基于遗传神经网络的郫县豆瓣有机酸提取工艺研究

2020-05-29朱会霞王辉暖

中国调味品 2020年5期

朱会霞，王辉暖

(1.辽宁工业大学管理学院，辽宁锦州 121001；2.锦州医科大学畜牧兽医学院，辽宁锦州 121001)

郫县豆瓣是具有中国地方特色的发酵型调味品，采用独特的传统工艺，经过日晒夜露，最终形成郫县豆瓣独特的成分构成和风味特征[1-3]。而传统工艺中加工环节很多依赖工人师傅的主观经验，导致郫县豆瓣产品质量参差不齐，缺乏完善的质量标准。为了提高郫县豆瓣产品的质量，准确划分产品质量等级，得到完善的产品质量标准体系，需要对呈香呈味物质进行综合考虑。目前，国内学者对郫县豆瓣的研究主要集中在挥发性呈香物质的鉴定、细菌多样性分析及生产工艺的研究上[4-7]，而对呈味物质的研究较少。在发酵过程中产生的有机酸，为发酵食品提供独特的风味，是豆瓣呈味物质中重要的组成部分，对豆瓣成品品质有重要的作用，也是未来发酵食品一个重要研究方向[8-11]。鉴于此，本文研究郫县豆瓣中呈味有机酸的含量，以期用科学的数据化方法取代工人师傅的主观经验，为制定更加完善的产品质量标准提供数据支撑，为今后郫县豆瓣生产企业有效地控制和优化产品风味品质提供试验参考。

目前，一般采用单因素和组合试验相结合的方法研究有机酸提取工艺，在单因素基础上确定组合试验因素水平，用组合试验研究各因素对有机酸提取量的影响规律，再对试验结果进行二次多项式回归，通过优化回归分析所得的数学模型，获得有机酸提取量的最佳工艺条件[12,13]。但回归模型是在严格假设的基础上进行的，对数学模型选择的要求较高，样本自带噪声处理能力差，且郫县豆瓣中有机酸提取工艺条件与有机酸提取量之间具有典型的黑箱和非线性特征，用传统方法较难定量地描述其相互关系，故可能出现较大估计误差，影响拟合精度。

针对回归模型存在的问题，本文提出一种改进的遗传神经网络算法，改善算法对样本噪声的鲁棒性。用中心组合试验和改进的遗传神经网络算法相结合，探明郫县豆瓣中有机酸最佳提取工艺，以达到减少试验次数，降低试验成本的目的。

1 试验设计

根据有机酸提取工艺[14-16]，以鹃城一级郫县豆瓣为原材料，选取对有机酸提取有重要影响的乙醇体积分数A、料液比B和超声时间C 3个试验因素进行超声波辅助提取。用三因素三水平中心组合试验研究不同工艺条件组合对有机酸提取量Y的影响。参考文献[17]确定的因素水平编码情况见表1，结果见表2。

表1 试验因素水平编码表Table 1 Coding table of experimental factors and levels

表2 试验方案与结果Table 2 Scheme and result of experiment

续表

根据表1和表2的数据，可得有机酸提取量Y的编码方程，见式(1)：

Y=15.000+0.307A+0.151B+0.086C+0.090AB-0.115AC+0.318BC-0.694A2-0.666B2-0.471C2。

(1)

2 构建郫县豆瓣中有机酸提取工艺的遗传神经网络模型

2.1 遗传神经网络结构设计

神经网络能通过学习包含正确答案的实例集自动提取“合理的”求解规则，具有构建非线性复杂关系模型的能力。数学理论已证明，三层神经网络因引入非线性激励函数，可使模型解决任何复杂非线性问题[18,19]，故本文采用输入层、隐含层和输出层的三层神经网络构建郫县豆瓣有机酸提取工艺条件优化的网络模型。试验为乙醇体积分数A、料液比B和超声时间C 3个因素，故输入层为3个神经元，输出为有机酸提取量Y，故输出层为1个神经元，根据隐含层神经元计算公式及经验值确定隐含层神经元结点数为7，即S1～S7，网络结构3-7-1，见图1。

图1 BP神经网络的结构Fig.1 Structure of the BP neural network

郫县豆瓣有机酸提取工艺条件与提取量之间的函数关系见式(2)：

Y=F(X)=f[W2·f(W1·X+θ1)+θ2]。

(2)

式中：Y为神经网络的实际输出；X为试验因素的集合；F(X)为输入与输出之间的关系；f( )为神经元的激励函数，各层之间的传递函数为Sigmoid函数；W1表示输入层与隐含层之间的权值， θ1表示阈值；W2表示隐含层与输出层之间的权值，θ2表示阈值。

2.2 改进的遗传神经网络算法

神经网络的功能特性由连接的权值和阈值决定，训练效率和误差的收敛问题是神经网络训练比较关键的问题。网络训练过程的本质是通过负梯度下降法，利用迭代运算，实现可变权值的动态调整。梯度下降法在靠近极小值时，会出现“锯齿形现象”，使得收敛速度减慢，若进入平坦区，训练过程几乎停滞[20,21]。为了克服局部收敛，必须彻底摆脱依赖梯度信息来指导权值、阈值调整方向的思路。而模拟自然选择和遗传学机理的遗传算法，对寻优函数无数学限制，只需要目标函数是可计算的，恰好可以解决神经网络算法由于梯度下降引起的难题。因此，本文提出用改进的遗传算法彻底替代神经网络误差反向传播过程，形成遗传神经网络算法。但遗传算法求解优化问题时，只能求得给定区间内的优化值[22]。而神经网络权值和阈值所在区间一般无法预知，故本文采用能够动态调整权值阈值所在区间的自适应遗传算法，在没有权值阈值先验信息的情况下，从任意搜索区间出发，根据上一代种群信息，自动向误差最小值的权值阈值所在区间搜索。

自适应遗传算法优化神经网络权值阈值的进化策略为：设定种群规模、交叉概率、变异概率及算法结束条件等初始参数；产生权值阈值的初始种群，以初始种群作为父代种群，计算父代个体的适应度值，保留精英个体；进行选择、交叉遗传操作后，判断是否满足调整权值阈值搜索区间的条件，满足则调整搜索区间，不满足继续执行变异操作，用父代保留的精英个体替换子代中较差个体，产生子代种群；计算子代种群个体的适应度值，判断误差是否满足训练结束要求，满足则输出此时的权值阈值，不满足继续执行相应的遗传操作，直至达到网络训练要求为止。

3 郫县豆瓣中有机酸提取工艺优化

3.1 遗传神经网络模型的训练拟合

以表2中的试验数据训练遗传神经网络，将试验数据归一化处理至区间[0.1，0.8]之间，采用MATLAB R2016b编程实现上述思想。权值阈值初始区间取值为[-10，10]，变量求解精度为 1.0×10-4，种群规模为80，交叉概率为0.95，变异概率为0.05，精英个体保留数量为4。当遗传神经网络输出信号与给定输出信号所有神经元的误差能量总和达到1.1862×10-11时，训练结束，此时权值阈值的结果如下。

输入层和隐含层之间的权值:

输入层与隐含层之间的阈值：

θ1=[-6.3541 3.6919 -14.2169 -7.1977 -2.8148 -6.3341 5.1586]。

隐含层与输出层之间的权值：

隐含层与输出层之间的阈值：

θ2=[8.2852]。

将训练好的权值和阈值代入遗传神经网络算法前向计算过程，得到有机酸提取量的输出数据，将输出数据和试验测量值进行拟合，并与回归方法得到的数据和试验测量值拟合结果进行比较，其精度情况见表3。

表3 有机酸提取量拟合精度情况Table 3 Fitting accuracy of organic acid extraction amount

由表3可知，遗传神经网络算法输出数据的平均相对误差为0%，拟合精度明显优于回归方程(0.822%)。两种模型有机酸提取量拟合值与试验值对比情况见图2与图3。

3.2 拟合结果与分析

图2 郫县豆瓣有机酸提取量试验值与遗传神经网络模型输出值拟合情况Fig.2 Fitting between the experimental value of organic acid extraction amount from Pixian broad bean paste and the output value of genetic neural network model

图3 郫县豆瓣有机酸提取量试验值与回归模型预测值拟合情况Fig.3 Fitting between the experimental value of organic acid extraction amount from Pixian broad bean paste and the predicted value of the regression model

对比图2与图3优化结果可得，遗传神经网络模型拟合值与试验值的R2=1.000，调整R2=1.000，标准估计的误差为0(P<0.01)，回归方程模型拟合值与试验值的R2=0.927，调整R2=0.920，标准估计的误差为0.141(P<0.05)。

以上结果表明，遗传神经网络算法可使训练目标达到很高的学习精度，平均相对误差、标准估计的误差更小，更接近郫县豆瓣有机酸提取工艺试验因素与有机酸提取量之间的真实情况。遗传神经网络模型对于有机酸提取量的拟合精度和拟合优度均高于回归模型。

3.3 参数优化

为了使郫县豆瓣中有机酸提取工艺达到最佳，以有机酸提取量最大建立目标函数。根据单因素试验分析结果，建立郫县豆瓣有机酸提取工艺条件约束条件，优化目标函数见式(3)：

Fmax=Y

(3)

将训练好的权值和阈值代入遗传神经网络工作信号正向输出过程，以式(3)为目标函数，用改进的遗传算法[23]优化郫县豆瓣有机酸提取工艺条件。当算法连续运行3000代结果不变时，结束优化过程。可得当乙醇体积分数为A为68.50%，料液比B为1∶20.44 (g/mL)，超声时间C为35.28 min时，有机酸提取量达到最大值Y=15.19 mg/g。