楊銀愛 牛 犇 陳慧芝 孫培龍 陳杭君，

（1浙江工業(yè)大學食品科學與工程學院，浙江 杭州 310014；2浙江省農(nóng)業(yè)科學院食品科學研究所/農(nóng)業(yè)農(nóng)村部果品采后處理重點實驗室/農(nóng)業(yè)農(nóng)村部蔬菜采后保鮮與加工重點實驗室（部省共建）/浙江省果蔬保鮮與加工技術研究重點實驗室/中國輕工業(yè)果蔬保鮮與加工重點實驗室，浙江 杭州 310021）

雪梨是一種常見的水果，果肉乳白色、爽脆多汁，含有豐富的微量元素，且具有潤肺清燥、止咳化痰、養(yǎng)血生肌的作用，對心肺病、支氣管炎等具有良好的治療效果［1-2］。隨著新型冠狀病毒的流行，感染人群的肺部和支氣管部受到嚴重的損害。雪梨憑借其潤肺和止咳化痰的功效，在疫情高峰期一度進入脫銷狀態(tài)。因此，以具潤肺和止咳化痰功效的雪梨、具保護腸胃作用的銀耳［3］以及具清熱降火且滋陰補脾的蓮子為主要原料研制的雪梨蓮子銀耳羹具有廣闊的市場前景。

響應面法（response surface methodology，RSM）通過建立線性多項式來實現(xiàn)對未試驗點的預測，該方法計算簡單且具有良好的魯棒性。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(jīng)網(wǎng)絡（artificial neural network，ANN）是一種強大的數(shù)據(jù)建模工具，能夠捕獲并表示復雜的輸入或輸出關系［4］，其利用實測數(shù)據(jù)模擬試驗過程，從而減少人為因素造成的干擾，彌補響應面法的一些缺陷。反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡是應用較廣泛的神經(jīng)網(wǎng)絡之一，但其具有容易陷入局部最優(yōu)解等缺陷［5］。Xu 等［6］將BP 神經(jīng)網(wǎng)絡與粒子群優(yōu)化和遺傳算法（genetic algorithm，GA）相結合優(yōu)化黃芪中6 種黃酮類成分的提取純化工藝，發(fā)現(xiàn)BP 神經(jīng)網(wǎng)絡對黃芪中黃酮類成分最優(yōu)提取工藝的預測較RSM 更優(yōu)越和可靠。GA 可用于解決全局優(yōu)化問題［7］。采用GA 優(yōu)化BP（GA-BP）神經(jīng)網(wǎng)絡可以提高預測模型的準確性和可靠性。楊濤濤等［8］使用GABP 神經(jīng)網(wǎng)絡建立了明膠軟糖口感的預測模型?；贕A 在全局優(yōu)化中的優(yōu)勢，將RSM 和GA 相結合（RSMGA）可避免RSM 對試驗點選擇要求較高的限制［9］。谷紅等［10］使用RSM-GA 對超聲-酶輔助提取金銀花綠原酸的工藝進行優(yōu)化，結果表明，超聲-酶輔助提取金銀花綠原酸的最優(yōu)工藝參數(shù)為：超聲功率157 W，提取時間30 min，提取溫度34 ℃，果膠酶添加量0.20%，乙醇體積分數(shù)61%，在該條件下所得綠原酸提取率為12.85%。

目前已有銀耳蓮子湯罐頭、雪梨銀耳果醬研究等相關報道，但鮮有以雪梨、蓮子、銀耳為原料研發(fā)產(chǎn)品的相關研究。本研究通過單因素試驗篩選出對感官評分影響顯著的指標，結合響應面、GA-BP 神經(jīng)網(wǎng)絡和遺傳算法對雪梨蓮子銀耳羹產(chǎn)品進行工藝優(yōu)化，然后分別通過GC-MS 和電子舌測定最優(yōu)工藝條件下該產(chǎn)品的揮發(fā)性風味物質和5 種滋味強度，旨在建立一種可以模擬試驗過程的準確的預測模型，同時提出一種雪梨蓮子銀耳羹優(yōu)化程度更高的工藝，從而為雪梨蓮子銀耳羹的商業(yè)化應用提供參考。

1 材料與方法

1.1 材料與儀器

干蓮子，浙江省永康市呂氏太平蓮子專業(yè)合作社；藕粉，購自誼品生鮮超市；淀粉、銀耳、枸杞、紅棗、百合、冰糖，均購自浙江省杭州市世紀聯(lián)華超市；雪梨，品種為秋月梨，產(chǎn)自山東淄博沂源縣。

SPME 進樣器（50/30 μm DVB/CAR/PDMS 萃取頭），美國Supelco 公司；Finnigan Trace GC Ultra Trace DSQ氣相色譜-質譜聯(lián)用儀，美國Thermo 公司；DB-5 毛細管色譜柱（30 m×250 μm×0.25 μm），美國Agilent公司；cTongue電子舌，上海保圣實業(yè)發(fā)展有限公司。

1.2 試驗方法

1.2.1 工藝流程 工藝流程見圖1：

圖1 雪梨蓮子銀耳羹工藝流程圖Fig.1 Process flow diagram of Snow Pear，Lotus Seed and Tremella Soup

1.2.2 技術要點

1） 預處理

除去根部并將銀耳捏碎，取12 g 銀耳用200 mL 水浸泡30 min，加入少量淀粉，洗掉灰塵雜質，用30 目不銹鋼過濾網(wǎng)瀝干表面水分。

2） 熬煮

將瀝干后的銀耳、20 g 蓮子和8 g 百合放入電磁爐鍋，加入800 mL純水加熱30 min。

3） 配料配料中含有5 g 枸杞、9 g 切碎的紅棗、30 g 冰糖及134 g雪梨。

4） 燜煮

將電磁爐調(diào)至120 W，蓋上鍋蓋加熱10 min。

5） 調(diào)配將一定量的藕粉用冷水溶解后快速倒入電磁爐鍋中，同時不停攪拌。

6） 裝罐

藕粉在液體中均勻分布并呈現(xiàn)透明時立即裝罐，內(nèi)容物距離瓶口1～2 cm，防止瓶口和外壁被銀耳羹沾染。

7） 排氣

將預封好的罐頭放入熱水中加熱排氣，排氣后密封。

8） 滅菌

將罐置于100 ℃沸水中水浴10 min。

9） 冷卻

采用分段冷卻。

1.2.3 單因素試驗設計

1） 熬煮時間單因素試驗

按照雪梨蓮子銀耳羹制作工藝，固定蓮子、雪梨和藕粉的添加量分別為純水的2.5%、17%和1.2%，將熬煮時間分別設定為20、30、40、50 和60 min，制成銀耳羹，對銀耳羹進行感官評價，評價標準見表2。

2） 藕粉添加量單因素試驗

按照雪梨蓮子銀耳羹制作工藝，固定熬煮時間為30 min，蓮子和雪梨的添加量分別為純水的2.5%和17%，將藕粉添加量分別設定為純水的0.2%、0.7%、1.2%、1.7%和2.2%，制成銀耳羹，對銀耳羹進行感官評價，評價標準見表2。

3） 蓮子添加量單因素試驗

按照雪梨蓮子銀耳羹制作工藝，固定熬煮時間30 min，雪梨和藕粉添加量分別為純水的17% 和1.2%，將蓮子添加量分別設定為純水的0.5%、2.5%、4.5%、6.5%和8.5%，制成銀耳羹，對銀耳羹進行感官評價，評價標準見表2。

4） 雪梨含量單因素試驗

按照雪梨蓮子銀耳羹制作工藝，固定熬煮時間30 min，藕粉和蓮子添加量分別為純水的1.2%和2.5%，分別設定雪梨添加量為純水的9%、13%、17%、21%和25%制成銀耳羹，參照表1 對銀耳羹進行感官評價。

表1 雪梨蓮子銀耳羹感官評分標準［11］Table 1 Sensory evaluation standards of Snow Pear，Lotus Seed and Tremella Soup

1.2.4 響應面優(yōu)化試驗方案 基于單因素試驗，選取對感官評分影響較顯著的3 個因素作為考察變量，以感官評分為響應值進行響應面試驗設計，表2 為因素水平編碼。

表2 響應面設計因素水平表Table 2 Independent variables and their levels used in the response surface design

1.2.5 感官評價標準及方法 對18 名食品專業(yè)人員進行培訓，于浙江省農(nóng)業(yè)科學院食品科學研究所的食品重構實驗室進行感官評價。按表2 標準對氣味、口感、滋味、外觀進行感官評分。樣品隨機編號，每個成員客觀、獨立進行評價。品評不同樣品時要求成員用清水漱口。每個樣品重復評價3 次，最后收集評分結果進行統(tǒng)計分析。

1.2.6 GA-BP 神經(jīng)網(wǎng)絡 研究模型采用1 個隱含層［12］。輸入層設定3 個神經(jīng)元：熬煮時間（x1）、藕粉添加量（x2）、蓮子添加量（x3）；隱含層包含10 個神經(jīng)元，輸出層為雪梨蓮子銀耳羹的感官評分（Y）（圖2）。設定該模型的網(wǎng)絡拓撲結構為3-10-1型，通過仿效雪梨蓮子銀耳羹的不同制備過程，建立雪梨蓮子銀耳羹感官評分的預測模型。

圖2 用于模擬雪梨蓮子銀耳羹的神經(jīng)網(wǎng)絡拓撲結構Fig.2 The architecture of artificial neural network used for simulating the preparation conditions of Snow Pear，Lotus Seed and Tremella Soup

1.2.7 遺傳算法尋優(yōu) 利用matlab 仿真運算模擬自然進化過程獲得最優(yōu)解［12］。

1.2.8 揮發(fā)性風味物質檢測 采用氣相色譜-質譜法（gas chromatography-mass spectrometry，GC-MS）對揮發(fā)性風味物質進行檢測，具體參考徐磊等［13］的方法并稍作改動。固相微萃取：稱取2 g液氮粉碎后的雪梨蓮子銀耳羹于15 mL 頂空進樣瓶中，向其中加入0.5 g NaCl 和5 μL 50 μg·mL-1仲辛醇，于60 ℃平衡15 min，水浴加熱30 min，頂空進樣針溫度90 °C，樣本進樣量500 μL，清洗時間30 s。氣相色譜條件：DB-23（25 m×200 μm×0.30 μm）熔融石英毛細管柱；氣化室溫度250 ℃，程序升溫：初始柱溫60 ℃，以10 ℃·min-1上升至180 ℃，保持2 min；以2 ℃·min-1上升至200 ℃，維持2 min；以5 ℃·min-1上升到250 ℃，維持2 min。載氣為氦氣，進樣量為1 μL，不分流。溶劑延遲3 min。質譜條件：離子源溫度為250 ℃；電離電壓為70 eV；進樣口溫度為250 ℃。

1.2.9 滋味強度測定

1） 電子舌檢測

使用電子舌對雪梨蓮子銀耳羹的酸、甜、苦、咸、鮮5 種滋味進行測定。稱取液氮研磨后的雪梨蓮子銀耳羹粉末1 g，加入30 mL 蒸餾水，攪拌均勻，超聲15 min后過濾。取15 mL 濾液于進樣燒杯中。所用智舌系統(tǒng)包含6 個傳感器，設置靈敏度為0.000 1，測定總時長為156 s。重復測定3次。

分別采用不同濃度的蘋果酸（0.062 5、0.125、0.25、0.5、1、2 mg·mL-1）、葡萄糖（0.125、1.25、2.5、5、10 mg·mL-1）、單寧（0、0.05、0.1、0.25、0.4、0.8、1.00、1.50、1.60、1.75、2.00、2.50、2.75、3.00、3.25、3.5 mg·mL-1）、氯化鈉（0.031 25、0.062 5、0.125、0.25、0.5、1 mg·mL-1）、谷氨酸鈉（0.031 25、0.062 5、0.125、0.25、0.5 mg·mL-1）進行判別因子分析（dynamic factor analysis，DFA）建模，通過將樣品感官信息導入模型對樣品滋味強度進行檢驗。

2） 感官評價

使用定量描述性感官評價法［14］，對18名食品專業(yè)人員進行培訓，于浙江省農(nóng)業(yè)科學院食品科學研究所的食品重構實驗室進行感官評價。采用7 點制，0～7（0=沒味道，7=味道最強），分別對酸、甜、苦、咸、鮮5個屬性進行評價。

1.3 統(tǒng)計分析

采用Excel 2019 進行數(shù)據(jù)處理，使用GraphPad Prism 8.0 軟件繪圖，響應面設計使用Design-Expert.V8.0.6.1，通過MATLAB R2021a 進行GA-BP 神經(jīng)網(wǎng)絡和遺傳算法分析。

2 結果與分析

2.1 熬煮時間、藕粉、蓮子和雪梨添加量單因素試驗結果

由圖3-A 可知，熬煮時間對雪梨蓮子銀耳羹的感官評分有顯著影響。隨著熬煮時間的延長，感官評分先增加后下降。當熬煮時間為30 min 時，感官評分最高，熬煮時間為20 和60 min 時，感官評分相當。當銀耳量和浸泡時間一定時，熬煮時間決定銀耳的出膠量，從而影響雪梨蓮子銀耳羹中的銀耳味、黏稠度和色澤。熬煮時間短，電磁爐鍋內(nèi)水分蒸發(fā)量較少，同時銀耳出膠量少，銀耳味偏淡，黏稠度偏低，羹有較少光澤。此外，蓮子和百合的軟硬度也受熬煮時間的影響，蒸煮時間短，硬度較大，影響羹的口感。蒸煮時間長，雖然銀耳的出膠量大，但蓮子和百合過軟，同時蓮子的苦味充分融入羹中，導致其具有少量苦味，降低感官評分。由圖3-B 可知，當藕粉添加量為0.2%～1.7%時，感官評分隨藕粉添加量的增加而上升；當藕粉添加量為1.7%時，感官評分最高；當藕粉添加量超過1.7%時，隨藕粉添加量增加，感官評分下降。藕粉添加量直接影響雪梨蓮子銀耳羹的黏稠度，適量的藕粉添加量不僅使羹具有色澤，還能夠賦予羹膠質感。由圖3-C可知，感官評分隨蓮子添加量的增加先上升后下降，當蓮子添加量為2.5%時，感官評分最高。研究表明，蓮心中含有豐富的黃酮類和生物堿類物質，這使蓮心具有苦味［15-16］。當蓮子添加量較少時，雪梨蓮子銀耳羹的甜味能夠掩蓋其苦味，但過少的蓮子影響羹的營養(yǎng)和外觀；當蓮子添加量較多時，由于苦味對甜味有抑制作用［17］，蓮心的苦味使羹的滋味難以接受，蓮子的最適添加量為0.5%～4.5%。由圖3-D 可知，隨雪梨添加量的增加，感官評分波動較小，位于75～85 之間，雪梨添加量對感官評分的影響不明顯。雪梨主要影響雪梨蓮子銀耳羹的氣味。研究表明，雪梨中主要含有酯類等揮發(fā)性風味物質［18］。本研究中雪梨添加量對感官評分影響不大，可能是因為經(jīng)熱加工后的雪梨部分揮發(fā)性風味物質的含量降低甚至消失，或銀耳、紅棗等所含有的揮發(fā)性風味物質掩蓋了雪梨的氣味。

圖3 不同因素與感官評分的關系Fig.3 Relationship between different factors and sensory scores

2.2 響應面優(yōu)化試驗結果

基于單因素試驗，以感官評分為響應變量，以對感官評分有顯著影響的熬煮時間、藕粉添加量和雪梨添加量為輸入變量（表3）。經(jīng)響應面對方程的二次回歸擬合得出各因素的回歸方程為：感官評分=95.08+1.66A-1.11B-0.93C+2.27AB-1.14AC+1.18BC-6.08A2-3.20B2-6.75C2。如表4 所示，對回歸模型進行顯著性分析，得回歸模型P＜0.000 1，模型極顯著，失擬項不顯著（P＞0.05），表明試驗結果與回歸模型擬合程度良好。該模型的R2=0.995 3，R2 Adj=0.989 3，變異系數(shù)CV=0.66%，表明回歸方程可信度高，可用于分析和預測雪梨蓮子銀耳羹的加工工藝。由F值可知，A（熬煮時間）對雪梨蓮子銀耳羹感官評分影響最大，其次為B（藕粉添加量）和C（蓮子添加量）。根據(jù)試驗結果可知，模型中A、A2、B2、C2對感官評分的影響極顯著（P＜0.001），而對感官評分影響為高度顯著（P＜0.01）的是B、C、AB、AC、BC。

表3 響應面試驗設計結果Table 3 Response surface test design results

表4 回歸模型方差分析表Table 4 Regression model variance analysis table

2.3 響應面圖形分析結果

圖4 是各因素間交互作用的響應面及等高線圖，可用于評估不同因素對感官評分的影響程度。圖4-A和B 中的三維曲面圖較圖4-C 中三維曲面圖陡峭，說明3 個因素對感官評分影響程度不同，熬煮時間的影響較藕粉添加量和蓮子添加量大，與方差分析結果一致。根據(jù)等高線的橢圓程度可以判斷各因素的交互作用及其對感官評分的影響［19］。圖4-C 中等高線呈橢圓形，說明藕粉添加量和蓮子添加量的交互項對感官評分結果影響較顯著（P＜0.05）。

圖4 各因素間交互作用的響應面及等高線圖Fig.4 Response surface and contour plot of interaction between various factors

2.4 GA-BP神經(jīng)網(wǎng)絡的建立

使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡，可以使預測結果更加準確。以熬煮時間、藕粉添加量、蓮子添加量為輸入變量，感官評分為輸出變量，使用matlab對響應面設計的17 組試驗結果進行GA-BP 神經(jīng)網(wǎng)絡訓練。設定訓練次數(shù)為1 000，學習速率為0.01，訓練目標最小誤差為0.000 1。然后使用遺傳算法尋最優(yōu)權值閾值，設定初始種群規(guī)模為30，最大進化代數(shù)為50，交叉概率為0.8，變異概率為0.2。由表5可知，遺傳算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡的平均絕對百分比誤差（mean absolute percentage error，MAPE）降低了1.326 2%。GA-BP 訓練后的平均絕對誤差（mean absolute error，MAE）、均方誤差（mean squared error，MSE）、均方根誤差（root mean square error，RMSE）均小于1，表明模型準確度較高。

表5 模型評估結果Table 5 Model evaluation results

由圖5-A 可知，神經(jīng)網(wǎng)絡最佳的隱含層節(jié)點數(shù)為3，相應的均方誤差為0.069 808。由圖5-B 可知，GABP 神經(jīng)網(wǎng)絡預測誤差較小，在0 左右，而標準BP 神經(jīng)網(wǎng)絡預測誤差波動較大，表明GA 優(yōu)化后的BP 神經(jīng)網(wǎng)絡更加準確。圖5-C 為GA-BP 預測值與真實值的對比圖，圖中顯示絕大部分組的誤差接近0，表明GA-BP神經(jīng)網(wǎng)絡對雪梨蓮子銀耳羹感官評分的判斷精度較高。由圖5-D 可知，隨訓練步數(shù)增大，均方誤差下降，當訓練步數(shù)大于3 時，訓練、驗證和測試網(wǎng)絡性能的MSE 基本趨于恒定，表明神經(jīng)網(wǎng)絡的網(wǎng)絡訓練能快速收斂且穩(wěn)定性高。當訓練步數(shù)為5 時，達到最優(yōu)驗證性能0.010 234，表明該神經(jīng)網(wǎng)絡模型能夠適用于后續(xù)試驗分析。如圖5-E～H 所示，R值表示目標數(shù)據(jù)和輸出結果之間的相關程度。訓練、驗證、測試、預測圖中R值均大于0.99，表明該模型仿真能力較強、解釋誤差較低，能夠很好地預測試驗結果。

圖5 BP神經(jīng)網(wǎng)絡訓練結果Fig.5 Results of BP neural network training

2.5 GA-BP神經(jīng)網(wǎng)絡預測各因素交互作用對感官評分的影響

使用GA-BP 神經(jīng)網(wǎng)絡對響應面所設計的17 組試驗進行預測得感官評分預測值，而后通過三維曲面擬合得各因素交互作用對感官評分的影響。如圖6 所示，不同曲面最高點所對應的感官評分均較高，表明熬煮時間、藕粉添加量和蓮子添加量對感官評分影響較大且相互間存在交互作用，其中蓮子添加量和藕粉添加量交互作用對感官評分的影響最大，這與響應面試驗設計結果一致。使用GA-BP 神經(jīng)網(wǎng)絡預測模型進行預測，感官評分能夠達到全局最優(yōu)，說明GA-BP 預測性能較好，可以形成精準的優(yōu)化函數(shù)模型，作為模擬雪梨蓮子銀耳羹制備過程的方便工具。

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

2.6 遺傳算法尋優(yōu)結果

使用遺傳算法確定雪梨蓮子銀耳羹的最優(yōu)工藝。設定最大運算代數(shù)為100，種群個體為500，交叉率為0.6，變異率為0.01。圖7為個體（試驗工藝）的適應度（感官評分）隨進化代數(shù)的變化而改變的趨勢曲線。在進化至第10 代之前，個體的適應度平均值急速下降，而在進行第50次迭代時，平均適應度收斂于120左右，最佳適應度在第40代以后穩(wěn)定于98.97附近。通過循環(huán)迭代處理，當進化代數(shù)增大至100 代時，得個體最佳適應度98.97。根據(jù)運行結果得最優(yōu)工藝參數(shù)：熬煮時間20.082 1 min，藕粉添加量1.772 1%，蓮子添加量1.219 9%，最優(yōu)感官評分為98.970 0。結合實際條件確定雪梨蓮子銀耳羹的最優(yōu)工藝參數(shù)為：熬煮時間20 min，藕粉添加量1.8%，蓮子添加量1.2%。

圖7 函數(shù)值曲線Fig.7 Function value curve

2.7 雪梨蓮子銀耳羹揮發(fā)性風味物質

由表6可知，雪梨蓮子銀耳羹中主要含有8種揮發(fā)性風味物質，包括5 種醛類（壬醛、呋喃甲醛、DL-甘油醛、反-2-壬烯醛、5-羥甲基糠醛）、3 種酯類（十八烷酸-3-十八烷氧基丙酯、辛乙烯二醇單正十二烷基酯、二乙二醇丁醚醋酸酯），其中5-羥甲基糠醛含量最高，DL-甘油醛含量次之。DL-甘油醛和5-羥甲基糠醛均與甜味相關，表明雪梨蓮子銀耳羹的氣味主要呈甜味。

表6 雪梨蓮子銀耳羹揮發(fā)性風味物質組分及含量Table 6 Composition and content of volatile flavor compounds of Snow Pear，Lotus Seed and Tremella Soup

2.8 雪梨蓮子銀耳羹滋味強度

通過電子舌用不同濃度的蘋果酸、葡萄糖、單寧、氯化鈉和谷氨酸鈉標準溶液對酸、甜、苦、咸、鮮5種滋味進行建模。由圖8-A1、B1、C1、D1、E1 可知，不同滋味標準溶液主成分分析（principal component analysis，PCA）圖的缺陷率（defect index，DI）值均大于90，表明同一滋味中不同濃度的標準溶液可明顯區(qū)分開，5 種滋味標準溶液均可用于DFA 建模。由圖8-A2、B2、C2、D2、E2等級結果圖可知，不同濃度標準溶液分別落于對應區(qū)域，表明5個模型準確度較高。如圖8-F～J 所示，雪梨蓮子銀耳羹的酸味、甜味、苦味、咸味、鮮味分別相當于1 mg·mL-1的蘋果酸溶液、5 mg·mL-1的葡萄糖溶液、0 mg·mL-1的單寧溶液、0.062 5 mg·mL-1的氯化鈉溶液、0.5 mg·mL-1的谷氨酸鈉溶液。圖9-A 為雪梨蓮子銀耳羹5 種基本味強度所對應標準溶液濃度的雷達圖。結果表明，雪梨蓮子銀耳羹可能以甜味為主，酸味、咸味和鮮味強度較弱且相當，無苦味。感官評價（圖9-B）則表明，雪梨蓮子銀耳羹甜味強度最大，酸味和鮮味強度相近，無咸味和苦味。

圖9 雪梨蓮子銀耳羹滋味強度Fig.9 Taste intensity about Snow Pear，Lotus Seed and Tremella Soup

3 討論

近年來，關于銀耳羹工藝優(yōu)化的研究較少，且集中于單一速食銀耳羹，未見有復配銀耳羹工藝優(yōu)化方面的相關報道。而在工藝優(yōu)化方法方面，尚且未有研究采用RSM 以外的方法對銀耳羹的工藝進行預測和優(yōu)化。本研究同時使用RSM 和GA-BP 神經(jīng)網(wǎng)絡預測雪梨蓮子銀耳羹的最優(yōu)工藝，而后通過GA 對RSM 所建預測模型進行優(yōu)化，并測定最優(yōu)工藝條件下雪梨蓮子銀耳羹揮發(fā)性風味物質的種類和含量以及滋味強度。RSM 和BP 神經(jīng)網(wǎng)絡均可針對工藝流程建立良好的預測模型，針對不同的問題，其預測性能不同［25］。本研究結果表明，RSM 和GA-BP 神經(jīng)網(wǎng)絡對雪梨蓮子銀耳羹最優(yōu)工藝的預測性能均較佳，且兩者對不同因素交互作用的預測結果一致，其中RSM的R2=0.995 3，GA-BP 的R2=0.989 1，表明RSM 預測模型的準確性更高。Jha等［25］研究表明，RSM-GA優(yōu)化得到的總酚含量（total phenolic content，TPC）、總黃酮含量（total flavonoids content，TFC）和1，1-二苯基-2-三硝基苯肼（2，2-diphenyl-1-picrylhydrazyl，DPPH）自由基活性較ANNGA 高。故本研究使用GA 對RSM 預測模型進行優(yōu)化，由RSM所得回歸方程感官評分=95.08+1.66A-1.11B-0.93C+2.27AB-1.14AC+1.18BC-6.08A2-3.20B2-6.75C2可知，最佳工藝條件下的感官評分為95.08 分，而使用GA 優(yōu)化RSM 預測模型所得最優(yōu)工藝感官評分近99 分，表明RSM-GA 優(yōu)化后的雪梨蓮子銀耳羹的工藝優(yōu)于響應面模型計算所得的最優(yōu)工藝，且RSM-GA優(yōu)化雪梨蓮子銀耳羹最優(yōu)工藝條件的熬煮時間為20 min，較RSM 預測最優(yōu)工藝條件下的熬煮時間短10 min，在一定程度上提高了雪梨蓮子銀耳羹的生產(chǎn)效率。

所測得最優(yōu)工藝條件下雪梨蓮子銀耳羹的揮發(fā)性風味物質主要有8 種，這是因為所測樣品是用液氮充分研磨后的均一粉末而非凍干后的銀耳羹，其中含有大量的水分，導致部分揮發(fā)性風味物質的濃度低于檢出限，但更接近羹的真實狀態(tài)。所測揮發(fā)性風味物質中，5-羥甲基糠醛和DL-甘油醛含量較高。5-羥甲基糠醛是梨的揮發(fā)性風味物質之一［26］，酸性條件下己糖脫水也會導致其含量增加［27］。作為褐變的中間產(chǎn)物，5-羥甲基糠醛含量增加是發(fā)生美拉德反應的結果，有利于增加雪梨蓮子銀耳羹的色澤。DL-甘油醛也可由梨揮發(fā)產(chǎn)生［26］，表明梨對雪梨蓮子銀耳羹揮發(fā)性風味物質的貢獻較大，這是因為雪梨蓮子銀耳羹中的雪梨含量較高。此外，銀耳在雪梨蓮子銀耳羹中的含量也較高，且根據(jù)感官評價結果，添加量較低的紅棗氣味較濃郁。以往研究表明，鮮銀耳中含有1-辛烯-3-醇、α-蒎烯、丙酸乙酯、丁酸甲酯等多種酯類揮發(fā)性化合物［28］，而紅棗中主要含有1-辛烯-3-醇、α-蒎烯、呋喃、吡嗪等化合物［29］。這與雪梨蓮子銀耳羹中揮發(fā)性風味物質種類和含量有所差異，一方面是因為食品在加熱過程中，美拉德反應和脂肪酸氧化等過程使得雪梨蓮子銀耳羹中的揮發(fā)性風味物質與雪梨、紅棗等食物中原有揮發(fā)性風味物質的種類和含量不同；另一方面是因為所測雪梨蓮子銀耳羹中水分含量較高，各種材料的相對含量較低，導致所測揮發(fā)性風味物質含量較低，有些甚至低于檢出限。結合電子舌檢測和感官評價結果可知，雪梨蓮子銀耳羹主要呈甜味。酸味、鮮味和咸味強度未與蘋果酸、谷氨酸鈉和氯化鈉標準溶液的濃度一一對應，這是因為不同物質的閾值存在區(qū)別，蘋果酸、葡萄糖、單寧、氯化鈉和谷氨酸鈉的閾值分別為0.50［30］、16.3［31］、0.25～2［32］、460［33］、0.3 mg·mL-1［34］。蘋果酸和谷氨酸鈉的閾值較低，較低濃度便可呈現(xiàn)較強的滋味強度，而氯化鈉的閾值較大，需要達到較高濃度才能被察覺，表明電子舌檢測結果準確可信，可用于雪梨蓮子銀耳羹滋味強度的評價。

4 結論

本研究發(fā)現(xiàn)，熬煮時間對雪梨蓮子銀耳羹感官評分影響最顯著，其次為藕粉和蓮子添加量且兩者之間的交互作用較顯著。RSM 對雪梨蓮子銀耳羹最優(yōu)工藝預測的準確性高于GA-BP 神經(jīng)網(wǎng)絡。雪梨蓮子銀耳羹的最優(yōu)工藝條件為熬煮時間20 min、藕粉添加量1.8%、蓮子添加量1.2%，該工藝條件下的雪梨蓮子銀耳羹主要含有8 種揮發(fā)性風味物質，氣味和滋味均主要呈甜味。