基于GA-BP神经网络的蒜香调味粉制备工艺优化

李凯旋 詹 萍 田洪磊，* 未志胜 王 鹏 张 芳

（1 石河子大学食品学院 新疆石河子832000 2 陕西师范大学食品学院 西安710119）

大蒜，百合科葱属（Allium）植物，亚洲中部与西部地区是大蒜的原产地[1]。大蒜因其香气浓郁、味道辛辣，且富含蛋白质、无机盐、维生素、糖类等营养物质而常被用作药食两用资源[2-9]。因生鲜大蒜辛辣味明显等特点而导致消费者接受程度较低。结合现代食品加工手段遮蔽其辛辣口感，开发蒜香味浓郁的调味粉，可在满足市场需求的同时推进生鲜大蒜的精深加工，具有广阔的市场前景。

采用响应面试验设计及函数图形分析技术，对技术条件进行优化组合[10-11]。然而利用响应面法对方案进行多水平多因素设计，很难评测不同因素之间的交互作用对试验结果的影响。神经网络（Artificial neural networks，ANN）是一种数据分析方法，通过模仿大脑的神经网络行为特点对数据进行处理。神经网络利用实测数据，对试验过程进行模拟，减少人为因素造成的分析偏差，可以弥补响应面法的一些缺陷[12]。遗传算法（Genetic algorithm，GA） 是一种基于人工智能的随机非线性优化形式[13]。遗传算法结合神经网络的设计方法，能够避免响应面法容易产生局部最优解的影响，更适合于达到全局最优组合设计的目标，是一种比响应面法更为广泛和准确的模型[14-15]。

目前采用响应面法优化大蒜等相关产品的加工工艺研究较多，然而采用人工神经网络结合遗传算法优化制备工艺的研究鲜见报道[16-20]。本文利用单因素试验结合响应面试验数据，以感官评分为指标，利用BP 神经网络对产品制备工艺进行模拟仿真与预测，再结合遗传算法对工艺进行优化处理，得出最优制备工艺，为制备蒜香调味粉提供一个优化的工艺方法。

1 材料与方法

1.1 试验材料、试剂与设备

新疆白皮大蒜，新疆石河子市好家乡超市；去离子水，Milli-Q 纯化系统；无水乙醇（分析纯级），天津市风船化学试剂科技有限公司；YX280A 型电热恒温鼓风干燥箱，上海森信实验仪器有限公司；DL203 型电子天平，上海精密科学仪器有限公司；DFT-100 型手提式高速中药粉碎机，上海新诺仪器设备有限公司。

1.2 试验方法

1.2.1 工艺流程 大蒜→分瓣→去皮→清洗→沥水→切片→装盘→焙烤→出料→粉碎→过筛→包装。

1.2.2 原料处理 大蒜筛选：选用新鲜成熟的大蒜，蒜头带有完整的干燥洁净的外皮，没有受到挤压；大蒜没有虫蛀现象，挑选时除去腐烂、发霉、变质的蒜头；蒜肉洁白、辛辣味足。

大蒜切片：切片方法为横切，应保证切片厚度与试验要求一致[21]。

大蒜制粉：蒜片焙烤干制完成后，经粉碎机粉碎后过60 目筛，制得蒜粉。

1.3 单因素试验设计

以干燥温度、干燥时间、切片厚度为条件优化单因素考察变量。设定试验干燥时间6 h，切片厚度3 mm，考察干燥温度分别为40，50，60，70，80℃时，焙烤蒜粉感官品质的差异性；设定干燥温度60 ℃，切片厚度3 mm，研究不同干燥时间（4，5，6，7，8 h）对产品呈香感官属性影响；设置干燥时间6 h，干燥温度60 ℃，考察不同切片厚度（1，2，3，4，5 mm）对产品感官属性的影响。筛选各单因素水平，为制备条件响应面优化试验提供参考。

1.4 响应面试验设计

选取干燥时间（A）、干燥温度（B）和切片厚度（C）这3 个因素作为自变量，在此基础上做单因素试验，产品的感官评分结果作为因变量，即试验的响应值，选取N=17 的中心组合试验设计，因素水平编码见表1。

表1 中心组合试验因素及水平编码表Table 1 Factors and levels of the central composition design

1.5 BP 神经网络

研究模型采用1 个隐含层[22]。输入层设定3个神经元：干燥时间（X1）、干燥温度（X2）和切片厚度（X3）；设定10 个神经元作为隐含层，将产品的感官评分（Y）设定为输出层。设定该模型的网络拓扑结构为3-10-1 型，通过仿效蒜香调味粉的不同制备过程，探究相关因素对产品风味特点的影响。

图1 用于模拟蒜粉制备条件的BP 神经网络拓扑结构Fig.1 The architecture of artificial neural network used for simulating the preparation conditions of garlic powder

将遗传算法与神经网络结合以寻求蒜香调味粉制备工艺的最佳因素组合。利用适应度函数对个体进行选择处理，进而评估不同个体解[23-24]。本研究的遗传算法是以建立的神经网络模型为遗传算法的适应度函数。

1.6 感官评分指标

感官评价试验通过感官评价小组 （8 人）完成，其中男性3 名，女性5 名。首先，准确设定描述样品呈香感官特点的属性表征类别，包括焙烤香、硫磺味、焦糊味、辛辣味、桂皮香、清香[25]。其次，确定感官评价分值标准，评分标准采用5 分制，样品的气味无法被感受到记0 分，样品的气味自然柔和且能被明显感知到记5 分[26]。具体标准的对应模型如表2所示。样品随机编号，每个成员应客观、独立地进行评价，成员之间不能够进行交流。品评时，前1 h 禁止感官评定人员进食刺激性较强的或者气味较大的食物，避免对样品评价造成影响，品评时确保品评环境安静、无味。考虑到样品的用量和体积，选取15 mL 的顶空瓶，称取各样品5 g 置于其中，顶空瓶在盛装样品前应该用无水乙醇浸泡清洗，清洗后将其置于烘箱中干燥后备用，除去顶空瓶中的干扰气味，避免感官评价结果受到影响。感官评价人员嗅闻后进行评分，切换样品进行嗅闻时保证时间间隔为2 min，记录小组内各评价人员的评价结果。每个样品重复评价3次。

表2 产品感官评价标准与香气类别描述Table 2 Product sensory evaluation criteria and aroma category description

1.7 统计分析

采用Design Expert.V8.0.6 和Origin 2017 软件进行试验设计和数据分析，采用Matlab 2017b软件实现神经网络和遗传算法。

2 结果与分析

2.1 最佳工艺的单因素试验

由图2可以得出，随着蒜片干燥时间的延长，蒜粉样品的感官评分呈先增加后减少的趋势，整体呈香属性表现出先正向拟合，后逆向偏离的现象。其主要原因可能是在干燥温度更高或者切片厚度更薄的情况下，干燥时间越长，蒜粉的焦糊味越明显，浓郁的焦糊味会掩盖蒜粉的其它气味，进而影响产品整体的呈香特性。

图2 各因素对蒜粉感官评分的影响Fig.2 Effects of various factors on the sensory score of garlic powder

2.2 响应面分析

试验的中心组合试验设计矩阵及结果见表3。以感官评分为响应值，利用Design Expert.V8.0.6 统计软件对试验结果进行多元回归拟合，得到关于感官评分对蒜片干燥时间、干燥温度和切片厚度的二次多元多项回归式拟合模型：

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

式中，R——感官评分（分）；A——干燥时间（h）；B——干燥温度（℃）；C——切片厚度（mm）。

表3 响应面分析试验设计与结果Table 3 Design and results of for the central composition design

（续表3）

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

结合模型P 值（<0.01）与失拟项值（>0.05）的实测值分析，该模型适应程度高，完全可用于该类产品制备条件优化[27]。表4为响应面试验的方差分析结果，从表中可以看出，蒜粉感官评价模型的P 值小于0.01，能够判断出该模型已经表现为极显著水平；由表可知，模型的失拟项值为0.2451（P>0.05），表现为不显著，说明试验值和预测值的误差较小；在试验结果与回归模型的拟合性上可以看出R2=0.9807，表示该模型产生的结果与实际值的拟合程度较好。由表可知，AB 的P 值小于0.05，即表达为干燥时间和干燥温度的交互作用对感官评分显著，其中干燥时间、干燥温度、切片厚度的线性效应和二次项影响全部的已达到了显著水平（P≤0.05）。响应面曲面图的坡度变化趋势亦可说明相关因素水平与制备样品呈香属性的显著相关性；各因素对蒜粉呈香属性的影响程度依为A（干燥时间）>C（切片厚度）>B（干燥温度）。

2.3 响应面作图

图3反应了各因素对响应值综合评分的影响。等高线的特点表示两个因素之间的交互作用的显著程度，其椭圆程度与两因素之间的交互程度成正相关[28]。由图3a可以看出蒜片的干燥时间与干燥温度对蒜粉感官评分影响显著 （P<0.05）。如图3b和图3c所示，干燥时间与切片厚度的交互项以及干燥温度与切片厚度的交互项对感官评分结果的作用均不显著（P>0.05），这与表4方差分析的结果一致。

图3 各因素交互作用对感官评分影响的响应面和等高线图Fig.3 Contours and response surface diagrams of the effects of various factors on the sensory score

2.4 BP 神经网络的建立与训练

选择mapminmax 函数对响应面试验获得的17 组试验数据进行归一化处理，规定训练的目标误差为0.0001，设定学习速率为0.05，其中最大的训练步数为100。通过神经网络对数据进行自主训练与学习，在获得最优模型参数后完成训练[29]。

图4 神经网络的误差下降曲线Fig.4 Error drop curve of neural network

图4表示在BP 神经网络训练过程中均方误差的下降曲线，图中的横轴代表训练步数，纵轴代表数据的均方误差（MSE）。设置系统训练均方误差为10-8，当迭代到第3 次时达到预设精度，表示神经网络训练完成。MSE 能够根据数据的变化程度衡量数据的平均误差。MSE 值越小，模型描述试验结果的精确度就越好。由图4可知，在训练网络时，模型的训练步数增大，均方误差不断下降，网络误差曲线接近设定的误差目标值0.00001。该神经网络在第2 步时，训练网络性能符合目标要求，在第3 步时均方误差已经下降至低于0.000001。因此，神经网络的网络训练收敛速度较快且非常稳定，表明该模型能够较好地满足试验需求。各训练指标都随着训练步数的增大而降低，最优的验证性能为0.10591，接近真实数据，说明该神经网络模型能够适用后续的试验分析。

人工神经网络训练出的模型，其拟合回归系数R 值表示目标数据和输出结果之间的相关程度。由图5可知，训练、测试与预测图中R 值分别为0.99827，0.92416 和0.94804。R测试>R验证，说明神经网络模型不存在过拟合状态；R预测>0.90，说明神经网络模型不存在欠拟合状态；验证图中R=0.8923，说明在现有设置的参数下，模型拟合结果具备优良的随机验证效果。因此，可以认为该模型具有较强的解释能力和较低的仿真误差，能够较好地训练、预测和整体拟合效果。训练好的模型可以模拟并表达出输入端与输出端之间的映射关系，保证模拟仿真效果，进而对试验结果进行准确预测。

图5 神经网络模型的训练、验证、测试和所有预测集Fig.5 Neural network model with training，validation，test and all prediction set

2.5 神经网络的检测

将4 组校验数据输入已训练好的BP 网络，训练样本的实际结果与网络输出值列于表5。由表5可知，训练样本的实际结果与网络输出值之间的最大相对误差为0.8457%。感官评分的相对误差在±1%以下，表示该模型能够对不同试验因素和感官评价数据进行非线性映射，具备较高的准确度和预测能力。

由图6可知，干燥时间、干燥温度和切片厚度对感官评分都有较大影响且相互间存在交互作用，感官评分能够达到全局最优。说明BP 网络具有较好的预测性，可以明确输入数据和输出数据之间的关系。形成精准的优化函数模型，可作为模拟蒜香调味粉制备过程的方便工具。

2.6 遗传算法寻优

遗传算法能够进一步完善试验的优化制备工艺[30]。图7为个体（试验工艺）的适应度值（感官评分）随进化代数的变化而改变的趋势曲线。

在开始时，GA 利用其群体搜索特性使得被选择个体的适应度值发生明显的断崖式改变。随后，GA 进行平稳的交叉操作；然后GA 通过又一次选择处理，被选择个体的适应度值产生小范围的正向改变，逐步向目标靠近。由图可知，适应度曲线在进行第70 次迭代时收敛于18.55 附近。通过上述步骤的循环迭代处理，当进化代数增大至100 代时，GA 停止选择并得出适应度值最高的个体。运行出的优化结果：最优工艺参数为干燥时间5.9298 h，干燥温度60.6982 ℃，切片厚度2.7242 mm，最优感官评分18.5622 分。

根据与输出结果相对应的工艺条件进行验证试验，相关结果如表6所示。

表6数据中，验证试验的感官得分为18.70分，比模型优化值18.5622 分低0.74%，试验相对误差维持在±5%的范围内，达到了该模型对试验精确度的要求。说明该方法优化产生的蒜香调味粉制备工艺参数具备较为准确的感官得分结果。因此，GA-BP 神经网络优化的最佳条件为：干燥时间5.9 h，干燥温度61 ℃，切片厚度2.7 mm。

3 结论

通过对大蒜进行焙烤处理，综合考察了干燥温度（40，50，60，70，80 ℃）、干燥时间（4，5，6，7，8 h）和切片厚度（1，2，3，4，5 mm）对于蒜粉产品呈香属性的影响。运用Box-Behnken 3 因素3 水平的响应面试验设计获得的试验数据，以matlab 2017b 为平台，建立BP 神经网络（拓扑图结构使3-10-1）完成产品制备的模拟仿真以及模型预测，结合遗传算法进行工艺参数的寻优。试验优化的制备工艺参数：干燥时间5.9 h，干燥温度61 ℃，切片厚度2.7 mm。总体来说，GA-BP 模型优化结果精确、可靠，能够为蒜香调味粉的工业化生产提供一定的理论依据和参数指导。焙烤前、后样品中的挥发性风味成分的变化原因有待深入探讨。

表5 网络模型的预测结果及误差Table 5 The prediction results and error of net model

图6 利用ANN 预测各因素交互作用对感官评分的影响Fig.6 Using ANN to predict the impact of various factors on sensory scores

图7 感官评分的适应度曲线Fig.7 The fitness curve of the taste intensity value

表6 模型优化结果及验证比较Table 6 The optimization results and comparative validation