BP 神经网络结合响应面优化荷叶功能性硬糖的工艺

武玲梅，秦旭婧，陈显玲，苏 龙,2，唐 森,2*

（1.广西科技师范学院，广西来宾 546199；2.广西糖资源工程技术研究中心，广西来宾 546119）

荷叶为睡莲科植物莲（Nelumbo nuciferaGaertn）的叶，性平、味苦，归肝、脾、心经，具有生津止渴、清暑利湿、凉血止血、升发清阳、散瘀止血等功效[1]，经过炒制而成的荷叶碳则有收涩、化瘀、止血等功能，因此具有广泛的药理作用。荷叶也是“药食同源”的中药之一，在我国传统中医学和食疗学中应用广泛[2-3]。

随着人们保健意识的增强，功能型糖果的开发成为未来的发展趋势[4]。在硬质糖果中添加一些荷叶粉末，不仅能赋予硬质糖果特别的风味，还能提升其食用价值，从功效和口感两个方面同时满足人们对口味、健康的追求。但是制作硬糖比制作软糖需要更高的温度[5]，而且荷叶粉末添加量过大会导致糖果颜色变深、味道变苦，添加量过少则荷叶的清香味不明显。因此，需要对荷叶粉末的添加量进行优化。

人工神经网络是由许多神经元互连在一起组成的复杂网络系统[6]，它具有并行分布的信息处理结构，通过“学习”或“训练”的方式完成某一特定的工作。BP 神经网络（back propagation neural network）是人工神经网络中基于误差反向传播算法的多层前馈神经网络，它是把一组样本的输入输出变成一个非线性优化问题，加入隐节点使得优化问题的可调参数增加，从而可以逼近精确解[7-9]。BP 神经网络目前在优化提取、控制食品加工等方面得到广泛应用[10-13]。本研究在单因素试验的基础上，利用响应面法优化荷叶功能性硬糖配方，并以响应面试验数据作为BP 神经网络的输入值，对主要影响因素进行仿真优化，以期为荷叶功能性硬糖的开发提供参考依据。

1 材料与方法

1.1 材料与仪器

白砂糖，食品级，广西来宾湘桂糖业有限责任公司；葡萄糖浆，食品级，西诺迪斯食品（上海）有限公司；木糖醇，食品级，南京甘汁园糖业有限公司；荷叶粉末，食品级，亳州中药堂粉店。

双喜雅越电磁炉，SXDC-20TH037 型，珠海双喜电器股份有限公司；电子天平（精度0.01 g），LQ-C5001 型，上海瑶新电子科技有限公司；电子数显食品温度计，KT300型，潮州市潮安区保德仪器具有限公司；硅胶模具，尺寸为15 cm×18.5 cm×0.7 cm，巧滋烘焙坊。

1.2 试验方法

1.2.1 硬质糖果的制备工艺流程

原料混合→熬糖→倒入模具→成型→冷却→脱模→成品

1.2.2 工艺要点（1）原料混合

准确称取制作硬糖的原料（葡萄糖浆、木糖醇、白砂糖、荷叶粉末），置于一次性杯子中，混合均匀备用。

（2）加热熬糖

把原材料倒入不锈钢锅中，利用电磁炉小火进行熬糖，且随时搅拌，防止白砂糖出现糊锅或粘锅底的现象。当糖液开始出现沸腾时，用电子温度计测量温度，同时不停地搅拌。

在糖浆不断沸腾直至变得黏稠时，用勺子取少许黏稠的糖浆，滴入清水中，如果糖浆在水中可以直接凝结成比较坚硬的糖珠时，关闭电磁炉。

（3）冷却脱模

将熬制完成的糖浆倒入不同的模具，等待一段时间使糖浆变得坚硬，随后脱模，得到成品。

1.2.3 单因素试验

（1）葡萄糖浆添加量对荷叶硬糖感官评价的影响

称取20 g 水、3 g 木糖醇、37 g 白砂糖和0.9 g 荷叶粉末，将葡萄糖浆的添加量设定为11、13、15、17、19 g，随后将以上材料按照1.2.1 的工艺流程制成荷叶硬糖，以感官评价为考察指标，确定葡萄糖浆的最佳添加量。

（2）木糖醇添加量对荷叶硬糖感官评价的影响

称取20 g 水、37 g 白砂糖、15 g 葡萄糖浆和0.9 g 荷叶粉末，其中将木糖醇添加量分别设定为1、2、3、4、5 g，随后将以上材料制成荷叶硬糖，以感官评价为考察指标，确定木糖醇的最佳添加量。

（3）荷叶粉末添加量对荷叶硬糖感官评价的影响

称取20 g 水、37 g 白砂糖、3 g 木糖醇和15 g 葡萄糖浆，将荷叶粉末添加量设定为1、2、3、4、5 g。随后将以上材料制成荷叶硬糖，以感官评价为考察指标，确定荷叶粉末的最佳的添加量。

1.2.4 响应面法优化荷叶硬糖制作工艺

在单因素试验的基础上，以葡萄糖浆添加量、木糖醇添加量和荷叶粉末添加量作为自变量，以感官评分为响应值，利用Design-Expert V8.0.6.1 软件，采用Box-Behnken模型进行三因素三水平实验设计，试验因素与水平如表1 所示。

表1 荷叶硬糖优化工艺因素与水平的响应面设计Table 1 Response surface design of optimization process factors and levels of lotus leaf hard candy

1.2.5 BP 神经网络的设计

本试验分析方法选用BP 神经网络，利用响应面实验数据作为神经网络的训练样本，通过3 层结构的BP神经网络建立模型，输入节点数和输出节点数分别为3个和1 个，输入节点数即葡萄糖浆添加量、木糖醇添加量和荷叶粉末添加量，输出节点数即感官评分[14]。对荷叶功能性硬糖配方进行模拟和仿真，并对响应面试验分析结果和BP 神经网络的分析结果进行对比，以探寻较佳的荷叶功能性硬糖配方。

1.3 硬糖的感官评价

随机抽取10 位感官评价人员，从组织结构、色泽、口感、形态和风味五个方面对荷叶硬糖进行感官评价[15]，满分100 分[16]，取平均值。同时根据硬糖本身的特点以及感官评价的相关细则，制定出了荷叶硬糖的感官评价标准，具体细则如表2 所示。

表2 荷叶硬糖成品的感官评价标准Table 2 Sensory evaluation criteria for lotus leaf hard candy

1.4 数据处理

响应面优化采用Design-Expert V8.0.6.1 软件进行实验设计和数据分析，BP 神经网络分析则使用Matlab R2021a 神经网络工具箱，此外为保证实验的准确性，每次实验均采用三次平行实验的平均值进行分析计算。

2 结果与分析

2.1 单因素试验结果分析

2.1.1 葡萄糖浆添加量对荷叶硬糖感官评价的影响

葡萄糖浆可以提升硬糖的光泽度，糖浆的颜色越晶莹透明，硬糖的颜色越容易调制，硬糖成品的颜色也就越明亮。这是由于葡萄糖浆中的还原糖能够阻止砂糖再结晶，砂糖经浓缩后成为无定形状态即非晶体状态，可降低糖体硬度[17]。图1 显示了葡萄糖浆添加量对荷叶硬糖感官评价的影响。

图1 葡萄糖浆添加量对荷叶硬糖感官评价的影响Fig.1 Effect of glucose syrup addition on sensory evaluation of lotus leaf hard candy

由图1 可以看出，随着葡萄糖浆添加量的逐渐增加，荷叶硬糖的感官评分先升高后降低，当葡萄糖浆添加量为15 g 时，荷叶硬糖的感官评分最高，为83.72 分，制备的荷叶硬糖糖体呈现光滑的墨绿色，光泽度好，甜味纯正、细腻，坚硬而脆、不黏牙。随着葡萄糖浆添加量的逐渐增加，成品荷叶硬糖的硬度也逐渐降低，最后达到一个适中的水平，此时葡萄糖浆最佳添加量为15 g。

2.1.2 木糖醇添加量对荷叶硬糖感官评价的影响

从图2 中可以看出，随着木糖醇添加量的增大，荷叶硬糖的感官评分先升高后降低，当木糖醇添加量为3 g时，荷叶硬糖的感官评分最高，为84.05 分，此时硬糖的硬度适中，不黏牙，甜味纯正醇厚，无不良后味，与荷叶的味道融合完好，有木糖醇的清凉感，且口味清新宜人。在色泽的变化上，因为木糖醇在结构上没有醛基和酮基，所以在硬糖制作过程中不会产生美拉德反应[18]，熬糖时也会保持荷叶硬糖糖体色泽稳定，可以经受熬糖时的高温，不易发生分解，而使荷叶硬糖成品颜色保持明亮。随着木糖醇添加量的继续增加，荷叶硬糖的糖体变黏，开始有黏手、黏牙的情况出现；同时荷叶硬糖糖体的颜色光泽度下降。这是因为木糖醇可塑性低，仅使用木糖醇不能制成可塑性产品，硬糖成型能力下降，从而影响糖果的感官评分[19-20]。因此，木糖醇的最佳添加量为3 g。

图2 木糖醇添加量对荷叶硬糖感官评价的影响Fig.2 Effect of xylitol addition on sensory evaluation of lotus leaf hard candy

2.1.3 荷叶粉末添加量对荷叶硬糖感官评价的影响

从图3 中可以看出，随着荷叶粉末添加量的增大，荷叶硬糖的感官评分先增大后减少，当荷叶粉末添加量为3 g 时，荷叶硬糖的感官评分最高，为82.13 分，此时荷叶硬糖甜味纯正醇厚适中，口感顺滑，颜色呈现出光亮的墨绿色，硬度适中，具有鲜明的荷叶清香味。荷叶本身具有苦涩和清香的味道，在添加量为3 g 时，苦涩的味道被糖类的甜味所掩盖，且荷叶本身自带的甘甜清香也最明朗。因此，荷叶粉末最佳添加量为3 g。

图3 荷叶粉末添加量对荷叶硬糖感官评价的影响Fig.3 Effect of lotus leaf powder addition on sensory evaluation of lotus leaf hard candy

2.2 响应面试验

在单因素试验的基础上，根据Box-Behnken 试验设计原理，以感官评价为响应值，以葡萄糖浆添加量、木糖醇添加量和荷叶粉末添加量作为自变量，利用Design-Expert 软件进行三因素三水平实验设计[21]，结果见表3（见下页）。本试验响应面法，共17 个试验点。

表3 响应面试验设计及结果Table 3 Response surface test design and results

如表4（见下页）所示，研究各个试验因子对荷叶硬糖感官评价的影响，通过响应面统计分析得到回归模型：Y=83.60+0.62A+1.50B+2.63C-1.75AB+0.50AC-0.25BC-7.55A2-3.80B2-5.55C2。该模型的P值小于0.000 1，说明该模型极显著。失拟项P值为0.171 7，大于0.05，因此不显著。说明该回归模型与该实际试验有较好的拟合性，自变量与感官评分之间的关系显著。相关系数R2为0.982 7，R2adj为0.960 5，表明响应面法设计所得的回归模型有效，预测效果较佳，该模型可以充分说明荷叶硬糖的工艺过程，因此可以利用该模型对荷叶硬糖成品的制作工艺进行分析和预测。B、C、A2、B2、C2的P值均小于0.01，表明影响极显著。其中，3 个单因素影响荷叶硬糖感官评分的顺序为荷叶粉末添加量（C）＞木糖醇添加量（B）＞葡萄糖浆添加量（A），即荷叶粉末添加量对感官评价的影响最为显著。

表4 荷叶硬糖工艺条件响应曲面模型分析及方差分析Table 4 Response surface model analysis and variance analysis of lotus leaf hard candy process conditions

根据Box-Behnken 试验设计原理，得出各因素交互作用对荷叶硬糖感官评分影响的等高线图和响应面图，如图4 所示。交互项AB 对荷叶硬糖的感官评价分数具有显著影响（P＜0.05），AC、BC 对荷叶硬糖的感官评分无显著影响。

经Design-Expert 软件处理后，分析得到荷叶硬糖的最佳配方：葡萄糖浆添加量15.06 g、木糖醇添加量3.18 g、荷叶粉末添加量3.23 g，此时感官评分为86.05 分。

2.3 BP 神经网络应用

2.3.1 神经网络模型测试

将荷叶硬糖响应面优化配方的17 组数据导入BP神经网络模型，其中随机抽取12 组数据用于模型训练，剩余5 组数据用于模型测试。结果显示，通过12 组数据的训练，5 组预测数据的输出值与实际值相对误差小于1.5%，该模型拟合系数为0.963 7，仅有3.63%总变异不能用此模型解释，表示该神经网络模型训练与预测精度较好，可满足荷叶功能性硬糖配方优化的需要。

2.3.2 神经网络模型最佳工艺的仿真优化

以响应面试验17 组数据为研究对象，通过改变其中1 种影响因素的数值，保持其他2 种影响因素数值固定（如改变葡萄糖浆添加量，木糖醇添加量和荷叶粉末添加量保持不变），通过BP 神经网络的训练和优化，生成各因素对提取综合评分的连续曲线。根据BP 神经网络模型仿真优化的荷叶功能性硬糖最优配方为葡萄糖浆添加量15.3 g、木糖醇添加量3.3 g、荷叶粉末添加量2.8 g。在此条件下，神经网络模型预测荷叶功能性硬糖感官评分为87.23 分。

2.4 荷叶硬糖最佳配方的验证

分别按照响应面试验及BP 神经网络优化得到的最优荷叶功能性硬糖配方进行工艺验证（控制次数为3次），结果见表5。

表5 响应面法与BP 神经网络优化结果比较Table 5 Comparison of optimization results between response surface method and BP neural network

由表5 可知，BP 神经网络优选配方的综合评分较高，且预测值与实际提取结果值相对误差小于响应面法，表明BP 神经网络优化的配方更适用于工业化生产。因此，结合BP 神经网络模型分析，确定荷叶功能性硬糖最优配方为葡萄糖浆添加量15.3 g、木糖醇添加量3.3 g、荷叶粉末添加量2.8 g。

3 结论

BP 神经网络与响应面实验方法相结合，能更好地利用已知信息对目标寻优及虚拟样本进行全面仿真试验。对于离散型数据，用BP 神经网络模型误差小，可方便地进行仿真、评估和优化。本次试验在单因素试验基础上，利用响应面法优化荷叶功能性硬糖的配方，并以响应面试验数据作为BP 神经网络的输入值，对主要影响因素进行仿真优化。通过试验确定了荷叶硬糖的最优配方为葡萄糖浆15.3 g，木糖醇3.3 g，荷叶粉末2.8 g，白砂糖37 g，水20 g。依此配方熬制出的荷叶硬糖成品品质最佳，感官评分也最高，糖果呈现通透的墨绿色，颜色分布均匀且有光泽，味道醇厚，带有荷叶的清香，坚硬而脆，不黏牙。