BP 神經網絡結合響應面優化荷葉功能性硬糖的工藝

武玲梅，秦旭婧，陳顯玲，蘇 龍,2，唐 森,2*

（1.廣西科技師范學院，廣西來賓 546199；2.廣西糖資源工程技術研究中心，廣西來賓 546119）

荷葉為睡蓮科植物蓮（Nelumbo nuciferaGaertn）的葉，性平、味苦，歸肝、脾、心經，具有生津止渴、清暑利濕、涼血止血、升發清陽、散瘀止血等功效[1]，經過炒制而成的荷葉碳則有收澀、化瘀、止血等功能，因此具有廣泛的藥理作用。荷葉也是“藥食同源”的中藥之一，在我國傳統中醫學和食療學中應用廣泛[2-3]。

隨著人們保健意識的增強，功能型糖果的開發成為未來的發展趨勢[4]。在硬質糖果中添加一些荷葉粉末，不僅能賦予硬質糖果特別的風味，還能提升其食用價值，從功效和口感兩個方面同時滿足人們對口味、健康的追求。但是制作硬糖比制作軟糖需要更高的溫度[5]，而且荷葉粉末添加量過大會導致糖果顏色變深、味道變苦，添加量過少則荷葉的清香味不明顯。因此，需要對荷葉粉末的添加量進行優化。

人工神經網絡是由許多神經元互連在一起組成的復雜網絡系統[6]，它具有并行分布的信息處理結構，通過“學習”或“訓練”的方式完成某一特定的工作。BP 神經網絡（back propagation neural network）是人工神經網絡中基于誤差反向傳播算法的多層前饋神經網絡，它是把一組樣本的輸入輸出變成一個非線性優化問題，加入隱節點使得優化問題的可調參數增加，從而可以逼近精確解[7-9]。BP 神經網絡目前在優化提取、控制食品加工等方面得到廣泛應用[10-13]。本研究在單因素試驗的基礎上，利用響應面法優化荷葉功能性硬糖配方，并以響應面試驗數據作為BP 神經網絡的輸入值，對主要影響因素進行仿真優化，以期為荷葉功能性硬糖的開發提供參考依據。

1 材料與方法

1.1 材料與儀器

白砂糖，食品級，廣西來賓湘桂糖業有限責任公司；葡萄糖漿，食品級，西諾迪斯食品（上海）有限公司；木糖醇，食品級，南京甘汁園糖業有限公司；荷葉粉末，食品級，亳州中藥堂粉店。

雙喜雅越電磁爐，SXDC-20TH037 型，珠海雙喜電器股份有限公司；電子天平（精度0.01 g），LQ-C5001 型，上海瑤新電子科技有限公司；電子數顯食品溫度計，KT300型，潮州市潮安區保德儀器具有限公司；硅膠模具，尺寸為15 cm×18.5 cm×0.7 cm，巧滋烘焙坊。

1.2 試驗方法

1.2.1 硬質糖果的制備工藝流程

原料混合→熬糖→倒入模具→成型→冷卻→脫模→成品

1.2.2 工藝要點（1）原料混合

準確稱取制作硬糖的原料（葡萄糖漿、木糖醇、白砂糖、荷葉粉末），置于一次性杯子中，混合均勻備用。

（2）加熱熬糖

把原材料倒入不銹鋼鍋中，利用電磁爐小火進行熬糖，且隨時攪拌，防止白砂糖出現糊鍋或粘鍋底的現象。當糖液開始出現沸騰時，用電子溫度計測量溫度，同時不停地攪拌。

在糖漿不斷沸騰直至變得黏稠時，用勺子取少許黏稠的糖漿，滴入清水中，如果糖漿在水中可以直接凝結成比較堅硬的糖珠時，關閉電磁爐。

（3）冷卻脫模

將熬制完成的糖漿倒入不同的模具，等待一段時間使糖漿變得堅硬，隨后脫模，得到成品。

1.2.3 單因素試驗

（1）葡萄糖漿添加量對荷葉硬糖感官評價的影響

稱取20 g 水、3 g 木糖醇、37 g 白砂糖和0.9 g 荷葉粉末，將葡萄糖漿的添加量設定為11、13、15、17、19 g，隨后將以上材料按照1.2.1 的工藝流程制成荷葉硬糖，以感官評價為考察指標，確定葡萄糖漿的最佳添加量。

（2）木糖醇添加量對荷葉硬糖感官評價的影響

稱取20 g 水、37 g 白砂糖、15 g 葡萄糖漿和0.9 g 荷葉粉末，其中將木糖醇添加量分別設定為1、2、3、4、5 g，隨后將以上材料制成荷葉硬糖，以感官評價為考察指標，確定木糖醇的最佳添加量。

（3）荷葉粉末添加量對荷葉硬糖感官評價的影響

稱取20 g 水、37 g 白砂糖、3 g 木糖醇和15 g 葡萄糖漿，將荷葉粉末添加量設定為1、2、3、4、5 g。隨后將以上材料制成荷葉硬糖，以感官評價為考察指標，確定荷葉粉末的最佳的添加量。

1.2.4 響應面法優化荷葉硬糖制作工藝

在單因素試驗的基礎上，以葡萄糖漿添加量、木糖醇添加量和荷葉粉末添加量作為自變量，以感官評分為響應值，利用Design-Expert V8.0.6.1 軟件，采用Box-Behnken模型進行三因素三水平實驗設計，試驗因素與水平如表1 所示。

表1 荷葉硬糖優化工藝因素與水平的響應面設計Table 1 Response surface design of optimization process factors and levels of lotus leaf hard candy

1.2.5 BP 神經網絡的設計

本試驗分析方法選用BP 神經網絡，利用響應面實驗數據作為神經網絡的訓練樣本，通過3 層結構的BP神經網絡建立模型，輸入節點數和輸出節點數分別為3個和1 個，輸入節點數即葡萄糖漿添加量、木糖醇添加量和荷葉粉末添加量，輸出節點數即感官評分[14]。對荷葉功能性硬糖配方進行模擬和仿真，并對響應面試驗分析結果和BP 神經網絡的分析結果進行對比，以探尋較佳的荷葉功能性硬糖配方。

1.3 硬糖的感官評價

隨機抽取10 位感官評價人員，從組織結構、色澤、口感、形態和風味五個方面對荷葉硬糖進行感官評價[15]，滿分100 分[16]，取平均值。同時根據硬糖本身的特點以及感官評價的相關細則，制定出了荷葉硬糖的感官評價標準，具體細則如表2 所示。

表2 荷葉硬糖成品的感官評價標準Table 2 Sensory evaluation criteria for lotus leaf hard candy

1.4 數據處理

響應面優化采用Design-Expert V8.0.6.1 軟件進行實驗設計和數據分析，BP 神經網絡分析則使用Matlab R2021a 神經網絡工具箱，此外為保證實驗的準確性，每次實驗均采用三次平行實驗的平均值進行分析計算。

2 結果與分析

2.1 單因素試驗結果分析

2.1.1 葡萄糖漿添加量對荷葉硬糖感官評價的影響

葡萄糖漿可以提升硬糖的光澤度，糖漿的顏色越晶瑩透明，硬糖的顏色越容易調制，硬糖成品的顏色也就越明亮。這是由于葡萄糖漿中的還原糖能夠阻止砂糖再結晶，砂糖經濃縮后成為無定形狀態即非晶體狀態，可降低糖體硬度[17]。圖1 顯示了葡萄糖漿添加量對荷葉硬糖感官評價的影響。

圖1 葡萄糖漿添加量對荷葉硬糖感官評價的影響Fig.1 Effect of glucose syrup addition on sensory evaluation of lotus leaf hard candy

由圖1 可以看出，隨著葡萄糖漿添加量的逐漸增加，荷葉硬糖的感官評分先升高后降低，當葡萄糖漿添加量為15 g 時，荷葉硬糖的感官評分最高，為83.72 分，制備的荷葉硬糖糖體呈現光滑的墨綠色，光澤度好，甜味純正、細膩，堅硬而脆、不黏牙。隨著葡萄糖漿添加量的逐漸增加，成品荷葉硬糖的硬度也逐漸降低，最后達到一個適中的水平，此時葡萄糖漿最佳添加量為15 g。

2.1.2 木糖醇添加量對荷葉硬糖感官評價的影響

從圖2 中可以看出，隨著木糖醇添加量的增大，荷葉硬糖的感官評分先升高后降低，當木糖醇添加量為3 g時，荷葉硬糖的感官評分最高，為84.05 分，此時硬糖的硬度適中，不黏牙，甜味純正醇厚，無不良后味，與荷葉的味道融合完好，有木糖醇的清涼感，且口味清新宜人。在色澤的變化上，因為木糖醇在結構上沒有醛基和酮基，所以在硬糖制作過程中不會產生美拉德反應[18]，熬糖時也會保持荷葉硬糖糖體色澤穩定，可以經受熬糖時的高溫，不易發生分解，而使荷葉硬糖成品顏色保持明亮。隨著木糖醇添加量的繼續增加，荷葉硬糖的糖體變黏，開始有黏手、黏牙的情況出現；同時荷葉硬糖糖體的顏色光澤度下降。這是因為木糖醇可塑性低，僅使用木糖醇不能制成可塑性產品，硬糖成型能力下降，從而影響糖果的感官評分[19-20]。因此，木糖醇的最佳添加量為3 g。

圖2 木糖醇添加量對荷葉硬糖感官評價的影響Fig.2 Effect of xylitol addition on sensory evaluation of lotus leaf hard candy

2.1.3 荷葉粉末添加量對荷葉硬糖感官評價的影響

從圖3 中可以看出，隨著荷葉粉末添加量的增大，荷葉硬糖的感官評分先增大后減少，當荷葉粉末添加量為3 g 時，荷葉硬糖的感官評分最高，為82.13 分，此時荷葉硬糖甜味純正醇厚適中，口感順滑，顏色呈現出光亮的墨綠色，硬度適中，具有鮮明的荷葉清香味。荷葉本身具有苦澀和清香的味道，在添加量為3 g 時，苦澀的味道被糖類的甜味所掩蓋，且荷葉本身自帶的甘甜清香也最明朗。因此，荷葉粉末最佳添加量為3 g。

圖3 荷葉粉末添加量對荷葉硬糖感官評價的影響Fig.3 Effect of lotus leaf powder addition on sensory evaluation of lotus leaf hard candy

2.2 響應面試驗

在單因素試驗的基礎上，根據Box-Behnken 試驗設計原理，以感官評價為響應值，以葡萄糖漿添加量、木糖醇添加量和荷葉粉末添加量作為自變量，利用Design-Expert 軟件進行三因素三水平實驗設計[21]，結果見表3（見下頁）。本試驗響應面法，共17 個試驗點。

表3 響應面試驗設計及結果Table 3 Response surface test design and results

如表4（見下頁）所示，研究各個試驗因子對荷葉硬糖感官評價的影響，通過響應面統計分析得到回歸模型：Y=83.60+0.62A+1.50B+2.63C-1.75AB+0.50AC-0.25BC-7.55A2-3.80B2-5.55C2。該模型的P值小于0.000 1，說明該模型極顯著。失擬項P值為0.171 7，大于0.05，因此不顯著。說明該回歸模型與該實際試驗有較好的擬合性，自變量與感官評分之間的關系顯著。相關系數R2為0.982 7，R2adj為0.960 5，表明響應面法設計所得的回歸模型有效，預測效果較佳，該模型可以充分說明荷葉硬糖的工藝過程，因此可以利用該模型對荷葉硬糖成品的制作工藝進行分析和預測。B、C、A2、B2、C2的P值均小于0.01，表明影響極顯著。其中，3 個單因素影響荷葉硬糖感官評分的順序為荷葉粉末添加量（C）＞木糖醇添加量（B）＞葡萄糖漿添加量（A），即荷葉粉末添加量對感官評價的影響最為顯著。

表4 荷葉硬糖工藝條件響應曲面模型分析及方差分析Table 4 Response surface model analysis and variance analysis of lotus leaf hard candy process conditions

根據Box-Behnken 試驗設計原理，得出各因素交互作用對荷葉硬糖感官評分影響的等高線圖和響應面圖，如圖4 所示。交互項AB 對荷葉硬糖的感官評價分數具有顯著影響（P＜0.05），AC、BC 對荷葉硬糖的感官評分無顯著影響。

經Design-Expert 軟件處理后，分析得到荷葉硬糖的最佳配方：葡萄糖漿添加量15.06 g、木糖醇添加量3.18 g、荷葉粉末添加量3.23 g，此時感官評分為86.05 分。

2.3 BP 神經網絡應用

2.3.1 神經網絡模型測試

將荷葉硬糖響應面優化配方的17 組數據導入BP神經網絡模型，其中隨機抽取12 組數據用于模型訓練，剩余5 組數據用于模型測試。結果顯示，通過12 組數據的訓練，5 組預測數據的輸出值與實際值相對誤差小于1.5%，該模型擬合系數為0.963 7，僅有3.63%總變異不能用此模型解釋，表示該神經網絡模型訓練與預測精度較好，可滿足荷葉功能性硬糖配方優化的需要。

2.3.2 神經網絡模型最佳工藝的仿真優化

以響應面試驗17 組數據為研究對象，通過改變其中1 種影響因素的數值，保持其他2 種影響因素數值固定（如改變葡萄糖漿添加量，木糖醇添加量和荷葉粉末添加量保持不變），通過BP 神經網絡的訓練和優化，生成各因素對提取綜合評分的連續曲線。根據BP 神經網絡模型仿真優化的荷葉功能性硬糖最優配方為葡萄糖漿添加量15.3 g、木糖醇添加量3.3 g、荷葉粉末添加量2.8 g。在此條件下，神經網絡模型預測荷葉功能性硬糖感官評分為87.23 分。

2.4 荷葉硬糖最佳配方的驗證

分別按照響應面試驗及BP 神經網絡優化得到的最優荷葉功能性硬糖配方進行工藝驗證（控制次數為3次），結果見表5。

表5 響應面法與BP 神經網絡優化結果比較Table 5 Comparison of optimization results between response surface method and BP neural network

由表5 可知，BP 神經網絡優選配方的綜合評分較高，且預測值與實際提取結果值相對誤差小于響應面法，表明BP 神經網絡優化的配方更適用于工業化生產。因此，結合BP 神經網絡模型分析，確定荷葉功能性硬糖最優配方為葡萄糖漿添加量15.3 g、木糖醇添加量3.3 g、荷葉粉末添加量2.8 g。

3 結論

BP 神經網絡與響應面實驗方法相結合，能更好地利用已知信息對目標尋優及虛擬樣本進行全面仿真試驗。對于離散型數據，用BP 神經網絡模型誤差小，可方便地進行仿真、評估和優化。本次試驗在單因素試驗基礎上，利用響應面法優化荷葉功能性硬糖的配方，并以響應面試驗數據作為BP 神經網絡的輸入值，對主要影響因素進行仿真優化。通過試驗確定了荷葉硬糖的最優配方為葡萄糖漿15.3 g，木糖醇3.3 g，荷葉粉末2.8 g，白砂糖37 g，水20 g。依此配方熬制出的荷葉硬糖成品品質最佳，感官評分也最高，糖果呈現通透的墨綠色，顏色分布均勻且有光澤，味道醇厚，帶有荷葉的清香，堅硬而脆，不黏牙。