人工神經網絡和響應面法優化薏苡仁酒發酵條件

鄒立飛，鄭 鵬*

（1.興義民族師范學院 生物與化學學院，貴州 興義 562400；2.華南農業大學 園藝學院，廣東 廣州 510642）

薏苡（Coix lachrymatory）廣泛分布于中國、泰國、緬甸、韓國、日本、巴西等地[1]。我國薏苡主產區包括貴州、廣西、福建、河北等[2]。薏苡是一年生作物，可與傳統草藥一起用于治療炎癥、哮喘、咳嗽、胃病、腹瀉和糖尿病[3]。在營養含量方面，薏苡與其他谷物相似，以淀粉為主要成分（約60%），但油脂和蛋白質含量高于大米和小麥等谷物[4]。同時薏苡仁中的甾醇、三萜類化合物、多糖、油脂等活性成分具有抗癌、抗炎、抗增殖和抗過敏活性[5-6]。LI B等[7]首次從薏苡仁谷蛋白中提取到具有顯著抗高血壓作用的多肽，這在一定程度上為抗高血壓天然藥物的開發提供了一個新的資源。CHEN H J等[8]研究發現，薏苡仁中富含能抗炎的黃酮類物質。薏苡仁具有強烈的抑制環氧化酶、脂肪酸合成酶、基質金屬蛋白酶和肝膽固醇合成的化學成分，這些成分具有很強的抗氧化、刺激生產激素、促進子宮收縮和調節腸道微生物的作用[9]。YIN H等[10]研究發現，發酵薏苡仁中游離氨基酸、游離脂肪酸、可溶性膳食纖維和有機酸等營養成分含量明顯高于未發酵薏苡仁的含量，而這些成分對人體的健康起到相關的促進作用；同時發酵后的薏苡仁因其揮發性化合物中醛、酮含量降低、醇含量增加而產生了獨特的風味，并且降低了有害物質戊基呋喃（2-pentylfuran）的含量。日常生活中，薏苡仁一般直接作為食物被食用，但營養物質往往不能得到充分吸收；但消費者對高營養薏苡仁深加工產品的需求旺盛，薏苡仁相關產品的開發研究越來越受到關注[11]，薏苡碎米食醋[12]、薏苡仁酸奶[14]、薏苡仁露飲料[15]、紅豆薏苡仁酥糖[16]等薏苡仁深加工產品得到了研究。薏苡仁作為釀酒原料也受到關注[16-17]。響應面法（response surface methodology，RSM）是通過分析擬合得到多元二次非線性模型，最終對模型求解得到最佳發酵條件，其在發酵條件優化上得到了廣泛的應用，Box-Behnken（BB）試驗設計是一種將各因素單獨作用和各因素之間交互作用同時考慮的試驗設計方法，也是響應面法分析中常用的實驗設計方法，但響應面法主要擬合多元二次非線性模型，對于其他模型的擬合存在很大的局限性。人工神經網絡（artificialneural network，ANN）是一種流行的機器學習技術，其通過黑箱建模方法將輸入與相應輸出之間的關系聯系起來[18-19]。反向傳遞（back propagation，BP）神經網絡是一種誤差逆傳播算法訓練的多層前反饋網絡，BP神經網絡的學習過程由前向計算和誤差反向傳播組成，計算實際輸出時按輸入至輸出的方向，但閾值、權值的修正則從輸出至輸入方向進行。BP神經網絡也是人工神經網絡中應用最廣泛的神經網絡模型之一[20]。因此利用BP神經網絡對發酵條件進行優化的研究越來越受到廣大學者的關注，但國內在響應面法與BP神經網絡在優化效果上的比較研究較少。

酒精含量是釀酒中的重要指標，本研究將薏苡仁用于釀酒，以酒精含量為評價指標對釀酒工藝進行優化，通過對影響薏苡仁釀酒產酒精的4個因素（薏苡仁與糯米質量比、酵母A1接種量、溫度、初始pH值）進行BB試驗設計，分別采用響應面法和BP神經網絡對BB試驗結果進行分析，對兩種分析得到的模型進行比較，以期為薏苡仁酒工藝優化提供更適合的模型優化方法。

1 材料與方法

1.1 試驗材料

1.1.1 供試菌株和原料

扣囊復膜酵母（Saccharomycopsis fibuligera）A1：本實驗室篩選保藏；薏苡仁：貴州泛亞實業（集團）有限公司；散裝糯米：貴州省興義市大潤發超市。

1.1.2 化學試劑

淀粉酶（30 000 U/g）、糖化酶（50 000 U/g）：河南萬邦實業有限公司；瓊脂粉（生化試劑）：天津市致遠化學試劑有限公司；葡萄糖（分析純）：天津市風船化學試劑科技有限公司；酵母膏、蛋白胨（均為生化試劑）、檸檬酸鈉（分析純）：上海麥克林生化科技有限公司。

1.1.3 培養基

酵母浸出粉胨葡萄糖（yeast extract peptone dextrose，YPD）液體培養基：酵母膏10 g，蛋白胨20 g，葡萄糖20 g，蒸餾水1 000 mL，pH自然。121 ℃高壓蒸汽滅菌30 min。

YPD固體培養基：YPD液體培養基添加瓊脂20 g。121 ℃高壓蒸汽滅菌30 min。

1.2 儀器與設備

AQ810C高壓蒸汽滅菌器：日本雅馬拓（YAMATO）公司；0～100%酒精計：河北省武強縣華鷗儀器儀表廠；RE 5298A旋轉蒸發器：上海亞榮生化儀器廠；FA224 電子天平：上海舜宇恒平科學儀器有限公司；雷磁PHS-3C pH計：上海儀電科學儀器股份有限公司；SW-CJ-2FD超凈工作臺：蘇凈集團蘇州安泰空氣技術有限公司；YLA-2000電熱恒溫培養箱：山東濰坊醫藥集團股份有限公司醫療器械廠；HH-2數顯恒溫水浴鍋：金壇市杰瑞爾電器有限公司。

1.3 方法

1.3.1 種子液的制備

從斜面培養基上挑取扣囊復膜酵母（Saccharomycopsis fibuligera）A1接種于YPD平板上，在30 ℃條件下靜置培養48 h。接著從平板上挑取單菌落轉接于YPD液體培養基，在30 ℃條件下靜置培養48 h，即為種子液。

1.3.2 薏苡仁酒的制備

將薏苡仁、糯米粉碎并經40目紗網過濾，料水比1∶2（g∶mL），薏苡仁、糯米具體質量根據試驗設計確定，先在100 ℃下糊化1 h，待溫度降至并穩定在60 ℃時加入1.5%的淀粉酶液化3 h，然后當溫度降至50 ℃并維持在此溫度下時加入2.0%的糖化酶糖化2 h，將糖化后的溶液在121 ℃下滅菌15 min，根據試驗設計加入相應量的種子液進行8 d的發酵，發酵結束后進行過濾，得到薏苡仁酒。

1.3.3 酒精度測定

酒精度測定采用酒精計法[21]。

1.3.4 發酵條件優化設計

（1）最陡爬坡試驗

在單因素試驗基礎上，根據薏苡仁與糯米質量比（X1）、接種量（X2）、溫度（X3）、初始pH（X4）4個因素對薏苡仁產酒精的影響設計相應的步長和變化方向，最終逼近薏苡仁產酒精的最大響應區間。

（2）Box-Behnken 試驗

選用最陡爬坡試驗結果中產酒精最大的處理作為BB試驗的中心點，以酒精度（Y）為響應值，同時確定薏苡仁與糯米質量比（X1）、酵母A1接種量（X2）、溫度（X3）、初始pH值（X4）4個因素在BB試驗中最高、最低水平，Box-Behnken試驗設計因素與水平見表1。

表1 發酵條件優化Box-Behnken試驗設計因素與水平Table 1 Factors and levels of Box-Behnken experiments for fermentation conditions optimization

1.3.5 統計分析

（1）響應面法分析

應用Design Expert 11.0對BB試驗結果進行響應面分析，得到一個多元二次方程模型。通過對該模型進行分析，從而確定理論的最優發酵條件及最優值。

（2）人工神經網絡分析

BP神經網絡是一種按照誤差逆向傳播法訓練的多層前反饋神經網絡。其能在事先無確定的映射數學關系時，通過逆向傳播不斷調整BP神經網絡的權值，最終使BP神經網絡的均方誤差（mean square error，MSE）最小。遺傳算法是一種模擬達爾文的適者生存和遺傳選擇的生物進化規律的算法；其核心內容包括：參數編碼、初始化種群、適應函數的設計、遺傳操作（選擇、變異、交叉）的設計、控制參數的設定；在遺傳算法中所需解決的優化問題將轉變為求解個體適應度的問題。通過搜索最大適應度，進而求解出優化問題的最優值。因此利用BP神經網絡對模型進行模擬仿真，再通過遺傳算法對BP神經網絡模擬仿真的模型求解最優值。

1.3.6 模型驗證及比較

分別對響應面法和人工神經網絡得到的最佳產酒精的發酵條件進行驗證，從而判斷模型得出的理論結果與實際結果是否一致，并計算相對誤差。用于評價模型的統計學指標見表2。

表2 評價模型的統計學指標Table 2 Statistical indexes of evaluation model

2 結果與分析

2.1 最陡爬坡試驗結果分析

通過最陡爬坡試驗可大致確定BB試驗的中心點及各因子的邊界值，結果見表3。由表3可知，酒精度在處理1至處理6呈現出先增加后降低的趨勢，且在處理4時，即當薏苡仁與糯米比例為1∶2（g∶g）、接種量為5.0%、溫度為30.0 ℃、初始pH值為5.0時酒精度達到最大值（15.47%vol），因此將處理4作為BB試驗的中心點，同時將處理2、處理6相對應的各因子的參數作為BB試驗設計的邊界值（最大值或最小值）。

表3 最陡爬坡試驗設計及結果Table 3 Design and results of the steepest climb test

2.2 BB試驗結果分析

在最陡爬坡試驗的基礎上，通過Design Expert 11.0對BB試驗結果進行分析，結果見表4，方差分析結果見表5。由表5可知，模型的F值為29.81，P值為＜0.000 1，表明模型是顯著的。同時模型的決定系數（R2）為0.967 5，回歸模型足夠準確。且模型的精度值為19.986，信噪比遠＞4，說明模型足夠精確。通過響應面分析最終到回歸模型：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 發酵條件優化Box-Behnken試驗設計及結果Table 4 Design and results of Box-Behnken experiments for fermentation conditions optimization

續表

表5 回歸模型的方差分析Table 5 Variance analysis of regression model

圖1 各因素交互作用對酒精度影響的響應面及等高線Fig.1 Response surface plots and contour lines of effects of interaction between each factor on alcohol content

同時對回歸模型進行最優值求解可知：當薏苡仁∶糯米為1∶2（g∶g）、接種量為4.7%、溫度為31.7 ℃、初始pH值為3.0時，酒精度理論值為16.13%vol。在上述條件下通過3次平行驗證試驗得到實際酒精度為16.07%vol，與理論值16.13%vol相差不大。結果表明，通過響應面法得到的模型具有較好的精確性和準確性。

2.3 人工神經網絡分析結果

利用Matlab 2016a軟件對BB試驗結果進行BP神經網絡分析，同時運用遺傳算法對BP神經網絡分析得到的模型進行最優值求解，均方誤差和模擬仿真效果分別見圖2、圖3。

圖2 人工神經網絡模型均方誤差效果圖Fig.2 Mean square error of artificial neural network model

由圖2可知，在迭代次數到4次的驗證集均方誤差是0.011 36，訓練集局方誤差為0.000 002 55，且BP神經網絡此時已達到訓練結束條件。由圖3可知，BP神經網絡訓練擬合得到的模型的相關系數R為0.994 46。最終利用遺傳算法對該模型進行尋優，結果顯示在薏苡仁∶糯米為1∶1.9（g∶g）、酵母A1接種量為4.2%、溫度為28.1 ℃、初始pH為3.0時酒精度達到最大16.27%vol；對模型最優值進行驗證，最終得到酒精度為16.23%vol與理論值16.27%vol基本一致。綜上說明BP神經網絡模型準確性很高，對本實驗模擬仿真效果較好。

圖3 人工神經網絡模擬仿真效果Fig.3 Simulation effect of artificial neural network

2.4 人工神經網絡與響應面法優化模型比較

表6 優化條件和模型驗證Table 6 Optimization conditions and model validation

由表6可知，對人工神經網絡擬合模型、響應面法擬合模型在各自最優條件下的預測值與實驗值都基本一致，相對誤差方面上，人工神經網絡相對誤差更小；同時對人工神經網絡擬合模型、響應面法擬合模型預測準確性進行比較，結果見圖4，對模型相關指標進行分析，結果見表7。

表7 響應面法與人工神經網絡預測能力的比較Table 7 Comparison of predictive capacity of response surface methodology and artificial neural network

圖4 響應面法、人工神經網絡模型的預測值和實驗值的比較Fig.4 Comparison between the predicted and experimental values of response surface method and artificial neural network model

由表7可知，人工神經網絡擬合模型、響應面法擬合模型的R、R2、MSE、RMSE、MAE、MAPE分別為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%，說明人工神經網絡擬合模型在R、R2、MSE、RMSE、MAE、MAPE指標上都優于響應面法擬合模型。結合圖4結果表明，人工神經網絡擬合模型較響應面法擬合模型更適合本研究。

3 討論

馬建春等[22]在研究補陽還五湯提取工藝時，實驗結果顯示RSM、ANN模型的擬合系數R分別為0.935 8、0.988 9，且ANN模型預測最優值更接近真實值，說明ANN擬合效果要優于RSM。周夢舟等[23]對枯草芽孢桿菌富硒過程的建模研究，通過均方誤差、平均絕對誤差、擬合系數來評價模型優劣，發現ANN模型擬合效果更好。本研究結果也表明ANN模型在擬合效果、可靠性上都優于RSM模型；綜上可以發現ANN模型都較RSM模型擬合效果更好、擬合結果往往更可靠，其原因可能是因為ANN在模型擬合時無需規范的擬合函數和無限逼近能力。

雖然ANN較RSM具有很多優勢，但ANN無法解釋其推理具體過程，在求極值時容易陷入局部最值，且擬合過程中容易出現過擬合現象，如何避免ANN陷入局部最值、過擬合現象等；因此，在運用ANN進行建模時，有必要考慮耦合其他分析方法來避免ANN本身劣勢的出現。同時本研究只針對薏苡仁釀酒產酒精進行優化，酒精含量雖是重要指標，但發酵中產生的有益物質的含量也是重要指標，后續研究有必要采用多目標優化的方法對酒精含量和有益物質含量同時優化，以期為薏苡仁酒品質的提升提供理論保障。

4 結論

本研究評價了RSM和ANN在優化薏苡仁發酵產酒精的效果。根據評價的統計指標，ANN模型的準確性和擬合能力優于RSM。RSM預測的最佳發酵條件為薏苡仁∶糯米為1∶2（g∶g）、酵母A1接種量為4.7%、溫度為31.7 ℃、初始pH值為3.0，預測酒精度達到16.13%vol，經驗證實驗顯示酒精度實際值為16.07%vol與預測值基本一致；ANN預測的最佳發酵條件為薏苡仁∶糯米為1∶1.9（g∶g）、酵母A1接種量為4.2%、溫度為28.1 ℃、初始pH值為3.0，預測酒精度達到16.27%vol，經驗證實驗顯示酒精度實際值為16.23%vol與預測值基本一致，在各自最優發酵條件下的預測值與實驗值的相對誤差上都較小，但人工神經網絡擬合模型更小，說明RSM與ANN擬合模型在最佳發酵條件下預測更準確。同時人工神經網絡擬合模型、響應面法擬合模型的R、R2、MSE、RMSE、MAE、MAPE分別為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%，說明人工神經網絡在擬合能力上較響應面法表現更好。綜上所述，在本研究中人工神經網絡更適合對薏苡仁釀酒產酒精進行建模優化。