鐘成，黃奕雯，賈士儒，董建軍，郝俊光，李清亮

1(啤酒生物發(fā)酵工程國(guó)家重點(diǎn)實(shí)驗(yàn)室(籌)，山東青島，266061)2(工業(yè)發(fā)酵微生物教育部重點(diǎn)實(shí)驗(yàn)室，天津科技大學(xué)，天津，300457)

啤酒中除了含有乙醇和二氧化碳這兩種主要酵母代謝產(chǎn)物外，還含有一系列的酵母代謝副產(chǎn)物，如高級(jí)醇類(lèi)、酯類(lèi)、醛類(lèi)、酸類(lèi)、連二酮類(lèi)以及硫化物類(lèi)。這些代謝副產(chǎn)物數(shù)量雖然不多，但對(duì)啤酒的風(fēng)味和口味影響很大［1－3］。目前對(duì)啤酒進(jìn)行感官評(píng)價(jià)的新方法有很多，如電子舌技術(shù)［4－5］、模糊綜合評(píng)價(jià)法［6］、酒花苦味衍生物感官評(píng)價(jià)［7］等，但仍以人工品嘗為主，而人工感官評(píng)價(jià)與評(píng)價(jià)員評(píng)價(jià)經(jīng)驗(yàn)、年齡及健康狀況有關(guān)，這就給不同啤酒的品評(píng)帶來(lái)一定困難。因此，如何通過(guò)啤酒中主要風(fēng)味物質(zhì)的質(zhì)量濃度快速獲悉啤酒感官評(píng)價(jià)得分是目前啤酒企業(yè)急需解決的問(wèn)題。

人工神經(jīng)網(wǎng)絡(luò)以其高度非線性動(dòng)力學(xué)系統(tǒng)和自適應(yīng)組織系統(tǒng)被廣泛應(yīng)用，它模擬人腦結(jié)構(gòu)，通過(guò)訓(xùn)練確定輸入與輸出變量之間的非線性關(guān)系，進(jìn)而建立起輸入與輸出的關(guān)系模型。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣的一種神經(jīng)網(wǎng)絡(luò)［8－10］，80% ～90%的人工神經(jīng)網(wǎng)絡(luò)模型都是采用BP網(wǎng)絡(luò)或它的變化形式。實(shí)驗(yàn)選取11種主要影響啤酒風(fēng)味的關(guān)鍵理化指標(biāo)，對(duì)啤酒感官評(píng)價(jià)預(yù)測(cè)，在利用BP神經(jīng)網(wǎng)絡(luò)建模之前，先對(duì)上述11種理化及風(fēng)味指標(biāo)進(jìn)行主成分分析，提取后的主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入。實(shí)驗(yàn)結(jié)果表明，結(jié)合主成分分析與神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度明顯優(yōu)于未經(jīng)主成分分析的BP神經(jīng)網(wǎng)絡(luò)。

1 材料與方法

1.1 啤酒理化及風(fēng)味指標(biāo)的選取

實(shí)驗(yàn)隨機(jī)選取共300種青島品牌啤酒，分別檢測(cè)酒液濃度、雙乙酰、戊二酮、乙醛、高級(jí)醇(正丙醇、異丁醇、異戊醇)、酯類(lèi)(乙酸乙酯、乙酸異戊酯、已酸乙酯、辛酸乙酯)共11個(gè)理化及風(fēng)味指標(biāo)。

1.2 材料與試劑

無(wú)水乙醇(分析純)，天津科密歐化學(xué)試劑有限公司;高純水，自制。雙乙酰、戊二酮、乙醛、正丙醇、異丁醇、異戊醇、乙酸乙酯、乙酸異戊酯、已酸乙酯、辛酸乙酯(均為色譜純)，Sigma-Aldrich公司。

1.3 儀器與設(shè)備

CLARUS 580氣相色譜儀(配有HS40頂空進(jìn)樣器和 DB－5色譜柱(0.53 mm×60 m，膜厚1.5 μm))，Perkin Elmer公司;Anton Paar啤酒自動(dòng)分析儀，奧地利Anton Paar公司。

1.4 實(shí)驗(yàn)方法

1.4.1 酒液濃度的測(cè)定

按照Anton Paar啤酒自動(dòng)分析儀說(shuō)明書(shū)測(cè)定。

1.4.2 雙乙酰、戊二酮的測(cè)定

測(cè)定方法見(jiàn)參考文獻(xiàn)［11］。

1.4.3 乙醛的測(cè)定

測(cè)定方法見(jiàn)參考文獻(xiàn)［11］。

1.4.4 酯類(lèi)、高級(jí)醇的測(cè)定

測(cè)定方法見(jiàn)參考文獻(xiàn)［12］。

1.5 感官品評(píng)標(biāo)準(zhǔn)

13名品酒師在品酒室內(nèi)對(duì)啤酒樣品品嘗打分，結(jié)果取平均值作為最終得分，其中國(guó)家級(jí)品酒員9個(gè)，省級(jí)品酒員4個(gè)。

評(píng)分標(biāo)準(zhǔn):極佳的可飲性，具有經(jīng)典青島啤酒典型風(fēng)味特征，醇厚、明顯麥芽香和酒花香、醇酯平衡、柔和協(xié)調(diào)(3.3分);具有經(jīng)典青島啤酒典型風(fēng)味特征，有輕微的“一般缺陷”(3.4分);基本具有經(jīng)典青島啤酒典型風(fēng)味特征，有明顯的“一般缺陷”或輕微的“較嚴(yán)重缺陷”(3.5分);不具有經(jīng)典青島啤酒典型風(fēng)味特征，有明顯的“一般缺陷”、輕微的“較嚴(yán)重缺陷”或輕微的“嚴(yán)重缺陷”(3.6分);不具有經(jīng)典青島啤酒典型風(fēng)味特征，有嚴(yán)重的“一般缺陷”、明顯和嚴(yán)重的“較嚴(yán)重缺陷”或明顯和嚴(yán)重的“嚴(yán)重缺陷”(3.7≤X＜4.0)。描述要求:對(duì)樣品描述使用“輕微、明顯、嚴(yán)重”來(lái)表示風(fēng)味缺陷的程度，分別用“－1，－2，－3”來(lái)表示;使用“好、很好、非常好”來(lái)表示風(fēng)味特征的程度，分別用“+1，+2，+3”來(lái)表示。

1.6 主成分分析［13］

主成分分析是研究如何將多個(gè)變量指標(biāo)間的問(wèn)題化為較少的幾個(gè)新指標(biāo)的問(wèn)題。這些新的指標(biāo)之間互不相關(guān)，并能綜合反映原來(lái)多個(gè)指標(biāo)的信息，是原來(lái)多個(gè)指標(biāo)的線性組合。這種處理問(wèn)題的方法就稱(chēng)為主成分分析或主分量分析，綜合后的新指標(biāo)則稱(chēng)為原來(lái)指標(biāo)的主成分或主分量。主成分分析步驟如下:

式中:i=1，2，……，n;j=1，2，……，p。

(2)從相關(guān)系數(shù)矩陣中得到特征值及各個(gè)主成分的差值、貢獻(xiàn)率、累積貢獻(xiàn)率，然后根據(jù)累計(jì)貢獻(xiàn)率確定主成分保留的個(gè)數(shù)。

(3)計(jì)算出主成分表達(dá)式的系數(shù)數(shù)據(jù)，解釋主成分的意義。

1.7 BP神經(jīng)網(wǎng)絡(luò)

一般神經(jīng)網(wǎng)絡(luò)主要包括輸入層、隱含層、輸出層3個(gè)部分。圖1給出了一個(gè)典型的3層BP神經(jīng)網(wǎng)絡(luò)，層與層之間采用全連接的方式。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法是［14］:當(dāng)給定網(wǎng)絡(luò)一個(gè)輸入模式時(shí)，網(wǎng)絡(luò)輸入層中的每個(gè)輸入向量組成了應(yīng)用于隱含層中神經(jīng)元的輸入信號(hào)，第二層輸出信號(hào)成為第三層的輸入。然后按照減少誤差的原則，每個(gè)神經(jīng)元自身的輸出信號(hào)反饋給上一層的神經(jīng)元的輸入，直到獲得目標(biāo)輸出。

圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 3 layers of BP neural network structure

2 結(jié)果與分析

2.1 主成分分析結(jié)果與討論

收集300種啤酒的11種理化及風(fēng)味數(shù)據(jù)，建立原始數(shù)據(jù)集矩陣M11－300。使用Matlab 7.0軟件對(duì)原始數(shù)據(jù)集矩陣進(jìn)行主成分分析，特征值及方差累積貢獻(xiàn)率見(jiàn)表1。

表1 主成分的特征值及方差貢獻(xiàn)率Table 1 Eigenvalues and variance contribution of principal components

從表1中可以看出，前5個(gè)主成分的累積貢獻(xiàn)率就達(dá)到了88.92%，大于85.00%，可以認(rèn)為提取出來(lái)的5個(gè)主成分已經(jīng)能夠代表原11個(gè)理化及風(fēng)味數(shù)據(jù)的絕大部分信息。

表2是設(shè)定方差極大法對(duì)因子載荷矩陣旋轉(zhuǎn)后的結(jié)果，第一因子變量主要反映了酒液濃度、異丁醇、異戊醇、乙酸乙酯、乙酸異戊酯。第二因子變量主要反映了雙乙酰。第三因子變量主要反映了正丙醇。第四因子變量主要反映了已酸乙酯。第五因子變量主要反映了辛酸乙酯。

表2 因子載荷旋轉(zhuǎn)成分矩陣Table 2 Rotated component matrix

2.2 神經(jīng)網(wǎng)絡(luò)的建立

經(jīng)過(guò)主成分分析后得到5個(gè)主成分，將該5個(gè)主成分所代表的9個(gè)理化參數(shù)作為輸入變量，感官評(píng)價(jià)結(jié)果作為輸出變量，即輸入變量為9，輸出變量為1。進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)之前，將輸入層數(shù)據(jù)和輸出層數(shù)據(jù)歸一化，歸一化后的數(shù)據(jù)范圍為［－1，1］。

采用4層BP神經(jīng)網(wǎng)絡(luò)，隱含層層數(shù)通過(guò)多次試驗(yàn)確定第一隱含節(jié)點(diǎn)數(shù)為9，第二隱含節(jié)點(diǎn)數(shù)為9;輸入層到第一層隱含層的傳遞函數(shù)為tansig;第一隱含層到第二層隱含層的傳遞函數(shù)為tansig，第二層隱含層到輸出的傳遞函數(shù)為purelin;訓(xùn)練函數(shù)為trainlm;訓(xùn)練次數(shù)為1000;訓(xùn)練目標(biāo)為0.01。

2.3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與分析

運(yùn)用Matlab 7.0建立BP神經(jīng)網(wǎng)絡(luò)模型。將300組數(shù)據(jù)中的前250組數(shù)據(jù)用于訓(xùn)練，后50組數(shù)據(jù)用于預(yù)測(cè)，并通過(guò)相對(duì)誤差評(píng)價(jià)網(wǎng)絡(luò)的預(yù)測(cè)能力。表3為PCA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)50組數(shù)據(jù)的預(yù)測(cè)結(jié)果。

可以看出，預(yù)測(cè)結(jié)果的最大相對(duì)誤差為2.68%，最小相對(duì)誤差為0.01%，該算法的最大相對(duì)誤差比文獻(xiàn)［15］報(bào)道的16.08%縮小了13.04%。得出這一結(jié)果可能的原因是該實(shí)驗(yàn)中增加了50組樣本數(shù)，當(dāng)實(shí)驗(yàn)選擇250組數(shù)據(jù)用于PCA-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與預(yù)測(cè)時(shí)，相同條件下得到的模型其預(yù)測(cè)結(jié)果最大相對(duì)誤差為19.76%，預(yù)測(cè)效果不是很理想;而當(dāng)樣本數(shù)增加到350組數(shù)據(jù)時(shí)，最大相對(duì)誤差沒(méi)有太大的變化。由此可見(jiàn)，當(dāng)基于人工神經(jīng)網(wǎng)絡(luò)對(duì)啤酒感官評(píng)價(jià)做出預(yù)測(cè)時(shí)，選用樣本數(shù)250組可以有效提高網(wǎng)絡(luò)的擬合能力。值得注意的是，只有在實(shí)驗(yàn)過(guò)程中不斷調(diào)整隱含層數(shù)、隱含層轉(zhuǎn)換函數(shù)、輸出函數(shù)以及訓(xùn)練函數(shù)，才能使得誤差降到最低。

而且，從圖1可以看出，在相同的訓(xùn)練參數(shù)條件下，采用PCA-BP神經(jīng)網(wǎng)絡(luò)模型，其預(yù)測(cè)結(jié)果在整體上都要優(yōu)于未經(jīng)主成分分析的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果，后者得到的最大相對(duì)誤差為15.40%。由此可見(jiàn)，使用PCA-BP神經(jīng)網(wǎng)絡(luò)模型能夠預(yù)測(cè)啤酒感官得分，而且其預(yù)測(cè)精度要優(yōu)于未經(jīng)主成分分析的BP神經(jīng)網(wǎng)絡(luò)。

表3 PCA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Table 3 Predictive results of PCA-BP neural network

圖1 兩種不同網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Fig.2 Predictive results of two different neural models

3 結(jié)論

本文根據(jù)11種主要影響啤酒風(fēng)味的關(guān)鍵理化指標(biāo)預(yù)測(cè)感官評(píng)價(jià)得分，通過(guò)主成分分析對(duì)理化指標(biāo)進(jìn)行提取，得到9種無(wú)線性相關(guān)性的主要理化指標(biāo)后，通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，使用主成分分析提取出來(lái)的9個(gè)主成分，可以有效反映原11個(gè)理化及風(fēng)味數(shù)據(jù)的絕大部分信息，并應(yīng)用于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)，而且提取出來(lái)的9種主成分所反映的信息可以在啤酒的生產(chǎn)過(guò)程中起到一定的指導(dǎo)作用。

另外，將主成分分析算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，對(duì)300組數(shù)據(jù)中的前250組數(shù)據(jù)進(jìn)行訓(xùn)練，后50組數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到的最大相對(duì)誤差為2.68%。當(dāng)訓(xùn)練樣本數(shù)據(jù)從200組增加到250組時(shí)能夠明顯提高PCA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力，而且，在網(wǎng)絡(luò)訓(xùn)練過(guò)程中根據(jù)實(shí)際情況對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化也可有效增加網(wǎng)絡(luò)的擬合能力。相較于傳統(tǒng)的未經(jīng)主成分分析的BP神經(jīng)網(wǎng)絡(luò)而言，采用PCA-BP神經(jīng)網(wǎng)絡(luò)模型，能夠簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，提高網(wǎng)絡(luò)的擬合能力，從而為啤酒的感官評(píng)價(jià)提供了一條新途徑。

［1］ Gustav Styger，Dan Jacobson，F(xiàn)lorian F Bauer.Identifying genes that impact on aroma profiles produced by Saccharomyces cerevisiae and the production of higher alcohols［J］.Appl Microbiol Biotechnol，2011(91):713 －710.

［2］ 王志堅(jiān)..酵母發(fā)酵副產(chǎn)物與啤酒風(fēng)味［J］.釀酒科技，2001，107(5):69 －70.

［3］ Krista M Sumby，Paul R Grbin，Vladimir Jiranek.Microbial modulation of aromatic esters in wine:Current knowledge and future prospects［J］.Food Chemistry，2010，121(1):1－16.

［4］ 李陽(yáng)，陳芹芹，胡雪芳，等.電子舌技術(shù)在啤酒口感評(píng)價(jià)中的應(yīng)用［J］.食品研究與開(kāi)發(fā)，2008，29(11):122－126.

［5］ Alisa Rudnitskaya，Evgeny Polshin，Dmitry Kirsanov，et al.Instrumental measurement of beer taste attributes using an electronic tongue［J］.Analytica Chimica Acta，2009，646(1):111－118.

［6］ 劉春鳳，鄭飛云，李永仙，等.啤酒口感品評(píng)的模糊綜合評(píng)價(jià)［J］.食品科學(xué)，2008，29(4):138－142.

［7］ 張海容，任光明，陳金娥.啤酒花苦味酸衍生物感官評(píng)價(jià)新方法［J］.中國(guó)釀造，2009，212(11):116－117.

［8］ 張敏，黎向鋒，左敦穩(wěn)，等.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)內(nèi)螺紋冷擠壓成形質(zhì)量預(yù)測(cè)［J］.中國(guó)機(jī)械工程，2012，23(1):51－54.

［9］ 馮琨，張永麗.基于因子分析的BP神經(jīng)網(wǎng)絡(luò)對(duì)成都市需水量預(yù)測(cè)研究［J］.水資源研究，2011，32(6):8－11.

［10］ Mahdi Ghasemi-Varnamkhasti，Seyed Saeid Mohtasebi，Maria Luz Rodriguez-Mendez，et al.Classification of nonalcoholic beer based on aftertaste sensory evaluation by chemometric tools［J］.Expert Systems with Applications，2012，39(4):4 315 －4 327.

［11］ Tian Jiyuan.Determination of several flavours in beer with headspacesampling-gaschromatography［J］. Food Chemistry，2010，123(4):1 318 －1 321.

［12］ 王志沛，季曉東，武千鈞，等.啤酒中揮發(fā)性風(fēng)味物質(zhì)的分析及風(fēng)味評(píng)價(jià)［J］.釀酒科技，2001，106(4):59－61.

［13］ 謝中華.MATLAB統(tǒng)計(jì)分析與應(yīng)用:40個(gè)案例分析［M］.北京:北京航空航天大學(xué)出版社，2010:354－373.

［14］ 傅薈璇，趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京:機(jī)械工業(yè)出版社，2010.

［15］ 任亦賀，駱學(xué)雷，豐水平，等.基于主成分分析、遺傳算法和神經(jīng)網(wǎng)絡(luò)對(duì)啤酒感官評(píng)價(jià)預(yù)測(cè)的研究［J］.中國(guó)釀造，2010，215(2):50－53.