反向傳播神經網絡耦聯遺傳算法與響應面設計烤制鴿肉工藝優化

趙清香,李大軍,李亞萍,姜宇純,李庚,袁永旭

(吉林農業大學 食品科學與工程學院,長春 130118)

鴿肉及其加工方法的研究對于滿足消費者的需求具有特別意義。鴿肉具有豐富的營養價值和保健功能,是一種理想型食用肉類[1-2],唐代《食療本草》最早記載了鴿肉可以用于食療食補[3]。中醫學認為鴿肉具有補肝壯腎[4]、益氣補血、清熱解毒、生津止渴等功能,現代醫學認為鴿肉具有健腦補神、提高記憶力、降血壓及降血糖等作用。鴿肉容易被人體消化吸收[5],針對虛弱、頭暈疲憊、免疫力低下、記憶衰退有很好的補益效果[6-8]。目前,我國鴿肉加工以傳統的燉制方式為主[9],其中燉制方式中又以紅燒為主要的烹飪方式[10],紅燒乳鴿雖然顏色鮮紅,香氣濃郁,但其制作工藝非常繁瑣,且鮮味也不夠突出。而采用烤制工藝制作的鴿肉產品工藝簡單,軟硬適中,鹵肉香味濃郁。

信息熵法是一種對多項數據進行整合分析的數據統計方法,通過降低人為主觀因素產生的試驗結果偏差,從而使結果更加合理客觀[11]。響應面法(response surface methodology,RSM)和反向傳播(back propagation,BP)人工神經網絡作為非線性優化方法,經常被應用于工藝優化設計和工藝參數組合的優化[12]。RSM是一套統計方法,用于規劃試驗、構建模型、評估過程參數對響應值的影響,以及優化提取過程[13]。BP是人工神經網絡中最具廣泛性和代表性的一種模型[14],遺傳算法(genetic algorithm,GA)是基于達爾文的遺傳進化理論,采用選擇、變異和交叉等遺傳算子來尋找問題的最佳解[15]。研究表明,利用反向傳播人工神經網絡耦聯遺傳算法(BP-GA)進行全局尋優,與傳統的回歸模型相比具有更高的準確性。劉悅利用BP-GA神經網絡模型對鹵烤兔關鍵工藝進行優化,與響應面法相比[16],相對誤差降低了2.27%,表明BP-GA神經網絡模型比RSM具有更高的準確性,但在烤制鴿肉關鍵工藝優化方面的應用較少。

為此,本試驗以烤制鴿肉為試驗樣品,通過信息熵法整合烤制鴿肉的質構參數及感官評分,將其綜合值作為評價指標,使用BP-GA神經網絡模型和RSM優化烤制鴿肉的關鍵工藝參數,通過對比分析,獲得最佳工藝參數,為烤制產品工藝的優化以及配方的優化提供了參考。

1 材料與方法

1.1 材料

原料:白羽王鴿(吉林省誠成農業發展有限公司),鴿子為已宰殺完成的25～28日齡的鴿子,從50只中隨機挑選3只進行處理。其中前處理為20 g肉塊,成品指標取樣數量為10 g,每個指標3個平行。

輔料(添加比例以總肉重為基準):花椒0.5%、香葉2.0%、大料0.6%、桂皮1.5%、姜2.6%、鹽0.3%、白糖6.0%、白酒40.0%、生抽46.0%、礦泉水75.0%。

1.2 主要儀器

TRTF32AL電烤箱 廣東偉仕達電器科技有限公司;TA.new Plus質構儀 上海瑞玢國際貿易有限公司。

1.3 加工工藝

鴿子→解凍→去內臟→切成肉塊(20 g)→焯水(1 min)→沖洗→腌制(25 ℃、16 h)→烤制(200 ℃、10 min)→包裝→成品。

1.4 樣品檢測

1.4.1 質構測定

質構儀探頭型號為TA/36R,目標模式為force,目標值為10.000 gf,時間為3 s,測試速度為1.00 mm/s,每組3次平行。

1.4.2 感官評價

參照GB/T 22210-2008《肉與肉制品感官評定規范》,結合試驗產品實際情況制定感官評分標準表,見表1。分別由10名食品專業人員(5男5女)從色澤、口感、滋味及氣味和可接受度4個方面進行評分。

表1 烤制鴿肉的感官評分標準

1.5 信息熵法

公式(1)

公式(2)

公式(3)

經過計算得到這7項指標的信息熵及熵權系數,見表2。

表2 烤制鴿肉各指標的信息熵及熵權系數

1.6 單因素試驗

分別研究不同腌制時間(12,14,16,18,20 h)、不同烘烤時間(10,15,20,25,30 min)和不同烘烤溫度(160,180,200,220,240 ℃)對烤制鴿肉的質構參數和感官評分的影響。

1.7 Box-Behnken響應面設計

采用Design-Expert 13.0.1軟件,選取腌制時間(A)、烘烤時間(B)以及烘烤溫度(C)作為影響因素,綜合值作為響應值按照表3設計響應面試驗。

表3 響應面試驗因素和水平

1.8 BP-GA神經網絡模型

以烤制鴿肉的腌制時間、烘烤時間和烘烤溫度作為模型的輸入變量,以信息熵法得到的綜合值作為模型的輸出變量,其中6個隱藏層示意圖見圖1。

圖1 神經網絡拓撲圖

使用Matlab軟件建立模型進行目標尋優,訓練集為80%,使用mapminmax函數數據歸一化,具體參數:總體進化迭代次數為30次,種群規模為10,交叉概率為0.4,變異概率為0.05。

2 結果與分析

2.1 單因素試驗結果

2.1.1 腌制時間對烤制鴿肉品質的影響

腌制處理是使肉制品呈現特有色澤,改善其食用品質的重要加工環節。由表4可知,隨著腌制時間的增加,烤制鴿肉的回復性、彈性、硬度、咀嚼性、膠著性和內聚性均呈先升高后降低的變化趨勢,這可能是因為腌制時間過長,造成蛋白質和脂肪的過度氧化[17]。彈性的顯著變化是因為在腌制過程中微生物產生了蛋白酶,蛋白酶使膠原纖維和結締組織中的彈性蛋白質降解;腌制過程中微生物的作用使肌纖維變短,膠原蛋白分解,影響肉質的咀嚼性;由于膠原蛋白在腌制過程中分解,結合水變為自由水,腌制會導致膠著性顯著降低[18]。感官評分在16 h時達到最高,16～20 h時,隨著腌制時間的增加,感官評分下降。感官評分的降低是由于腌制時間過長導致顏色、嫩度和口感降低,綜合值在18 h時達到最高,從而選擇16～20 h進行優化。

表4 不同腌制時間對烤制鴿肉品質的影響

2.1.2 烘烤時間對烤制鴿肉品質的影響

蛋白質在加熱過程中發生變性、水解以及凝膠化等變化[19],不同加熱溫度和時間都會對肉質產生一定的影響,由表5可知,隨著烘烤時間的增加,烤制鴿肉的回復性、彈性、內聚性變化趨勢不顯著(P>0.05),肉在加熱過程中肌原纖維蛋白的變性收縮會使蛋白質分子形成一種較硬的穩定結構,其中硬度、咀嚼性及膠著性在15 min時達到最高,在15 min后變化差異不顯著,感官評分在20 min時達到最高,20～30 min由于烘烤時間的增加,口感變差,綜合值在15 min達到最高,從而選擇10～20 min進行優化。

表5 不同烘烤時間對烤制鴿肉品質的影響

2.1.3 烘烤溫度對烤制鴿肉品質的影響

由表6可知,隨著烘烤溫度的升高,回復性及感官評分在220 ℃時達到最高,彈性和內聚性變化差異不顯著(P>0.05),硬度、咀嚼性及膠著性在200 ℃時達到最高,220～240 ℃內鴿肉的硬度、咀嚼性降低,這是因為烤制溫度的升高導致肌肉組織松散,使得硬度、咀嚼性下降,綜合值在200 ℃時達到最高,從而選擇180～220 ℃進行優化。

表6 不同烘烤溫度對烤制鴿肉品質的影響

2.2 烤制鴿肉關鍵工藝優化試驗設計與結果

2.2.1 響應面優化結果

根據以上結果以及Box-Behnken的中心組合試驗原理,選取腌制時間、烘烤溫度、烘烤時間,采用三因素三水平的響應面分析法進行試驗設計。響應面法Box-Behnken試驗設計矩陣以及以綜合評分表示的響應值見表7。對其進行二次多元回歸擬合,得到回歸模型:Y=1 048.59-43.27A+12.57B+21.43C+13.48AB-42.08AC-59.87BC-115.32A2+23.55B2-149.79C2。

表7 Box-Behnken試驗模型及其響應值

回歸方程模型的方差分析見表8。

表8 回歸方程模型的方差分析

對綜合評分構建的二次多項模型具有極低的P值(<0.000 1),達到了極顯著的水平,說明該模型能夠反映各試驗因素及各試驗因素的交互作用對綜合評分的影響。AC、BC、A2和C2差異極顯著(P<0.01),B2差異顯著(P<0.05)。失擬項不顯著(P>0.05),R2=0.988 0,RAdj2=0.972 5,表明模型能較好地反映各因素對烤制鴿肉的影響。該模型的擬合程度較好,誤差較小,此模型可用于分析模擬絕大多數組合條件下的綜合評分。

各條件因素的交互作用對綜合評分影響的響應面圖見圖2,結合表8中各條件因素交互作用的P值分析可以得知,對烤制鴿肉的綜合值影響從高到低依次是A腌制時間(min)>C烘烤溫度(℃)>B烘烤時間(min)。

圖2 腌制時間與烘烤時間(a)、腌制時間與烘烤溫度(b)、烘烤時間與烘烤溫度(c)對綜合值影響的響應面圖

通過Design-Expert分析,確定較佳工藝為腌制時間15.39 h、烘烤時間10.16 min、烘烤溫度206.61 ℃?？紤]到實際操作時的方便性和可行性,將烘烤工藝條件在回歸方程得到的理論值修正為腌制時間15.4 h、烘烤時間10 min、烘烤溫度205 ℃。為了驗證整理后結果的可靠性,在此條件下進行了3次平行試驗,理論值與實際值的吻合情況較好。

2.2.2 BP-GA神經網絡試驗設計結果

烤制鴿肉工藝優化后預測模型的誤差下降曲線圖見圖3,模型的均方誤差越小,模型的預測精度和通用度越高。

圖3 烤制鴿肉綜合值的BP-GA神經網絡模型訓練過程

由圖3可知,隨著訓練次數的增加,神經網絡模型在迭代第7次時達到模型最優。均方誤差僅為0.016 86,且模型的訓練、測試、驗證、總的R值分別為0.992 93,0.996 12,0.970 49,0.988 79(見圖4),均大于0.9,說明模型建立成功,并且該神經網絡模型不存在缺少擬合的情況。

圖4 烤制鴿肉綜合值的目標輸出和網絡輸出的相關性分析

為了進一步觀察神經網絡模型的結果,需要進行目標尋優,得到了烤制鴿肉的綜合值適應度曲線,見圖5。在迭代第7次后趨于一條直線,基本達到穩定,預測最高綜合值為1 060.32,理論的最優工藝參數為腌制時間14 h、烘烤時間10 min、烘烤溫度240 ℃。

圖5 烤制鴿肉綜合值BP-GA神經網絡模型的適應度曲線

2.3 工藝驗證

對RSM以及BP-GA神經網絡模型分別得到的最優工藝組合進行驗證,驗證結果見表9。響應面試驗相對誤差為2.54%,BP-GA神經網絡模型相對誤差為0.17%。

表9 響應面與BP-GA神經網絡模型驗證烤制鴿肉工藝參數與評價綜合值

3 討論

BP-GA神經網絡可用于構建模型[12]及工藝提取[20]等。Muthusamy等[20]使用RSM和BP-GA神經網絡開發從向日葵中提取果膠的模型并優化條件;Yu等[21]比較了人工神經網絡和RSM超聲輔助提取忍冬中綠原酸的效果,這些研究都表明神經網絡的預測及優化優于RSM。

烤制加工工藝參數主要包括腌制時間、腌制溫度、烘烤時間和烘烤溫度等,不同規格大小的產品,腌制時間、烘烤時間及烘烤溫度也會發生變化。如李志杰等[22]研究得出香酥兔肉烤制最佳工藝參數為腌制時間7 h、烘烤溫度220 ℃、烤制時間50 min;侯大軍等[23]研究得出香辣雞丁加工工藝的最優工藝參數為腌制時間1.5 h、焙烤溫度180 ℃、焙烤時間16 min。因此,本試驗以腌制時間、烘烤時間和烘烤溫度作為關鍵加工工藝參數進行研究。

4 結論

本試驗創新性地采用BP-GA神經網絡進行烤制鴿肉關鍵加工工藝的優化,與RSM相比,預測值的相對誤差降低2.37%,腌制時間縮短1 h,使用BP-GA神經網絡模型能有效地預測關鍵工藝參數,且可容納參數6個及以上。因此,本試驗以優化烤制鴿肉關鍵加工工藝為目標,比較RSM與BP-GA神經網絡模型,得到使用BP-GA神經網絡模型預測烤制鴿肉關鍵加工工藝的參數比RSM更準確,最優加工工藝參數為腌制時間14 h、烘烤時間10 min、烘烤溫度240 ℃。綜上所述,BP-GA神經網絡模型可以運用于優化烤制鴿肉關鍵加工工藝中,并且具有一定的借鑒價值和實際意義。