人工神經網絡在食品生物工程中的應用*

鄭惠娜 章超樺 秦小明 肖秀春（水產品深加工廣東普通高校重點實驗室、廣東海洋大學食品科技學院，湛江54088）（廣東海洋大學信息學院，湛江54088）

人工神經網絡在食品生物工程中的應用*

鄭惠娜1**章超樺1秦小明1肖秀春2
（1水產品深加工廣東普通高校重點實驗室、廣東海洋大學食品科技學院，湛江524088）（2廣東海洋大學信息學院，湛江524088）

簡述了人工神經網絡的基本原理與使用方法，并介紹了其在食品微生物發酵、食品酶工程、食品生物活性物質等食品生物工程領域的研究進展，旨在為人工神經網絡在食品工業中的更廣泛應用提供一定的理論基礎依據。

人工神經網絡；食品；生物工程

生物工程技術是當今迅速發展的高新技術，隨著食品工業的發展，發酵工程、酶工程等現代生物技術在食品領域中的應用越來越廣泛，是未來發展最快的食品工業技術之一。然而，生物工程技術在食品開發中的應用大多屬于非線性、非穩態系統，采用傳統的方法建立數學模型可能與實際情況相差甚遠。人工神經網絡（artificial neural network，ANN）是近年來迅速興起的一種非線性科學，是一門集優化、控制、預測、反饋于一體的應用技術科學，其在人工智能領域發展較快，但在食品生物技術領域的應用較少，還處于初步階段。本文將簡單介紹ANN的基本原理，并對其在食品生物工程技術領域方面應用的最新進展進行探討，旨在為提高產品品質，引導食品加工向智能化、集約化的產業方向發展提供科學的理論基礎。

1 人工神經網絡概述

ANN是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡，是理論化的人腦神經網絡的數學模型，他力圖模擬人腦的一些基本特性如自組織性、自學習性、自適應性、容錯性等，利用對象的外部特性來建立內部的動態模型。作為一種黑箱理論，ANN的實質是一種輸入轉化成輸出的數學表達式，這種數學關系由網絡的結構來確定，網絡結構根據具體問題進行設計和訓練。與其他計算機程序不同，他主要是通過對一系列樣本的“學習”而不是通過編程來解決預測、評估或識別等問題，因此，適合模擬機理不明確的過程。ANN是一種三層前向結構的神經網絡，其典型結構如圖1所示，具體表述為：他由按層排列的神經元組成，接收輸入信號的單元稱輸入層，輸出信號的單元稱輸出層，不直接與輸入輸出發生聯系的單元層稱隱含層或中間層，利用ANN可以實現從輸入到輸出之間的非線性映射。ANN非常突出的優點是可以有效地對模型不確定的數據進行大規模非線性自適應信息處理，訓練好的ANN能直接進行推理，在處理規律不明顯、變量多的問題時具有特別的優越性。

圖1 典型神經網絡的結構

2 人工神經網絡在食品生物技術中的應用

隨著ANN技術的發展，其在食品領域的應用越來越廣泛。近年來，ANN已在食品微生物發酵、食品酶工程、食品生物活性物質等方面得到了廣泛應用。

2.1 AN N在食品微生物發酵工程中的應用

2.1.1 微生物培養基的優化

在食品微生物發酵過程中，選擇一個最優的培養基配方是影響發酵成敗的關鍵因素。然而，由于培養基成分較為復雜，配方優化過程中需要考慮的因素較多，必須做大量的試驗才能獲得優化結果。因此，許多研究工作者開始運用ANN進行培養基優化。國外學者Fang等采用ANN和遺傳算法相結合對莫格假絲酵母（Candida mogii）發酵木糖醇的培養基進行優化。由建立的ANN模型得到的優化結果條件進行試驗，木糖醇的產量比先前提高了15%。Liu等采用ANN優化嗜酸氧化亞鐵硫桿菌（Acidithiobacillus thiooxidans） 培養基的三個重要組成成分 KH2PO4、（NH4）2SO4、MgSO4，研究結果表明建立的ANN模型能夠準確進行實驗預測，為非線性和非穩態的生物反應過程提供了有效的研究工具。近年來，國內學者對ANN在微生物培養基優化方面的研究也做了大量的工作。羅建平等等采用ANN結合實數編碼加速遺傳算法對懷槐懸浮細胞合成異酮的培養基進行優化，研究結果表明由模型優化的培養基中實際異黃酮的產率比正交試驗優化的培養基異黃酮的產率提高近1.5倍。高夢祥等將ANN和正交試驗相結合，提出了一種新的數據處理和分析方法，利用ANN特有的自學能力，通過仿真、評估和優化，獲得了側孢芽孢桿菌（Bacillus lateraporus）的發酵培養基配方。

2.1.2 過程控制與預測

在微生物發酵過程中，除了培養基對發酵過程產生重要影響外，發酵時間、溫度、pH值及發酵罐的狀態等因素都對微生物發酵產物的產量以及產物的感官品質產生重要的影響。由于生物發酵過程的高度非線性和明顯的不確定性與時變特性，使得ANN在此過程中的應用尤顯優勢。李海亮等以黑木耳、糙米為原料，研究醋酸發酵的工藝條件，對接種量、搖床轉速和裝料量參數進行了單因素和正交試驗，摸索出參數優化范圍，并利用ANN和遺傳算法聯合對發酵條件進行優化，結果表明該方法與正交試驗設計得出的結果相比，發酵酸度上升了8.0%，為發酵優化控制提供了一種更加準確的方法。蔣益虹等將ANN技術與傳統正交試驗方法相結合，提出一種新的優化工藝方法，并將該方法應用于實際生產中，取得了較好的效果。楊旭華等以提高間歇式微生物發酵的產品得率為目標，將BP神經網絡和傅立葉神經網絡相結合，提出發酵過程的發酵時間模型和最優發酵溫度模型，實踐應用表明，采用此種生產方案，產品平均得率提高5%。

2.2 AN N在食品酶工程中的應用

2.2.1 酶反應動力學建模

有關動力學模型的研究開始于20世紀初，1913年Michaelis和Menten提出采用動力學模型來描述酶的催化作用，他們提出的模型被稱為米氏動力學模型或簡單酶動力學模型，這個模型為現代酶反應機理研究奠定了基石。由于ANN對非線性和非穩態系統的酶催化反應具有較好的預測能力，目前，已經有部分研究將其應用于酶反應動力學模型的建立。Deniz等采用ANN對麥芽糖的酶解速率進行了預測并且建立了酶解動力學模型，確定了動力學常數Km及最大反應速率Vmax。Adam等利用ANN預測不同溫度條件下胰酶水解豌豆分離蛋白的水解度，得到非常好的相關系數，并且初步建立了胰酶水解豌豆分離蛋白的動力學模型。張宇等采用ANN模擬和預測了纖維素酶水解反應，并與常用的響應面模型進行了比較，結果表明，人工神經網絡模型比響應面模型更適合作為研究纖維素酶水解的動力學工具。Atena等采用ANN分析脂肪酶合成糖酯，研究結果表明，人工神經網絡模型具有較好的預測能力。

2.2.2 酶解工藝優化

酶解工藝條件受多方面因素（酶解溫度、pH值、底物濃度、酶濃度等）影響，酶反應系統是非線性和非穩態的生物反應系統，傳統的正交試驗和響應面方法往往不能得到很好的優化效果。目前，研究者使用ANN結合遺傳算法對酶解工藝進行優化，能得到比傳統方法更好的優化結果。Deniz等對比了ANN與響應面優化法對酶催化反應的模擬優化效果，結果表明對于非線性和非穩態系統的酶催化反應，ANN表現出更好的數據擬合和預測能力。李琳等以大宗淡水魚資源-鳙魚肉蛋白為原料，利用具有自學習特點的ANN可實現對酶解過程的模擬仿真，對其進行控制酶解以制備出具有清除自由基活性的鳙魚肽。陳欣等結合ANN的良好特性，利用正交試驗獲得的數據作為ANN的訓練樣本，建立輸入為酶解實驗條件參數，輸出為短肽產率的神經網絡模型，研究結果表明將ANN與正交試驗結合用于酶解實驗條件優化可以縮短優化實驗參數的時間，獲得比單純的正交試驗更優化的實驗條件。

2.3 AN N在食品生物活性物質中的應用

2.3.1 活性物質提取過程模擬控制

由于功能性有效成分提取條件及研究對象的復雜性，使得傳統的優化方法已不能滿足實際生產要求，ANN可以通過模型仿真，預測提取效果，為可控化生產提供依據。劉英梅等研究了基于模糊神經網絡（FNN）的丹參醇提取模型，理論分析和實驗結果表明，該方法能夠較好地根據提取條件預測提取液中有效成分的含量。趙武奇等建立了蘋果渣多酚提取工藝的人工神經網絡模型，研究了提取工藝ANN模型的遺傳算法優化技術，結果表明，采用ANN模型能獲得最佳的提取工藝參數。蔣益虹等研究了荷葉中主要生理活性物質生物堿的提取優化工藝，將ANN與正交試驗相結合，應用于荷葉生物堿的提取工藝，獲得了實際應用效果好的提取工藝條件。

2.3.2 活性功能預測與優化

基于ANN對生物系統具有較好的預測能力，目前，許多研究者開始將其應用于物質活性功能預測。Claudia等將向前神經網絡（feed-forward ANN）和概率神經網絡（probabilistic ANN）分別應用于茶葉的分類及其抗氧化活性預測，均得到很好的分類及預測效果。Alvaro等采用多層神經元（multilayer ANN）預測精油的抗氧化活性，研究結果表明對于預測化學成分復雜的天然產物生物活性，ANN是一種可靠快速的方法。Adam等利用ANN建立了十字花科植物（TEACexp） 抗氧化活性的預測模型，研究結果表明，模型預測值與實際試驗值誤差小，精確度高，說明ANN在植物源性食品特性預測中具有很高的應用價值。Ott等將ANN成功應用于活性物質植物提取物的代謝分類中。Huang等提出物化驅動神經網絡（Phys Chem ANN） 并將其應用于預測肽和蛋白的生物活性，得到很好的實驗結果。

3 結論與展望

食品生物過程屬于非線形、非穩態系統，由于ANN對非線性系統具有較強處理能力，使其在食品生物技術開發中的應用越來越受關注。然而，ANN在食品生物工程中的實際應用仍有許多問題有待解決，如：訓練樣本數據的選擇、神經網絡類型的選擇、網絡權值只收斂到局部極值而非全局極值等。因此，近年來針對ANN的一些固有缺陷，出現了混合神經網絡，以及神經網絡與遺傳算法、模擬退火算法相結合等方法，增強了系統的準確預測和在線控制，使仿真系統具有較好的魯棒性。隨著ANN技術在食品生物工程技術中的不斷發展和完善，其在食品工業中的應用將越來越廣。

［1］李琳，趙謀明，張黎，等.人工神經網絡在食品工業中的應用［J］.食品研究與開發，2005，26（1）：13-16.

［2］張蓓，熊明勇，張克旭.人工神經網絡在發酵工業中的應用［J］.生物技術通訊，2003，14（1）：74-76.

［3］FANG B，CHEN H ，XIE X，et al.Using genetic algorithms coupling neural networks in a study ofxylitol production：medium optimisation［J］.Process Biochemistry，2003，38：979-985.

［4］LIU H L，YANG F C，LIN H YI，et al.Artificial neural network to predict the growth of the indigenous acidthiobacillus thiooxidans［J］.Chemical Engineering Journal，2008，137：231-237.

［5］羅建平，羅凱，陳曉燕，等.用神經網絡和遺傳算法優化懷槐懸浮細胞合成異黃酮［J］.生物工程學報，2004，20（5）：759-763.

［6］高夢祥，夏帆.基于人工神經網絡的側孢芽孢桿菌培養基的優化研究［J］.長江大學學報：自然科學版，2010，7（1）：71-73.

［7］李海亮，王瑩，張潔.基于人工神經網絡和遺傳算法的黑木耳糙米醋發酵條件優化［J］.中國釀造，2011，（7）：141-143.

［8］蔣益虹，馮雷.人工神經網絡方法在紅曲楊梅果酒發酵工藝優化中的應用［J］.農業工程學報，2003，19（2）：140-143.

［9］楊旭華，戴華平，孫優賢.基于神經網絡的發酵時間和最優發酵溫度模型［J］.化工自動化及儀表，2004，31（1）：18-21.

［10］DENIZ B，FAHRIYE C D，ISMAIL H B.Modeling and optimization IV：Investigation of reaction kinetics and kinetic constants using a program in which artificial neural network （ANN） was integrated ［J］.Journal of Food Engineering ，2007，79：1 152-1 158.

［11］ADAM B，MAGDALENA K，RYSZARD A.Modeling the tryptic hydrolysis of pea proteins usingan artificial neural network［J］.LWT，2008，41：942-945.

［12］張宇，許敬亮，袁振宏.纖維素酶水解動力學的人工神經網絡模型研究［J］.催化學報，2009，30（4）：355-358.

［13］ATENA A，MAHIRAN，NAZ C et al.Artificia neural network analysis of lipase-catalyzed synthesis of sugar alcohol ester［J］.Industrial Crops and Products，2011，33 ：42-48.

［14］DENIZ B，FAHRIVE C D，ISMAIL H B.Modeling and optimization III：Reaction rate estimation using artificial neural network（ANN）without a kinetic model［J］.Journal of Food Engineering，2007，79：622-628.

［15］李琳，趙謀明，張黎.利用人工神經網絡優化制備鳙魚抗氧化肽［J］.四川大學學報：工程科學版，2006，38（1）：80-85.

［16］陳忻，孫恢禮，黃漢文，等.基于人工神經網絡的酶解波紋巴非蛤制備小分子肽的研究［J］.食品科學，2009，30（22）：54-57.

［17］TORRECILLA J S，OTERO L，SAVZ P D.A neural network approach for thermal/pressure food processing［J］.Journal of Food Engineering ，2004，62：89-95.

［18］劉英梅，蔣敏，陳鴻雁.基于自適應模糊神經網絡的丹參醇提模型［J］.中成藥，2007，29（8）：1 136-1 139.

［19］趙武奇，仇農學，王宏.蘋果渣多酚提取工藝的神經網絡建模與遺傳算法優化［J］.食品科學，2007，28（12）：138-142.

［20］蔣益虹.荷葉生物堿的提取工藝優化［J］.浙江大學學報：農業與生命科學版，2004，30（5）：519-523.

［21］CLAUDIA C，CRISTEA V MI，ANAMARIA H，et al.Antioxidant activity prediction and classification of some teas using artificial neural networks［J］.Food Chemistry，2011，127：1 323-1 328.

［22］ALVARO C C，JOSE M P.Application of artificial neural networks to the prediction of the antioxidant activity of essential oils in two experimental in vitro models［J］.Food Chemistry，2010，118：141-146.

［23］ADAM B，HENRYK Z，HALINA K.Artificial neural networks for prediction ofantioxidantcapacity of cruciferous sprouts［J］.Trends in Food Science&Technology，2004，15：161-169.

［24］OTT KH，NELLY AB，BIJAY S.et al.Metabonomics classifies pathways affected by bioactive compounds，Artificial neural network classification of NMR spectra of plant extract［J］.Phytochemistry，2003，62：971-985.

［25］HUANGR B，DU QS，WEI Y T.et al.Physics and chemistry-driven artificial neural network for predicting bioactivity of peptides and proteins and their design［J］.Journal of Theoretical Biology，2009，256：428-435.

Application of artificial neural networks in bio-engineering of food

ZHENG Hui-na1**ZHANG Chao-hua1QIN Xiao-ming1XIAO Xiu-chun2
1（Key laboratory of aquatic product advanced processing of Guangdong higher education institutes,college of food science&technology,Guangdong ocean university，Zhanjiang 524088，China）
2（College of imformation，Guangdong ocean university，Zhanjiang 524088，China）

Artificial neural network(ANN)has strong capacity for nonlinear,non-steady-state system and is widely used for process modeling and simulation,optimization and control in biological systems.This paper outlines the basic principles and ues of artificial neural networks,and introdues its researched in food microbial fermentation,food enzyme engineering and food biologically active substances,etc.,and wish to provide some theory and base for better appliation ofANN in food industry.

artificial neutral networks；food；biological engineering

TS201.3

A

1673-6004（2012）01-0016-04

現代農業產業技術體系建設專項資金資助項目（CARS-48-07B）；廣東省教育廳育苗工程自然科學資助項目（1109240）；廣東省自然科學基金項目（S201104000 0255）

** 鄭惠娜，女，1979出生，2006年畢業于中科院南海海洋研究所海洋生物資源綜合利用專業，博士，講師

2012-01-13