基于主成分分析、神经网络对啤酒感官评价的预测*

钟成，黄奕雯，贾士儒，董建军，郝俊光，李清亮

1(啤酒生物发酵工程国家重点实验室(筹)，山东青岛，266061)2(工业发酵微生物教育部重点实验室，天津科技大学，天津，300457)

啤酒中除了含有乙醇和二氧化碳这两种主要酵母代谢产物外，还含有一系列的酵母代谢副产物，如高级醇类、酯类、醛类、酸类、连二酮类以及硫化物类。这些代谢副产物数量虽然不多，但对啤酒的风味和口味影响很大［1－3］。目前对啤酒进行感官评价的新方法有很多，如电子舌技术［4－5］、模糊综合评价法［6］、酒花苦味衍生物感官评价［7］等，但仍以人工品尝为主，而人工感官评价与评价员评价经验、年龄及健康状况有关，这就给不同啤酒的品评带来一定困难。因此，如何通过啤酒中主要风味物质的质量浓度快速获悉啤酒感官评价得分是目前啤酒企业急需解决的问题。

人工神经网络以其高度非线性动力学系统和自适应组织系统被广泛应用，它模拟人脑结构，通过训练确定输入与输出变量之间的非线性关系，进而建立起输入与输出的关系模型。BP神经网络是人工神经网络中应用最广的一种神经网络［8－10］，80% ～90%的人工神经网络模型都是采用BP网络或它的变化形式。实验选取11种主要影响啤酒风味的关键理化指标，对啤酒感官评价预测，在利用BP神经网络建模之前，先对上述11种理化及风味指标进行主成分分析，提取后的主成分作为BP神经网络的输入。实验结果表明，结合主成分分析与神经网络的预测精度明显优于未经主成分分析的BP神经网络。

1 材料与方法

1.1 啤酒理化及风味指标的选取

实验随机选取共300种青岛品牌啤酒，分别检测酒液浓度、双乙酰、戊二酮、乙醛、高级醇(正丙醇、异丁醇、异戊醇)、酯类(乙酸乙酯、乙酸异戊酯、已酸乙酯、辛酸乙酯)共11个理化及风味指标。

1.2 材料与试剂

无水乙醇(分析纯)，天津科密欧化学试剂有限公司;高纯水，自制。双乙酰、戊二酮、乙醛、正丙醇、异丁醇、异戊醇、乙酸乙酯、乙酸异戊酯、已酸乙酯、辛酸乙酯(均为色谱纯)，Sigma-Aldrich公司。

1.3 仪器与设备

CLARUS 580气相色谱仪(配有HS40顶空进样器和 DB－5色谱柱(0.53 mm×60 m，膜厚1.5 μm))，Perkin Elmer公司;Anton Paar啤酒自动分析仪，奥地利Anton Paar公司。

1.4 实验方法

1.4.1 酒液浓度的测定

按照Anton Paar啤酒自动分析仪说明书测定。

1.4.2 双乙酰、戊二酮的测定

测定方法见参考文献［11］。

1.4.3 乙醛的测定

测定方法见参考文献［11］。

1.4.4 酯类、高级醇的测定

测定方法见参考文献［12］。

1.5 感官品评标准

13名品酒师在品酒室内对啤酒样品品尝打分，结果取平均值作为最终得分，其中国家级品酒员9个，省级品酒员4个。

评分标准:极佳的可饮性，具有经典青岛啤酒典型风味特征，醇厚、明显麦芽香和酒花香、醇酯平衡、柔和协调(3.3分);具有经典青岛啤酒典型风味特征，有轻微的“一般缺陷”(3.4分);基本具有经典青岛啤酒典型风味特征，有明显的“一般缺陷”或轻微的“较严重缺陷”(3.5分);不具有经典青岛啤酒典型风味特征，有明显的“一般缺陷”、轻微的“较严重缺陷”或轻微的“严重缺陷”(3.6分);不具有经典青岛啤酒典型风味特征，有严重的“一般缺陷”、明显和严重的“较严重缺陷”或明显和严重的“严重缺陷”(3.7≤X＜4.0)。描述要求:对样品描述使用“轻微、明显、严重”来表示风味缺陷的程度，分别用“－1，－2，－3”来表示;使用“好、很好、非常好”来表示风味特征的程度，分别用“+1，+2，+3”来表示。

1.6 主成分分析［13］

主成分分析是研究如何将多个变量指标间的问题化为较少的几个新指标的问题。这些新的指标之间互不相关，并能综合反映原来多个指标的信息，是原来多个指标的线性组合。这种处理问题的方法就称为主成分分析或主分量分析，综合后的新指标则称为原来指标的主成分或主分量。主成分分析步骤如下:

式中:i=1，2，……，n;j=1，2，……，p。

(2)从相关系数矩阵中得到特征值及各个主成分的差值、贡献率、累积贡献率，然后根据累计贡献率确定主成分保留的个数。

(3)计算出主成分表达式的系数数据，解释主成分的意义。

1.7 BP神经网络

一般神经网络主要包括输入层、隐含层、输出层3个部分。图1给出了一个典型的3层BP神经网络，层与层之间采用全连接的方式。BP神经网络的学习方法是［14］:当给定网络一个输入模式时，网络输入层中的每个输入向量组成了应用于隐含层中神经元的输入信号，第二层输出信号成为第三层的输入。然后按照减少误差的原则，每个神经元自身的输出信号反馈给上一层的神经元的输入，直到获得目标输出。

图1 3层BP神经网络结构图Fig.1 3 layers of BP neural network structure

2 结果与分析

2.1 主成分分析结果与讨论

收集300种啤酒的11种理化及风味数据，建立原始数据集矩阵M11－300。使用Matlab 7.0软件对原始数据集矩阵进行主成分分析，特征值及方差累积贡献率见表1。

表1 主成分的特征值及方差贡献率Table 1 Eigenvalues and variance contribution of principal components

从表1中可以看出，前5个主成分的累积贡献率就达到了88.92%，大于85.00%，可以认为提取出来的5个主成分已经能够代表原11个理化及风味数据的绝大部分信息。

表2是设定方差极大法对因子载荷矩阵旋转后的结果，第一因子变量主要反映了酒液浓度、异丁醇、异戊醇、乙酸乙酯、乙酸异戊酯。第二因子变量主要反映了双乙酰。第三因子变量主要反映了正丙醇。第四因子变量主要反映了已酸乙酯。第五因子变量主要反映了辛酸乙酯。

表2 因子载荷旋转成分矩阵Table 2 Rotated component matrix

2.2 神经网络的建立

经过主成分分析后得到5个主成分，将该5个主成分所代表的9个理化参数作为输入变量，感官评价结果作为输出变量，即输入变量为9，输出变量为1。进行神经网络训练和预测之前，将输入层数据和输出层数据归一化，归一化后的数据范围为［－1，1］。

采用4层BP神经网络，隐含层层数通过多次试验确定第一隐含节点数为9，第二隐含节点数为9;输入层到第一层隐含层的传递函数为tansig;第一隐含层到第二层隐含层的传递函数为tansig，第二层隐含层到输出的传递函数为purelin;训练函数为trainlm;训练次数为1000;训练目标为0.01。

2.3 神经网络预测结果与分析

运用Matlab 7.0建立BP神经网络模型。将300组数据中的前250组数据用于训练，后50组数据用于预测，并通过相对误差评价网络的预测能力。表3为PCA-BP神经网络模型对50组数据的预测结果。

可以看出，预测结果的最大相对误差为2.68%，最小相对误差为0.01%，该算法的最大相对误差比文献［15］报道的16.08%缩小了13.04%。得出这一结果可能的原因是该实验中增加了50组样本数，当实验选择250组数据用于PCA-BP神经网络模型的训练与预测时，相同条件下得到的模型其预测结果最大相对误差为19.76%，预测效果不是很理想;而当样本数增加到350组数据时，最大相对误差没有太大的变化。由此可见，当基于人工神经网络对啤酒感官评价做出预测时，选用样本数250组可以有效提高网络的拟合能力。值得注意的是，只有在实验过程中不断调整隐含层数、隐含层转换函数、输出函数以及训练函数，才能使得误差降到最低。

而且，从图1可以看出，在相同的训练参数条件下，采用PCA-BP神经网络模型，其预测结果在整体上都要优于未经主成分分析的BP神经网络模型的预测结果，后者得到的最大相对误差为15.40%。由此可见，使用PCA-BP神经网络模型能够预测啤酒感官得分，而且其预测精度要优于未经主成分分析的BP神经网络。

表3 PCA-BP神经网络模型预测结果Table 3 Predictive results of PCA-BP neural network

图1 两种不同网络模型预测结果Fig.2 Predictive results of two different neural models

3 结论

本文根据11种主要影响啤酒风味的关键理化指标预测感官评价得分，通过主成分分析对理化指标进行提取，得到9种无线性相关性的主要理化指标后，通过BP神经网络对其进行预测。实验结果表明，使用主成分分析提取出来的9个主成分，可以有效反映原11个理化及风味数据的绝大部分信息，并应用于神经网络的预测，而且提取出来的9种主成分所反映的信息可以在啤酒的生产过程中起到一定的指导作用。

另外，将主成分分析算法与BP神经网络结合，对300组数据中的前250组数据进行训练，后50组数据进行预测，得到的最大相对误差为2.68%。当训练样本数据从200组增加到250组时能够明显提高PCA-BP神经网络的预测能力，而且，在网络训练过程中根据实际情况对神经网络进行优化也可有效增加网络的拟合能力。相较于传统的未经主成分分析的BP神经网络而言，采用PCA-BP神经网络模型，能够简化网络结构，提高网络的拟合能力，从而为啤酒的感官评价提供了一条新途径。

［1］ Gustav Styger，Dan Jacobson，Florian F Bauer.Identifying genes that impact on aroma profiles produced by Saccharomyces cerevisiae and the production of higher alcohols［J］.Appl Microbiol Biotechnol，2011(91):713 －710.

［2］ 王志坚..酵母发酵副产物与啤酒风味［J］.酿酒科技，2001，107(5):69 －70.

［3］ Krista M Sumby，Paul R Grbin，Vladimir Jiranek.Microbial modulation of aromatic esters in wine:Current knowledge and future prospects［J］.Food Chemistry，2010，121(1):1－16.

［4］ 李阳，陈芹芹，胡雪芳，等.电子舌技术在啤酒口感评价中的应用［J］.食品研究与开发，2008，29(11):122－126.

［5］ Alisa Rudnitskaya，Evgeny Polshin，Dmitry Kirsanov，et al.Instrumental measurement of beer taste attributes using an electronic tongue［J］.Analytica Chimica Acta，2009，646(1):111－118.

［6］ 刘春凤，郑飞云，李永仙，等.啤酒口感品评的模糊综合评价［J］.食品科学，2008，29(4):138－142.

［7］ 张海容，任光明，陈金娥.啤酒花苦味酸衍生物感官评价新方法［J］.中国酿造，2009，212(11):116－117.

［8］ 张敏，黎向锋，左敦稳，等.基于主成分分析的BP神经网络内螺纹冷挤压成形质量预测［J］.中国机械工程，2012，23(1):51－54.

［9］ 冯琨，张永丽.基于因子分析的BP神经网络对成都市需水量预测研究［J］.水资源研究，2011，32(6):8－11.

［10］ Mahdi Ghasemi-Varnamkhasti，Seyed Saeid Mohtasebi，Maria Luz Rodriguez-Mendez，et al.Classification of nonalcoholic beer based on aftertaste sensory evaluation by chemometric tools［J］.Expert Systems with Applications，2012，39(4):4 315 －4 327.

［11］ Tian Jiyuan.Determination of several flavours in beer with headspacesampling-gaschromatography［J］. Food Chemistry，2010，123(4):1 318 －1 321.

［12］ 王志沛，季晓东，武千钧，等.啤酒中挥发性风味物质的分析及风味评价［J］.酿酒科技，2001，106(4):59－61.

［13］ 谢中华.MATLAB统计分析与应用:40个案例分析［M］.北京:北京航空航天大学出版社，2010:354－373.

［14］ 傅荟璇，赵红.MATLAB神经网络应用设计［M］.北京:机械工业出版社，2010.

［15］ 任亦贺，骆学雷，丰水平，等.基于主成分分析、遗传算法和神经网络对啤酒感官评价预测的研究［J］.中国酿造，2010，215(2):50－53.