基于BP神经网络的微波辅助提取无花果黄酮工艺优化

,,, ，*, ,,

(1.浙江省森林资源生物与化学利用重点实验室,浙江省林业科学研究院森林食品所,浙江杭州 310023;2.中国林业科学研究院南京林产化学工业研究所,江苏南京 210042；3.浙江大学生命科学学院,浙江杭州 310058)

基于BP神经网络的微波辅助提取无花果黄酮工艺优化

刘焕燕1,郑光耀2,王衍彬1,贺亮1，*,刘于3,程俊文1,李卫旗3

(1.浙江省森林资源生物与化学利用重点实验室,浙江省林业科学研究院森林食品所,浙江杭州 310023;2.中国林业科学研究院南京林产化学工业研究所,江苏南京 210042；3.浙江大学生命科学学院,浙江杭州 310058)

为优化微波辅助提取无花果黄酮成分的工艺参数,在响应面实验数据的基础上,采用神经网络与遗传算法(BP-GA)相结合的方法优化微波辅助提取无花果黄酮的工艺参数,以提取时间、微波频率、料液比和提取温度作为网络输入,黄酮提取量作为网络输出对微波辅助提取无花果黄酮工艺进行分析模拟。结果表明,利用BP-GA得到微波辅助提取无花果黄酮的最优工艺条件为提取时间22 min,微波频率609 W,料液比1∶30 g/mL,提取温度50 ℃,此条件下无花果黄酮提取量为14.6610 mg/g;与BP-GA神经网络预测值相对误差为0.15%,表明神经网络优化无花果黄酮提取工艺具有很好的可靠性和实用价值,为其工艺优化提供了可行的途径。

神经网络,微波提取,无花果,黄酮,优化

无花果(FicuscaricaLinn)是一种隶属于桑科榕属的开花植物,主要生长于一些热带和温带的地方,属亚热带落叶小乔木,常见品种多为绿色植物,可作食用,亦可药用。广大学者研究发现,无花果富含多种营养物质,主要包括氨基酸、维生素、矿物质以及多种活性成分[1],活性成分主要有黄酮、多糖、超氧化物歧化酶(SOD)、呋喃香豆素内酯、补骨脂素等物质[2]。其中黄酮类化合物具有抗心脑血管病、抗氧化性,抗癌、抑菌、降压、消炎、免疫调节等多种生物活性[3],在食品、医药、保健品等方面具有广泛的应用。

近年来,关于无花果叶中黄酮的提取已有一些文献报道[3-6],但关于无花果中总黄酮提取的研究鲜有报道。微波辅助技术具有穿透力强,加热快速而均匀的优点,能够较大程度地提高黄酮类物质的提取率,同时避免其在强热条件下长时间加热,可以有效地保护黄酮的活性[7-8],微波提取法已被广泛应用于植物有效物质的提取中,是替代传统提取工艺方法实现高效、节能现代高新技术手段[9],本研究拟采用微波辅助的方法提取无花果中的黄酮类化合物。

人工神经网络是一种受生物神经元启发,模拟人体大脑系统处理多个变量之间高度复杂的非线性关系的数学模型,具有可以逼近任意非线性系统的能力[10-11],能够快速、准确的实现对数据信息的模拟预测,这是其它模型所不能做到的。BP神经网络又称为误差反向传播(Back Propagation,BP)神经网络,是人工神经网络中的一种多层的前馈神经网络,最具有代表性和广泛性,但其也存在收敛速度慢、迭代步数多、易于陷入局部极小值等缺点[10-13],而遗传算法(Genetic Algorithm,GA)作为一种自适应的启发式搜索算法,已被证明能够成功的求解线性和非线性最优化问题[14],利用它的非线性寻优能力结合神经网络的非线性拟合能力,可以克服BP神经网络的不足,有效的寻找函数最优值,显著提高人工神经网络(ANN)的性能,为解决非线性关系系统的模型预测和优化提供了新的途径[15-19]。人工神经网络结合遗传算法已被应用在葱白总黄酮提取[16],醋酸发酵培养基制备[17],绿豆渣制取水溶性纤维素[20],微波真空膨化浆果脆片[21]等工艺参数的优化中,目前,采用BP神经网络与遗传算法相结合的方法优化微波辅助提取无花果黄酮成分的工艺条件的研究还未见报道。

本研究拟采用BP神经网络与遗传算法相结合的方法优化微波辅助提取无花果黄酮成分的工艺参数,预测最佳的工艺参数,为其加工工艺条件提供一种新的优化方法,为以后深入研究开发利用无花果组织,更好的利用自然资源奠定基础。

1 材料与方法

1.1材料与仪器

无花果 浙江省武义桑合专业水果合作社;芦丁标准品 Sigma公司;乙醇、亚硝酸钠、硝酸铝、氢氧化钠 成都市科龙化工试剂厂;本实验用的化学试剂皆为分析纯,水为蒸馏水。

CL31R型多功能高速离心机 美国Thermo公司;R-210型旋转蒸发仪 瑞士BUCHI公司;DZF-6020型真空干燥箱 上海博迅实业有限公司;FA1604 型电子天平 上海天平仪器厂;KQ-250E型超声清洗器 昆山市超声仪器有限公司;U-1900型可见分光光度计 日本HITACHI公司;冷冻干燥机 美国LABCONCO公司。

1.2实验方法

1.2.1 主要工艺流程 参考文献[8-9，22]、无花果粉末(干燥,1.00 g)→加入75%乙醇→微波提取→离心取上清液(备用)→滤渣→加入75%乙醇→微波提取(相同工艺参数)→离心取上清液→合并两次上清液→真空干燥(45 ℃)至恒重→得无花果提取物粗品。

1.2.2 无花果醇提物样品液制备 参照文献[22],并加以修改,取适量无花果醇提物样品加75%乙醇充分搅拌溶解,并于超声清洗器中处理,使其充分溶解。抽滤,得样品溶液,于50 mL容量瓶中,加75%乙醇至刻度,配成50 mL溶液。4 ℃冰箱保存备用。

1.2.3 标准曲线的绘制 准确称取干燥至恒重的芦丁标准品110.0 mg,加适量75%乙醇,微热使其溶解,于100 mL容量瓶中,加75%乙醇稀释至刻度,摇匀。准确吸取1.0、2.0、3.0、4.0、5.0、6.0 mL分别于25 mL容量瓶中,添加30%乙醇补充至10 mL,再精确加入5%亚硝酸钠溶液1.0 mL,摇匀,放置6 min;再加10%硝酸铝溶液1.0 mL,摇匀,放置6 min;最后加1 mol/L氢氧化钠溶液10 mL,蒸馏水稀释至刻度,摇匀,放置15 min。以不加样品为参比,用分光光度计在510 nm波长处测定吸光度,根据结果以吸光度为纵坐标,芦丁浓度为横坐标,绘制标准曲线,得回归方程为y=0.0117x+0.1114,R2=0.9993。

1.2.4 总黄酮含量的测定 取样品液4 mL于25 mL容量瓶中,添加30%乙醇溶液补充至10 mL,加入5%亚硝酸钠溶液1.0 mL,摇匀,放置6 min;再加入10%硝酸铝1.0 mL,摇匀,放置6 min;加入1 mol/L氢氧化钠溶液10 mL,混匀;蒸馏水定容,放置15 min。测定其在510 nm处的吸光度,并通过标准曲线求黄酮含量,计算公式为式(1)。

式(1)

注:C-标准曲线上的对应浓度,mg/mL;M-样品质量,g;V-定容体积,mL;N-稀释倍数。

1.2.5 单因素实验设计

1.2.5.1 提取时间对黄酮提取量的影响 取一定质量的无花果干燥粉末,在微波功率为450 W,料液比为1∶30 g/mL,提取温度为50 ℃的条件下,分别提取10、20、30、40、50 min。

1.2.5.2 微波功率对黄酮提取量的影响 取一定质量的无花果干燥粉末,分别在微波功率为250、350、450、550、650 W,提取温度为50 ℃,料液比为1∶30 g/mL的条件下提取20 min。

1.2.5.3 料液比对黄酮提取量的影响 取一定质量的无花果干燥粉末,分别按照1∶10、1∶20、1∶30、1∶40、1∶50 g/mL的料液比,在提取温度为50 ℃,微波功率为550 W的条件下提取20 min。

1.2.5.4 提取温度对黄酮提取量的影响 取一定质量的无花果干燥粉末,按照1∶30 g/mL的料液比,在微波功率为550 W,提取温度分别为30、40、50、60、70 ℃的条件下提取20 min。

1.2.6 响应面实验设计 根据单因素实验结果确定提取时间(A)、微波功率(B)、料液比(C)和提取温度(D)四个因素的变量范围,以黄酮提取量为响应目标,利用Design-Expert 7.1.4软件中的Box-Behnken设计原理设计优化实验,响应面实验因素设计见表1。

表1 响应面实验设计因素水平Table 1 Factors and levels Table of response surface experiment

1.2.7 BP神经网络的构建 BP神经网络,是人工神经网络中应用最广泛的一种学习算法,由输入层、隐含层、输出层及各层神经元之间连接而成[12]。利用响应面实验数据作为BP神经网络的训练样本,以提取时间、微波频率、料液比、提取温度4个因素作为神经网络模型输入层的4个神经元,中间含有1个隐含层,无花果黄酮提取量作为神经网络输出层,建立微波辅助提取无花果黄酮工艺的BP神经网络模型。

1.2.8 遗传算法优化方法 网络训练结束后,对实验数据进行全面模拟仿真,并结合遗传算法对无花果黄酮物质提取工艺进行优化。遗传算法寻优的过程以BP神经网络的仿真函数为基准编写适应度函数,对输入变量以染色体编码的方式进行编码,进而模拟遗传运算机制探索不同变量空间的区域,根据适应度函数对数据进行数值评价并搜索到全局符合目标函数的最优值,即问题最优解[17-19]。在MATLAB R2014a软件中调用遗传算法工具箱进行工艺优化。

1.3数据处理

采用Design-Expert 7.1.4软件进行响应面优化实验设计和数据分析,神经网络与遗传算法优化分析则使用MATLAB R2014a软件。此外为进一步保证实验准确性,每次实验均采用三次平行实验的平均值进行分析计算。

2 结果与分析

2.1单因素实验

2.1.1 提取时间对黄酮提取量的影响 不同提取时间对黄酮提取量的影响结果如图1所示,由图1可以看出当提取时间为20 min时黄酮提取量达到最大值,继续增加提取时间,黄酮提取量出现下降最后趋于稳定。可能是由于提取时间达到20 min时,黄酮已经完全溶出,继续增大提取时间会破坏黄酮分子空间结构,同时伴随其他杂质的溶出,在一定程度上抑制了黄酮的溶出,导致提取量下降。因此后续实验中提取时间选取20 min较好。

图1 提取时间对黄酮提取量的影响Fig.1 Effect of extraction timeon extraction yield of flavonoids

2.1.2 微波功率对黄酮提取量的影响 不同微波功率对黄酮提取量的影响结果见图2,由图2可知随着微波功率的增大,无花果黄酮的提取量逐渐增大,当微波功率为550 W时,黄酮提取量达到最大值,因此后续实验中微波功率选取550 W较好。

图2 微波功率对黄酮提取量的影响Fig.2 Effect of microwave poweron extraction of yield of flavonoids

2.1.3 料液比对黄酮提取量的影响 不同料液比对黄酮提取量的影响结果如图3所示,由图3可以看出随着提取溶剂量的增加,黄酮提取量不断增加,当料液比为1∶30 g/mL时,黄酮提取量达到最大,可以看出此时黄酮的溶出效果最佳;随着料液比的增大,黄酮提取量出现缓慢下降并趋于稳定,综合考虑后续实验中料液比选取1∶30 g/mL较好。

图3 料液比对黄酮提取量的影响Fig.3 Effect of the ratio of solidto ethanol on extraction yield of flavonoids

2.1.4 提取温度对黄酮提取量的影响 不同微波提取温度对黄酮提取量的影响结果如图4所示,由图4可以看出不断升高微波提取温度,黄酮的提取量呈现先增加而后缓慢下降的趋势,当提取温度为50 ℃时,提取量达到最大值。可能是由于过高的温度氧化破坏了黄酮类化合物结构,导致其提取量下降,所以后续实验中提取温度选取50 ℃较好。

图4 提取温度对黄酮提取量的影响Fig.4 Effect of extraction temperatureon extraction yield of flavonoids

2.2响应曲面实验

参照1.2.6节所述,根据Box-Behnken实验设计原理,以黄酮的提取量为目标函数,以提取时间(A)、微波功率(B)、料液比(C)和提取温度(D)为自变量,按表1设计4水平3因素的响应面分析实验,共29个实验点(25～29为中心点),每组实验重复3次,取平均值,分析所选因素对黄酮提取量的综合影响。响应面实验设计及结果见表2。

表2 响应面实验设计及结果Table 2 Experimental design and resultsfor response surface analysis

采用Design-Expert 7.1.4统计软件对实验结果进行分析,得到目标函数黄酮提取量对提取时间(A)、微波功率(B)、料液比(C)和提取温度(D)的二次多项回归方程为:黄酮提取量=14.21+0.41A+0.67B+0.79C+0.63D-0.73AB+0.093AC-1.03AD+0.26BC-0.58BD-0.26CD-1.84A2-1.10B2-1.11C2-1.24D2,回归二次方程的方差显著性检验分析结果见表3。

表3 响应面实验结果方差分析表Table 3 Variance analysis forresponse surface quadratic model

注:差异显著,p<0.05,差异极显著,p<0.01;回归系数R2=0.9270。

由表3可以看出该二次方程模型极显著,回归系数R2=0.9270,失拟项p=0.0567>0.05不显著,表明实验结果和数学模型拟合良好,92.70%的数据可用此模型分析响应值的变化,因此可用该数学模型推测实验结果。同时,通过 Design-Expert 7.1.4软件分析得到,在本研究实验设计范围内,微波辅助提取无花果黄酮活性成分的最优工艺条件为提取时间20.23 min,微波频率580.41 W,料液比为1∶33.76 g/mL,提取温度51.34 ℃。在此工艺条件下预测黄酮提取量理论值为14.5041 mg/g。根据实际条件的可行性调整上述工艺参数为提取时间20 min,微波频率580 W,料液比为1∶34 g/mL,提取温度51 ℃。根据此条件进行三次平行验证实验,结果得到无花果黄酮的平均值提取量为14.4432 mg/mL。

2.3无花果黄酮最佳提取工艺的BP神经网络优化

2.3.1 网络层数 已有理论研究证明,三层BP神经网络在非线性函数拟合方面是最典型的,只要在隐含层选择合适的神经元数目,就可以以任意精度逼近一个非线性函数。本研究采用只有1个隐含层的神经网络,分别选取上述4个实验影响因素和1个响应值作为神经网络的输入变量和输出变量,创建BP神经网络模型来模拟和预测微波辅助提取无花果黄酮的提取量。

2.3.2 神经网络学习参数的确定 由于各输入样本和输出样本的单位和数量级不同,为了消除样本数据其不一致的影响,本研究在MATLAB R2014a软件中采用函数mapminmax来实现样本数据的归一化处理,将样本数据映射到[-1,1]区间上,数据处理后能够减少网络学习时间,同时加速神经网络的收敛,提高拟合精度,网络训练完成后,再对结果进行反归一化操作得到原始数据范围内的实际值[21]。在这项研究中,选取S型的正切函数tansig作为输入层与隐含层之间的传递函数,线性函数purelin作为隐含层和输出层之间的传递函数,用函数trainlm来训练网络,通过有限次尝试,选择的合适BP神经网络模型。

[21]利用响应面实验数据训练网络时部分参数设置如下:

图6 训练、验证、测试以及所有数据与BP神经网络仿真输出值的拟合效果Fig.6 The scatter plots of BP model predicted versus actual values for training,validation,testing and all data sets

net.trainParam.show=100;

net.trainParam.lr=0.01;

net.trainParam.mc=0.02;

net.trainParam.epochs=1000;

训练函数采用net=train(net,P,T),其中P,T分别是归一化后的输入、输出样本。

2.3.3 隐含层的确定 将29组实验数据作为输入样本,以无花果黄酮提取量作为待建立模型输出层的响应信号,通过改变隐含层的神经元数比较不同网络训练模型的范化能力,确定隐含层的最佳神经元个数,隐含层神经元数范围根据经验公式(2)确定[23],通过试错法[24]多次改变隐含层神经元个数。训练样本的均方误差函数(MSE)、决定系数(R2)作为神经网络的性能指标,来衡量网络对训练样本的学习程度,使用平均绝对误差函数(MAPE)作为指标评价神经网络的预测能力[25]。MSE、R2和 MAPE分别用式(3)、(4)和(5)计算。

式(2)

式中:n-输入层神经元的数目;m-输出层神经元的数目;a-1到10之间的常数

式(3)

式(4)

式(5)

式中:yi.exp、yi分别为实验值和样本的预测值,n代表样本数量。

根据经验公式(2)知人工神经网络模型隐含层中神经元的数量为3到12,以最小的MSE和最大R2的作为评价标准,选择隐含层神经元的最佳数目。在经过多次神经网络训练之后,确定采4-6-1结构的三层神经网络。当隐含层含有6个神经元时,得到最小的MSE和最大的R2分别为0.0109和0.9684,因此,本研究构建的最佳神经网络模型拓扑结构确定为4-6-1,图5为最终确定的神经网络拓扑结构示意图。

图5 BP神经网络结构示意图Fig.5 Schematic representation ofthe BP neural network used in this study

2.3.4 神经网络模型的仿真及预测性能 在上述最佳神经网络模型的基础上,将实验真实值与训练、验证和测试网络每一步得到的预测数据进行比较,其拟合效果见图6,训练、验证、测试以及所有数据的相关系数(r)分别为0.9607、0.9993、0.9918和0.9684。可以看出所建立的BP模型对于训练样本、测试样本和验证样本都有很好的逼近能力,相关系数都在0.99以上。因此,可见该网络模型对所有的实验数据具有较好的预测能力,可以用此神经网络模型对微波辅助提取无花果黄酮进行预测。

表4 优化结果比较Table 4 Comparison of optimized results

利用训练好的神经网络对微波辅助提取无花果黄酮的工艺条件进行仿真预测,得到仿真数据见表2,由表2可以看出BP神经网络模型预测值与实验值能够较好的拟合。

2.4遗传算法优化结果与验证

利用BP神经网络所建立的模型作为遗传算法的适应度函数进一步对实验数据进行优化。本例采用遗传算法对输入变量进行实数编码,编码长度为4,编码的下限为[-1 -1 -1 -1],上限为[1 1 1 1]。确定好适应度函数,编码长度,编码上下限之后,设置遗传算法的运行参数并运行。寻优时参数设置:最大进化代数为100,种群大小为50,交叉概率为0.8,变异概率为0.06。利用遗传算法对神经网络模型进行寻优算法在第51代停止训练,此时适应度值的改变幅度小于预设值,同时得到最佳工艺参数结果:提取时间为21.68 min,微波频率为608.5 W,料液比为1∶30 g/mL,提取温度50 ℃。在此工艺条件下预测黄酮提取量理论值为14.6823 mg/g。为方便实验操作将工艺参数调整为:提取时间为22 min,微波频率为609 W,料液比为1∶30 g/mL,提取温度50 ℃,并在此条件下对优化工艺进行验证,并与响应面优化的预测值、验证实验的实际值进行比较,结果如表4所示。采用BP神经网络结合遗传算法优化得到的模型预测值与实验值的相对误差小于响应面优化的相对误差,且神经网络优化的工艺条件所得到的黄酮提取量更高,说明该神经网络模型可以更好地预测不同工艺参数下微波辅助提取无花果总黄酮的提取效果。

3 结论

本研究以提取时间、微波频率、料液比和提取温度为影响因素,无花果的黄酮提取量为响应指标,设计响应面实验,并在其数据的基础上,建立BP神经网络模型结合遗传算法对实验数据进行预测优化,得到采用微波辅助提取无花果黄酮成分的最佳工艺条件为提取时间22 min,微波频率609 W,料液比1∶30 g/mL,提取温度50 ℃时,无花果黄酮提取量为14. 6610 mg/g,与神经网络模型得到的预测值14.6823 mg/g无明显差异。可见BP神经网络结合遗传算法寻优的方法具有较强的可靠性,能较好地实现微波辅助提取无花果黄酮成分的工艺参数的优化,可为食品、药品等制备工艺参数的优化提供一种有效的途径。

参考文献

[1]李金玉. GC-MS测定无花果中脂肪酸组成[J]. 中国食品工业,2008(3):119-121.

[2]余希成,卢俊,曹为民. 水溶性无花果多糖的微波提取技术[J]. 食品研究与开发,2009,30(9):19-23.

[3]杨润亚,明永飞,王慧. 无花果叶中总黄酮的提取及其抗氧化活性测定[J]. 食品科学,2010,31(16):78-82.

[4]张泽俊,沙坤. 超声波辅助提取无花果叶中总黄酮工艺的研究[J]. 食品研究与开发,2011,32(6):14-16.

[5]张慧婧. 无花果叶中总黄酮的提取、精制及生理活性研究[D]. 济南:山东大学,2012.

[6]罗晓梅,张吟,黄丹丹,等. 紫外可见分光光度法测定无花果叶提取物中总黄酮的含量[J]. 中国药房,2015(15):2111-2113.

[7]董华强,宁正祥,崔志新,等. 微波辅助提取多穗柯嫩叶黄酮工艺研究[J]. 农业工程学报,2007,23(2):213-217.

[8]李秀信,王建华,刘莉丽,等. 微波辅助提取香椿叶黄酮工艺的研究[J]. 中国食品学报,2012,12(1):46-51.

[9]向昌国,向宁,黄成龙,等. 响应面法优化刺槐花黄酮类化合物的微波提取工艺[J]. 食品科学,2011,32(22):32-36.

[10赵武奇,仇农学,王宏. 苹果渣多酚提取工艺的神经网络建模与遗传算法优化[J]. 食品科学,2007,28(12):138-142.

[11]周苏娟,赵斌,孟江,等. 基于BP神经网络和遗传算法优化茺蔚子水苏碱提取工艺的研究[J]. 广州中医药大学学报,2015,32(4):735-738.

[12]Thakker M R,Parikh J K,Desai M A. Microwave assisted extraction of essential oil from the leaves of Palmarosa:Multi-response optimization and predictive modelling[J]. Industrial Crops & Products,2016,86:311-319.

[13]应艳杰,洪台,何佳杰,等. 神经网络优化紫苏叶黄酮微波提取及抗氧化活性比较研究[J]. 中国食品学报,2011,11(3):36-42.

[14]Mehrabi F,Vafaei A,Ghaedi M,et al. Ultrasound assisted extraction of Maxilon Red GRL dye from water samples using cobalt ferrite nanoparticles loaded on activated carbon as sorbent:Optimization and modeling[J]. Ultrasonics Sonochemistry,2016(In press).

[15]何邦华,罗璟,刘泽,等.烟丝物理质量的制丝工艺神经网络模型及其评价[J]. 云南农业大学学报,2016,31(5):874-879.

[16]朱俊访,李博. 基于遗传算法和BP神经网络在葱白总黄酮提取工艺中的应用研究[J]. 中国民族民间医药,2010,19(9):64-65.

[17]王莹,栾天奇,朴美子. 基于神经网络和遗传算法的醋酸发酵培养基优化[J]. 中国食品学报,2012,12(5):88-94.

[18]马花月. 基于人工神经网络和遗传算法的复合材料涂层工艺优化[D]. 上海:上海大学,2015:20-65.

[19李宏君. 遗传算法结合人工神经网络优化润滑油配方的研究[D]. 广西:广西大学,2013:5-16.

[20]曹唏,吴毅强,李积华. 人工神经网络-遗传算法优化酶法提取绿豆渣水溶性纤维素工艺研究[J]. 食品科技,2006(10):296-299.

[21]刘海军,刘伟,张春芝,等. 基于BP神经网络的微波真空膨化浆果脆片工艺参数优化[J]. 中国食品学报,2016,16(3):103-107.

[22]吴冬青,徐新建,张丽,等. 响应面分析法优化竹节草黄酮提取工艺[J]. 食品科学,2011,32(8):125-128.

[23]张晶. 人工神经网络在响应曲面法实验优化设计中的应用研究[D].青海:青海师范大学,2014.

[24]李媛媛,常庆瑞,刘秀英,等. 基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算[J].农业工程学报,2016,32(16):135-142.

[25]Sodeifian G,Sajadian S A,Ardestani N S. Optimization of essential oil extraction fromLaunaeaacanthodes,Boiss:Utilization of supercritical carbon dioxide and cosolvent[J]. Journal of Supercritical Fluids,2016,116:46-56.

ProcessparameteroptimizationofmicrowaveassistedextractionofflavonoidsfromFicuscaricaLinnbasedonBPneuralnetwork

LIUHuan-yan1,ZHENGGuang-yao2,WANGYan-bin1,HELiang1，*,LIUYu2,CHENGJun-wen1,LIWei-qi3

(1.Zhejiang Provincial Key Laboratory of Biological and Chemical Utilization ofForest Resources,Zhejiang Forestry Academy,Hangzhou 310023,China;2.Institute of Chemical Industry of Forest Products,Chinese Academy of Forestry,Nanjing 210042,China;3.College of Life Science,Zhejiang University,Hangzhou 310058,China)

In order to explore the optimum microwave-assisted extraction of flavonoids from the fruits ofFicuscaricaLinn,Back-Propagation neural network with genetic algorithm(BP-GA)was used to optimize the process parameters of microwave assisted extraction of flavonoids fromFicuscaricaLinn based on the response surface experimental data. The simulation analysis of microwave assisted extraction of flavonoids fromFicuscaricawas carried out by using the extraction time,microwave frequency,the ratio of solid to ethanol and extraction temperature as the input of the network and flavonoids extraction amount as output. The optimized operation condition obtained by the neutral network method was extraction time of 22 min,microwave power of 609 W,the ratio of solid to ethanol of 1∶30 g/mL and extraction temperature of 50 ℃. And its maximum extraction yield climbed to 14.6610 mg/g under the optimal conditions,the deviation between verified and predicted values of yield was 0.15%,which indicated the reliability and practicability in the optimized conditions. The research may provide a new method for optimizing the processing conditions for further development and utilization of the fig organization and build the foundations for better use of natural resources.

neural network;microwave assisted extraction;FicuscaricaLinn;flavonoids;optimization

TS255.4

B

1002-0306(2017)19-0197-07

10.13386/j.issn1002-0306.2017.19.036

2017-03-06

刘焕燕(1991-)，女，硕士，研究方向：森林食品精深加工，E-mail：lhy010129@163.com。

*通讯作者:贺亮(1979-)，男，博士，研究员，研究方向：森林食品精深加工，E-mail：kite006@163.com。

浙江省林业厅省院合作项目(2015SY03)。