李凱旋 詹 萍 田洪磊，* 未志勝 王 鵬 張 芳

（1 石河子大學食品學院 新疆石河子832000 2 陜西師范大學食品學院 西安710119）

大蒜，百合科蔥屬（Allium）植物，亞洲中部與西部地區(qū)是大蒜的原產地[1]。大蒜因其香氣濃郁、味道辛辣，且富含蛋白質、無機鹽、維生素、糖類等營養(yǎng)物質而常被用作藥食兩用資源[2-9]。因生鮮大蒜辛辣味明顯等特點而導致消費者接受程度較低。結合現(xiàn)代食品加工手段遮蔽其辛辣口感，開發(fā)蒜香味濃郁的調味粉，可在滿足市場需求的同時推進生鮮大蒜的精深加工，具有廣闊的市場前景。

采用響應面試驗設計及函數圖形分析技術，對技術條件進行優(yōu)化組合[10-11]。然而利用響應面法對方案進行多水平多因素設計，很難評測不同因素之間的交互作用對試驗結果的影響。神經網絡（Artificial neural networks，ANN）是一種數據分析方法，通過模仿大腦的神經網絡行為特點對數據進行處理。神經網絡利用實測數據，對試驗過程進行模擬，減少人為因素造成的分析偏差，可以彌補響應面法的一些缺陷[12]。遺傳算法（Genetic algorithm，GA） 是一種基于人工智能的隨機非線性優(yōu)化形式[13]。遺傳算法結合神經網絡的設計方法，能夠避免響應面法容易產生局部最優(yōu)解的影響，更適合于達到全局最優(yōu)組合設計的目標，是一種比響應面法更為廣泛和準確的模型[14-15]。

目前采用響應面法優(yōu)化大蒜等相關產品的加工工藝研究較多，然而采用人工神經網絡結合遺傳算法優(yōu)化制備工藝的研究鮮見報道[16-20]。本文利用單因素試驗結合響應面試驗數據，以感官評分為指標，利用BP 神經網絡對產品制備工藝進行模擬仿真與預測，再結合遺傳算法對工藝進行優(yōu)化處理，得出最優(yōu)制備工藝，為制備蒜香調味粉提供一個優(yōu)化的工藝方法。

1 材料與方法

1.1 試驗材料、試劑與設備

新疆白皮大蒜，新疆石河子市好家鄉(xiāng)超市；去離子水，Milli-Q 純化系統(tǒng)；無水乙醇（分析純級），天津市風船化學試劑科技有限公司；YX280A 型電熱恒溫鼓風干燥箱，上海森信實驗儀器有限公司；DL203 型電子天平，上海精密科學儀器有限公司；DFT-100 型手提式高速中藥粉碎機，上海新諾儀器設備有限公司。

1.2 試驗方法

1.2.1 工藝流程 大蒜→分瓣→去皮→清洗→瀝水→切片→裝盤→焙烤→出料→粉碎→過篩→包裝。

1.2.2 原料處理 大蒜篩選：選用新鮮成熟的大蒜，蒜頭帶有完整的干燥潔凈的外皮，沒有受到擠壓；大蒜沒有蟲蛀現(xiàn)象，挑選時除去腐爛、發(fā)霉、變質的蒜頭；蒜肉潔白、辛辣味足。

大蒜切片：切片方法為橫切，應保證切片厚度與試驗要求一致[21]。

大蒜制粉：蒜片焙烤干制完成后，經粉碎機粉碎后過60 目篩，制得蒜粉。

1.3 單因素試驗設計

以干燥溫度、干燥時間、切片厚度為條件優(yōu)化單因素考察變量。設定試驗干燥時間6 h，切片厚度3 mm，考察干燥溫度分別為40，50，60，70，80℃時，焙烤蒜粉感官品質的差異性；設定干燥溫度60 ℃，切片厚度3 mm，研究不同干燥時間（4，5，6，7，8 h）對產品呈香感官屬性影響；設置干燥時間6 h，干燥溫度60 ℃，考察不同切片厚度（1，2，3，4，5 mm）對產品感官屬性的影響。篩選各單因素水平，為制備條件響應面優(yōu)化試驗提供參考。

1.4 響應面試驗設計

選取干燥時間（A）、干燥溫度（B）和切片厚度（C）這3 個因素作為自變量，在此基礎上做單因素試驗，產品的感官評分結果作為因變量，即試驗的響應值，選取N=17 的中心組合試驗設計，因素水平編碼見表1。

表1 中心組合試驗因素及水平編碼表Table 1 Factors and levels of the central composition design

1.5 BP 神經網絡

研究模型采用1 個隱含層[22]。輸入層設定3個神經元：干燥時間（X1）、干燥溫度（X2）和切片厚度（X3）；設定10 個神經元作為隱含層，將產品的感官評分（Y）設定為輸出層。設定該模型的網絡拓撲結構為3-10-1 型，通過仿效蒜香調味粉的不同制備過程，探究相關因素對產品風味特點的影響。

圖1 用于模擬蒜粉制備條件的BP 神經網絡拓撲結構Fig.1 The architecture of artificial neural network used for simulating the preparation conditions of garlic powder

將遺傳算法與神經網絡結合以尋求蒜香調味粉制備工藝的最佳因素組合。利用適應度函數對個體進行選擇處理，進而評估不同個體解[23-24]。本研究的遺傳算法是以建立的神經網絡模型為遺傳算法的適應度函數。

1.6 感官評分指標

感官評價試驗通過感官評價小組 （8 人）完成，其中男性3 名，女性5 名。首先，準確設定描述樣品呈香感官特點的屬性表征類別，包括焙烤香、硫磺味、焦糊味、辛辣味、桂皮香、清香[25]。其次，確定感官評價分值標準，評分標準采用5 分制，樣品的氣味無法被感受到記0 分，樣品的氣味自然柔和且能被明顯感知到記5 分[26]。具體標準的對應模型如表2所示。樣品隨機編號，每個成員應客觀、獨立地進行評價，成員之間不能夠進行交流。品評時，前1 h 禁止感官評定人員進食刺激性較強的或者氣味較大的食物，避免對樣品評價造成影響，品評時確保品評環(huán)境安靜、無味?？紤]到樣品的用量和體積，選取15 mL 的頂空瓶，稱取各樣品5 g 置于其中，頂空瓶在盛裝樣品前應該用無水乙醇浸泡清洗，清洗后將其置于烘箱中干燥后備用，除去頂空瓶中的干擾氣味，避免感官評價結果受到影響。感官評價人員嗅聞后進行評分，切換樣品進行嗅聞時保證時間間隔為2 min，記錄小組內各評價人員的評價結果。每個樣品重復評價3次。

表2 產品感官評價標準與香氣類別描述Table 2 Product sensory evaluation criteria and aroma category description

1.7 統(tǒng)計分析

采用Design Expert.V8.0.6 和Origin 2017 軟件進行試驗設計和數據分析，采用Matlab 2017b軟件實現(xiàn)神經網絡和遺傳算法。

2 結果與分析

2.1 最佳工藝的單因素試驗

由圖2可以得出，隨著蒜片干燥時間的延長，蒜粉樣品的感官評分呈先增加后減少的趨勢，整體呈香屬性表現(xiàn)出先正向擬合，后逆向偏離的現(xiàn)象。其主要原因可能是在干燥溫度更高或者切片厚度更薄的情況下，干燥時間越長，蒜粉的焦糊味越明顯，濃郁的焦糊味會掩蓋蒜粉的其它氣味，進而影響產品整體的呈香特性。

圖2 各因素對蒜粉感官評分的影響Fig.2 Effects of various factors on the sensory score of garlic powder

2.2 響應面分析

試驗的中心組合試驗設計矩陣及結果見表3。以感官評分為響應值，利用Design Expert.V8.0.6 統(tǒng)計軟件對試驗結果進行多元回歸擬合，得到關于感官評分對蒜片干燥時間、干燥溫度和切片厚度的二次多元多項回歸式擬合模型：

R=-132.73+21.68A+2.67B+8.15C+0.08AB+0.05AC-2.28A2-0.03B2-2.03C2

式中，R——感官評分（分）；A——干燥時間（h）；B——干燥溫度（℃）；C——切片厚度（mm）。

表3 響應面分析試驗設計與結果Table 3 Design and results of for the central composition design

（續(xù)表3）

表4 回歸模型的方差分析Table 4 Analysis of variance （ANOVA） testing the fitness of the regression equation

結合模型P 值（<0.01）與失擬項值（>0.05）的實測值分析，該模型適應程度高，完全可用于該類產品制備條件優(yōu)化[27]。表4為響應面試驗的方差分析結果，從表中可以看出，蒜粉感官評價模型的P 值小于0.01，能夠判斷出該模型已經表現(xiàn)為極顯著水平；由表可知，模型的失擬項值為0.2451（P>0.05），表現(xiàn)為不顯著，說明試驗值和預測值的誤差較?。辉谠囼灲Y果與回歸模型的擬合性上可以看出R2=0.9807，表示該模型產生的結果與實際值的擬合程度較好。由表可知，AB 的P 值小于0.05，即表達為干燥時間和干燥溫度的交互作用對感官評分顯著，其中干燥時間、干燥溫度、切片厚度的線性效應和二次項影響全部的已達到了顯著水平（P≤0.05）。響應面曲面圖的坡度變化趨勢亦可說明相關因素水平與制備樣品呈香屬性的顯著相關性；各因素對蒜粉呈香屬性的影響程度依為A（干燥時間）>C（切片厚度）>B（干燥溫度）。

2.3 響應面作圖

圖3反應了各因素對響應值綜合評分的影響。等高線的特點表示兩個因素之間的交互作用的顯著程度，其橢圓程度與兩因素之間的交互程度成正相關[28]。由圖3a可以看出蒜片的干燥時間與干燥溫度對蒜粉感官評分影響顯著 （P<0.05）。如圖3b和圖3c所示，干燥時間與切片厚度的交互項以及干燥溫度與切片厚度的交互項對感官評分結果的作用均不顯著（P>0.05），這與表4方差分析的結果一致。

圖3 各因素交互作用對感官評分影響的響應面和等高線圖Fig.3 Contours and response surface diagrams of the effects of various factors on the sensory score

2.4 BP 神經網絡的建立與訓練

選擇mapminmax 函數對響應面試驗獲得的17 組試驗數據進行歸一化處理，規(guī)定訓練的目標誤差為0.0001，設定學習速率為0.05，其中最大的訓練步數為100。通過神經網絡對數據進行自主訓練與學習，在獲得最優(yōu)模型參數后完成訓練[29]。

圖4 神經網絡的誤差下降曲線Fig.4 Error drop curve of neural network

圖4表示在BP 神經網絡訓練過程中均方誤差的下降曲線，圖中的橫軸代表訓練步數，縱軸代表數據的均方誤差（MSE）。設置系統(tǒng)訓練均方誤差為10-8，當迭代到第3 次時達到預設精度，表示神經網絡訓練完成。MSE 能夠根據數據的變化程度衡量數據的平均誤差。MSE 值越小，模型描述試驗結果的精確度就越好。由圖4可知，在訓練網絡時，模型的訓練步數增大，均方誤差不斷下降，網絡誤差曲線接近設定的誤差目標值0.00001。該神經網絡在第2 步時，訓練網絡性能符合目標要求，在第3 步時均方誤差已經下降至低于0.000001。因此，神經網絡的網絡訓練收斂速度較快且非常穩(wěn)定，表明該模型能夠較好地滿足試驗需求。各訓練指標都隨著訓練步數的增大而降低，最優(yōu)的驗證性能為0.10591，接近真實數據，說明該神經網絡模型能夠適用后續(xù)的試驗分析。

人工神經網絡訓練出的模型，其擬合回歸系數R 值表示目標數據和輸出結果之間的相關程度。由圖5可知，訓練、測試與預測圖中R 值分別為0.99827，0.92416 和0.94804。R測試>R驗證，說明神經網絡模型不存在過擬合狀態(tài)；R預測>0.90，說明神經網絡模型不存在欠擬合狀態(tài)；驗證圖中R=0.8923，說明在現(xiàn)有設置的參數下，模型擬合結果具備優(yōu)良的隨機驗證效果。因此，可以認為該模型具有較強的解釋能力和較低的仿真誤差，能夠較好地訓練、預測和整體擬合效果。訓練好的模型可以模擬并表達出輸入端與輸出端之間的映射關系，保證模擬仿真效果，進而對試驗結果進行準確預測。

圖5 神經網絡模型的訓練、驗證、測試和所有預測集Fig.5 Neural network model with training，validation，test and all prediction set

2.5 神經網絡的檢測

將4 組校驗數據輸入已訓練好的BP 網絡，訓練樣本的實際結果與網絡輸出值列于表5。由表5可知，訓練樣本的實際結果與網絡輸出值之間的最大相對誤差為0.8457%。感官評分的相對誤差在±1%以下，表示該模型能夠對不同試驗因素和感官評價數據進行非線性映射，具備較高的準確度和預測能力。

由圖6可知，干燥時間、干燥溫度和切片厚度對感官評分都有較大影響且相互間存在交互作用，感官評分能夠達到全局最優(yōu)。說明BP 網絡具有較好的預測性，可以明確輸入數據和輸出數據之間的關系。形成精準的優(yōu)化函數模型，可作為模擬蒜香調味粉制備過程的方便工具。

2.6 遺傳算法尋優(yōu)

遺傳算法能夠進一步完善試驗的優(yōu)化制備工藝[30]。圖7為個體（試驗工藝）的適應度值（感官評分）隨進化代數的變化而改變的趨勢曲線。

在開始時，GA 利用其群體搜索特性使得被選擇個體的適應度值發(fā)生明顯的斷崖式改變。隨后，GA 進行平穩(wěn)的交叉操作；然后GA 通過又一次選擇處理，被選擇個體的適應度值產生小范圍的正向改變，逐步向目標靠近。由圖可知，適應度曲線在進行第70 次迭代時收斂于18.55 附近。通過上述步驟的循環(huán)迭代處理，當進化代數增大至100 代時，GA 停止選擇并得出適應度值最高的個體。運行出的優(yōu)化結果：最優(yōu)工藝參數為干燥時間5.9298 h，干燥溫度60.6982 ℃，切片厚度2.7242 mm，最優(yōu)感官評分18.5622 分。

根據與輸出結果相對應的工藝條件進行驗證試驗，相關結果如表6所示。

表6數據中，驗證試驗的感官得分為18.70分，比模型優(yōu)化值18.5622 分低0.74%，試驗相對誤差維持在±5%的范圍內，達到了該模型對試驗精確度的要求。說明該方法優(yōu)化產生的蒜香調味粉制備工藝參數具備較為準確的感官得分結果。因此，GA-BP 神經網絡優(yōu)化的最佳條件為：干燥時間5.9 h，干燥溫度61 ℃，切片厚度2.7 mm。

3 結論

通過對大蒜進行焙烤處理，綜合考察了干燥溫度（40，50，60，70，80 ℃）、干燥時間（4，5，6，7，8 h）和切片厚度（1，2，3，4，5 mm）對于蒜粉產品呈香屬性的影響。運用Box-Behnken 3 因素3 水平的響應面試驗設計獲得的試驗數據，以matlab 2017b 為平臺，建立BP 神經網絡（拓撲圖結構使3-10-1）完成產品制備的模擬仿真以及模型預測，結合遺傳算法進行工藝參數的尋優(yōu)。試驗優(yōu)化的制備工藝參數：干燥時間5.9 h，干燥溫度61 ℃，切片厚度2.7 mm?？傮w來說，GA-BP 模型優(yōu)化結果精確、可靠，能夠為蒜香調味粉的工業(yè)化生產提供一定的理論依據和參數指導。焙烤前、后樣品中的揮發(fā)性風味成分的變化原因有待深入探討。

表5 網絡模型的預測結果及誤差Table 5 The prediction results and error of net model

圖6 利用ANN 預測各因素交互作用對感官評分的影響Fig.6 Using ANN to predict the impact of various factors on sensory scores

圖7 感官評分的適應度曲線Fig.7 The fitness curve of the taste intensity value

表6 模型優(yōu)化結果及驗證比較Table 6 The optimization results and comparative validation