蔡炳育，楊帆

(1.蘇州工業(yè)園區(qū)服務(wù)外包職業(yè)學(xué)院，江蘇 蘇州 215123；2.貴州財(cái)經(jīng)大學(xué)，貴陽 550025)

醬油是日常生活中的必需品，醬油風(fēng)味物質(zhì)是影響醬油品質(zhì)的關(guān)鍵性因素[1]。醬油的生產(chǎn)方式主要包含高鹽稀態(tài)發(fā)酵和低鹽固態(tài)發(fā)酵，醬油主要生產(chǎn)地區(qū)處于我國東部、南部和北部地區(qū)[2]。不同生產(chǎn)地區(qū)生產(chǎn)的醬油所用原材料存在較大差異，由此造成醬油的揮發(fā)性風(fēng)味物質(zhì)也存在較大的差異，因此對(duì)醬油揮發(fā)性風(fēng)味物質(zhì)的研究分析可間接鑒別醬油的生產(chǎn)地區(qū)和生產(chǎn)方式[3]。本文利用神經(jīng)網(wǎng)絡(luò)建立醬油分類模型，以醬油揮發(fā)性風(fēng)味物質(zhì)為輸入?yún)?shù)，以醬油生產(chǎn)地區(qū)和發(fā)酵方式為輸出參數(shù)，對(duì)醬油進(jìn)行兩種不同的分類，為進(jìn)一步提高醬油生產(chǎn)地區(qū)和釀造方式的鑒別過程提供了參考。

1 遺傳算法與神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層，每一層級(jí)中包含若干神經(jīng)元，各個(gè)神經(jīng)元之間相互形成網(wǎng)絡(luò)狀拓?fù)浣Y(jié)構(gòu)，進(jìn)行神經(jīng)網(wǎng)絡(luò)之間的信息發(fā)送與接收，神經(jīng)網(wǎng)絡(luò)中的信號(hào)脈沖強(qiáng)度由信號(hào)加權(quán)系數(shù)決定[4-6]。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)中的基本結(jié)構(gòu)單元，是一種非線性閾值處理器，可進(jìn)行多信號(hào)輸入，經(jīng)處理后形成單輸出。其中a1、a2、……an表示N組輸入信號(hào)，W1、W2、……Wn表示與輸入信號(hào)相對(duì)應(yīng)的加權(quán)系數(shù)，SUM表示信號(hào)輸入總和，b表示閾值調(diào)整常數(shù)，f表示神經(jīng)元閾值處理函數(shù)，t表示輸出信號(hào)。

遺傳算法是一種智能進(jìn)化算法，通過自然界中的啟發(fā)搜索方式進(jìn)行參數(shù)選擇，并進(jìn)行過程優(yōu)化，從而提供有效的算法方案[7]。遺傳算法優(yōu)化后的數(shù)學(xué)解轉(zhuǎn)化成數(shù)字串，并進(jìn)行重新編碼形成新的個(gè)體，遺傳算法的迭代過程利用生物進(jìn)化的相關(guān)過程操作不斷進(jìn)行迭代，計(jì)算個(gè)體之間的適應(yīng)度函數(shù)，并取代上一代個(gè)體，完成一次獨(dú)立的遺傳迭代[8-10]。迭代過程重復(fù)進(jìn)行，直到生成新的適應(yīng)度，每一次迭代過程相互交叉變異，在所有空間中進(jìn)行全局搜索，使每一個(gè)新個(gè)體都能形成最優(yōu)解[11]。

2 遺傳算法神經(jīng)網(wǎng)絡(luò)對(duì)醬油發(fā)酵方式的分類建模

采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化時(shí)，將78組醬油樣品進(jìn)行分組，其中一組用來進(jìn)行網(wǎng)絡(luò)訓(xùn)練，包含63組數(shù)據(jù)，稱為訓(xùn)練集，另外一組用來進(jìn)行模型網(wǎng)絡(luò)測(cè)試，包含15組數(shù)據(jù)，稱為測(cè)試集[12]。本文通過利用神經(jīng)網(wǎng)絡(luò)對(duì)醬油的發(fā)酵方式和生產(chǎn)地區(qū)進(jìn)行分類，在建立發(fā)酵方式分類模型時(shí)，以靈敏度分析使用的28組揮發(fā)性成分和維度降低后的15種揮發(fā)性成分作為模型輸入?yún)?shù)，高鹽稀態(tài)和低鹽固態(tài)作為兩種輸出參數(shù)進(jìn)行發(fā)酵方式分類。

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)訓(xùn)練之前，對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理，將檢測(cè)得到的揮發(fā)性成分含量進(jìn)行歸一化處理，將所有數(shù)據(jù)進(jìn)行壓縮，使其數(shù)值處于[-1，1]之間，獲取訓(xùn)練輸出數(shù)據(jù)之后再將數(shù)據(jù)進(jìn)行恢復(fù)，加速神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率和精度。在進(jìn)行發(fā)酵方式輸出數(shù)據(jù)訓(xùn)練之前，將數(shù)據(jù)進(jìn)行量化處理，生成二進(jìn)制字符串編碼，高鹽稀態(tài)發(fā)酵方式表示為[-1，0]，低鹽固態(tài)發(fā)酵方式表示為[0，1]。

3 遺傳算法神經(jīng)網(wǎng)絡(luò)對(duì)醬油生產(chǎn)地區(qū)的分類建模

與發(fā)酵方式分類模型類似，對(duì)醬油發(fā)酵地區(qū)進(jìn)行分類時(shí)，同樣使用靈敏度分析使用的28組揮發(fā)性成分和維度降低后的15種揮發(fā)性成分作為模型輸入?yún)?shù)，東部地區(qū)、南部地區(qū)以及北部地區(qū)作為3種輸出參數(shù)進(jìn)行發(fā)酵地區(qū)分類。發(fā)酵地區(qū)分類數(shù)據(jù)量化處理時(shí)，東部地區(qū)表示為[0，1，0]，南部地區(qū)表示為[0，0，1]，北部地區(qū)表示為[1，0，0]。

4 分類模型性能評(píng)估

對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，優(yōu)化參數(shù)見表1。使用維度降低前的28組揮發(fā)性成分進(jìn)行醬油發(fā)酵方式的分類，使用15組測(cè)試集數(shù)據(jù)的識(shí)別正確率來驗(yàn)證醬油發(fā)酵方式分類模型效果，模型正確率驗(yàn)證測(cè)試結(jié)果見表2。維度降低后，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，優(yōu)化參數(shù)見表3。使用維度降低后的15組揮發(fā)性成分進(jìn)行醬油發(fā)酵方式的分類，使用15組測(cè)試集數(shù)據(jù)的識(shí)別正確率來驗(yàn)證醬油發(fā)酵方式分類模型效果，模型正確率驗(yàn)證測(cè)試結(jié)果見表4。

表1 維度降低前模型優(yōu)化參數(shù)(發(fā)酵方式)Table 1 Model optimization parameters before dimension reduction (fermentation mode)

表2 維度降低前模型正確率測(cè)試結(jié)果(發(fā)酵方式)Table 2 Model accuracy test results before dimension reduction (fermentation mode)

表3 維度降低后模型優(yōu)化參數(shù)(發(fā)酵方式)Table 3 Optimization of model parameters after dimension reduction (fermentation mode)

表4 維度降低后模型正確率測(cè)試結(jié)果(發(fā)酵方式)Table 4 Model accuracy test results after dimension reduction (fermentation mode)

對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，優(yōu)化參數(shù)見表5。使用維度降低前的28組揮發(fā)性成分進(jìn)行醬油生產(chǎn)地區(qū)的分類，使用15組測(cè)試集數(shù)據(jù)的識(shí)別正確率來驗(yàn)證醬油生產(chǎn)地區(qū)分類模型效果，模型正確率驗(yàn)證測(cè)試結(jié)果見表6。維度降低后，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，優(yōu)化參數(shù)見表7。使用維度降低后的15組揮發(fā)性成分進(jìn)行醬油生產(chǎn)地區(qū)的分類，使用15組測(cè)試集數(shù)據(jù)的識(shí)別正確率來驗(yàn)證醬油生產(chǎn)地區(qū)分類模型效果，模型正確率驗(yàn)證測(cè)試結(jié)果見表8。

表5 維度降低前模型優(yōu)化參數(shù)(生產(chǎn)地區(qū))Table 5 Model optimization parameters before dimension reduction (production area)

表6 維度降低前模型正確率測(cè)試結(jié)果(生產(chǎn)地區(qū))Table 6 Model accuracy test results before dimension reduction (production area)

表7 維度降低后模型優(yōu)化參數(shù)(生產(chǎn)地區(qū))Table 7 Model optimization parameters after dimension reduction (production area)

表8 維度降低后模型正確率測(cè)試結(jié)果(生產(chǎn)地區(qū))Table 8 Model accuracy test results after dimension reduction (production area)

續(xù) 表

由表6和表8中數(shù)據(jù)可知，維度降低前，測(cè)試集數(shù)據(jù)識(shí)別正確率達(dá)到80%，表明醬油發(fā)酵方式分類模型和生產(chǎn)地區(qū)分類模型可基本滿足分類性能要求。維度降低后，測(cè)試集數(shù)據(jù)識(shí)別正確率達(dá)到100%，表明醬油發(fā)酵方式分類模型和生產(chǎn)地區(qū)分類模型可精確進(jìn)行醬油發(fā)酵方式分類。

5 結(jié)論

本文利用遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式，建立醬油發(fā)酵方式分類模型和醬油生產(chǎn)地區(qū)分類模型，并利用遺傳算法進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，使分類模型識(shí)別精確度達(dá)到100%，為醬油發(fā)酵方式及生產(chǎn)地區(qū)的分類鑒別提供了理論論依據(jù)。