董春旺 趙杰文 朱宏凱 袁海波 葉 陽 陳全勝

(1.江蘇大學(xué)食品與生物工程學(xué)院， 鎮(zhèn)江 212013; 2.中國(guó)農(nóng)業(yè)科學(xué)院茶葉研究所， 杭州 310008； 3.哥本哈根大學(xué)食品科學(xué)系, 菲特烈堡 999017)

基于RSM 和BP-AdaBoost-GA 的紅茶發(fā)酵性能參數(shù)優(yōu)化

董春旺1,2趙杰文1朱宏凱3袁海波2葉 陽2陳全勝1

(1.江蘇大學(xué)食品與生物工程學(xué)院， 鎮(zhèn)江 212013; 2.中國(guó)農(nóng)業(yè)科學(xué)院茶葉研究所， 杭州 310008； 3.哥本哈根大學(xué)食品科學(xué)系, 菲特烈堡 999017)

為明確自行設(shè)計(jì)的滾筒式紅茶發(fā)酵機(jī)性能參數(shù)，以無量綱化的綜合評(píng)分為發(fā)酵品質(zhì)評(píng)價(jià)指標(biāo)，采用響應(yīng)面法和基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的遺傳算法(BP-AdaBoost-GA)對(duì)影響發(fā)酵品質(zhì)的3個(gè)因素(發(fā)酵溫度、發(fā)酵時(shí)間、翻拌間隔)進(jìn)行優(yōu)化，并對(duì)2種方法的優(yōu)化效果進(jìn)行比較。結(jié)果表明,各因素對(duì)發(fā)酵品質(zhì)的影響重要性順序?yàn)椋喊l(fā)酵溫度、翻拌間隔、發(fā)酵時(shí)間；采用響應(yīng)面法優(yōu)化，當(dāng)發(fā)酵溫度、發(fā)酵時(shí)間、翻拌間隔分別為25℃、150 min、20 min時(shí)，綜合評(píng)分預(yù)測(cè)值和實(shí)際值分別為0.863和0.856，相對(duì)誤差為0.8%;而采用BP-AdaBoost-GA優(yōu)化，當(dāng)發(fā)酵溫度、發(fā)酵時(shí)間、翻拌間隔分別為27℃、170 min、25 min時(shí)，預(yù)測(cè)值和實(shí)際值分別為0.871和0.868，相對(duì)誤差為0.3%; BP-AdaBoost預(yù)測(cè)模型的決定系數(shù)和相對(duì)分析誤差分別為0.994和18.456，高于響應(yīng)面法的0.988和9.577，且預(yù)測(cè)均方根誤差較低，為0.017。在紅茶發(fā)酵工藝的參數(shù)優(yōu)化中，采用BP-AdaBoost-GA方法能比響應(yīng)面法更好地?cái)M合模型,以及在全局變量范圍內(nèi)推導(dǎo)最優(yōu)發(fā)酵條件。

紅茶發(fā)酵； 參數(shù)優(yōu)化； AdaBoost算法; 遺傳算法

引言

發(fā)酵是工夫紅茶加工的關(guān)鍵工序，直接決定成品茶的品質(zhì)和風(fēng)味特征[1-2]。目前，世界范圍內(nèi)紅茶發(fā)酵方式主要分為傳統(tǒng)發(fā)酵和設(shè)備發(fā)酵(單機(jī)或連續(xù)式生產(chǎn)線)[3]。傳統(tǒng)發(fā)酵是將揉捻葉置于發(fā)酵筐中，使其處于自然環(huán)境完成。設(shè)備發(fā)酵采用可控制溫濕度環(huán)境的多層攤放結(jié)構(gòu)，上下層間溫濕度有一定差異，且攤?cè)~的厚度不均，不具備翻拌勻葉的功能，致使發(fā)酵葉酶促氧化程度不統(tǒng)一，難以滿足高品質(zhì)工夫紅茶的工藝技術(shù)要求[4-5]。

響應(yīng)面(Response surface methodology,RSM)和基于人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network,ANN)的遺傳算法(Genetic algorithm,GA)是2 種在發(fā)酵實(shí)驗(yàn)非線性優(yōu)化中被運(yùn)用的方法[6-7]。尤其是基于人工神經(jīng)網(wǎng)絡(luò)的遺傳算法(ANN-GA),由于能夠把發(fā)酵過程的動(dòng)態(tài)行為在一個(gè)非線性模型中描述，可以有效克服RSM 的缺點(diǎn),具有更高的擬合度與精準(zhǔn)的預(yù)測(cè)值[7-11]，但其在紅茶的發(fā)酵參數(shù)優(yōu)化應(yīng)用中仍是空白。

基于發(fā)酵原理和工藝技術(shù)理論，課題組設(shè)計(jì)出具有翻拌功能的滾筒式紅茶發(fā)酵機(jī)，但其配套的工藝參數(shù)及對(duì)品質(zhì)的影響關(guān)系尚需明確[3]。本文以所設(shè)計(jì)的發(fā)酵機(jī)為試驗(yàn)平臺(tái)，以成品紅茶的感官品質(zhì)、理化品質(zhì)為主控目標(biāo)，對(duì)影響發(fā)酵品質(zhì)的設(shè)備運(yùn)行參數(shù)(發(fā)酵溫度、發(fā)酵時(shí)間、翻拌間隔)進(jìn)行試驗(yàn)研究，采用RSM和BP-AdaBoost-GA等方法尋求較優(yōu)的參數(shù)組合，以期為進(jìn)一步提高工夫紅茶品質(zhì)提供理論依據(jù)和參考。

1 材料與方法

1.1 材料與設(shè)備

1.1.1 發(fā)酵機(jī)結(jié)構(gòu)與工作原理

滾筒式發(fā)酵機(jī)的總體結(jié)構(gòu)如圖1所示。該機(jī)器主要由發(fā)酵筒、翻拌裝置、隧道加熱系統(tǒng)、控制系統(tǒng)、進(jìn)出料系統(tǒng)和支架等組成。具有定時(shí)翻拌、自動(dòng)控制溫濕度、自動(dòng)進(jìn)出料、發(fā)酵狀態(tài)監(jiān)控等功能。

工作原理：翻拌裝置的柔性刮板旋轉(zhuǎn)帶動(dòng)物料均勻翻拌，使制品的酶促氧化反應(yīng)更加均勻。隧道加熱系統(tǒng)連接發(fā)酵筒內(nèi)環(huán)境和外部自然環(huán)境，新鮮空氣攜霧化蒸汽流經(jīng)隧道進(jìn)行適度加熱，經(jīng)氣路輸送至發(fā)酵筒內(nèi)，同時(shí)將筒內(nèi)發(fā)酵廢氣和多余熱量排出。發(fā)酵環(huán)境的監(jiān)控則由控制系統(tǒng)通過PLC控制空氣加熱器和超聲波霧化單元的通斷實(shí)現(xiàn)。進(jìn)出料系統(tǒng)可使機(jī)身整體傾斜實(shí)現(xiàn)快速出料。

圖1 滾筒式富氧發(fā)酵機(jī)結(jié)構(gòu)Fig.1 Structural diagram of fermentation machine1.筒體 2.轉(zhuǎn)軸 3.柔性刮片 4.刮板 5.進(jìn)料口 6.隧道加熱系統(tǒng) 7.傾斜氣缸 8.出料門 9.取料口 10.排氣口

1.1.2 樣品收集與儀器

試驗(yàn)原料采用小葉鳩坑品種，形狀特征以一芽一葉為主，除發(fā)酵外,萎凋、揉捻、干燥等工序條件均一致。試驗(yàn)于2016年4月份(春茶季節(jié))在浙江省更香有機(jī)茶有限公司進(jìn)行，驗(yàn)證試驗(yàn)在2016年5月份(春茶后期)進(jìn)行。試驗(yàn)使用的主要儀器設(shè)備有滾筒式紅茶發(fā)酵機(jī)(自制)、6CR-40型揉捻機(jī)(浙江綠峰機(jī)械有限公司)、6CH-3型干燥機(jī)(浙江高山茶機(jī)廠)和RHXL3SD型溫濕度記錄儀(日本OMRON公司)。

按照GB/T 30483—2013《茶葉中茶黃素的測(cè)定-高效液相色譜法》測(cè)定茶黃素、茶紅素含量。對(duì)樣品進(jìn)行凍干和磨粉預(yù)處理，利用PDGU-20A3型高效液相色譜儀(日本島津公司)完成測(cè)定。依據(jù)GB/T 23776—2009《茶葉感官審評(píng)方法》并采用密碼審評(píng)形式評(píng)定各茶樣的感官品質(zhì)。

1.2 試驗(yàn)設(shè)計(jì)與方法

1.2.1 響應(yīng)面設(shè)計(jì)

在單因素試驗(yàn)基礎(chǔ)上，并依據(jù)中心組合理論(CCD)[3], 以感官評(píng)分和理化品質(zhì)的茶黃素(TFs)和茶紅素(TRs)含量等作為響應(yīng)值，對(duì)發(fā)酵溫度、發(fā)酵時(shí)間、翻拌間隔等因素進(jìn)行響應(yīng)面試驗(yàn)研究。利用三因素二次回歸試驗(yàn)設(shè)計(jì)方案，對(duì)影響發(fā)酵品質(zhì)的3個(gè)主要參數(shù)組合完成優(yōu)化。試驗(yàn)因素及編碼見表1。

表1 試驗(yàn)因素與編碼Tab.1 Test factors and levels

1.2.2 發(fā)酵品質(zhì)的無量綱化

發(fā)酵品質(zhì)的評(píng)價(jià)分為感官品質(zhì)和理化品質(zhì)，感官品質(zhì)即經(jīng)干燥后制成的成品茶由感官評(píng)審專家按色、香、味、形進(jìn)行評(píng)分而得，具有一定的主觀性；理化品質(zhì)主要指發(fā)酵中形成的茶色素(TFs、TRs)含量，雖然具有客觀性，但不能全面地反映出香氣、外形等其他品質(zhì)。因此對(duì)感官評(píng)分、TFs、TRs等3個(gè)變量通過極差歸一化法進(jìn)行無量綱化處理[12](每列中最大值得分為1，最小值得分為0)，按照重要性賦予權(quán)重系數(shù)形成綜合評(píng)分將更好地表征發(fā)酵的綜合品質(zhì)。無量綱值轉(zhuǎn)換公式為

Yi=(Xi-Xi min)/(Xi max-Xi min)
(i=1,2,…，n)

(1)

式中Xi——試驗(yàn)值Yi——無量綱值Xi min——最小試驗(yàn)值Xi max——最大試驗(yàn)值n——試驗(yàn)數(shù)

本試驗(yàn)中，專家感官評(píng)分指標(biāo)權(quán)重為0.5，而TFs、TRs等指標(biāo)，僅以排隊(duì)評(píng)分權(quán)重各為0.25，故其評(píng)分公式為

Y=0.5Y1+0.25Y2+0.25Y3

(2)

式中Y——綜合評(píng)分Y1、Y2、Y3——感官評(píng)分、茶黃素質(zhì)量分?jǐn)?shù)、茶紅素質(zhì)量分?jǐn)?shù)，無量綱

1.2.3 BP-AdaBoost 算法

BP-ANN是一種經(jīng)典人工神經(jīng)網(wǎng)絡(luò)算法[13]，其在各個(gè)領(lǐng)域都有著廣泛的應(yīng)用，但存在收斂速度緩慢，易陷入局部最小等缺點(diǎn)。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度的好壞與優(yōu)化結(jié)果有著密切關(guān)系，而通過粒子群算法、蟻群算法和AdaBoost等智能算法可以提高神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度和泛化能力，更能滿足具有非線性、時(shí)變性和不確定性的模型預(yù)測(cè)需要[13-14]。

AdaBoost算法作為一種集成算法，通過將多個(gè)BP神經(jīng)網(wǎng)絡(luò)作為弱分類器構(gòu)建成強(qiáng)學(xué)習(xí)器，并進(jìn)行集成學(xué)習(xí)，稱之為BP-AdaBoost方法，該算法可以在一定程度上克服BP-ANN局部極小和過擬合的缺陷，從而提高整個(gè)模型的預(yù)測(cè)精度和泛化能力。建立BP-AdaBoost模型的步驟如下[15]：

(1)初始化。從樣本空間選擇m組訓(xùn)練數(shù)據(jù)，初始化測(cè)試數(shù)據(jù)的分布權(quán)值Dt(i)=1/m，確定預(yù)測(cè)誤差閾值Φ，弱預(yù)測(cè)器個(gè)數(shù)T，初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

(2)訓(xùn)練弱預(yù)測(cè)器。訓(xùn)練第t個(gè)弱預(yù)測(cè)器時(shí)，先用訓(xùn)練集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)(即弱預(yù)測(cè)器)，然后用剛訓(xùn)練的弱預(yù)測(cè)器預(yù)測(cè)該訓(xùn)練數(shù)據(jù)的輸出值ht(x)，并計(jì)算該弱預(yù)測(cè)器預(yù)測(cè)誤差的絕對(duì)值，公式為

e(i)=|ht(xi)-yi| (i=1,2,…,m)

(3)

式中xi——弱預(yù)測(cè)器的輸入變量yi——綜合評(píng)分的實(shí)際值

(3)計(jì)算誤差和εt，其計(jì)算公式為

εt=∑Dt(i) (e(i)>Φ)

(4)

(4)計(jì)算弱預(yù)測(cè)器權(quán)重系數(shù)。根據(jù)εt，計(jì)算權(quán)重系數(shù)wt，其計(jì)算公式為

(5)

(5)調(diào)整測(cè)試數(shù)據(jù)權(quán)重。根據(jù)權(quán)重系數(shù)wt調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào)整公式為

(6)

式中，Bt是歸一化因子，能使樣本的分布權(quán)值和為1，并且保持各成分的權(quán)重比不變。

(6)強(qiáng)預(yù)測(cè)器輸出。經(jīng)過T次訓(xùn)練，得到T組弱預(yù)測(cè)函數(shù)f(ht(x),wt)，并由其加權(quán)組合得到最終的強(qiáng)預(yù)測(cè)器輸出F(x)，其計(jì)算公式為

(7)

1.2.4 BP-AdaBoost-GA預(yù)測(cè)模型建立及優(yōu)化

對(duì)于未知的非線性函數(shù)，僅通過函數(shù)輸入輸出數(shù)據(jù)難以精確尋找函數(shù)極值，而遺傳算法通過模擬自然界遺傳機(jī)制和生物進(jìn)化論能夠進(jìn)行并行隨機(jī)搜索最優(yōu)化，所以將神經(jīng)網(wǎng)絡(luò)的非線性擬合能力和遺傳算法的非線性尋優(yōu)能力相結(jié)合，進(jìn)而尋找函數(shù)的極值[16-17]。

BP-AdaBoost-GA模型的建立包括 3 個(gè)步驟：BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的建立、定義目標(biāo)函數(shù)以及遺傳算法尋優(yōu)求解。首先，基于51組RSM試驗(yàn)處理，通過BP-AdaBoost神經(jīng)網(wǎng)絡(luò)方法建立輸入變量與輸出變量的非線性關(guān)系。然后定義遺傳算法的適應(yīng)度函數(shù)，并在發(fā)酵工藝的約束條件下，利用遺傳算法的全局搜索能力找到適應(yīng)度函數(shù)(綜合評(píng)分)的最優(yōu)解。根據(jù)上述步驟，BP-AdaBoost-GA建模流程如圖2所示。

1.2.5 數(shù)據(jù)分析與處理

采用 Design-Expert Version 9(美國(guó)Stat-Ease公司)進(jìn)行試驗(yàn)設(shè)計(jì)、數(shù)據(jù)處理與統(tǒng)計(jì)分析，算法運(yùn)行平臺(tái)為Matlab 2014b (美國(guó)MathWorks公司)。

圖2 BP-AdaBoost-GA算法流程圖Fig.2 Modeling flow chart of BP-AdaBoost-GA

2 結(jié)果與分析

2.1 響應(yīng)面試驗(yàn)方案設(shè)計(jì)

根據(jù)CCD試驗(yàn)方案進(jìn)行三因素三水平響應(yīng)面分析試驗(yàn)，共17個(gè)試驗(yàn)點(diǎn)，其中包括14 個(gè)分析因子，3個(gè)零點(diǎn)估計(jì)誤差。每組試驗(yàn)進(jìn)行3次重復(fù)，共51組發(fā)酵試驗(yàn)。每次試驗(yàn)結(jié)束，取樣30 g凍干磨粉后進(jìn)行茶色素分析，同步取樣100 g干燥固樣后用于感官評(píng)分。取3次重復(fù)試驗(yàn)結(jié)果的平均值作為目標(biāo)值，表2為響應(yīng)面試驗(yàn)設(shè)計(jì)與試驗(yàn)結(jié)果。

表2 試驗(yàn)設(shè)計(jì)方案及響應(yīng)值結(jié)果Tab.2 Design scheme and response values

2.2 響應(yīng)面模型及顯著性檢驗(yàn)

針對(duì)表2 中的樣本數(shù)據(jù)，運(yùn)用 Design-Expert 數(shù)據(jù)分析軟件進(jìn)行多元回歸擬合分析，建立綜合評(píng)分Y對(duì)3個(gè)自變量(x1、x2、x3)的二次多項(xiàng)式回歸模型為

(3)

回歸方程中各變量對(duì)指標(biāo)影響的顯著性由F檢驗(yàn)判定，概率P越小則相應(yīng)變量的顯著性越高。由表3分析可知，表中各項(xiàng)的F檢驗(yàn)均很顯著，說明試驗(yàn)響應(yīng)值的變化非常復(fù)雜，各個(gè)試驗(yàn)因素對(duì)響應(yīng)值的影響不是簡(jiǎn)單的線性關(guān)系，而是二次關(guān)系，且3個(gè)因素間存在明顯的交互作用。

表3 響應(yīng)面方差分析結(jié)果Tab.3 Variance analysis result of response surface model

圖3 綜合評(píng)分與發(fā)酵溫度、發(fā)酵時(shí)間、翻拌間隔的4D切片圖Fig.3 4D slices of comprehensive scores with fermentation temperature, fermentation time and rotational interval

由于響應(yīng)面的回歸模型F檢驗(yàn)很顯著(P=0.000 1<0.05)，失擬項(xiàng)不顯著(P>0.05)，表明在試驗(yàn)范圍內(nèi)，回歸模型與實(shí)際情況擬合度較好；R2值為0.9885, 調(diào)整后的R2值為0.9738, 變異系數(shù)為7.06%，表明模型可以解釋97%以上響應(yīng)值變化，僅有總變異的2.62%不能用此模型來解釋；預(yù)測(cè)值與實(shí)際值之間具有高度相關(guān)性，試驗(yàn)誤差較小。

2.3 因素影響效應(yīng)分析

回歸方程各項(xiàng)方差分析表明，由表3 中各因素F值分析可知，發(fā)酵溫度(x1)、發(fā)酵時(shí)間(x2)、翻拌間隔(x3)對(duì)綜合評(píng)分(Y)的影響重要性順序?yàn)椋簒1、x3、x2。為了更直觀地分析3個(gè)因素對(duì)發(fā)酵綜合品質(zhì)的影響關(guān)系，基于式(3)和Matlab 圖形設(shè)計(jì)技術(shù)，繪制四維切片圖來直觀描述因素對(duì)指標(biāo)的影響效應(yīng)。建立x1為28、32℃，x2為170、210 min，x3為25、45 min等6個(gè)坐標(biāo)點(diǎn)對(duì)應(yīng)的切片圖(圖3a)，以及Y的等值曲線網(wǎng)格(圖3b)，切面和網(wǎng)格的顏色用于描述綜合評(píng)分值(圖3a)。

由表2和圖3可知，在設(shè)定參數(shù)范圍內(nèi)的總體影響趨勢(shì)為：發(fā)酵溫度越高、發(fā)酵時(shí)間越短、翻拌間隔適度時(shí)，發(fā)酵品質(zhì)的綜合評(píng)分越高。發(fā)酵溫度越低，TFs和TRs含量越高，說明低溫利于茶色素的形成與保留，并隨發(fā)酵時(shí)間呈逐漸衰減趨勢(shì)。適度的翻拌利于品質(zhì)的提升，但翻拌頻次過高或過低又會(huì)降低品質(zhì)。

圖4 各因素對(duì)綜合評(píng)分的響應(yīng)曲面Fig.4 Response surfaces of three factors to comprehensive score

雙因素交互效應(yīng)分析：任意固定某個(gè)因素在 0 水平，研究其余 2 個(gè)因素間的交互效應(yīng)，作出響應(yīng)曲面圖(圖4)。由圖 4a 可以看出，綜合評(píng)分隨著發(fā)酵溫度的增加而逐漸降低，曲面陡峭；當(dāng)發(fā)酵溫度不變時(shí)，隨著發(fā)酵時(shí)間的延長(zhǎng)，綜合評(píng)分逐漸降低，但趨勢(shì)不明顯，而發(fā)酵溫度對(duì)綜合評(píng)分的影響更為顯著。由圖 4b 可以看出，綜合評(píng)分隨著發(fā)酵中翻拌間隔時(shí)間的增加，呈先增后降的趨勢(shì)，當(dāng)翻拌間隔約為30 min時(shí)綜合評(píng)分達(dá)到最大值；當(dāng)翻拌間隔時(shí)間一定時(shí)，隨著發(fā)酵溫度的增加，綜合評(píng)分逐漸降低，達(dá)到30℃后趨勢(shì)減緩。

2.4 各因素的最優(yōu)參數(shù)組合

理想的參數(shù)優(yōu)化結(jié)果是在約束條件范圍內(nèi)盡可能提高綜合評(píng)分的數(shù)值，因此將綜合評(píng)分作為評(píng)價(jià)指標(biāo)，通過優(yōu)化對(duì)建立的全因子二次回歸模型進(jìn)行優(yōu)化求解，優(yōu)化約束條件為：目標(biāo)函數(shù)maxY(x1，x2，x3)；變量區(qū)間25≤x1≤35，150≤x2≤240，0≤x3≤60。

優(yōu)化得到的最佳參數(shù)組合為：發(fā)酵溫度25℃，發(fā)酵時(shí)間150 min，翻拌間隔為20 min，優(yōu)化后的綜合評(píng)分理論值為0.863，高于表2中9號(hào)試驗(yàn)的0.805。

2.5 BP-AdaBoost-GA模型優(yōu)化結(jié)果

本研究采用的BP-ANN模型以x1、x2、x3為輸入值，以Y為輸出值。將51組試驗(yàn)結(jié)果作為訓(xùn)練集，用于神經(jīng)網(wǎng)絡(luò)模型的建立，將表2中的17個(gè)試驗(yàn)均值結(jié)果作為預(yù)測(cè)集，用于考核所建立模型的預(yù)測(cè)性能。隱含層和輸出層的傳遞函數(shù)分別為tansig函數(shù)和Purelin函數(shù),以預(yù)測(cè)均方根誤差、R2和相對(duì)分析誤差等指標(biāo)評(píng)價(jià)模型的預(yù)測(cè)能力，通常預(yù)測(cè)均方根誤差越小，R2和相對(duì)分析誤差越大，模型的預(yù)測(cè)精度和泛化性越好。隱含層節(jié)點(diǎn)數(shù)計(jì)算公式[18]為

(4)

式中N——隱含層節(jié)點(diǎn)數(shù)Lin——輸入層節(jié)點(diǎn)數(shù)Lout——輸出層節(jié)點(diǎn)數(shù)

按式(4)得到隱含層節(jié)點(diǎn)數(shù)為3～12，BP-AdaBoost模型中弱分類器數(shù)T設(shè)為10。隱含層節(jié)點(diǎn)數(shù)N、預(yù)測(cè)誤差閾值Φ對(duì)BP-AdaBoost模型的預(yù)測(cè)精度影響較大，故在選取的范圍內(nèi)將參數(shù)Φ和主成分因子數(shù)一起進(jìn)行進(jìn)一步尋優(yōu)處理。分別選取20個(gè)Φ值(0.1～1，步長(zhǎng)為0.05)和20個(gè)N值(1～20，步長(zhǎng)為1)，以模型的預(yù)測(cè)均方根誤差來優(yōu)選參數(shù)，優(yōu)化結(jié)果如圖5所示。從圖5中可知，當(dāng)N為7，Φ=0.25時(shí)，模型的預(yù)測(cè)均方根誤差最小(0.017)，模型效果最好。

在所建的BP-AdaBoost網(wǎng)絡(luò)基礎(chǔ)上,以綜合評(píng)分作為遺傳算法的適應(yīng)度函數(shù),設(shè)定進(jìn)化迭代數(shù)(maxgen)為30,種群規(guī)模為30；交叉概率為0.4；變異系數(shù)為0.3；群體的適應(yīng)度函數(shù)經(jīng)過30 次的迭代后，遺傳算法得到的最高個(gè)體適應(yīng)度(綜合評(píng)分的最大值)為0.871，此時(shí)對(duì)應(yīng)的適應(yīng)度函數(shù)值(26.8℃，172.1 min，24.8 min),即圓整后最佳發(fā)酵工藝參數(shù)組合為：發(fā)酵溫度27℃，發(fā)酵時(shí)間170 min，翻拌間隔為25 min。

2.6 RSM和BP-AdaBoost-GA優(yōu)化方法的比較

由圖6和表3結(jié)果可見，通過BP-AdaBoost神經(jīng)網(wǎng)絡(luò)所預(yù)測(cè)的數(shù)據(jù)與最佳模擬曲線基本重合, 其模型評(píng)價(jià)指標(biāo)(預(yù)測(cè)均方根誤差為0.017、R2為0.994、相對(duì)分析誤差為18.456)均優(yōu)于RSM模型，這表明BP-AdaBoost模型的預(yù)測(cè)能力優(yōu)于響應(yīng)面法。

從表 4 的結(jié)果可知,在BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,通過GA估計(jì)的綜合評(píng)分達(dá)到0.871, 試驗(yàn)值為0.868, 相對(duì)誤差為0.3%；而響應(yīng)面法經(jīng)過二次多項(xiàng)式擬合后的最優(yōu)值為0.863，試驗(yàn)值為0.856, 相對(duì)誤差為0.8%?？梢婍憫?yīng)面預(yù)測(cè)的極值并非真實(shí)的最大綜合評(píng)分，表明響應(yīng)面法預(yù)測(cè)存在一定誤差，而遺傳算法的優(yōu)化值更貼近極值，這與其他研究者在其他工藝優(yōu)化中的結(jié)果一致[16-17，19]。

2.7 翻拌對(duì)發(fā)酵品質(zhì)的影響

為進(jìn)一步明確翻拌對(duì)紅茶品質(zhì)的影響規(guī)律，以BP-AdaBoost-GA優(yōu)化的工藝參數(shù)為基準(zhǔn)進(jìn)行試驗(yàn)。在發(fā)酵溫度(27℃)、發(fā)酵時(shí)間(170 min)不變的情況下,翻拌間隔分別設(shè)定為0 min(持續(xù)翻拌)、25 min和170 min(不翻拌)。每間隔30 min取樣，檢測(cè)TFs、TRs和感官評(píng)分，結(jié)果如圖7所示。

由圖7知，在發(fā)酵初始階段,翻拌越頻繁越能加快TFs、TRs的形成和累積，且在含量上高于不翻拌發(fā)酵，但當(dāng)TFs、TRs含量達(dá)到最大值后，也會(huì)加快含量的衰減。從感官評(píng)分來看，翻拌發(fā)酵樣品的評(píng)分整體高于不翻拌的發(fā)酵樣品，翻拌間隔為25 min的樣品感官評(píng)分最高。

圖6 RSM 和BP-AdaBoost-GA 模型預(yù)測(cè)值散點(diǎn)圖Fig.6 Actual and predicted plot of comprehensive score by RSM and BP-AdaBoost-GA model in model constructing set

表4 RSM和BP-AdaBoost-GA方法的發(fā)酵條件優(yōu)化比較Tab.4 Comparison of optimized fermentation conditions between RSM and BP-AdaBoost-GA

圖7 發(fā)酵中理化品質(zhì)和感官評(píng)分的變化趨勢(shì)Fig.7 Changing trend of physical and chemical qualities and sensory scores during fermentation

紅茶發(fā)酵過程是個(gè)復(fù)雜的反應(yīng)體系[20]，其主體反應(yīng)是以多酚類為主的酶促氧化反應(yīng)，形成TFs、TRs等物質(zhì)，同時(shí)伴隨水解、異構(gòu)、合成和降解等其他反應(yīng)，形成紅茶的特有品質(zhì)和風(fēng)味。相對(duì)于傳統(tǒng)發(fā)酵，翻拌能使發(fā)酵廢氣及時(shí)排出，發(fā)酵葉將獲得更多的觸氧機(jī)會(huì)，加速了酶促氧化反應(yīng)進(jìn)程和縮短了發(fā)酵時(shí)間。但過度的翻拌致使供氧過量，導(dǎo)致前期形成的TFs、TRs繼續(xù)劇烈氧化衰減，降低了茶湯湯色、葉底和滋味等品質(zhì)。綜合分析，翻拌功能對(duì)紅茶發(fā)酵品質(zhì)的影響具有兩面性，控制翻拌的時(shí)機(jī)對(duì)紅茶品質(zhì)的形成至關(guān)重要。

3 結(jié)論

(1)提出了一種紅茶發(fā)酵感官品質(zhì)和理化品質(zhì)相融合的無量綱化綜合品質(zhì)評(píng)價(jià)方法，并針對(duì)新型滾筒式紅茶發(fā)酵機(jī)，通過CCD中心試驗(yàn)明確了各因素對(duì)綜合品質(zhì)的影響重要性順序?yàn)椋喊l(fā)酵溫度、翻拌間隔、發(fā)酵時(shí)間。

(2)通過響應(yīng)面法(RSM)、基于AdaBoost改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的BP-AdaBoost-GA方法的對(duì)比和驗(yàn)證試驗(yàn)，表明本研究機(jī)型的最佳性能參數(shù)為：發(fā)酵溫度27℃、發(fā)酵時(shí)間170 min和翻拌間隔25 min，發(fā)酵品質(zhì)的最高綜合評(píng)分為0.871，翻拌功能對(duì)紅茶發(fā)酵品質(zhì)的影響具有利弊雙面性。

(3)本試驗(yàn)中，RSM和BP-AdaBoost-GA方法對(duì)發(fā)酵參數(shù)的優(yōu)化都是可行的，但響應(yīng)面法的擬合被限制在二次多項(xiàng)式的基礎(chǔ)上，其對(duì)試驗(yàn)數(shù)據(jù)的擬合能力有限；而基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的方式，具有更好的全局極值預(yù)測(cè)能力和準(zhǔn)確性。因此，在工夫紅茶發(fā)酵工藝優(yōu)化中， BP-AdaBoost-GA方法較廣泛使用的 RSM更具優(yōu)勢(shì)。

1 OWUOR P O, OBANDA M, NYIRENDA H E, et al. Influence of region of production on clonal black tea chemical characteristics[J]. Food Chemistry, 2008, 108(1): 263-271.

2 ROBERTS E. The chemistry of tea manufacture[J]. Journal of the Science of Food and Agriculture, 1958，9(7): 381-390.

3 董春旺, 葉陽, 江用文, 等. 工夫紅茶可視化富氧發(fā)酵機(jī)設(shè)計(jì)及試驗(yàn)研究[J]. 茶葉科學(xué), 2015(4): 370-376. DONG Chunwang,YE Yang,JIANG Yongwen, et al. Design and experimental investigation of congou black tea visual aerobic fermentation machine[J]. Journal of Tea Science, 2015(4): 370-376.(in Chinese)

4 MUTHUMANI T, KUMAR R S. Influence of fermentation time on the development of compounds responsible for quality in black tea[J]. Food Chemistry, 2007, 101(1): 98-102.

5 OBANDA M, OWUOR P O, MANG’OKA R. Changes in the chemical and sensory quality parameters of black tea due to variations of fermentation time and temperature[J]. Food Chemistry, 2001, 75(4): 395-404.

6 CHEN W C, KURNIAWAN D. Process parameters optimization for multiple quality characteristics in plastic injection molding using Taguchi method, BPNN, GA, and hybrid PSO-GA[J]. International Journal of Precision Engineering & Manufacturing, 2014, 15(8): 1583-1593.

7 PILKINGTON J L, PRESTON C, GOMES R L. Comparison of response surface methodology (RSM) and artificial neural networks (ANN) towards efficient extraction of artemisinin fromArtemisiaannua[J]. Industrial Crops and Products, 2014, 58: 15-24.

8 SINHA K, CHOWDHURY S, SAHA P D, et al. Modeling of microwave-assisted extraction of natural dye from seeds ofBixaorellana(Annatto) using response surface methodology (RSM) and artificial neural network (ANN)[J]. Industrial Crops and Products, 2013, 41: 165-171.

9 康建明,陳學(xué)庚,溫浩軍,等.基于響應(yīng)面法的梳齒式采棉機(jī)采收臺(tái)優(yōu)化設(shè)計(jì)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(增刊2):57-61. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2013s212&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2013.S2.012. KANG Jianming,CHEN Xuegeng,WEN Haojun, et al.Optimization of comb-type cotton picker device based on response surface methodology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(Supp.2):57-61. (in Chinese)

10 龐昌樂,柏林杰,劉良.連續(xù)閉式循環(huán)氨脫除工藝響應(yīng)面法優(yōu)化[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(2):289-293. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170238&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.02.038 PANG Changle,BAI Linjie,LIU Liang.Optimization of continuous air-recirculation process for ammonia removal by response surface methodology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(2):289-293. (in Chinese)

11 文鵬程, 王軍, 任發(fā)政,等. 牧區(qū)奶干渣組合式發(fā)酵劑響應(yīng)面法優(yōu)化[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(8): 241-247. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140839&flag=1. DOI:10.6041/j.issn.1000-1298.2014.08.039 WEN Pengcheng, WANG Jun, REN Fazheng, et al. Optimization of combined fermentation starter of milk dried residue in pastoral areas by response surface methodology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(8):241-247. (in Chinese)

12 何昌德, 董春旺, 吳鋒. 基于虛擬正交試驗(yàn)的汽車轉(zhuǎn)向盤骨架優(yōu)化設(shè)計(jì)的研究[J]. 汽車工程, 2013, 35(4): 326-330. HE Changde, DONG Chunwang, WU Feng. A study on the optimization design of vehicle steering wheel frame base on virtual orthogonal experiment[J]. Automotive Engineering, 2013, 35(4):326-330. (in Chinese)

13 PAN W, ZHAO J, CHEN Q, et al. Simultaneous and rapid measurement of main compositions in black tea infusion using a developed spectroscopy system combined with multivariate calibration[J]. Food Analytical Methods, 2014, 8(3): 749-757.

14 SINHA K, SAHA P D, DATTA S. Response surface optimization and artificial neural network modeling of microwave assisted natural dye extraction from pomegranate rind[J]. Industrial Crops and Products, 2012, 37(1): 408-414.

15 劉國(guó)海, 肖夏宏, 江輝, 等. 基于BP-AdaBoost的近紅外光譜檢測(cè)固態(tài)發(fā)酵過程pH值[J]. 江蘇大學(xué)學(xué)報(bào), 2013, 34(5): 574-578. LIU Guohai, XIAO Xiahong, JIANG Hui, et al. Detection of pH variable in solid-state fermentation process by FT-NIR spectroscopy and BP-AdaBoost[J]. Journal of Jiangsu University, 2013, 34(5):574-578. (in Chinese)

16 DESAI K M, SURVASE S A, SAUDAGAR P S, et al. Comparison of artificial neural network (ANN) and response surface methodology (RSM) in fermentation media optimization: case study of fermentative production of scleroglucan[J]. Biochemical Engineering Journal, 2008, 41(3): 266-273.

17 GUO W, ZHANG Y, LU J, et al. Optimization of fermentation medium for nisin production from Lactococcus lactis subsp. lactis using response surface methodology (RSM) combined with artificial neural network-genetic algorithm (ANN-GA)[J]. African Journal of Biotechnology, 2013, 9(38): 6264-6272.

18 KARSOLIYA S. Approximating number of hidden layer neurons in multiple hidden layer BPNN architecture[J]. International Journal of Engineering Trends and Technology, 2012, 3(6): 713-717.

19 ADEYEMO J, ENITIAN A. Optimization of fermentation processes using evolutionary algorithms—a review[J]. Scientific Research and Essays, 2011, 6(7): 1464-1472.

20 桂安輝, 朱宏凱, 何華鋒, 等. 基于動(dòng)態(tài)聚類分析的工夫紅茶發(fā)酵過程品質(zhì)成分變化與發(fā)酵適度判別的研究[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2016, 32(7): 196-204. GUI Anhui,ZHU Hongkai, HE Huafeng, et al. Quality components variation and fermenting degree discrimination during fermentation process of congou black tea based on dynamic cluster analysis[J]. Chinese Agricultural Science Bulletin, 2016, 32(7): 196-204. (in Chinese)

Parameter Optimization of Black Tea Fermentation Machine Based on RSM and BP-AdaBoost-GA

DONG Chunwang1,2ZHAO Jiewen1ZHU Hongkai3YUAN Haibo2YE Yang2CHEN Quansheng1
(1.SchoolofFoodandBiologicalEngineering，JiangsuUniversity，Zhenjiang212013，China2.TeaResearchInstitute,ChineseAcademyofAgriculturalSciences,Hangzhou310008,China3.DepartmentofFoodScience,UniversityofCopenhagen,Frederiksberg999017,Denmark)

Fermentation is the key procedure in processing of congou black tea, which directly decides the quality and flavor of tea products. Fermentation experiments were conducted on a novel drum-type fermentation machine as the platform, the performance parameters of fermentation machine were clarified. Methodologically, with dimensionless comprehensive scores as a measure of fermentation quality, response surface methodology (RSM) and back-propagation adaptive boosting based genetic algorithm (BP-AdaBoost-GA) were used separately to optimize three parameters (fermentation temperaturex1, fermentation timex2, rotational intervalx3) that affect fermentation quality. Also the optimizing effects of RSM and BP-AdaBoost-GA were compared. Results showed that the importance degrees of the three parameters ranked asx1>x3>x2. With RSM atx1=25℃,x2=150 min andx3=20 min, the predicted and actual values of comprehensive scores were 0.863 and 0.856, respectively, showing relative error of 0.8%. With BP-AdaBoost-GA atx1=27℃,x2=170 min andx3=25 min, the predicted and actual values of comprehensive scores were 0.871 and 0.868, respectively, showing relative error of 0.3%. When the BP-AdaBoost had seven nodes in the hidden layer and a prediction error threshold of 0.25, its determination coefficient was greater than that of RSM (0.994vs0.988), and it had lower root mean square error of prediction (RMSEP) of 0.017 and residual predictive deviation (RPD) equaled to 18.456. Both RSM and BP-AdaBoost-GA were feasible for optimization of fermentation parameters. However, the fitting ability of RSM was limited because it was based on quadratic polynomial regression, while the fitting ability over experimental data was limited. The algorithm combining improved neural network and GA had higher global extremum prediction ability and higher accuracy. Thus, it can be concluded that even though RSM was the most widely used method for fermentation parameter optimization, BP-AdaBoost-GA methodology may present a better alternative. In the meantime, the rotation function had both advantages and disadvantages on the fermentation quality of black tea, moderate rotation and mixing material can enhance the quality of black tea and shorten the fermentation time.

black tea fermentation; parameter optimization; AdaBoost algorithm; genetic algorithm

2016-11-02

2016-12-05

國(guó)家自然科學(xué)基金項(xiàng)目(31271875)、浙江省自然科學(xué)基金項(xiàng)目(Y16C160009)和浙江省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2015C02001)

董春旺(1980—)，男，博士生，中國(guó)農(nóng)業(yè)科學(xué)院助理研究員，主要從事茶葉加工裝備研究，E-mail: dongchunwang@tricaas.com

陳全勝(1973—)，男，教授，博士生導(dǎo)師，主要從事現(xiàn)代食品無損檢測(cè)技術(shù)研究，E-mail: qschen@ujs.edu.cn

10.6041/j.issn.1000-1298.2017.05.042

TS272.4; TP183

A

1000-1298(2017)05-0335-08