人工神经网络和响应面法优化薏苡仁酒发酵条件

邹立飞，郑 鹏*

（1.兴义民族师范学院 生物与化学学院，贵州 兴义 562400；2.华南农业大学 园艺学院，广东 广州 510642）

薏苡（Coix lachrymatory）广泛分布于中国、泰国、缅甸、韩国、日本、巴西等地[1]。我国薏苡主产区包括贵州、广西、福建、河北等[2]。薏苡是一年生作物，可与传统草药一起用于治疗炎症、哮喘、咳嗽、胃病、腹泻和糖尿病[3]。在营养含量方面，薏苡与其他谷物相似，以淀粉为主要成分（约60%），但油脂和蛋白质含量高于大米和小麦等谷物[4]。同时薏苡仁中的甾醇、三萜类化合物、多糖、油脂等活性成分具有抗癌、抗炎、抗增殖和抗过敏活性[5-6]。LI B等[7]首次从薏苡仁谷蛋白中提取到具有显著抗高血压作用的多肽，这在一定程度上为抗高血压天然药物的开发提供了一个新的资源。CHEN H J等[8]研究发现，薏苡仁中富含能抗炎的黄酮类物质。薏苡仁具有强烈的抑制环氧化酶、脂肪酸合成酶、基质金属蛋白酶和肝胆固醇合成的化学成分，这些成分具有很强的抗氧化、刺激生产激素、促进子宫收缩和调节肠道微生物的作用[9]。YIN H等[10]研究发现，发酵薏苡仁中游离氨基酸、游离脂肪酸、可溶性膳食纤维和有机酸等营养成分含量明显高于未发酵薏苡仁的含量，而这些成分对人体的健康起到相关的促进作用；同时发酵后的薏苡仁因其挥发性化合物中醛、酮含量降低、醇含量增加而产生了独特的风味，并且降低了有害物质戊基呋喃（2-pentylfuran）的含量。日常生活中，薏苡仁一般直接作为食物被食用，但营养物质往往不能得到充分吸收；但消费者对高营养薏苡仁深加工产品的需求旺盛，薏苡仁相关产品的开发研究越来越受到关注[11]，薏苡碎米食醋[12]、薏苡仁酸奶[14]、薏苡仁露饮料[15]、红豆薏苡仁酥糖[16]等薏苡仁深加工产品得到了研究。薏苡仁作为酿酒原料也受到关注[16-17]。响应面法（response surface methodology，RSM）是通过分析拟合得到多元二次非线性模型，最终对模型求解得到最佳发酵条件，其在发酵条件优化上得到了广泛的应用，Box-Behnken（BB）试验设计是一种将各因素单独作用和各因素之间交互作用同时考虑的试验设计方法，也是响应面法分析中常用的实验设计方法，但响应面法主要拟合多元二次非线性模型，对于其他模型的拟合存在很大的局限性。人工神经网络（artificialneural network，ANN）是一种流行的机器学习技术，其通过黑箱建模方法将输入与相应输出之间的关系联系起来[18-19]。反向传递（back propagation，BP）神经网络是一种误差逆传播算法训练的多层前反馈网络，BP神经网络的学习过程由前向计算和误差反向传播组成，计算实际输出时按输入至输出的方向，但阈值、权值的修正则从输出至输入方向进行。BP神经网络也是人工神经网络中应用最广泛的神经网络模型之一[20]。因此利用BP神经网络对发酵条件进行优化的研究越来越受到广大学者的关注，但国内在响应面法与BP神经网络在优化效果上的比较研究较少。

酒精含量是酿酒中的重要指标，本研究将薏苡仁用于酿酒，以酒精含量为评价指标对酿酒工艺进行优化，通过对影响薏苡仁酿酒产酒精的4个因素（薏苡仁与糯米质量比、酵母A1接种量、温度、初始pH值）进行BB试验设计，分别采用响应面法和BP神经网络对BB试验结果进行分析，对两种分析得到的模型进行比较，以期为薏苡仁酒工艺优化提供更适合的模型优化方法。

1 材料与方法

1.1 试验材料

1.1.1 供试菌株和原料

扣囊复膜酵母（Saccharomycopsis fibuligera）A1：本实验室筛选保藏；薏苡仁：贵州泛亚实业（集团）有限公司；散装糯米：贵州省兴义市大润发超市。

1.1.2 化学试剂

淀粉酶（30 000 U/g）、糖化酶（50 000 U/g）：河南万邦实业有限公司；琼脂粉（生化试剂）：天津市致远化学试剂有限公司；葡萄糖（分析纯）：天津市风船化学试剂科技有限公司；酵母膏、蛋白胨（均为生化试剂）、柠檬酸钠（分析纯）：上海麦克林生化科技有限公司。

1.1.3 培养基

酵母浸出粉胨葡萄糖（yeast extract peptone dextrose，YPD）液体培养基：酵母膏10 g，蛋白胨20 g，葡萄糖20 g，蒸馏水1 000 mL，pH自然。121 ℃高压蒸汽灭菌30 min。

YPD固体培养基：YPD液体培养基添加琼脂20 g。121 ℃高压蒸汽灭菌30 min。

1.2 仪器与设备

AQ810C高压蒸汽灭菌器：日本雅马拓（YAMATO）公司；0～100%酒精计：河北省武强县华鸥仪器仪表厂；RE 5298A旋转蒸发器：上海亚荣生化仪器厂；FA224 电子天平：上海舜宇恒平科学仪器有限公司；雷磁PHS-3C pH计：上海仪电科学仪器股份有限公司；SW-CJ-2FD超净工作台：苏净集团苏州安泰空气技术有限公司；YLA-2000电热恒温培养箱：山东潍坊医药集团股份有限公司医疗器械厂；HH-2数显恒温水浴锅：金坛市杰瑞尔电器有限公司。

1.3 方法

1.3.1 种子液的制备

从斜面培养基上挑取扣囊复膜酵母（Saccharomycopsis fibuligera）A1接种于YPD平板上，在30 ℃条件下静置培养48 h。接着从平板上挑取单菌落转接于YPD液体培养基，在30 ℃条件下静置培养48 h，即为种子液。

1.3.2 薏苡仁酒的制备

将薏苡仁、糯米粉碎并经40目纱网过滤，料水比1∶2（g∶mL），薏苡仁、糯米具体质量根据试验设计确定，先在100 ℃下糊化1 h，待温度降至并稳定在60 ℃时加入1.5%的淀粉酶液化3 h，然后当温度降至50 ℃并维持在此温度下时加入2.0%的糖化酶糖化2 h，将糖化后的溶液在121 ℃下灭菌15 min，根据试验设计加入相应量的种子液进行8 d的发酵，发酵结束后进行过滤，得到薏苡仁酒。

1.3.3 酒精度测定

酒精度测定采用酒精计法[21]。

1.3.4 发酵条件优化设计

（1）最陡爬坡试验

在单因素试验基础上，根据薏苡仁与糯米质量比（X1）、接种量（X2）、温度（X3）、初始pH（X4）4个因素对薏苡仁产酒精的影响设计相应的步长和变化方向，最终逼近薏苡仁产酒精的最大响应区间。

（2）Box-Behnken 试验

选用最陡爬坡试验结果中产酒精最大的处理作为BB试验的中心点，以酒精度（Y）为响应值，同时确定薏苡仁与糯米质量比（X1）、酵母A1接种量（X2）、温度（X3）、初始pH值（X4）4个因素在BB试验中最高、最低水平，Box-Behnken试验设计因素与水平见表1。

表1 发酵条件优化Box-Behnken试验设计因素与水平Table 1 Factors and levels of Box-Behnken experiments for fermentation conditions optimization

1.3.5 统计分析

（1）响应面法分析

应用Design Expert 11.0对BB试验结果进行响应面分析，得到一个多元二次方程模型。通过对该模型进行分析，从而确定理论的最优发酵条件及最优值。

（2）人工神经网络分析

BP神经网络是一种按照误差逆向传播法训练的多层前反馈神经网络。其能在事先无确定的映射数学关系时，通过逆向传播不断调整BP神经网络的权值，最终使BP神经网络的均方误差（mean square error，MSE）最小。遗传算法是一种模拟达尔文的适者生存和遗传选择的生物进化规律的算法；其核心内容包括：参数编码、初始化种群、适应函数的设计、遗传操作（选择、变异、交叉）的设计、控制参数的设定；在遗传算法中所需解决的优化问题将转变为求解个体适应度的问题。通过搜索最大适应度，进而求解出优化问题的最优值。因此利用BP神经网络对模型进行模拟仿真，再通过遗传算法对BP神经网络模拟仿真的模型求解最优值。

1.3.6 模型验证及比较

分别对响应面法和人工神经网络得到的最佳产酒精的发酵条件进行验证，从而判断模型得出的理论结果与实际结果是否一致，并计算相对误差。用于评价模型的统计学指标见表2。

表2 评价模型的统计学指标Table 2 Statistical indexes of evaluation model

2 结果与分析

2.1 最陡爬坡试验结果分析

通过最陡爬坡试验可大致确定BB试验的中心点及各因子的边界值，结果见表3。由表3可知，酒精度在处理1至处理6呈现出先增加后降低的趋势，且在处理4时，即当薏苡仁与糯米比例为1∶2（g∶g）、接种量为5.0%、温度为30.0 ℃、初始pH值为5.0时酒精度达到最大值（15.47%vol），因此将处理4作为BB试验的中心点，同时将处理2、处理6相对应的各因子的参数作为BB试验设计的边界值（最大值或最小值）。

表3 最陡爬坡试验设计及结果Table 3 Design and results of the steepest climb test

2.2 BB试验结果分析

在最陡爬坡试验的基础上，通过Design Expert 11.0对BB试验结果进行分析，结果见表4，方差分析结果见表5。由表5可知，模型的F值为29.81，P值为＜0.000 1，表明模型是显著的。同时模型的决定系数（R2）为0.967 5，回归模型足够准确。且模型的精度值为19.986，信噪比远＞4，说明模型足够精确。通过响应面分析最终到回归模型：Y=-13.073 06+40.978X1+326.708 33X2+0.788 283X3-0.467 708X4-175X1X2-0.206X1X3+0.03X1X4-3.575X2X3+2.0625X2X4-0.016X3X4-26.088X12-1 391.875X22-0.007 37X32+0.074 25X42。

表4 发酵条件优化Box-Behnken试验设计及结果Table 4 Design and results of Box-Behnken experiments for fermentation conditions optimization

续表

表5 回归模型的方差分析Table 5 Variance analysis of regression model

图1 各因素交互作用对酒精度影响的响应面及等高线Fig.1 Response surface plots and contour lines of effects of interaction between each factor on alcohol content

同时对回归模型进行最优值求解可知：当薏苡仁∶糯米为1∶2（g∶g）、接种量为4.7%、温度为31.7 ℃、初始pH值为3.0时，酒精度理论值为16.13%vol。在上述条件下通过3次平行验证试验得到实际酒精度为16.07%vol，与理论值16.13%vol相差不大。结果表明，通过响应面法得到的模型具有较好的精确性和准确性。

2.3 人工神经网络分析结果

利用Matlab 2016a软件对BB试验结果进行BP神经网络分析，同时运用遗传算法对BP神经网络分析得到的模型进行最优值求解，均方误差和模拟仿真效果分别见图2、图3。

图2 人工神经网络模型均方误差效果图Fig.2 Mean square error of artificial neural network model

由图2可知，在迭代次数到4次的验证集均方误差是0.011 36，训练集局方误差为0.000 002 55，且BP神经网络此时已达到训练结束条件。由图3可知，BP神经网络训练拟合得到的模型的相关系数R为0.994 46。最终利用遗传算法对该模型进行寻优，结果显示在薏苡仁∶糯米为1∶1.9（g∶g）、酵母A1接种量为4.2%、温度为28.1 ℃、初始pH为3.0时酒精度达到最大16.27%vol；对模型最优值进行验证，最终得到酒精度为16.23%vol与理论值16.27%vol基本一致。综上说明BP神经网络模型准确性很高，对本实验模拟仿真效果较好。

图3 人工神经网络模拟仿真效果Fig.3 Simulation effect of artificial neural network

2.4 人工神经网络与响应面法优化模型比较

表6 优化条件和模型验证Table 6 Optimization conditions and model validation

由表6可知，对人工神经网络拟合模型、响应面法拟合模型在各自最优条件下的预测值与实验值都基本一致，相对误差方面上，人工神经网络相对误差更小；同时对人工神经网络拟合模型、响应面法拟合模型预测准确性进行比较，结果见图4，对模型相关指标进行分析，结果见表7。

表7 响应面法与人工神经网络预测能力的比较Table 7 Comparison of predictive capacity of response surface methodology and artificial neural network

图4 响应面法、人工神经网络模型的预测值和实验值的比较Fig.4 Comparison between the predicted and experimental values of response surface method and artificial neural network model

由表7可知，人工神经网络拟合模型、响应面法拟合模型的R、R2、MSE、RMSE、MAE、MAPE分别为0.994 5、0.988 9、0.011 7、0.108 4、0.072 2、0.486 3%和0.983 6、0.967 5、0.028 9、0.170 1、0.143 7、0.985 7%，说明人工神经网络拟合模型在R、R2、MSE、RMSE、MAE、MAPE指标上都优于响应面法拟合模型。结合图4结果表明，人工神经网络拟合模型较响应面法拟合模型更适合本研究。

3 讨论

马建春等[22]在研究补阳还五汤提取工艺时，实验结果显示RSM、ANN模型的拟合系数R分别为0.935 8、0.988 9，且ANN模型预测最优值更接近真实值，说明ANN拟合效果要优于RSM。周梦舟等[23]对枯草芽孢杆菌富硒过程的建模研究，通过均方误差、平均绝对误差、拟合系数来评价模型优劣，发现ANN模型拟合效果更好。本研究结果也表明ANN模型在拟合效果、可靠性上都优于RSM模型；综上可以发现ANN模型都较RSM模型拟合效果更好、拟合结果往往更可靠，其原因可能是因为ANN在模型拟合时无需规范的拟合函数和无限逼近能力。

虽然ANN较RSM具有很多优势，但ANN无法解释其推理具体过程，在求极值时容易陷入局部最值，且拟合过程中容易出现过拟合现象，如何避免ANN陷入局部最值、过拟合现象等；因此，在运用ANN进行建模时，有必要考虑耦合其他分析方法来避免ANN本身劣势的出现。同时本研究只针对薏苡仁酿酒产酒精进行优化，酒精含量虽是重要指标，但发酵中产生的有益物质的含量也是重要指标，后续研究有必要采用多目标优化的方法对酒精含量和有益物质含量同时优化，以期为薏苡仁酒品质的提升提供理论保障。

4 结论

本研究评价了RSM和ANN在优化薏苡仁发酵产酒精的效果。根据评价的统计指标，ANN模型的准确性和拟合能力优于RSM。RSM预测的最佳发酵条件为薏苡仁∶糯米为1∶2（g∶g）、酵母A1接种量为4.7%、温度为31.7 ℃、初始pH值为3.0，预测酒精度达到16.13%vol，经验证实验显示酒精度实际值为16.07%vol与预测值基本一致；ANN预测的最佳发酵条件为薏苡仁∶糯米为1∶1.9（g∶g）、酵母A1接种量为4.2%、温度为28.1 ℃、初始pH值为3.0，预测酒精度达到16.27%vol，经验证实验显示酒精度实际值为16.23%vol与预测值基本一致，在各自最优发酵条件下的预测值与实验值的相对误差上都较小，但人工神经网络拟合模型更小，说明RSM与ANN拟合模型在最佳发酵条件下预测更准确。同时人工神经网络拟合模型、响应面法拟合模型的R、R2、MSE、RMSE、MAE、MAPE分别为0.994 5、0.988 9、0.011 7、0.108 4、0.072 2、0.486 3%和0.983 6、0.967 5、0.028 9、0.170 1、0.143 7、0.985 7%，说明人工神经网络在拟合能力上较响应面法表现更好。综上所述，在本研究中人工神经网络更适合对薏苡仁酿酒产酒精进行建模优化。