模糊神经网络应用于食用果酱的可行性研究

张若男，何琳

(1.河南地矿职业学院 基础学科部，郑州 451464；2.郑州财经学院 信息工程学院 ，郑州 450049)

近年来，我国果酱消费量逐年增加，人们对于果酱的食品安全更加重视。为了使果酱的食用更为安全、健康，同时提升果酱产品在国际上的竞争力，我国加强了对果酱中食品添加剂、防腐剂和农药残留等的检测。传统上，对于食品中防腐剂等的检测，首先采用固相萃取的方法对样品进行处理，再用气相色谱或者气质联用的方法确定果酱中防腐剂含量[1]。但是这种方法较为繁琐，检测时间长，费用高[2,3]，不适用于果酱的防腐剂检测。

模糊神经网络是结合了模糊系统和神经网络的一种分析方法，即将模糊输入信号和权值加入神经网络，使系统模型能够通过学习模糊规则和隶属度函数，达到对数据进行预测的目的[4]。目前，该系统在农业上的应用主要是对水果的外观品质分类，还没有将其应用于果酱的品质研究，可以考虑用模糊神经网络对果酱中所含防腐剂进行识别，以提高果酱防腐剂的检测水平和效率。因此，本文将对模糊神经网络应用于食用果酱进行可行性研究。

1 试剂与方法

1.1 仪器与试剂

试验中所用仪器：HP5790气相色谱-质谱仪(HP公司)；Gerstel多功能进样系统(Gerstel公司)，配置热解析单元(TDU)和冷进样系统(CIS)；吸附萃取搅拌棒(Gerstel公司)。

材料：草莓、黑莓、鲜橙、苹果和桑葚果酱，购于超市；乙醇(色谱纯)、丙醇(色谱纯)、二氯甲烷(色谱纯)、甲醇(色谱纯)、氯化钠(分析纯)、磷酸(分析纯)、蒸馏水(超纯水)、苯甲酸(标准品)、山梨酸(标准品)、对羟基苯甲酸甲酯(标准品)、对羟基苯甲酸丙酯(标准品)、对羟基苯甲酸异丙酯(标准品)。

溶液配制：用磷酸(标准品)和氯化钠(标准品)配制pH值为1～7的30%氯化钠溶液；用防腐剂标准品配制成1000 mg/L的标准储备液，保存温度-20 ℃，再根据使用需求用蒸馏水将其稀释成相应的工作溶液。

1.2 气相色谱分析条件

样品处理：用Twister吸附并萃取防腐剂，将其置于热分析单元(TDU)进行热解吸。初始温度为50 ℃，保温0.5 min，然后以120 ℃/min的加热速度升温至270 ℃，保温5 min。解吸后的分析物放入冷进样系统(CIS)进行冷处理，富集。冷进样系统制冷方式：液氮。初始温度-60 ℃，保温0.2 min，然后以12 ℃/s的速度升温至270 ℃，保温5 min，分析物开始进入色谱柱。

HP-5色谱柱(25 m×0.25 m×0.33 μm)；流速0.8 mL；载气：氦气(纯度99.999%)；初始温度50 ℃，保温1 min，以10 ℃/min升温至140 ℃，保温1 min，再以20 ℃/min升温至280 ℃，保温20 min。

电离方式：电子轰击(EI)，电离能量70 eV；离子采集方式(SIM)。

鲜虾中添加9%、12%、15%的食盐，于4 ℃冰箱中冷藏，每15 d取样观察并检测虾酱理化及微生物指标。

2 结果与分析

2.1 萃取条件优化

考虑到各防腐剂的辛醇-水分配系数KO/W值差异较大，为了在试验过程中保证各分析物反应一致，并参考吸附萃取与取样体积的关系[5,6]，保证数据处理的方便和节约溶剂，样品体积确定为20 mL。除了溶液体积，还需要确定pH值、萃取温度和时间、样品中氯化钠浓度对萃取效果的影响。因此，分别调整各个萃取条件进行萃取试验，其试验结果见图1中(a)～(d)。

图1 不同参数萃取条件防腐剂萃取试验结果Fig.1 The extraction experimental results of preservatives under different parameters' extraction conditions

由图1可知，萃取条件为室温、氯化钠浓度为34%，pH值为3.3的环境下，萃取时间达到90 min时，可完成对各种类防腐剂的萃取。

2.2 试验样品确定

选取从超市购买的3个不同品牌的草莓果酱、黑莓果酱、鲜橙果酱、苹果果酱和桑葚果酱共15瓶果酱进行试验。根据优化后的萃取条件，对果酱处理并测定果酱中所含有的各个防腐剂含量，其试验结果将与模糊神经网络预测结果进行对比。

2.3 模糊神经网络的建立

2.3.1 模糊神经网络的结构设计

模糊神经网络是通过模拟大脑的拓扑结构和对信息模糊处理的逻辑，实现对数据学习和处理的能力[7]。对于模糊神经网络结构，其设计的基础在于对模糊神经元的设计。模糊神经元一般分为两类：一是模糊规则规定的模糊神经元；二是由非模糊神经元通过模糊化得到的模糊神经元。本文采用第二类进行设计。

模糊神经网络结构的设计主要包括4层，分别是输入层、模糊化层、模糊化推理层和解模糊化层。其中输入层即表示输入变量，作用是输入数据，并将其传输至模糊化层。对于果酱来说，防腐剂含量测定结果受很多因素的影响，在本试验中，主要考虑pH值、萃取温度、萃取时间和样品中氯化钠浓度对果酱中含有的防腐剂的影响。因此，本文选择这4个变量因子和果酱种类作为模糊神经网络的输入量。模糊化层则是将输入层数值利用隶属度函数，将其转化为模糊语言。模糊化推理层是整个结构的核心组成部分，用于将上一层的模糊语言描述转化为结论变量的模糊描述。第4层为解模糊化层，用于将结论模糊变量的模糊描述转化为实际变量并进行数值输出。对于本试验来说，只针对果酱的防腐剂进行检测，因此解模糊化层数量为5个，输出变量分别为苯甲酸、山梨酸、对羟基苯甲酸甲酯、对羟基苯甲酸丙酯和对羟基苯甲酸异丙酯。对于果酱的模糊神经网络结构设计图见图2。

图2 模糊神经网络结构设计图Fig.2 The design drawing of fuzzy neural network structure

2.3.2 模糊神经网络的学习与自适应

在模糊神经网络结构中，其性能需要通过学习和自适应的方法进行调整并持续改进。神经网络的学习主要是对权值和阈值进行修正，以及对神经网络结构进行改进。改进神经网络结构主要包括适时的调整模糊化层的隶属度函数。本文采用梯度下降法作为神经网络的学习算法，对隶属度函数进行调整。首先确定模糊隶属度函数为高斯方程，如下式所示：

对应模糊系统输出为：

式中：xi为输入变量，Y为网络输出结果，μ(xi)范围为[0,1]，表示xi隶属于A的程度，y、ci和σji值可自由变换。假设系统输入值为(xa,ya)，若将该模糊神经网络看作前反馈的网络系统，则梯度下降法就成为对网络参数的训练。定义目标函数为：

则得到训练结果为[8]：

式中：k为训练时的迭代次数；α为训练步长，与神经网络各参数变化速率有关。由此完成对模糊神经网络的训练。

2.3.3 模糊神经网络训练

在进行训练时，数据的准确性会直接影响模糊神经网络训练的结果。因此，在训练时需要自动删除无效数据，包括虚假数据或者不符合实际情况的数据。

在训练时，本试验采用萃取试验得到的50组数据作为训练样本，采用15组数据作为验证样本，选择DSP数据处理系统进行数据处理，并采用梯度下降法对模糊神经系统进行训练，以建立预测模型。在进行训练时，各参数设置如下：输入层为4，输出层为5，最小训练速率为0.1，动态参数为0.6。经过500次的数据模拟，最终使误差降低至0.002，其误差训练结果的曲线图见图3。该误差表明模糊神经网络的预测值可以代表试验值。

图3 误差训练结果曲线图Fig.3 The curve of error training results

2.3.4 模糊神经网络的仿真

采用已完成训练的模糊神经网络对测试集，即15组数据进行预测，验证该系统是否可以应用于实际果酱中防腐剂的检测。实测值与预测值对比结果见表1。

表1 果酱中防腐剂种类试验和预测结果对比Table 1 Comparison of experiment and prediction results of preservatives' types in jam mg/kg

由表1可知，在品牌1的5类果酱中主要检测到苯甲酸，在品牌2中的5种果酱中主要检测到对羟基苯甲酸甲酯，而在品牌3的5种果酱中未检测到这几种防腐剂。

对比试验和预测结果可知，通过建立模糊神经网络，对果酱中可能存在的防腐剂种类进行预测。其预测结果与试验结果具有一致性，说明模糊神经网络的预测方式比较准确，可以采用模糊神经网络对果酱的防腐剂种类进行预测。同时，还可以将这种预测方式推广至其他防腐剂或者成分的预测。

3 结论

通过以上的试验与分析，主要得出以下结论：

果酱中防腐剂的萃取效果与萃取条件有关，主要包括萃取条件中的pH值、萃取温度、萃取时间、样品中氯化钠浓度等参数。在pH值为3.3，萃取温度为室温，样品中氯化钠的浓度为34%，萃取时间达到90 min时，果酱中的防腐剂萃取效果最好。

通过分析pH值、萃取温度、萃取时间和样品中氯化钠浓度等参数对果酱中不同防腐剂种类的影响，建立了果酱中防腐剂预测的模糊神经网络模型。模型中的输入层为4，输出层为5，最小训练速率为0.1，动态参数为0.6。通过选择50个样本作为训练集，15个样本作为预测集进行对比试验，试验结果表明该神经网络模型可以对果酱中所含防腐剂的种类和含量进行预测。