红色素粗品的提取、性质及其应用的研究[D].无锡：江南大学,2005.

Extraction of red pigment of peanut-skin based on the artificial neural network

LUO Xuan,LI Li

(Wuhan Institute of Design and Sciences,School of food and Biotechnology,Wuhan 430205,China)

Objective:To get the optimal parameters of red pigment of peanut-skin,artificial neural network(ANN)model of extracting conditions based on the comprehensive values of peanut red pigment was founded. Method:Based on the training of artificial neuralnetworks using orthogonal arrays,a model for the comprehensive value of peanut red pigment as the output and the input consisting of technological peanut red pigment for extraction was developed and validated for reliability using selected specimens. The further optimization of optimal values of peanut red pigment obtained using orthogonal array design was conducted based on the AAN model by means of small-step search. Result:The optimal peanut red pigment for extraction were temperature 55 ℃,extracting agent was ethanol,60% ethanol concentration,extraction time was 3 h,material liquid ratio was 1∶35(g/mL). Conclusion:ANN-based optimization gave an exact predicted value on the extracting conditions and the comprehensive values of peanut red pigment. The comprehensive values was 33.0824,higher than the value of 33.08 from orthogonal array optimization.

peanut red pigment;orthogonal experiment;BP artificial neural network

2016-01-14

罗璇(1982-)，女，硕士，副教授，研究方向：发酵工程与食品生物技术，E-mail：luoxuan20051982@126.com。

湖北省教育厅科研项目(B2015205)。

TS210.9

A

1002-0306(2016)17-0162-05

10.13386/j.issn1002-0306.2016.17.023