BP人工神經網絡對酸奶貨架期的預測

易甜 程鵬飛

摘要：針對傳統力學模型的局限性，構建了BP人工神經網絡模型對酸奶貨架期進行預測。該模型全面考慮了理化指標、微生物指標、感官指標等消費者關注度高的指標，模擬非穩定性冷鏈條件，對酸奶的貨架期進行預測。結果表明：BP神經網絡模型與傳統動力學模型相比，能更加準確地預測在冷鏈短暫中斷的溫度波動條件下的貨架期。

關鍵詞：酸奶；人工神經網絡；貨架期

中圖分類號：TS2

文獻標識碼：A 文章編號：16749944（2017）10024205

1 引言

酸奶是一種半固體的發酵乳制品，因為其獨特的風味和口感，受到消費者廣泛的喜愛。酸奶在貨架期的貯藏過程中，理化指標、微生物指標以及微觀結構都發生了很大的變化。這些指標的改變直接影響了酸奶的色澤、風味、質地和口感，而對消費者來說，這些變化非常影響消費者的消費欲。如何預測酸奶的貨架期一直是研究人員較為關注的話題。

人工神經網絡（Artificial Neural Networks， ANN）是一種模擬人類或動物神經網絡行為特征，分布式并行信息處理數學模型的算法。誤差反向傳播（Back Propagation， BP）神經網絡：BP神經網絡是一種多層前饋的單向傳播網絡，基于誤差反饋，采用的是后向傳播算法，是目前應用最為廣泛的一種模型。隨著科技的高速發展，人工神經作為一種安全、可靠的貨架期預測技術應用到食品中。與傳統動力學模型相比，人工神經網絡能夠根據產品的品質指標，對方程進行修正，并得到適合產品的數學方程，從而對貨架期進行預測。近年來，國內外的研究中成功預測部分食品的貨架期。如Sofu和Ekinci利用機械視覺系統觀測貯藏過程中色澤的變化預測酸奶的貨架期。但是，這些研究的局限性也暴露出來。首先，實驗設計中一般只考慮了貯藏過程中一種或兩種簡單的因素，如理化指標或微生物指標，而對于消費者較為重視的酸奶的色澤、風味和質地等酸奶評價品質的指標并未考慮；其次，由于以往的研究考慮的因素指標有限，因此，只能構建傳統的簡單模型，這類模型較為局限于在穩定的貯藏環境下對貨架期進行預測，對波動溫度的預測準確性差；最后，由于在流通、銷售和貯存環節中，可能存在冷鏈的短暫性中斷，溫度波動一般在5 ℃左右，這種溫度波動對酸奶的理化指標和微生物指標的影響非常大，一般的預測模型并不能真實反映出冷鏈的非穩定狀態下的貨架期情況，導致預測結果的偏差，使預測結果不具備參考價值。

已經有一些學者探索了積溫作為預測指標之一，對食品在溫度波動環境下的貨架期預測，為筆者的試驗設計提供了可行性參考。針對酸奶在貯藏過程中的溫度波動，添加積溫為其中的評價指標之一，采用BP人工神經網絡技術，對全脂酸奶的貨架期進行預測，探討了冷鏈的非穩定狀態下的貨架期的預測，為酸奶的品質變化監測提供一定的理論基礎。

2 材料與方法

2.1 儀器與材料

DHG-06-200B型電熱恒溫鼓風干燥箱（武漢海聲達儀器設備有限公司）；TA-XT Plus質構儀（英國Stable MicroSystem）；FCD-217SC冰箱（青島海爾集團）；DH4000B電熱恒溫培養箱（天津市泰斯特儀器有限公司）；410A型pH計（美國Thermo orion公司）；NDJ旋轉粘度計（上海方瑞儀器有限公司）。

全脂酸奶和低脂酸奶，市售（光明乳業）。

2.2 實驗方法

2.2.1 非穩定性冷鏈的模擬設計

酸奶樣品的貯藏條件為：溫度波動的范圍在1～7℃，溫度波動采用12 h溫度轉換一次的方式，并準確記錄，設定以1℃→4℃→7℃→4℃→1℃進行波動，每48 h一個循環。

2.2.2 檢測指標

（1）pH值：使用pH計記錄在貯藏過程中酸奶pH值的變化。pH計浸入含有150 mL酸奶的錐形瓶中約2 cm處。

（2）硬度：采用質構儀測定。

（3）粘度：采用粘度計測定，測定酸奶在貯藏過程中酸奶粘度的變化，粘度計浸入含有150 mL酸奶的錐形瓶中約2 cm處。

（4）需氧微生物總數（Total aerobic counts， TAC）的測定使用瓊脂平皿在32 ℃下培養72 h。酸奶樣品中大腸桿菌、酵母和霉菌的數量的測定使用平板計數法。大腸桿菌數（Coliform counts， CC）使用結晶紫中性紅膽鹽瓊脂培養基在37 ℃下培養48 h。酵母和霉菌數（Yeasts and molds counts， YMC）使用馬鈴薯葡萄糖瓊脂培養基在25 ℃下培養120 h。

（5）感官評價打分為總體可接受性，滿分為10分。

2.2.3 模型的構建

BP神經網絡是一個多層感知系統，一般分為3個部分：①一個輸入節點代表輸入變量；②一個輸出節點代表輸出變量，也就是預測輸出的目標變量；③包括一個或多個節點的隱藏層，能夠捕捉非線性數據（傅薈璇，趙紅，2010）。BP神經網絡基于訓練過程來校正誤差的方法向后傳播，也就是說誤差計算是在輸出層，向后傳播至隱藏層，最后傳播至輸入層。隱藏層通常包含充足、連續的預測問題（Sofu et al.， 2007； Siripatrawan， 2008）。

試驗將設計一個含有3個層面的BP神經網絡模型，針對酸奶貯藏過程中積溫的變化，預測積溫的變化規律，從而對酸奶貨架期進行預測，設計模型如圖1所示。其中，模型中的輸入變量包括酸奶的pH值、硬度、粘度、微生物計數（TAC，CC，YMC）和酸奶的感官評價；輸出變量是貯藏過程中的積溫。

2.2.4 模型的預測和驗證

在整個模型的預測過程中，根據規律的溫度波動來模擬實際環境的冷鏈的短暫中斷，而貨架期終止時間的確定，是由消費者判斷酸奶達到不可接受的水平時為止。而貨架期結束時的有效積溫和預測的有效積溫之間的差值，稱為剩余有效積溫。最后，根據貯藏時的溫度和積溫進行計算，推測剩余貨架期，從而對酸奶的貨架期進行預測。

為了驗證模型的可行性，采用了市售酸奶對模型進行訓練和驗證。比較BP神經網絡和普通動力學模型對酸奶貨架期的預測，并將實際測得結果和預測值進行對比，使驗證試驗更為直觀和科學。

2.2.5 數據處理

所有試驗均重復3次以上，采用Origin 9.0和SPSS 17.0軟件進行統計學分析。BP人工神經模型由Matlab 2012a軟件構建。定量數據采用平均值±標準差（SD）表示。

3 結果與分析

3.1 樣品數據處理

3.1.1 積溫的計算

貨架期過程中，對于積溫的計算，如公式1所示。

3.1.2 數據的歸一化

由于初始數據的范圍較廣，因此輸入到BP神經網絡中的權值數據差異大，容易造成數量級的誤判。為了避免這種數量級的差異造成的誤判，在BP神經網絡訓練前，將數據進行歸一化。歸一化后數據范圍在0～1內，計算如公式2所示。

3.2 結果與討論

3.2.1 檢測指標分析

pH值的范圍在4.01～4.41之間，全脂酸奶和低脂酸奶有一定差異。酸奶的硬度和粘度能夠反正酸奶的質地特點。一般來說，全脂酸奶的硬度略高于低脂酸奶，這是因為在均質過程中，脂肪小球的減少能夠增加脂肪顆粒的表面積，使蛋白的酸凝膠矩陣排列工整，使酸奶的彈性或硬度增加。在正常情況下，隨著有害微生物的增殖，酸奶的粘度很容易持續降低，一般呈現先慢后快再慢的現象。這可能是由于在貯藏初期，乳酸菌是優勢菌種，抑制了有害菌的增長，使粘度下降較慢；而貯藏中期，有害菌大量增殖，使酸奶粘度迅速下降；而到了貯藏后期，酸奶pH值下降到一定程度，在過低的pH值環境下不利于有害菌的生長，酸奶粘度下降減緩。

發酵酸奶添加的發酵劑是以乳酸菌為主導的。全脂酸奶中TAC發酵周期里持續減少，從1.88 cfu/g降至0；而低脂酸奶中的TAC呈現先增加后減少的趨勢。酸奶的CC和YMC變化趨勢與TAC一致，而經過一段時間的貯藏后，酸奶中的有害菌消失了。這可能是由于自身的過量繁殖導致互相的競爭底物，使有害菌數量減小；也有可能是較低的pH值抑制了有害菌的生長。由于全脂酸奶和低脂酸奶的微生物變化不一致，所以，僅僅使用微生物指標預測酸奶保質期是完全不準確的。試驗研究證明，選擇了理化、微生物和感官指標為貨架期預測是非常必要的。

盡管酸奶有較高的市場份額，但是在以往的研究中，并沒有考慮酸奶在貨架期過程中，感官的改變對消費狀況的影響。感官評價包括對酸奶色澤、味道、香氣和口感進行總體接受性評價，總分為10分。酸奶在貯藏過程中感官的改變如表1～4，范圍從9.9～6.1，結果顯示，貯藏時間越長，感官評分越低。這是因為，一方面有害菌改變了酸奶的質地和風味，另一方面，酸奶的穩定性也隨著貯藏時間的延長而降低。

3.2.2 模型的構建和驗證

（1）參數的確定。隱藏層的激活函數（或稱為傳遞函數）有著嚴密的邏輯關系，而輸出層是典型的線性函數。不同函數的差異，由相對誤差（relative root mean square error， RRMSE）和絕對誤差（mean absolute relative error， MARE）來體現。

設置初始值為學習效率η = 0.2（范圍為0.1～1.0），訓練過程中動量常數m = 0.5（范圍為0.1～1.0），迭代次數代表訓練的最大步數n = 2000。根據經驗，隱藏層個數N的測試范圍為1～20個，目標誤差為0.05。由圖2可知，由于當隱藏層個數為8個時，相對誤差和絕對誤差較小，說明預測值能夠較為一致的反映實際情況，因此，選擇隱藏層為8個，為后續實驗做參考。

確定了隱藏層個數為8個后，繼續按照類似的方法，確定了學習效率（η）為0.3，動量（m）為0.6，分別如圖3和圖4所示；一般迭代次數n為軟件默認值2000，迭代趨勢如圖5所示。

4 結語

利用BP神經網絡模型，對酸奶的貨架期進行預測。針對酸奶從出廠到銷售過程中的實際冷鏈環節的部分短暫性中斷，考慮了溫度波動對酸奶貨架期的影響，從而能更準確地反映真實的酸奶貨架期。全面考察了酸奶在貯藏過程中的理化指標、微生物指標和感官評價的變化規律，將其作為模型的輸入層，充分反映了消費者對酸奶品質的消費訴求，并利用積溫（與溫度和時間都有關系）作為模型的輸出層，構建了BP神經網絡模型。將神經網絡模型與傳統動力學模型對貨架期的預測進行比較，證明神經網絡對預測的結果更為準確、合理。

2017年5月綠 色 科 技第10期

參考文獻：

[1]

陳 博， 歐陽竹. 基于BP 神經網絡的冬小麥耗水預測[J]. 農業工程學報， 2010， 26（4）： 81～86.

[2]傅薈璇， 趙 紅. MATLAB神經網絡應用設計[M]. 北京： 機械工業出版社， 2010：83～90.

[3]潘治利， 黃忠民， 王 娜，等. BP 神經網絡結合有效積溫預測速凍水餃變溫冷藏貨架期[J]. 農業工程學報，2012， 28（22）：276～281.

[4]王 欣， 劉寶林， 谷雪蓮， 等. 冷藏鏈中溫度波動對速凍水餃品質影響的試驗研究[D]. 上海： 上海理工大學，2007.

[5]Bucinski A， Zielinski. Prediction of the kind of sprouts of cruciferae family based on artificial neural network analysis[J]. Food Science， 2007， 25（4）： 189～194.

[6]Berna. Metal Oxide Sensors for Electronic Noses and Their Application to Food Analysis[J]. Sensors， 2010（10）：3882～3910.

[7]Siripatrawan U J. A novel method for shelf life prediction of a packaged moisture sensitive snack using multilayer perception neural network[J]. Science Direct Expert Systems with Applications， 2008， 34（2）： 1562～1567.

[8]Sofu A， and Ekinci F Y. Estimation of storage time of yogurt with artificial neural network modeling[J]. A merican Dairy Science Association， 2007， 90（7）：311～312.

[9]Sudheer K P， Gosain A K， Ramasastri K S. Estimating actual evapotranspiration from limited climatic data using neural computing technique[J]. J Irrig Drain Eng， 2003， 129（3）：214～221.