基于BP神经网络和遗传算法的库尔勒香梨挥发性物质萃取条件的优化

张芳，未志胜，王鹏，李凯旋，詹萍，田洪磊



基于BP神经网络和遗传算法的库尔勒香梨挥发性物质萃取条件的优化

张芳2，未志胜2，王鹏2，李凯旋2，詹萍1，田洪磊1

（陕西师范大学食品工程与营养科学学院，西安 710119；2石河子大学食品学院，新疆石河子 832000）

【目的】通过BP神经网络结合遗传算法对固相微萃取条件（萃取头种类、样品量、萃取温度、萃取时间和盐离子添加量）的优化，建立高效的库尔勒香梨汁香气物质的萃取分析方法，为库尔勒香梨相关产品天然风味的拟合及调控奠定基础。【方法】通过单因素试验确定最佳萃取纤维头种类和样品量、萃取温度、萃取时间和盐离子添加量的最佳萃取参数。在单因素试验设计的基础上，以库尔勒香梨汁中关键香气物质（己醛、丁酸乙酯、壬醛、乙酸乙酯、(E)-2-己烯醛、己醇、(Z)-2己烯醛、丙酸乙酯和己酸乙酯）的含量为评价指标进行中央复合设计试验进一步考察样品量、萃取温度、萃取时间和盐离子添加量对库尔勒香梨汁固相微萃取效果的影响。最后以中央复合设计的试验结果为初始种群，以样品量、萃取温度、萃取时间和盐离子添加量为输入值，以库尔勒香梨汁中关键香气物质含量为其函数的输出值，通过BP神经网络模型来调试函数适应度。使用中央复合设计数据以外的数据集对BP神经网络外推能力进行验证。利用遗传算法（算法参数：最大进化代数100、初始种群数20、变异概率0.2、交叉概率0.4）在试验水平范围内预测全局最优的萃取条件。【结果】统计分析结果表明，65 μm PDMS/DVB萃取头对库尔勒香梨汁中关键香气物质的萃取效果最好，样品量、萃取温度、萃取时间和盐离子添加量对固相微萃取效果具有显著影响（＜0.05）。BP神经网络的拓扑结构为‘4-15-1’。验证数据和训练数据的均大于0.017；训练、测试和验证数据的相关系数分别为0.990、0.951和0.973，表明BP神经网络预测模型有很好的准确性，可以用于库尔勒香梨汁香气物质固相微萃取结果的预测。BP神经网络外推能力验证试验的结果与BP神经网络模型预测值的拟合度（2）为0.992，表明试验建立的BP神经网络模型有很好的外推能力，能够准确地预测不在训练集内的数据集的输出值。遗传算法迭代100代后确定的最优个体为3.41 μg·g-1，最佳固相微萃取条件是样品量5.33 g、萃取温度44.70℃、萃取时间25.22 min和盐离子添加量0.63 g。在尽可能接近此条件下进行验证试验（试验条件：样品量5.33 g、萃取温度45℃、萃取时间25 min和盐离子添加量0.63 g），测得库尔勒香梨汁中9种关键香气物质的含量为（3.37±0.23）μg·g-1，与最优个体预测值相比，误差仅为-1.19%。【结论】上述结果表明BP神经网络模型结合遗传算法是一种准确度较好的优化固相微萃取参数的新方法，同时也为解决非线性模型工艺优化的问题提供了新思路。库尔勒香梨汁香气物质固相微萃取的最佳萃取条件为：样品量5.33g，萃取温度45℃，萃取时间 25 min，盐离子添加量0.63 g。

库尔勒香梨；挥发性物质；固相微萃取（SPME）；BP神经网络；遗传算法（GA）

0 引言

【研究意义】库尔勒香梨（rehd）属白梨系，具有细嫩多汁、香味浓郁、皮薄质脆等特点[1-3]，除鲜食外，香梨汁加工已成为其产业链延伸的主导途径。然而，香梨汁在深加工过程中，天然果香的严重失真并伴随其风味的劣变严重限制了新疆库尔勒香梨产业的发展。因此，明晰库尔勒香梨中香气物质的组成并建立其相应的萃取分析方法，对于后期库尔勒香梨相关产品天然风味的拟合及调控极为重要。【前人研究进展】固相微萃取技术（SPME）是目前应用最广且有效的萃取挥发性物质的方法[4-6]，其萃取效果多受萃取头种类、萃取温度、萃取时间、盐离子浓度和平衡时间等因素的影响。目前，多采用单因素逐级分析[7-8]、正交实验[9-10]和响应面等方法优化SPME萃取条件[11]。然而传统的单因素法费力、费时，无法准确确定最优萃取条件[12]，正交实验存在同样的问题；响应面法虽然能够克服上述两种缺点，但其适用范围却存在一定的局限性，仅适用于二次模型[13]。BP神经网络结合遗传算法采用完整的“黑甲子”方法模拟数据，具有通用逼近能力，即其适用于所有的非线性多变量模型[12,14]。BP神经网络结合遗传算法不需要事先说明适合的拟合函数，建立的模型可以给出预测值与试验值的准确度[12-18]。有研究表明，在使用相同试验设计时，BP神经网络结合遗传算法寻优的效果远高于响应面法[19-22]。【本研究切入点】基于上述分析，本试验以前人确定的库尔勒香梨汁中特征风味物质[2-3]为导向，在考察SPME萃取各个因素分析的基础上，采用BP神经网络结合遗传算法对库尔勒香梨汁中香气物质萃取条件进行预测优化。【拟解决的关键问题】建立一套完善且相对较准确的库尔勒香梨汁挥发性物质固相微萃取分析方法，同时为研究食品中非线性模型工艺优化问题提供新思路。

1 材料与方法

试验于2017年6—7月在石河子大学食品学院营养与风味实验室进行。

1.1 材料与设备

于新疆石河子市农产品交易市场中的库尔勒香梨交易行随机购买6箱（每箱大概35—40个香梨）库尔勒香梨（Rehd），存于4℃冷库中待用。正构烷烃混合标准品（C7—C40）购自美国Sigma公司；1, 2-二氯苯（内标），购自德国Dr. Ehrenstorfer公司；其他试剂均为国产分析纯，购自国药集团化学试剂有限公司。

85 μm PA、50/30 μm DVB/CAR/PDMS、65 μm PDMS/DVB、100 μm PDMS和75 μm CAR/PDMS 5种萃取头购自美国Supelco公司；气相色谱质谱联用仪（GC-MS）5977A-7890B，美国Agilent公司；SJYZ11-200原汁机浙江苏泊尔股份有限公司。

1.2 试验方法

1.2.1 库尔勒香梨汁样本的制备 从4℃冷库中取出无损伤的库尔勒香梨置于室温下放置24 h，将恢复至室温的库尔勒香梨用纯净水洗净，去果梗、果核后，迅速采用原汁机榨汁，将香梨汁放于4℃下备用。

1.2.2 库尔勒香梨汁香气物质萃取 取8.0 g的鲜榨库尔勒香梨汁于15 mL顶空瓶中，加入0.8 g的NaCl和0.2 μL的1,2-二氯苯溶液（1 μL∙mL-1，内标）加盖封口。将封口的顶空瓶置于45℃温度下的水浴锅中平衡20 min后，将老化好的萃取头插入样品瓶的顶空部分，同时推出纤维头且使纤维头与香梨汁液面始终保持2 cm的距离，于平衡温度吸附30 min后，迅速移至GC进样口，解析7 min，同时启动GC-MS采集数据，每次试验均进行3次平行。

1.2.3 GC-MS分析 GC条件：HP-5 ms毛细管柱（30 m×250 μm，0.25 μm），升温程序：初始温度40℃，保持5 min，以4℃/min的速率升温至220℃，保持3 min，再以10℃/min的速率升温250℃，保持2min；进样口温度为250℃，载气（高纯He）流速1 mL∙min-1，无分流进样。

MS条件：EI电离源，离子源温度200℃，传输线温度280℃，四级杆温度150℃，电子能量为70 eV，灯丝电流为80 μA，电子倍增器电压为1 000 V；质量扫面范围35—450 m/z。

定性分析：分离出的未知物与NIST/Wiley14相匹配（仅选匹配度大于80%的鉴定结果[2]），并与参考文献中的相关化合物的相对保留指数（值）进行对比分析。化合物保留指数[23]计算公式如下：

式中，为待测组分的保留指数；t和t(z+1)为紧邻香气化合物前后的2个正构烷烃的保留时间；为正构烷烃的碳原子数；t为待测组分的保留时间。

定量方法：采用1,2-二氯苯作为内标物质对香梨汁样品中的挥发性化合物进行定量分析，根据待测化合物和内标物相应的色谱峰面积之比，计算待测组分的相对含量，公式[24]如下：

式中，C为待测组分的相对含量；P是待测组分的峰面积；P是内标物质的峰面积；C是内标物质的含量（mg）；是样品质量（g）。

1.3 SPME单因素试验

按照方法1.2.2中库尔勒香梨汁香气物质萃取方法制备样品，根据试验目的分别研究各单因素，包括萃取头（85 μm PA、50/30 μm DVB/CAR/PDMS、65 μm PDMS/DVB、100 μm PDMS和75 μm CAR/PDMS），样品量（4、6、8、10和12 g），萃取温度（35、40、45、50和55℃）、萃取时间（10、20、30、40和50 min）和NaCl添加量（0、0.4、0.8、1.2和1.6 g）对库尔勒香梨汁挥发性物质萃取效果的影响。

1.4 BP神经网络与遗传算法结合优化SPME萃取条件

1.4.1 BP神经网络训练拟合 采用MATLAB 2016b软件，首先进行BP神经网络的训练拟合。训练网络时隐含层采用tansig函数作为激活函数；输出层采用线性函数purelin作为激活函数；输入层与隐含层间的传递函数使用S型函数。根据中央复合设计表1，确定BP神经网络的输入层神经元个数为4：分别是样品量、萃取温度、萃取时间和NaCl添加量；输出层神经元为库尔勒香梨汁中9种关键挥发性物质的含量；根据试错法[25]多次尝试训练选取最佳隐含层神经元个数为15。中央复合设计试验中总样本数为30（表1），运用随机函数从中抽取18个样本为训练样本，6个样本为测试样本，6个样本为验证样本[13]。所有输入和输出数据在网络训练前均进行归一化处理，避免训练前出现数值溢出。基于变化的输入/输出数据集进行BP神经网络模型的训练。使用相对误差（relative error）和均方误差（root mean square error，）评价BP神经网络建模的能力，通过描述建模变量差异度的系数2来确定模型的拟合优度。均方误差按如下公式计算：

表1 中央复合试验设计及结果

1.4.2 遗传算法寻优 遗传算法（genetic algorithm，GA）是基于达尔文进化论和孟德尔遗传学来实现随机、自适应、并行性全局搜索寻优的方法。遗传算法寻优[26-27]步骤如图1所示。

图1 BP神经网络结合遗传算法优化的流程图

1.4.3 数据统计分析利用Microsoft Office Excel 2007 进行数据统计和计算，不同样本物质含量的方差分析和邓肯多重比较均使用SPSS 23.0软件（SPSS，Chicago，IL，USA）。采用统计软件包（Design Expert 7.0.1.0，Statease，USA）进行统计分析，生成试验设计（DOE）。用于构建神经网络的数据使用MATLAB 2016b（The Mathworks Inc.）进行处理。图采用Origin 2016软件进行绘制。所有数据均采用3次平行试验的平均值。

2 结果

2.1 SPME单因素试验结果

2.1.1 萃取头的选择 萃取纤维头的涂层材料决定了萃取头的极性和对不同挥发性物质的吸附能力[28]。由图2可知，不同萃取头萃取出的库尔勒香梨汁的物质含量具有显著差异（＜0.05），表明萃取头对SPME萃取效果影响较大。其中强极性萃取头PA对库尔勒香梨汁中除己醛以外的其他物质的萃取效果明显低于其他萃取头（＜0.05）；中极性萃取头PDMS对于(Z)-2-己烯醛、壬醛和丙酸乙酯萃取效果显著高于其他4种萃取头（＜0.05），而对于己醇和(E)-2-己烯醛则显著优于CAR/PDMS、CAR/DVB/PDMS和PA（＜0.05）；DVB/PDMS对除己酸乙酯、丙酸乙酯、壬醛和(Z)-2-己烯醛以外其他所有的香气物质均具有较好的萃取效果，各种物质的含量均显著优于其他萃取头（＜0.05）；CAR/PDMS和CAR/DVB/PDMS虽然对于库尔勒香梨汁中的挥发性物质的吸附能力优于PA和PDMS，但低于DVB/PDMS萃取头。因此，最终选定DVB/PDMS做为香梨汁挥发性物质最佳萃取头进行后续试验。

不同小写字母表示同一香气物质上存在显著性差异（P＜0.05）。下同

2.1.2 样品量对萃取效果的影响 样品量对库尔勒香梨汁中挥发性物质的影响如图3，从图3可知，不同样品量中的挥发性物质含量存在显著性差异（＜0.05），表明样品量对库尔勒香梨汁中的挥发性物质含量影响较大。随着样品量的增加，挥发性物质己醛、丁酸乙酯、壬醛、己酸乙酯、(E)-2-己烯醛、己醇、(Z)-2-己烯醛和丙酸乙酯的含量先增加后减少；乙酸乙酯的含量随着样品量的增加而减少。样品量为6 g时，己醛、丁酸乙酯、壬醛、己酸乙酯、(E)-2-己烯醛、(Z)-2-己烯醛和丙酸乙酯的含量达到最大值；乙酸乙酯的含量在样品量为4 g时达到最大；样品量为10 g时，己醇的含量达到最大值，因此，在单因素试验中选择6 g为最佳萃取温度。

2.1.3 萃取温度对萃取效果的影响 从图4可知，不同萃取温度下的挥发性物质含量存在显著性差异（＜0.05），表明萃取温度对库尔勒香梨汁中的挥发性物质含量影响较大。己醛、丁酸乙酯、壬醛、己酸乙酯、乙酸乙酯、(E)-2-己烯醛、己醇、(Z)-2-己烯醛和丙酸乙酯的含量随着温度的升高先增加后降低。在萃取温度为45℃时，己醛、丁酸乙酯、壬醛、己酸乙酯、乙酸乙酯、(E)-2-己烯醛和丙酸乙酯的含量达到最大值；己醇含量在40℃时达到最大，这可能是由于高温导致己醇从萃取纤维头上解析到顶空瓶[29]；(Z)-2-己烯醛含量在50℃时达到最大，因此，在单因素试验中选择45℃为最佳萃取温度。

2.1.4 萃取时间对萃取效果的影响 由图5可知，萃取时间不同时，库尔勒香梨汁中的挥发性物质含量存在显著性差异（＜0.05），表明萃取时间对库尔勒香梨汁中的挥发性物质含量影响较大。随着萃取时间的增长，己醛、丁酸乙酯、壬醛、己酸乙酯、(E)-2-己烯醛、己醇、(Z)-2-己烯醛和丙酸乙酯的含量升高，但当萃取时间增加到一定值后，挥发性物质含量降低，这可能是由于其较低的扩散系数和较高的沸点造成[30]。乙酸乙酯的含量随着时间的增加减少，在10 min时的含量显著高于其他时间的物质含量（＜0.05），这可能是由于其需要较短的平衡时间[31]。己醛在20 min 时含量达到最大值；丁酸乙酯、壬醛、己酸乙酯、(E)-2-己烯醛、(Z)-2-己烯醛和丙酸乙酯的含量在30 min时达到最大值；在40 min时，己醇含量达到最大值。因此在上述分析的基础上，单因素试验中选择30 min为最佳萃取时间。

图3 不同样品量对库尔勒香梨汁挥发性物质含量的影响

图4 不同萃取温度对库尔勒香梨汁挥发性物质含量的影响

图5 不同萃取时间对库尔勒香梨汁挥发性物质含量的影响

2.1.5 盐离子添加量对萃取效果的影响 由图6可知，盐添加量不同时，库尔勒香梨汁中的挥发性物质含量存在显著性差异（＜0.05），表明盐添加量对对库尔勒香梨汁中的挥发性物质含量影响也较大。随着盐离子添加量由0 g增加到0.8 g，己醛、丁酸乙酯、壬醛、己酸乙酯和丙酸乙酯的含量逐渐增加，在0.8 g时达到最大值；(E)-2-己烯醛、己醇和(Z)-2-己烯醛在0.6 g时达到最大值，这是由于盐离子能减少被分析物在水溶液中的可溶性[32]。盐离子添加量由0.8 g增加到1.6 g时，各个物质含量逐渐减少，这可能与盐离子表面的阻碍吸附有关[29]。因此，在单因素试验中选择0.8 g为最佳盐离子添加量。

2.2 BP神经网络模型分析

2.2.1 BP网络模型性能分析 图7-a为神经网络误差的下降曲线图。训练、测试和验证网络中比较试验结果和神经网络的预测结果的散点图如图7-b所示。数据在45°附近散射时，表明试验结果和网络预测值间有很好的兼容性。由图7-a可知，随着训练步数的增加，模型误差曲线趋近于误差最优值。开发的BP神经网络在第3次迭代时，训练误差低于误差最优值0.017，验证误差趋近于误差最优值0.017；在第4次迭代时，网络训练较稳定且收敛迅速，模型能够满足试验需求；构建的BP神经网络的最好验证误差是0.0173，表明该神经网络模型可用。且在验证曲线增加之前，测试曲线未显著增加，因此网络没有过度训练[33]。由图7-b可知，在验证误差为0.017时，BP神经网络模型的训练、测试、验证的相关系数分别为0.990、0.951和0.973（相关系数均大于0.95），表明开发的BP网络模型对于训练样本、测试样本和验证样本都有很好的逼近能力，能很好的描述试验因素（样品量、萃取温度、萃取时间和盐添加量）和物质含量间的关系，可以用于SPME萃取条件的优化。

2.2.2 BP神经网络泛化能力的验证 BP神经网络模型泛化能力只有在完全看不见的数据集中才能被判断[12]。神经网络模型的泛化能力是指训练好的BP网络模型对不在训练集中的数据的预测能力。在中央复合设计因素表范围内重新随机组合试验因素水平（表2）进行BP神经网络泛化能力的验证。模型的拟合度用决定系数2表示。由图8可知，BP神经网络模型的拟合度2为0.992，试验值变异性的99.2%可以通过此模型来解释，表明建立的BP神经网络模型具有很好的泛化能力，模型能够准确预测不在训练集内的数据集的输出结果。

2.2.3 SPME萃取条件的优化 利用遗传算法对已建立的BP神经网络模型进行全局寻优，以库尔勒香梨汁中的9种关键挥发性物质（己醛、丁酸乙酯、壬醛、己酸乙酯、乙酸乙酯、(E)-2己烯醛、己醇、(Z)-2-己烯醛和丙酸乙酯）含量最大为优化目标。遗传算法参数设置为：最大进化代数100、初始种群数20、变异概率0.2、交叉概率0.4。在此条件下进行寻优，得到每代种群适应度变化，结果如图9所示。

图6 不同盐离子添加量对库尔勒香梨汁挥发性物质含量的影响

图7 神经网络均方误差曲线（a）、试验值与预测值间的相关性（b）

表2 验证试验数据集

图8 试验值与预测值拟合度

从图9可知，随着迭代次数的增加，种群的适应度先呈现曲折上升的趋势，后逐渐趋于平稳状态。表明此时群体中对应于最大适应度的个体已经达到该优化算法下的最优解[34]。最优个体为3.41 μg∙g-1，此时SPME萃取条件为：样品量5.33 g、萃取温度44.70℃、萃取时间25.22 min和盐添加量0.63 g。

3 讨论

香气成分是构成鲜食果品及加工品品质的主要因素，对果实品质起着非常重要的作用。果实的香气是由各种挥发性成分（酯类、醛类、醇类、酮类以及萜类化合物等）共同作用形成的，对果实风味品质以及市场前景起着重要作用，也是吸引消费者和增强市场竞争力的重要因素之一。因此对于果品香气成分分析及其影响因素方面的研究日益受到关注。

图9 遗传算法的最优适应度曲线

SPME技术将萃取、浓缩和进样集成单个无溶剂步骤和装置，大大简化了样品的制备过程[35]，其优点在于即使采用较低的萃取温度也可以获得较高的灵敏度，为此更为真实的呈现了样品原有风味[36]。Chen等[37]采用了SSDE（Simultaneous Steam Distillation Extraction）和SPME对杏中香气成分进行分析，相较于SSDE技术，SPME萃取效果显著提升，特别是对于一些杏中有助于鲜杏香气的关键物质，如乙酸己酯、β-紫罗兰酮、乙酸丁酯和柠檬烯。周志等[38]在萃取分析野生刺梨汁挥发性物质的研究中同样发现SPME更适用于野生刺梨汁中挥发性成分的分析。

然而在具体研究SPME各因素对样品中挥发性成分萃取效果评价时，多数研究以检出物质的总峰面积或数量作为评价指标[8-9,39]。与上述研究不同，本研究借鉴课题组前期试验结果，初步筛选己醛、丁酸乙酯、壬醛、乙酸乙酯、(E)-2-己烯醛、己醇、(Z)-2-己烯醛、丙酸乙酯和己酸乙酯9种物质作为库尔勒香梨特征香气物质，并以其含量为指标进行相关研究；较前者评价指标相比，采用库尔勒香梨特征香气物质评价体系更有针对性，且省去了对样品中全部香气成分分析鉴定的繁琐步骤，极大降低了分析研究工作量。

优化SPME萃取条件，建立一套完善且相对较准确的水果果实挥发性物质萃取分析方法，可为后续相关产品风味的自然呈现及调控提供理论依据。目前，针对库尔勒香梨汁SPME萃取条件的优化，Li等[39]通过单因素逐级分析法研究了萃取头种类、萃取时间和萃取温度对库尔勒香梨汁挥发性物质萃取效果的影响，发现最佳萃取头为65 μm PDMS/ DVB，这一结论与本试验一致。然而，本研究通过BP神经网络结合遗传算法优化获得的最佳萃取温度（45℃）和萃取时间（25 min）与Li等[39]研究结果存在较大偏差（其萃取温度和萃取时间分别是40℃和45 min）。此外，与陈计峦等[3]通过正交试验优化获得的SPME最佳萃取温度（40℃）和萃取时间（30 min）相比，在本试验条件下实施SPME萃取，可大幅度提升库尔勒香梨特征香气物质己醛、(E)-2-己烯醛和丙酸乙酯的含量，这可能是基于试验构建的预测能力较好的BP神经网络模型能够充分模拟SPME萃取过程，同时借助遗传算法强大的寻优功能所致。

研究表明BP神经网络结合遗传算法的优化方法均优于传统试验优化方法[12-18]，然而目前该优化方法在食品方面的应用相对较少[40-42]。在未来可以采用BP神经网络结合遗传算法优化食品加工、食品原料天然物质提取和果蔬贮藏等工艺的相关参数。

4 结论

萃取头种类、样品量、萃取温度、萃取时间和盐添加量对固相微萃取具有显著影响。基于BP神经网络建立的模型具有很好的逼近能力，可以用于固相微萃取过程的预测。在本试验选择的水平范围内，通过遗传算法成功优化了SPME萃取条件。在尽可能接近此条件下（样品量5.33g、萃取温度45℃、萃取时间 25 min和NaCl添加量0.63 g）测出的挥发性物质含量为（3.37±0.23）μg∙g-1，与最优个体的相对误差为-1.19%，表明BP神经网络结合遗传算法能准确地寻找到固相微萃取的最优参数。

[1] ZHAO L, WANG Y T, HU X T, SUN Z J, LIAO X J. Korla pear juice treated by ultrafiltration followed by high pressure processing or high temperature short time., 2016, 65: 283-289.

[2] TIAN H L, ZHAN P, DENG Z Y, YAN H Y, ZHU X R. Development of a flavour fingerprint by GC-MS and GC-O combined with chemometric methods for the quality control of Korla pear (Reld), 2015, 49(12): 2546-2552.

[3] 陈计峦, 江英, 吴继红, 胡小松. 固相微萃取GC-MS技术在梨香气成分分析中的应用研究. 食品与发酵工业, 2007, 33(3): 107-110.

CHEN J L, JIANG Y, WU J H, HU X S. Research on the aromatic compounds of pear fruit by GC-MS with solid phase microextraction.,, 2007, 33(3): 107-110. (in Chinese)

[4] BALASUBRAMANIAN S. Solid-phase microextraction (SPME) techniques for quality characterization of food products: A review., 2011, 4(1): 1-26.

[5] YU A N, SUN B G, TIAN D T, QU W Y. Analysis of volatile compounds in traditional smoke-cured bacon(CSCB) with different fiber coatings using SPME., 2008, 110(1): 233-238.

[6] ZHANG Z, PAWLISZYN J. Headspace solid-phase microextraction., 1993, 65(14): 1843-1852.

[7] 皋香, 施瑞城, 谷风林, 张彦军, 吕岱竹. 固相微萃取结合气相色谱-质谱测定海南番木瓜香气成分. 食品工业科技, 2013, 34(14): 148-151.

GAO X, SHI R C, GU F L, ZHANG Y J, LV D Z. Volatile composition of Hainan solo papaya by headspace solid-phase microextraction/gas chromatography-mass spectrometry., 2013, 34(14): 148-151. (in Chinese)

[8] 韩素芳, 钟冬莲, 丁明.固相微萃取-气相色谱-质谱测定杨梅香气. 分析试验室, 2009, 28(s1): 99-101.

HAN S F, ZHONG D L, DING M. Determination of aroma of Yangmei by Solid Phase Microextraction-Gas Chromatography-Mass Spectrometry., 2009, 28(s1): 99-101. (in Chinese)

[9] 王永倩, 刘卫光, 高杰, 钟昔阳. 油条风味物质的顶空固相微萃取条件优化及成分分析. 农产品加工月刊, 2017(4): 30-36.

WANG Y Q, LIU W G, Gao J, ZHONG X Y. Optimization of HS- SPME to study the odorant extracts and analysis of flavor composition from Youtiao., 2017(4): 30-36. (in Chinese)

[10] LIANG R J. Orthogonal test design for optimization of the extraction of polysaccharides from Phascolosoma esulenta and evaluation of its immunity activity., 2008, 73(4): 558.

[11] BURIN V M, MARCHAND S, DE R G, BORDIGNONLUIZ M T. Development and validation of method for heterocyclic compounds in wine: optimization of HS-SPME conditions applying a response surface methodology., 2013, 117(22): 87-93.

[12] DESAI K M, SURVASE S A, SAUDAGAR P S, LELE S S. Comparison of artificial neural network (ANN) and response surface methodology (RSM) in fermentation media optimization: Case study of fermentative production of scleroglucan., 2008, 41(3): 266-273.

[13] MARAN J P, PRIYA B. Comparison of response surface methodology and artificial neural network approach towards efficient ultrasound- assisted biodiesel production from muskmelon oil., 2015, 23(123): 192-200.

[14] SORIA M A, GONZALEZ FUNES J L G, GARCIA A F. A simulation study comparing the impact of experimental error on the performance of experimental designs and artificial neural networks used for process screening., 2004, 31(10): 469-474.

[15] MOGHADDAM M G, KHAJEH M. Comparison of response surface methodology and artificial neural network in predicting the microwave-assisted extraction procedure to determine zinc in fish muscles., 2011, 2(8): 803-808.

[16] SHAN H, FEI Y, HUAN Y, FENG G, FEI Q. Quantitative near-infrared spectroscopic analysis of trimethoprim by artificial neural networks combined with modified genetic algorithm., 2014, 30(4): 582-586.

[17] LAN Z, ZHAO C, GUO W Q, GUAN X, ZHANG X L. Optimization of culture medium for maximal production of spinosad using an artificial neural network-genetic algorithm modeling., 2015, 25(4): 253.

[18] BAS D, İSMAIL H. BOYACI. Modeling and optimization II: Comparison of estimation capabilities of response surface methodology with artificial neural networks in a biochemical reaction., 2007, 78(3): 846-854.

[19] AGATONOVIC-KUSTRIN S, ZECEVIC M, ZIVANOVIC L, TUCKER I G. Application of artificial neural networks in HPLC method development., 1998, 17(1): 69-76.

[20] LOU W, NAKAI S. Application of artificial neural networks for predicting the thermal inactivation of bacteria: A combined effect of temperature, pH and water activity., 2001, 34(7): 573-579.

[21] ENTESHARI M, MODAMMADI A, NAYEBZADEH K, AZADNIYA E. Optimization of headspace single-drop microextraction coupled with gas chromatography-mass spectrometry for determining volatile oxidation compounds in mayonnaise by response surface methodology., 2014, 7(2): 438-448.

[22] PAKRAVAN P, AKHBARI A, MORADI H, AZANDARYANI A H, MANSOURI A M, SAFARI M. Process modeling and evaluation of petroleum refinery wastewater treatment through response surface methodology and artificial neural network in a photocatalytic reactor using poly ethyleneimine (PEI)/titania (TiO2) multilayer film on quartz tube., 2015, 5(1): 47-59.

[23] 周文杰, 王鹏, 詹萍, 田洪磊. 香气活度值法结合PLS1用于梨酒特征香气物质筛选与鉴定. 食品科学, 2017, 38(14): 138-143.

ZHOU W J, WANG P, ZHAN P, TIAN H L. Aroma activity value method combined with PLS1 for the screening and identification of flavor characteristics of pear wine., 2017, 38(14): 138-143. (in Chinese)

[24] 何小燕, 田洪磊, 詹萍, 王晓玲, 杨富彬, 雷银凤, 宁孔卵, 马友梅. 鸡肉香精最适风味前体PLSR分析与研究. 现代食品科技, 2016, (10): 268-275.

HE X Y, TIAN H L, ZHAN P, WANG X L, YANG F B, LEI Y F, NING K L, MA Y M. Analysis and study of the desirable precursor of the chicken flavor based on PLSR., 2016, (10): 268-275. (in Chinese)

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

LI Y Y, CHANG Q R, LIU X Y, YAN L, LUO D, WANG S. Estimation of maize leaf SPAD value based on hyperspectrum and BP neural network., 2016, 32(16): 135-142. (in Chinese)

[26] WHITLEY D. An executable model of a simple genetic algorithm., 1993, 2: 45-62.

[27] 雷英杰. MATLAB遗传算法工具箱及应用. 西安: 西安电子科技大学出版社, 2005.

LEI Y J.Xi’an: Xi’an University of Electronic Science and Technology Press, 2005.

[28] LIN L, ZHUANG M, LEI F, YANG B, ZHAO M. GC/MS analysis of volatiles obtained by headspace solid-phase microextraction and simultaneous-distillation extraction from(MAXIM.) HARA leaf and stem., 2013, 136(2): 555-562.

[29] PLUTOWSKA B, CHMIEL T, DYMERSKI T, WARDENCKI W. A headspace solid-phase microextraction method development and its application in the determination of volatiles in honeys by gas chromatography., 2011, 126(3): 1288-1298.

[30] TANKIEWICZ M, MORRISON C, BIZIUK M. Application and optimization of headspace solid-phase microextraction (HS-SPME) coupled with gas chromatography-flame-ionization detector (GC–FID) to determine products of the petroleum industry in aqueous samples., 2013, 108(1): 117-123.

[31] HU G F, ZHU Y, HEENANDEZ M, KOUTCHMA T, SHAO S Q. An efficient method for the simultaneous determination of furan, 2-methylfuran and 2-pentylfuran in fruit juices by headspace solid phase microextraction and gas chromatography-flame ionisation detector., 2016, 192(192): 9-14.

[32] 于静, 李景明, 吴继红, 葛毅强. 顶空固相微萃取法(SPME)在红葡萄酒香气成分测定中的应用研究. 中外葡萄与葡萄酒, 2006(3): 4-9.

YU J, LI J M, WU J H, GE Y Q. Rapid determination of aroma components in Cabernet sauvignon wine by HS--SPME and GC-MS., 2006(3): 4-9. (in Chinese)

[33] CHAKRABORTY R, SAHU H. Intensification of biodiesel production from waste goat tallow using infrared radiation: process evaluation through response surface methodology and artificial neural network., 2014, 114(2): 827-836.

[34] 张纪兴, 陈燕忠. 人工神经网络建模结合遗传算法优化岗松油环糊精包合物制备工艺参数.中国药科大学学报, 2011, 42(4): 324-328.

ZHANG J X, CHEN Y Z. Optimization of the process parameters of Baeckeae oil-β-cyclodextrin inclusion complex was conducted by artificial neural network and genetic algorithm. Journal of China Pharmaceutical University, 2011, 42(4): 324-328. (in Chinese)

[35] VAS G., VEKEY K. Solid-phase microextraction: a powerful sample preparation tool prior to mass spectrometric analysis., 2004, 39(3): 233-254.

[36] WARDENCKI W, MICHULEC M, Curylo J. A review of theoretical and practical aspects of solid-phase microextraction in food analysis., 2004, 39(7): 703-717.

[37] CHEN M X, CHEN X S, WANG X G, CI Z J, HE T M, ZHANG L J. Comparison of headspace solid-phase microextraction with simultaneous steam distillation extraction for the analysis of the volatile constituents in chinese apricot., 2006, 5(11): 879-884.

[38] 周志, 徐永霞, 胡昊, 程超, 潘思铁. 顶空固相微萃取和同时蒸馏萃取应用于GC-MS分析野生刺梨汁挥发性成分的比较研究. 食品科学, 2011, 32(16): 279-282.

ZHOU Z, XU Y X, CHENG C, PAN S T. Comparative application of head space-solid phase micro-extraction and simultaneous distillation extraction for GC-MS analysis of volatile components in Chestnut Rose () juice., 2011, 32(16): 279-282. (in Chinese)

[39] LI G P, LIN L J, ZHAO J, LI J H. The optimization and HS-SPME/ GC-MS analysis in pear fruit., 2014, 1033-1034: 726-766.

[40] 薛宏坤, 刘成海, 刘钗, 徐浩, 秦庆雨, 沈柳杨, 郑先哲. 响应面法和遗传算法-神经网络模型优化微波萃取蓝莓中花青素工艺.食品科学, 2018, 39(16): 280-288.

XUE H K, LIU C H, LIU C, XU H, QIN Q Y, SHEN L Y, ZHENG X Z. A comparative study of the optimization of microwave extraction of anthocyanins from blueberry by response surface methodology and genetic algorithm-artificial neural network., 2018, 39(16): 280-288. (in Chinese)

[41] 王慧竹, 陈盟杰, 石琳, 朱文静, 杨鑫. BP神经网络结合响应面优化罗布麻总黄酮的提取工艺. 中国酿造, 2017, 36(6): 153-157.

WANG H Z, CHEN M J, SHI L, ZHU W J, YANG X. Optimization of extraction process of total flavonoids fromby BP neural network and response surface methodology., 2017, 36(6): 153-157. (in Chinese)

[42] 周梦舟, 吴珊, 柳念, 汪超, 徐宁, 胡勇, 史文博, 李冬生. 基于神经网络对枯草芽孢杆菌富硒过程的建模研究. 中国食品学报, 2016, 16(12): 66-74.

ZHOU M Z, WU S, LIU N, WANG C, XU N, HU Y, SHI W B, LI D S. Modelling research of the selenium enrichment bybase on artificial neural network., 2016, 16(12): 66-74. (in Chinese)

Using Neural Network Coupled Genetic Algorithm to Optimize the SPME Conditions of Volatile Compounds in Korla Pear

ZHANG Fang2, WEI ZhiSheng2, WANG Peng2, LI KaiXuan2, ZHAN Ping1, TIAN HongLei1

(1College of Food Engineering and Nutritional Science, Shaanxi Normal University, Xi’an 710119;2Food College of Shihezi University, Shihezi 832000, Xinjiang)

【Objective】In order to lay the foundation for fitting and regulation of natural flavors of Korla fragrant pear-related products, the extraction and analytical method for Korla pear aroma compounds was established by the optimization of solid phase microextraction (SPME) conditions (extraction fiber type, sample amount, extraction temperature, extraction time, and salt addition amount) with the back propagation neural network coupled genetic algorithm (BPNN-GA).【Method】The type of extraction fiber and the best extraction parameters of sample amount, extraction temperature, extraction time, and salt addition amount were determined by single factor test.On the basis of the single factor test, the central composite design was applied to further investigate the effects of sample amount, extraction temperature, extraction time, and salt addition amount on the SPME of Korla pear juice by using the content of the key aroma substances in Korla pear juice (1-Hexanal, butanoic acid ethyl ester, 1-nonanal, hexanoic acid ethyl ester, acetic acid ethyl ester, (E)-2-hexenal, 1-hexanol, (Z)-2-hexenal, and propanoic acid ethyl ester) as evaluation indicators. The model of BPNN was used to debug fitness of the function based on the results of central composite design, and then the sample amount, extraction temperature, extraction time, salt addition amount and the content of the key aroma substances in Korla pear juice were used as initial population, input values, and output value, respectively. The generalization ability of BPNN was validated using the data set outside the central composite design. The global optimal extraction conditions within the experimental level were predicted using the genetic algorithm (algorithm parameter setting: maximum evolution algebra 100, population size 20, mutation probability 0.2, and crossover probability 0.4).【Result】The result of statistical analysis showed that the extraction fibers had a significant (＜0.05) effect on the extraction efficiency of SPME, and the 65 μm PDMS/DVB fiber was the best extraction fiber of SPME for volatile compounds of Korla pear juice. The sample amount, extraction temperature, extraction time, and salt addition had significant (＜0.05) effect on the SPME efficiency. The topology of the BPNN was ‘4-15-1’. The Root Mean Square Error () of the verification data and the training data were both greater than 0.017, and the correlation coefficients of training, test and verification data were 0.990, 0.951 and 0.973, respectively, indicating that the BPNN prediction model had good accuracy and could be used for the prediction of the result of SPME of the aroma substances in Korla pear juice. The fitting degree of the prediction value of BPNN and the verification experiment result validating the generalization ability of the BPNN was 0.992, which indicated the established BPNN model had good generalization ability and could accurately predict the output value of datasets outside the training datasets. Using genetic algorithm after evaluation of data for 100 generations determined the best individual (3.41 μg∙g-1) and optimum condition: sample amount 5.33 g, extraction temperature 44.7℃, extraction time 25.22 min and salt addition 0.63 g. The verification test were conducted under these conditions as closely as possible (sample amount 5.33 g, extraction temperature 45℃, extraction time 25 min and salt addition 0.63 g), and the content of 9 key volatile substances in Korla pear juice was (3.37±0.23) μg∙g-1, which compared with the predicted value, and the error was -1.19%.【Conclusion】The above results indicated that BPNN-GA was a new method with better accuracy to optimize the solid-phase microextraction parameters, and the method of BPNN-GA provided a new way to solve the nonlinear problem. And the optimum extraction conditions for SPME of Koral pear juice were as follows: sample amount 5.33 g, extraction temperature 45℃, extraction time 25 min and salt addition 0.63 g.

Korla pear; volatile compounds; solid phase microextraction (SPME); back propagation neural network; genetic algorithm (GA)

10.3864/j.issn.0578-1752.2018.23.012

2018-05-25；

2018-09-17

国家自然科学基金（31571846）、石河子大学杰出青年项目（2015ZRKXJQ04）

张芳，E-mail：zhangfang505919@163.com。

詹萍，E-mail：zhanping0993@126.com。通信作者田洪磊，E-mail：thl0993@sina.com

（责任编辑 赵伶俐）