人工神經網絡在柚皮總黃酮提取中的應用

摘要：為獲得柚皮總黃酮提取的優化工藝，以乙醇體積分數、溶劑用量、提取溫度和提取時間作為影響因素，進行了柚皮總黃酮提取的單因素試驗和正交試驗。以獲得的２０個單因素試驗結果和９個正交試驗結果作為訓練樣本，設計和訓練了４－５－１結構的三層ＢＰ人工神經網絡。運用訓練好的網絡對設計的６２５種工藝組合進行預測，獲得了３組總黃酮得率較高的提取工藝。結果表明，通過人工神經網絡獲得的提取工藝總黃酮得率比正交試驗提高了５．７％。

關鍵詞：人工神經網絡；柚皮；總黃酮；提取

中圖分類號：Ｓ６６６．３；Ｒ２８４．２文獻標識碼：Ａ文章編號：0439－８114（２０11）10－2088-04

Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ （ＡＮＮ） ｏｎ ｔｈｅ Ｅｘｔｒａｃｔｉｏｎ ｏｆ Ｆｌａｖｏｎｏｉｄｓ

ｆｒｏｍ Ｐｏｍｅｌｏ Ｐｅｅｌ

ＨＵＡＮＧ Ｈｕａ１，ＬＩ Ｗｅｉ-ｒａｎ２

（１． Ｄｅｐａｒｔｍｅｎｔ ｏｆ ｃｈｅｍｉｓｔｒｙ ａｎｄ ｂｉｏｌｏｇｙ，Ｈｅｚｈｏｕ ｕｎｉｖｅｒｓｉｔｙ，Ｈｅｚｈｏｕ ５４２８００，Ｇｕａｎｇｘｉ，Ｃｈｉｎａ；

２． Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｄｕｃａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｃｅｎｔｅｒ， Ｈｅｚｈｏｕ ｕｎｉｖｅｒｓｉｔｙ， Ｈｅｚｈｏｕ ５４２８００，Ｇｕａｎｇｘｉ，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｓｉｎｇｌｅ ｆａｃｔｏｒ ｔｅｓｔｓ ａｎｄ ｏｒｔｈｏｇｏｎａｌ ｅｘｐｅｒｉｍｅｎｔｓ ｗｅｒｅ ｔａｋｅｎ ｔｏ ａｃｑｕｉｒｅ ｏｐｔｉｍｕｍ ｅｘｔｒａｃｔｉｏｎ ｃｒａｆｔ ｏｆ ｆｌａｖｏｎｏｉｄｓ ｆｒｏｍ ｐｏｍｅｌｏ ｐｅｅｌ； ａｎｄ ｔｈｅ ａｌｃｏｈｏｌ ｃｏｎｃｅｎｔｒａｔｉｏｎ， ｓｏｌｖｅｎｔ ａｍｏｕｎｔ， ｅｘｔｒａｃｔｉｏｎ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｅｘｔｒａｃｔｉｏｎ ｔｉｍｅ ｗｅｒｅ ｃｏｎｓｉｄｅｒｅｄ ｔｏ ｂｅ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ． Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ２０ ｓｉｎｇｌｅ ｔｅｓｔｓ ａｎｄ ９ ｏｒｔｈｏｇｏｎａｌ ｅｘｐｅｒｉｍｅｎｔｓ ｗｅｒｅ ｕｓｅｄ ａｓ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｔｏ ｄｅｓｉｇｎ ａｎｄ ｔｒａｉｎ ａ ４－５－１ ｔｈｒｅｅ－ｌａｙｅｒｓ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｔｈｅｎ ｔｈｅ ６２５ ｄｅｓｉｇｎｅｄ ｅｘｔｒａｃｔｉｏｎ ｃｏｎｄｉｔｉｏｎｓ ｗａｓ ｐｒｅｄｉｃｔｅｄ ｂｙ ｔｈｅ ｔｅｒｍｉｎａｔｉｖｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； ａｎｄ ３ ｃｏｍｂｉｎａｔｉｏｎｓ ｏｆ ｅｘｔｒａｃｔｉｏｎ ｃｏｎｄｉｔｉｏｎｓ ｗｈｉｃｈ ｃｏｕｌｄ ｂｒｉｎｇ ａｂｏｕｔ ｈｉｇｈ ｙｉｅｌｄ ｏｆ ｆｌａｖｏｎｏｉｄｓ ｗｅｒｅ ａｃｑｕｉｒｅｄ． Ｔｈｅ ｓｔｕｄｙ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｃｒａｆｔ ａｃｑｕｉｒｅｄ ｆｒｏｍ ＡＮＮ ｃｏｕｌｄ ｏｂｔａｉｎ ５．４％ ｍｏｒｅ ｆｌａｖｏｎｏｉｄｓ ｔｈａｎ ｔｈａｔ ｏｆ ｏｒｔｈｏｇｏｎａｌ ｅｘｐｅｒｉｍｅｎｔｓ．

Ｋｅｙ ｗｏｒｄｓ： Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； pｏｍｅｌｏ ｐｅｅｌ； fｌａｖｏｎｏｉｄｓ； eｘｔｒａｃｔｉｏｎ

人工神經網絡（Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ＡＮＮ）是一種模仿人類大腦思維的仿生算法，它既可模仿人的邏輯思維，又可模仿人的形象思維，是典型的非參數數據處理方法［１，２］。人工神經網絡能通過學習自動掌握和挖掘隱藏在事物內部的、不能用明確數學表達式表示的“灰箱”或“黑箱”關系。典型的人工神經網絡的結構見圖１，信號由輸入層輸入網絡，經過轉移函數向前傳播至隱含層，隱含層輸出的信息再經過轉移函數傳播到輸出層，最后給出輸出結果。

由于人工神經網絡非常適于處理非線性問題，在食品工業及其他行業獲得了廣泛的應用。在工藝建模及優化、過程控制及預測等方面均有成功應用的例子［３］。如廖孫啟［４］在賴氨酸發酵動力學的基礎上，結合模式識別和人工神經網絡對發酵過程進行建模并尋找最優點，計算所得優化工藝參數用于實際生產可提高產率，縮短周期并提高生產效率。黃明志等［５］利用ＢＰ網絡和ＲＢＦ網絡對紅霉素的發酵過程進行預估，經訓練后的神經網絡可在線預估出紅霉素效價、葡萄糖濃度、ＮＨ２－Ｎ濃度、丙醇濃度和菌體濃度等。蔣益虹等［６］將人工神經網絡與傳統正交試驗方法相結合，獲得了紅曲楊梅果酒發酵的最佳工藝并應用于實際生產中，取得了較好的效果。朱近等［７］在試驗數據的基礎上采用ＢＰ神經網絡來建立全麥飲料配方試驗的數學模型并用Ｃ語言模擬全面試驗來選擇配方。

正交試驗法由于其直觀、簡單、有效，正在獲得日益普遍的推廣應用。它是由試驗因素的全部水平組合中，挑選部分有代表性的水平組合進行試驗的，通過對這部分試驗結果的分析了解全面試驗的情況。但因為試驗成本和其他因素，正交試驗的次數有限，其得到的試驗結果只能說明大致情況，仍然具有一定局限性。

若將正交試驗的結果用于訓練人工神經網絡，然后在此基礎上對全部水平組合進行預測，則既能達到全面試驗的效果，又不會增加試驗成本。本研究將柚皮總黃酮提取的正交試驗結果用于訓練ＢＰ人工神經網絡，然后用訓練好的網絡對設計的６２５種工藝組合進行預測，找到了更加合理的提取工藝。該方法具有快速、準確和低成本的特點，值得推廣。

１材料與方法

１．１材料

１．１．１柚皮普通柚皮，收集于廣西賀州市農貿市場，洗凈，切分，在６０℃干燥后粉碎，過４０目篩。保存備用。

１．１．２試劑蘆丁標準品，中國藥品生物制品檢定所；其他試劑均為分析純。

１．１．３儀器ＦＷ８０微型高速萬能試樣粉碎機，河北省黃驊市新興電器廠；ＬＡ２０４電子天平；常熟市百靈天平儀器有限公司；ＶＩＳ－７２３型可見分光光度計，上海第三分析儀器廠。

１．２方法

１．２．１柚皮總黃酮的提取工藝準確稱取柚皮粉末５．００ ｇ置于提取罐中，加入一定量乙醇水溶液，在設定溫度下浸提，每個樣品提取兩次，合并提取液。離心過濾得柚皮的乙醇提取液。試驗方案如表１所示。先按照表１所設計的單因素試驗方案，選出每個因素的最佳水平范圍，然后據此設計４因素３水平正交試驗。

１．２．２標準曲線制作精確稱取經６０℃干燥至恒重的蘆丁標準樣品２０．０ ｍｇ，用６０％乙醇溶液溶解并定容至１００．００ ｍＬ，搖勻，得０．２００ ｍｇ／ｍＬ蘆丁標準溶液。準確吸取蘆丁標準溶液０、１、２、４、６、８、１０ ｍＬ，分別置于２５ ｍＬ比色管中，分別加５％ＮａＮＯ２ １ ｍＬ，搖勻，放置６ ｍｉｎ后分別加１０％Ａｌ（ＮＯ３）３ １ ｍＬ，搖勻，放置６ ｍｉｎ，再分別加１％ＮａＯＨ １０ ｍＬ，搖勻，用６０％乙醇溶液定容至刻度，放置１５ ｍｉｎ后，以空白為對照，于５１０ ｎｍ波長處測定吸光度，以蘆丁濃度Ｃ（ｍｇ／ｍＬ）對吸光度Ａ作標準曲線，得回歸方程為：Ａ＝０．００９ ９Ｃ＋０．００１ ４，ｒ＝０．９９８ １。

１．２．３柚皮總黃酮含量檢測精密吸取樣品液１ ｍＬ，置于１０ ｍＬ容量瓶中，用６０％乙醇定容。按１．２．２標準曲線的制備方法測定吸光度，根據上述回歸方程，計算出樣品中總黃酮的含量。每個樣品測３次，取平均值。

１．２．４人工神經網絡設計人工神經網絡設計應用ＭＡＴＬＡＢ６．５軟件。采用三層ＢＰ神經網絡，分別將４個試驗因素作為人工神經網絡的輸入，總黃酮得率作為輸出，因此神經網絡的輸入層定為４個神經元，輸出層神經元為１個。第一層的轉移函數是ｔａｎ－ｓｉｇｍｏｉｄ，輸出層的轉移函數是ｌｉｎｅａｒ。通過多次模擬試驗，調整網絡參數，以提高網絡學習和預測能力。

２結果與分析

２．１單因素試驗結果分析

單因素試驗結果分別如圖２、圖３、圖４和圖５所示。從圖２可以看出，在乙醇體積分數為６０％時柚皮總黃酮得率最高，繼續增加乙醇體積分數反而使總黃酮得率下降。由圖３可以看出，當使用２０倍數溶劑提取時比１０倍溶劑提取的總黃酮得率明顯提高，繼續增加溶劑用量則沒有明顯作用，說明使用２０倍左右的溶劑即能使絕大多數總黃酮浸出。圖４表明，提取溫度低于６０℃時溫度的提高能增加柚皮總黃酮浸出。但溫度高于６０℃后總黃酮得率反而下降。可能由于溫度的升高加速了總黃酮損失。圖５說明，提取的前２.0 ｈ，柚皮總黃酮的溶出速度較快，浸提２.0 ｈ后，溶出速度逐漸下降。溶質的浸出過程是一個傳質過程，隨著浸出時間延長，傳質推動力降低，因此浸出速度下降。由圖５可以看出，柚皮總黃酮的浸出時間為２.0 ｈ較合適。

２．２正交試驗結果分析

根據單因素試驗結果，設計４因素３水平正交試驗。因素與水平設計見表２。正交試驗結果如表３所示。表３顯示，各因素對總黃酮得率影響的大小順序為Ａ＞Ｂ＝Ｄ＞Ｃ，即乙醇體積分數＞溶劑用量＝提取時間＞提取溫度。最優浸提工藝組合Ａ２Ｂ２Ｄ３Ｃ３，即乙醇體積分數為６０％，溶劑用量為２０ ｍＬ／ｇ，提取溫度為６５℃，提取時間為２．５ ｈ。考慮到６５℃和６０℃的提取溫度對柚皮總黃酮得率并無明顯影響，因此選擇提取溫度為６０℃以節約能源。

以上述最佳工藝組合對柚皮總黃酮進行驗證試驗，結果總黃酮得率為１．８４％，高于正交試驗出現組合中的最高得率。證明了正交試驗的有效性。

２．３人工神經網絡優化提取工藝

２．３．１網絡參數優化以已經獲得的２９組單因素試驗和正交試驗結果作為訓練樣本對網絡參數進行優化，以內部交叉驗證法檢驗網絡訓練效果。為使網絡獲得良好的收斂性，數據在輸入之前全部進行歸一化處理。以網絡擬合殘差為考察指標，通過改變網絡參數進行擬合試驗，優化網絡參數。隱含層節點數、學習速率和學習次數對網絡擬合殘差的影響分別如圖６、圖７和圖８所示。

圖６說明，隱含層節點數對網絡的預測能力具有較大影響。隱含層節點數過少，網絡預測能力不足，會使擬合殘差增加；而隱含層節點數過多，網絡難于收斂，同樣會增加擬合殘差。經多次試驗，隱含層節點數確定為５個。學習速率對網絡的訓練同樣有重要影響。從圖７可以看出，一開始，隨著學習速率增加，擬合殘差降低，而后隨著學習速率增加，網絡擬合殘差急劇增加。因為過小的學習速率容易使網絡陷入死角，無法達到學習目標。而過大的學習速率又使網絡擬合殘差增加，同時難于收斂。學習速率定為０．０５較合適。從圖８可以看出，當學習次數超過２ ０００次時，擬合殘差不再降低。超過２ ０００次以后的學習對網絡的性能沒有提高，屬于無效學習。綜合以上結果，確定網絡隱含層節點數為５個（即網絡結構為４－５－１型），學習速率為０．０５，學習次數為２ ０００次。

２．３．２網絡預測經過對自己設計的６２５種工藝組合進行模擬和篩選，找到其中預測結果較高的３種組合，其提取工藝參數和預測結果（總黃酮得率）如表４所示。由表４可以看出，篩選的３種組合的實測結果均高于正交試驗所得的最佳組合。綜合節能和環保等方面考慮，最后決定采用第一種組合作為最后采用的提取工藝。即乙醇體積分數為５５％，溶劑用量為２０ ｍＬ／ｇ，提取溫度為６２．５℃，提取時間為２.0 ｈ，柚皮總黃酮得率為１．９４５％，比正交試驗最優組合提高５．７％。

３結論與討論

以乙醇體積分數、溶劑用量、提取溫度和提取時間為考慮因素，通過４因素３水平正交試驗得到了柚皮總黃酮的優化提取工藝。在正交試驗的基礎上，通過設計和訓練人工神經網絡，對多種工藝組合進行預測，最后得到了柚皮總黃酮提取的最佳工藝組合，比正交試驗得到的總黃酮得率提高５．７％。

正交試驗是研究多因素多水平的一種設計方法，是做工藝優化時廣泛采用的經典的方法。正交試驗根據正交性從全面試驗中挑選出部分有代表性的點進行試驗，是一種高效率、快速、經濟的試驗設計方法。然而，正交試驗不能完全代替全面試驗。以正交試驗結果為基礎，設計和訓練人工神經網絡，然后利用訓練好的網絡對所有可能的組合進行預測，就可以實現全面試驗，從而得到最優的工藝條件，同時還可以節約大量時間和成本。該方法是一種全新的工藝優化模式。

參考文獻：

［１］ 殷勇．人工嗅覺系統在農產品質量檢測中的應用研究［Ｄ］．鎮江：江蘇理工大學，１９９９.

［２］ 殷勇，田先亮，易軍鵬，等．人工嗅覺技術在酒類鑒別中的應用現狀與展望［Ｊ］．食品科學，２００３，２４（８）：２０４－２０６．

［３］ 李琳，趙謀明，張黎．人工神經網絡在食品工業中的應用［Ｊ］．食品研究與開發，２００５，２６（１）：１３－１６．

［４］ 廖孫啟．賴氨酸發酵工藝參數優化［Ｊ］．四川食品與發酵，２００１（２）：３６－４０．

［５］ 黃明志，杭海峰，儲炬，等．人工神經網絡在紅霉素發酵過程狀態預估中的應用［Ｊ］．華東理工大學學報，２０００，２６（２）：１６２－１６４， １７６．

［６］ 蔣益虹，馮雷．人工神經網絡方法在紅曲楊梅果酒發酵工藝優化中的應用［Ｊ］．農業工程學報，２００３，１９（２）：１４０－１４３．

［７］ 朱近，朱新星． Ｂ－Ｐ神經網絡在全麥飲料配方設計中的應用［Ｊ］．食品科學，１９９６，１７（６）：３－７．

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文