人工神經(jīng)網(wǎng)絡(luò)在食品生物工程中的應(yīng)用*

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

人工神經(jīng)網(wǎng)絡(luò)在食品生物工程中的應(yīng)用*

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

簡述了人工神經(jīng)網(wǎng)絡(luò)的基本原理與使用方法，并介紹了其在食品微生物發(fā)酵、食品酶工程、食品生物活性物質(zhì)等食品生物工程領(lǐng)域的研究進展，旨在為人工神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的更廣泛應(yīng)用提供一定的理論基礎(chǔ)依據(jù)。

人工神經(jīng)網(wǎng)絡(luò)；食品；生物工程

生物工程技術(shù)是當(dāng)今迅速發(fā)展的高新技術(shù)，隨著食品工業(yè)的發(fā)展，發(fā)酵工程、酶工程等現(xiàn)代生物技術(shù)在食品領(lǐng)域中的應(yīng)用越來越廣泛，是未來發(fā)展最快的食品工業(yè)技術(shù)之一。然而，生物工程技術(shù)在食品開發(fā)中的應(yīng)用大多屬于非線性、非穩(wěn)態(tài)系統(tǒng)，采用傳統(tǒng)的方法建立數(shù)學(xué)模型可能與實際情況相差甚遠。人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是近年來迅速興起的一種非線性科學(xué)，是一門集優(yōu)化、控制、預(yù)測、反饋于一體的應(yīng)用技術(shù)科學(xué)，其在人工智能領(lǐng)域發(fā)展較快，但在食品生物技術(shù)領(lǐng)域的應(yīng)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(shù)領(lǐng)域方面應(yīng)用的最新進展進行探討，旨在為提高產(chǎn)品品質(zhì)，引導(dǎo)食品加工向智能化、集約化的產(chǎn)業(yè)方向發(fā)展提供科學(xué)的理論基礎(chǔ)。

1 人工神經(jīng)網(wǎng)絡(luò)概述

ANN是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)，是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，他力圖模擬人腦的一些基本特性如自組織性、自學(xué)習(xí)性、自適應(yīng)性、容錯性等，利用對象的外部特性來建立內(nèi)部的動態(tài)模型。作為一種黑箱理論，ANN的實質(zhì)是一種輸入轉(zhuǎn)化成輸出的數(shù)學(xué)表達式，這種數(shù)學(xué)關(guān)系由網(wǎng)絡(luò)的結(jié)構(gòu)來確定，網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)具體問題進行設(shè)計和訓(xùn)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(xué)習(xí)”而不是通過編程來解決預(yù)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(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，其典型結(jié)構(gòu)如圖1所示，具體表述為：他由按層排列的神經(jīng)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(fā)生聯(lián)系的單元層稱隱含層或中間層，利用ANN可以實現(xiàn)從輸入到輸出之間的非線性映射。ANN非常突出的優(yōu)點是可以有效地對模型不確定的數(shù)據(jù)進行大規(guī)模非線性自適應(yīng)信息處理，訓(xùn)練好的ANN能直接進行推理，在處理規(guī)律不明顯、變量多的問題時具有特別的優(yōu)越性。

圖1 典型神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

2 人工神經(jīng)網(wǎng)絡(luò)在食品生物技術(shù)中的應(yīng)用

隨著ANN技術(shù)的發(fā)展，其在食品領(lǐng)域的應(yīng)用越來越廣泛。近年來，ANN已在食品微生物發(fā)酵、食品酶工程、食品生物活性物質(zhì)等方面得到了廣泛應(yīng)用。

2.1 AN N在食品微生物發(fā)酵工程中的應(yīng)用

2.1.1 微生物培養(yǎng)基的優(yōu)化

在食品微生物發(fā)酵過程中，選擇一個最優(yōu)的培養(yǎng)基配方是影響發(fā)酵成敗的關(guān)鍵因素。然而，由于培養(yǎng)基成分較為復(fù)雜，配方優(yōu)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(yōu)化結(jié)果。因此，許多研究工作者開始運用ANN進行培養(yǎng)基優(yōu)化。國外學(xué)者Fang等采用ANN和遺傳算法相結(jié)合對莫格假絲酵母（Candida mogii）發(fā)酵木糖醇的培養(yǎng)基進行優(yōu)化。由建立的ANN模型得到的優(yōu)化結(jié)果條件進行試驗，木糖醇的產(chǎn)量比先前提高了15%。Liu等采用ANN優(yōu)化嗜酸氧化亞鐵硫桿菌（Acidithiobacillus thiooxidans） 培養(yǎng)基的三個重要組成成分 KH2PO4、（NH4）2SO4、MgSO4，研究結(jié)果表明建立的ANN模型能夠準確進行實驗預(yù)測，為非線性和非穩(wěn)態(tài)的生物反應(yīng)過程提供了有效的研究工具。近年來，國內(nèi)學(xué)者對ANN在微生物培養(yǎng)基優(yōu)化方面的研究也做了大量的工作。羅建平等等采用ANN結(jié)合實數(shù)編碼加速遺傳算法對懷槐懸浮細胞合成異酮的培養(yǎng)基進行優(yōu)化，研究結(jié)果表明由模型優(yōu)化的培養(yǎng)基中實際異黃酮的產(chǎn)率比正交試驗優(yōu)化的培養(yǎng)基異黃酮的產(chǎn)率提高近1.5倍。高夢祥等將ANN和正交試驗相結(jié)合，提出了一種新的數(shù)據(jù)處理和分析方法，利用ANN特有的自學(xué)能力，通過仿真、評估和優(yōu)化，獲得了側(cè)孢芽孢桿菌（Bacillus lateraporus）的發(fā)酵培養(yǎng)基配方。

2.1.2 過程控制與預(yù)測

在微生物發(fā)酵過程中，除了培養(yǎng)基對發(fā)酵過程產(chǎn)生重要影響外，發(fā)酵時間、溫度、pH值及發(fā)酵罐的狀態(tài)等因素都對微生物發(fā)酵產(chǎn)物的產(chǎn)量以及產(chǎn)物的感官品質(zhì)產(chǎn)生重要的影響。由于生物發(fā)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(yīng)用尤顯優(yōu)勢。李海亮等以黑木耳、糙米為原料，研究醋酸發(fā)酵的工藝條件，對接種量、搖床轉(zhuǎn)速和裝料量參數(shù)進行了單因素和正交試驗，摸索出參數(shù)優(yōu)化范圍，并利用ANN和遺傳算法聯(lián)合對發(fā)酵條件進行優(yōu)化，結(jié)果表明該方法與正交試驗設(shè)計得出的結(jié)果相比，發(fā)酵酸度上升了8.0%，為發(fā)酵優(yōu)化控制提供了一種更加準確的方法。蔣益虹等將ANN技術(shù)與傳統(tǒng)正交試驗方法相結(jié)合，提出一種新的優(yōu)化工藝方法，并將該方法應(yīng)用于實際生產(chǎn)中，取得了較好的效果。楊旭華等以提高間歇式微生物發(fā)酵的產(chǎn)品得率為目標，將BP神經(jīng)網(wǎng)絡(luò)和傅立葉神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出發(fā)酵過程的發(fā)酵時間模型和最優(yōu)發(fā)酵溫度模型，實踐應(yīng)用表明，采用此種生產(chǎn)方案，產(chǎn)品平均得率提高5%。

2.2 AN N在食品酶工程中的應(yīng)用

2.2.1 酶反應(yīng)動力學(xué)建模

有關(guān)動力學(xué)模型的研究開始于20世紀初，1913年Michaelis和Menten提出采用動力學(xué)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(xué)模型或簡單酶動力學(xué)模型，這個模型為現(xiàn)代酶反應(yīng)機理研究奠定了基石。由于ANN對非線性和非穩(wěn)態(tài)系統(tǒng)的酶催化反應(yīng)具有較好的預(yù)測能力，目前，已經(jīng)有部分研究將其應(yīng)用于酶反應(yīng)動力學(xué)模型的建立。Deniz等采用ANN對麥芽糖的酶解速率進行了預(yù)測并且建立了酶解動力學(xué)模型，確定了動力學(xué)常數(shù)Km及最大反應(yīng)速率Vmax。Adam等利用ANN預(yù)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(guān)系數(shù)，并且初步建立了胰酶水解豌豆分離蛋白的動力學(xué)模型。張宇等采用ANN模擬和預(yù)測了纖維素酶水解反應(yīng)，并與常用的響應(yīng)面模型進行了比較，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型比響應(yīng)面模型更適合作為研究纖維素酶水解的動力學(xué)工具。Atena等采用ANN分析脂肪酶合成糖酯，研究結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型具有較好的預(yù)測能力。

2.2.2 酶解工藝優(yōu)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(yīng)系統(tǒng)是非線性和非穩(wěn)態(tài)的生物反應(yīng)系統(tǒng)，傳統(tǒng)的正交試驗和響應(yīng)面方法往往不能得到很好的優(yōu)化效果。目前，研究者使用ANN結(jié)合遺傳算法對酶解工藝進行優(yōu)化，能得到比傳統(tǒng)方法更好的優(yōu)化結(jié)果。Deniz等對比了ANN與響應(yīng)面優(yōu)化法對酶催化反應(yīng)的模擬優(yōu)化效果，結(jié)果表明對于非線性和非穩(wěn)態(tài)系統(tǒng)的酶催化反應(yīng)，ANN表現(xiàn)出更好的數(shù)據(jù)擬合和預(yù)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(xué)習(xí)特點的ANN可實現(xiàn)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(jié)合ANN的良好特性，利用正交試驗獲得的數(shù)據(jù)作為ANN的訓(xùn)練樣本，建立輸入為酶解實驗條件參數(shù)，輸出為短肽產(chǎn)率的神經(jīng)網(wǎng)絡(luò)模型，研究結(jié)果表明將ANN與正交試驗結(jié)合用于酶解實驗條件優(yōu)化可以縮短優(yōu)化實驗參數(shù)的時間，獲得比單純的正交試驗更優(yōu)化的實驗條件。

2.3 AN N在食品生物活性物質(zhì)中的應(yīng)用

2.3.1 活性物質(zhì)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(fù)雜性，使得傳統(tǒng)的優(yōu)化方法已不能滿足實際生產(chǎn)要求，ANN可以通過模型仿真，預(yù)測提取效果，為可控化生產(chǎn)提供依據(jù)。劉英梅等研究了基于模糊神經(jīng)網(wǎng)絡(luò)（FNN）的丹參醇提取模型，理論分析和實驗結(jié)果表明，該方法能夠較好地根據(jù)提取條件預(yù)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(jīng)網(wǎng)絡(luò)模型，研究了提取工藝ANN模型的遺傳算法優(yōu)化技術(shù)，結(jié)果表明，采用ANN模型能獲得最佳的提取工藝參數(shù)。蔣益虹等研究了荷葉中主要生理活性物質(zhì)生物堿的提取優(yōu)化工藝，將ANN與正交試驗相結(jié)合，應(yīng)用于荷葉生物堿的提取工藝，獲得了實際應(yīng)用效果好的提取工藝條件。

2.3.2 活性功能預(yù)測與優(yōu)化

基于ANN對生物系統(tǒng)具有較好的預(yù)測能力，目前，許多研究者開始將其應(yīng)用于物質(zhì)活性功能預(yù)測。Claudia等將向前神經(jīng)網(wǎng)絡(luò)（feed-forward ANN）和概率神經(jīng)網(wǎng)絡(luò)（probabilistic ANN）分別應(yīng)用于茶葉的分類及其抗氧化活性預(yù)測，均得到很好的分類及預(yù)測效果。Alvaro等采用多層神經(jīng)元（multilayer ANN）預(yù)測精油的抗氧化活性，研究結(jié)果表明對于預(yù)測化學(xué)成分復(fù)雜的天然產(chǎn)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(yù)測模型，研究結(jié)果表明，模型預(yù)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(yù)測中具有很高的應(yīng)用價值。Ott等將ANN成功應(yīng)用于活性物質(zhì)植物提取物的代謝分類中。Huang等提出物化驅(qū)動神經(jīng)網(wǎng)絡(luò)（Phys Chem ANN） 并將其應(yīng)用于預(yù)測肽和蛋白的生物活性，得到很好的實驗結(jié)果。

3 結(jié)論與展望

食品生物過程屬于非線形、非穩(wěn)態(tài)系統(tǒng)，由于ANN對非線性系統(tǒng)具有較強處理能力，使其在食品生物技術(shù)開發(fā)中的應(yīng)用越來越受關(guān)注。然而，ANN在食品生物工程中的實際應(yīng)用仍有許多問題有待解決，如：訓(xùn)練樣本數(shù)據(jù)的選擇、神經(jīng)網(wǎng)絡(luò)類型的選擇、網(wǎng)絡(luò)權(quán)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(xiàn)了混合神經(jīng)網(wǎng)絡(luò)，以及神經(jīng)網(wǎng)絡(luò)與遺傳算法、模擬退火算法相結(jié)合等方法，增強了系統(tǒng)的準確預(yù)測和在線控制，使仿真系統(tǒng)具有較好的魯棒性。隨著ANN技術(shù)在食品生物工程技術(shù)中的不斷發(fā)展和完善，其在食品工業(yè)中的應(yīng)用將越來越廣。

［1］李琳，趙謀明，張黎，等.人工神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用［J］.食品研究與開發(fā)，2005，26（1）：13-16.

［2］張蓓，熊明勇，張克旭.人工神經(jīng)網(wǎng)絡(luò)在發(fā)酵工業(yè)中的應(yīng)用［J］.生物技術(shù)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(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化懷槐懸浮細胞合成異黃酮［J］.生物工程學(xué)報，2004，20（5）：759-763.

［6］高夢祥，夏帆.基于人工神經(jīng)網(wǎng)絡(luò)的側(cè)孢芽孢桿菌培養(yǎng)基的優(yōu)化研究［J］.長江大學(xué)學(xué)報：自然科學(xué)版，2010，7（1）：71-73.

［7］李海亮，王瑩，張潔.基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的黑木耳糙米醋發(fā)酵條件優(yōu)化［J］.中國釀造，2011，（7）：141-143.

［8］蔣益虹，馮雷.人工神經(jīng)網(wǎng)絡(luò)方法在紅曲楊梅果酒發(fā)酵工藝優(yōu)化中的應(yīng)用［J］.農(nóng)業(yè)工程學(xué)報，2003，19（2）：140-143.

［9］楊旭華，戴華平，孫優(yōu)賢.基于神經(jīng)網(wǎng)絡(luò)的發(fā)酵時間和最優(yōu)發(fā)酵溫度模型［J］.化工自動化及儀表，2004，31（1）：18-21.

［10］DENIZ B，F(xiàn)AHRIYE 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(xué)的人工神經(jīng)網(wǎng)絡(luò)模型研究［J］.催化學(xué)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，F(xiàn)AHRIVE 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(jīng)網(wǎng)絡(luò)優(yōu)化制備鳙魚抗氧化肽［J］.四川大學(xué)學(xué)報：工程科學(xué)版，2006，38（1）：80-85.

［16］陳忻，孫恢禮，黃漢文，等.基于人工神經(jīng)網(wǎng)絡(luò)的酶解波紋巴非蛤制備小分子肽的研究［J］.食品科學(xué)，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(yīng)模糊神經(jīng)網(wǎng)絡(luò)的丹參醇提模型［J］.中成藥，2007，29（8）：1 136-1 139.

［19］趙武奇，仇農(nóng)學(xué)，王宏.蘋果渣多酚提取工藝的神經(jīng)網(wǎng)絡(luò)建模與遺傳算法優(yōu)化［J］.食品科學(xué)，2007，28（12）：138-142.

［20］蔣益虹.荷葉生物堿的提取工藝優(yōu)化［J］.浙江大學(xué)學(xué)報：農(nóng)業(yè)與生命科學(xué)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(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)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(xué)資助項目（1109240）；廣東省自然科學(xué)基金項目（S201104000 0255）

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

2012-01-13