霉變玉米中玉米赤霉烯酮和黃曲霉毒素B1含量電子鼻檢測(cè)模型的構(gòu)建

于慧春，彭盼盼，殷　勇

（河南科技大學(xué)食品與生物工程學(xué)院，河南 洛陽(yáng) 471023）

霉變玉米中玉米赤霉烯酮和黃曲霉毒素B1含量電子鼻檢測(cè)模型的構(gòu)建

于慧春，彭盼盼，殷勇*

（河南科技大學(xué)食品與生物工程學(xué)院，河南 洛陽(yáng) 471023）

為建立霉變玉米中玉米赤霉烯酮和黃曲霉毒素B1的電子鼻檢測(cè)方法，首先以電子鼻對(duì)7級(jí)不同霉變程度玉米響應(yīng)信號(hào)的積分值作為特征參量，然后分別利用主成分回歸、偏最小二乘回歸、BP（back-propagation）神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)等方法建立霉變玉米中玉米赤霉烯酮與黃曲霉毒素B1含量的預(yù)測(cè)模型，并進(jìn)行了比較分析。結(jié)果表明，主成分回歸預(yù)測(cè)精度最差，偏最小二乘回歸較差、BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)法比較好。對(duì)于玉米赤霉烯酮，4 種預(yù)測(cè)模型70 個(gè)樣本中相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)分別為23、45、63、67 個(gè)。對(duì)于黃曲霉毒素B1，4 種預(yù)測(cè)模型70 個(gè)樣本中相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)分別為19、41、62、65 個(gè)。同時(shí)，變換不同的訓(xùn)練集和測(cè)試集以考察BP神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)建模方法的穩(wěn)健性，結(jié)果表明，在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和最小二乘支持向量機(jī)核函數(shù)與核函數(shù)參數(shù)均未發(fā)生改變的條件下，兩種建模方法依然有較高的預(yù)測(cè)精度，這說(shuō)明了兩種模型具有較高的穩(wěn)健性。

電子鼻；玉米赤霉烯酮；黃曲霉毒素B1；偏最小二乘回歸；BP神經(jīng)網(wǎng)絡(luò)；最小二乘支持向量機(jī)

玉米赤霉烯酮和黃曲霉毒素B1是玉米霉變過(guò)程中產(chǎn)生的代表性毒素，對(duì)人畜健康有巨大危害作用［1-5］。在玉米儲(chǔ)藏過(guò)程中，快速準(zhǔn)確鑒別玉米赤霉烯酮和黃曲霉毒素B1含量對(duì)于指導(dǎo)玉米存儲(chǔ)有重要意義。玉米赤霉烯酮和黃曲霉毒素B1的常規(guī)測(cè)定方法［6-11］操作過(guò)程繁瑣、耗時(shí)，不能滿足玉米儲(chǔ)藏過(guò)程中快速檢測(cè)霉變的需要。

目前，電子鼻以其快速、準(zhǔn)確、無(wú)損等特點(diǎn)在谷物品質(zhì)檢測(cè)方面獲得較多應(yīng)用研究［12-13］，但在谷物霉變方面的應(yīng)用研究較少。鄒小波等［14］利用一套基于金屬氧化錫氣體傳感器陣列的電子鼻裝置，對(duì)小麥、水稻、玉米3 種谷物霉變與否進(jìn)行檢測(cè)，識(shí)別正確率達(dá)到90%以上。Matteo等［15］用電子鼻對(duì)新鮮玉米以及被霉菌污染的玉米進(jìn)行鑒別分析等。以上研究都只是通過(guò)建立判別模型，實(shí)現(xiàn)對(duì)霉變與正常谷物樣品的識(shí)別，屬定性判別，缺乏定量分析。

張紅梅等［16］研制一套適合對(duì)谷物霉變進(jìn)行檢測(cè)的電子鼻系統(tǒng)，利用BP（back-propagation）神經(jīng)網(wǎng)絡(luò)的方法，對(duì)6 個(gè)霉變程度的稻谷進(jìn)行菌落總數(shù)的預(yù)測(cè)。Gobbi等［17］利用電子鼻來(lái)檢測(cè)兩級(jí)霉變程度的玉米，并利用偏最小二乘法建立了伏馬毒素含量與電子鼻響應(yīng)信號(hào)之間的半定量預(yù)測(cè)模型。但是，對(duì)于玉米赤霉烯酮和黃曲霉毒素B1這兩種較為常見(jiàn)、對(duì)人畜健康危害較大的霉菌毒素的電子鼻定量預(yù)測(cè)國(guó)內(nèi)外還鮮見(jiàn)研究報(bào)道。

本實(shí)驗(yàn)利用電子鼻對(duì)不同霉變程度玉米樣品進(jìn)行檢測(cè)，同時(shí)用理化分析定量測(cè)定霉變玉米中玉米赤霉烯酮、黃曲霉毒素B1的含量，然后分別利用主成分回歸、偏最小二乘回歸、BP神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)等方法建立電子鼻響應(yīng)信號(hào)與玉米霉變過(guò)程中玉米赤霉烯酮和黃曲霉毒素B1含量的檢測(cè)模型，對(duì)模型的檢測(cè)精度進(jìn)行了比較，并采用不同訓(xùn)練集和測(cè)試集進(jìn)行模型穩(wěn)健性分析，指出適宜的檢測(cè)模型構(gòu)建方法。

1　材料與方法

1.1 材料

玉米品種為中單909，購(gòu)于河南農(nóng)貿(mào)市場(chǎng)。實(shí)驗(yàn)室自行培育產(chǎn)生出不同霉變等級(jí)的玉米。培育條件如下：將新鮮玉米放入恒溫恒濕培養(yǎng)箱，在溫度30 ℃，相對(duì)濕度90%條件下進(jìn)行培育，然后分別取新鮮玉米和培養(yǎng)第0、2、4、6、8、10、12天的玉米共7 組，作為測(cè)試樣品。

1.2 電子鼻系統(tǒng)

電子鼻由實(shí)驗(yàn)室自行研制。該系統(tǒng)主要由氣敏傳感器陣列，測(cè)量室，數(shù)據(jù)采集裝置，計(jì)算機(jī)判別分析軟件等部分組成。傳感器陣列由14 個(gè)金屬氧化物氣敏傳感器（日本Figaro公司）和溫度、濕度傳感器組成。氣敏傳感器分別為T(mén)GS-813、TGS-800、TGS-821、TGS-822、TGS-824、TGS-816、TGS-812、TGS-825、TGS-826、TGS-831、TGS-832、TGS-830、TGS-880、TGS-842。氣敏傳感器的加熱電壓均為（5.0±0.05） V，工作電壓為（10.0±0.01） V，溫度、濕度傳感器的測(cè)量電壓也為（10.0±0.01） V。

1.3 方法

1.3.1 玉米赤霉烯酮和黃曲霉毒素B1的測(cè)定

依照GB/T 5009.209—2008《谷物中玉米赤霉烯酮的測(cè)定》的方法，對(duì)不同霉變等級(jí)的玉米樣品進(jìn)行玉米赤霉烯酮含量測(cè)定。

依照GB/T 5009.22—2003《食品中黃曲霉毒素B1的測(cè)定》的方法，對(duì)不同霉變等級(jí)的玉米樣品進(jìn)行黃曲霉毒素B1含量測(cè)定。

1.3.2 電子鼻數(shù)據(jù)采集

利用電子鼻對(duì)各個(gè)霉變等級(jí)玉米樣品進(jìn)行測(cè)定。每個(gè)樣品測(cè)量前先進(jìn)行空載測(cè)試（即電子鼻對(duì)測(cè)量環(huán)境的響應(yīng)）以獲取測(cè)量基值，然后再進(jìn)行樣本測(cè)量。樣本取樣量為60 g，并用蒸發(fā)皿將樣本置于電子鼻測(cè)量室內(nèi)進(jìn)行測(cè)量。電子鼻采樣時(shí)間為2 500 s，采樣間隔為1 s，即每個(gè)樣本動(dòng)態(tài)測(cè)試2 500 個(gè)數(shù)據(jù)。每個(gè)樣本測(cè)量后電子鼻的恢復(fù)時(shí)間為600 s，以保證電子鼻得到完全恢復(fù)基值狀態(tài)，以便下一次的樣本測(cè)量。每個(gè)霉變等級(jí)測(cè)試40 個(gè)平行樣本，7 個(gè)霉變等級(jí)共測(cè)試280 個(gè)玉米樣本。

1.4 數(shù)據(jù)分析處理

1.4.1 數(shù)據(jù)預(yù)處理

1.4.1.1 電子鼻響應(yīng)特征信號(hào)的去基值處理

為減小環(huán)境溫度和濕度對(duì)氣敏傳感器的影響，對(duì)電子鼻數(shù)據(jù)進(jìn)行去基值處理，即樣品響應(yīng)值減去空載響應(yīng)值。計(jì)算如式（1）所示［18］：

式中：Yij為第j個(gè)傳感器第i秒響應(yīng)值經(jīng)去基準(zhǔn)之后所得的測(cè)試值；Xij為第j個(gè)傳感器第i秒時(shí)的響應(yīng)值；Xj0為第j個(gè)傳感器對(duì)環(huán)境的響應(yīng)平均值。

1.4.1.2 電子鼻信號(hào)的特征提取

在建立氣敏信號(hào)與霉變毒素間的檢測(cè)模型時(shí)，氣敏信號(hào)特征參量的選擇對(duì)檢測(cè)模型構(gòu)建影響很大。通過(guò)比較分析，選用電子鼻氣敏信號(hào)的積分值作為特征參量［19］，計(jì)算如式（2）所示：

式中：S為積分值；N為傳感器的響應(yīng)數(shù)據(jù)個(gè)數(shù)（N=2 500）；xi為第i個(gè)響應(yīng)值；Δt為相鄰兩采樣點(diǎn)的時(shí)間間隔（Δt=1 s）。

1.4.2 建模方法

1.4.2.1 主成分回歸模型

主成分回歸是建立在主成分分析基礎(chǔ)上的多參數(shù)擬合與多組分分析法。該算法先對(duì)原始數(shù)據(jù)降低維數(shù)，再提取合適的主成分對(duì)原始數(shù)據(jù)進(jìn)行預(yù)測(cè)分析［20-21］。

1.4.2.2 偏最小二乘回歸模型

偏最小二乘法是一種常用的多元統(tǒng)計(jì)分析方法，其數(shù)學(xué)基礎(chǔ)是主成分分析。偏最小二乘法主要用于建立多因變量和多自變量之間的近似映射關(guān)系，并能夠克服變量之間的多重共線問(wèn)題，使分析結(jié)果的可靠性和映射關(guān)系的穩(wěn)健性得以提高［22］。

1.4.2.3BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是利用非線性可微函數(shù)進(jìn)行權(quán)值訓(xùn)練的反向傳播網(wǎng)絡(luò)，一個(gè)三層BP網(wǎng)絡(luò)可以完成任意的n維到m維的映射，這種網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一［23-25］。

1.4.2.4 最小二乘支持向量機(jī)模型

最小二乘支持向量機(jī)是一種遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的核函數(shù)學(xué)習(xí)機(jī)器，兼顧了訓(xùn)練誤差和泛化能力，是支持向量機(jī)的一種改進(jìn)。其算法是最小二乘法，將傳統(tǒng)支持向量機(jī)中的不等式約束改為等式約束，并將誤差平方和損失函數(shù)作為訓(xùn)練集的經(jīng)驗(yàn)損失，提高了求解速度和收斂精度，適合小樣本回歸模型的建立［26-27］。

上述模型構(gòu)建方法均是在Matlab 7.0平臺(tái)上完成。

2　結(jié)果與分析

2.1 玉米赤霉烯酮與黃曲霉毒素B1含量測(cè)定結(jié)果

表1　玉米赤霉烯酮和黃曲霉毒素B1含量隨時(shí)間變化Table1　Changes in the contents of zearalenone and aflatoxin B1over time

由表1可知，新鮮玉米的玉米赤霉烯酮和黃曲霉毒素B1含量較低，遠(yuǎn)小于國(guó)家標(biāo)準(zhǔn)中所規(guī)定的玉米赤霉烯酮限量（60 μg/kg）和黃曲霉毒素B1限量（20 μg/kg）。隨著培養(yǎng)時(shí)間的延長(zhǎng)，玉米赤霉烯酮和黃曲霉毒素B1的含量都隨著霉變程度的增加而明顯升高。

2.2 建模數(shù)據(jù)集的構(gòu)建

由于每個(gè)霉變等級(jí)的樣品重復(fù)測(cè)試40 個(gè)樣本，因此，可對(duì)每個(gè)樣品隨機(jī)抽取30 個(gè)樣本作為建立模型用的訓(xùn)練集（共210 個(gè)樣本），剩余的10 個(gè)作為檢驗(yàn)?zāi)Ｐ褪欠窈线m用的測(cè)試集（共70 個(gè)）。

2.3 主成分回歸分析

對(duì)自變量（16 個(gè)傳感器的特征值）進(jìn)行主成分分析，由于前6 個(gè)主成分的累積貢獻(xiàn)率已經(jīng)達(dá)到91.27%，所以選取前6 個(gè)主成分建立回歸模型，如式（3）、（4）所示：

式中：y1為玉米赤霉烯酮含量預(yù)測(cè)值；y2為黃曲霉毒素B1含量預(yù)測(cè)值；x1、x2、x3、x4、x5、x6分別為前6 個(gè)主成分。

利用此模型對(duì)測(cè)試集中不同霉變程度玉米樣品中玉米赤霉烯酮、黃曲霉毒素B1含量進(jìn)行預(yù)測(cè)，結(jié)果如圖1所示。圖1A顯示，玉米赤霉烯酮預(yù)測(cè)值的平均誤差達(dá)到42.6%，70 個(gè)測(cè)試樣本種相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)為23 個(gè)；圖1B顯示，黃曲霉毒素B1預(yù)測(cè)值的平均相對(duì)誤差為56.3%，70 個(gè)測(cè)試樣本中相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)僅19 個(gè)。此種方法局限性強(qiáng)，預(yù)測(cè)精度低。

圖1　玉米赤霉烯酮（A）和黃曲霉毒素B1（B）的主成分回歸預(yù)測(cè)結(jié)果和期望結(jié)果對(duì)比圖Fig.1　Relationship between the PCR model predicted and measured values of zearalenone （A） and aflatoxin B1（B） contents using the PCR model

2.4偏最小二乘回歸模型的分析

圖2　玉米赤霉烯酮（A）和黃曲霉毒素B1（B）的偏最小二乘回歸預(yù)測(cè)結(jié)果和期望結(jié)果對(duì)比圖Fig.2　Relationship between the predicted and measured values of zearalenone （A） and aflatoxin B1（B） contents using the PLS model

偏最小二乘回歸模型對(duì)測(cè)試集中不同霉變程度玉米樣品中玉米赤霉烯酮、黃曲霉毒素B1含量進(jìn)行預(yù)測(cè)。由圖2A可知，玉米赤霉烯酮含量較低（≤34.6 μg/kg）時(shí)，偏最小二乘回歸模型對(duì)玉米赤霉烯酮的含量預(yù)測(cè)精度較低，誤差較大，原因是玉米霉變初級(jí)階段，霉菌數(shù)量少，活動(dòng)不活躍，產(chǎn)生的揮發(fā)性成分不夠明顯，干擾了模型的預(yù)測(cè)精度；而在玉米赤霉烯酮含量較高時(shí)（≥52.0 μg/kg），偏最小二乘回歸模型對(duì)玉米赤霉烯酮含量預(yù)測(cè)精度明顯升高，誤差變小。由圖2B可知，模型對(duì)黃曲霉毒素B1含量預(yù)測(cè)精度也與其含量相關(guān)，低濃度時(shí)預(yù)測(cè)精度低，高濃度時(shí)預(yù)測(cè)精度明顯升高。玉米赤霉烯酮預(yù)測(cè)值的平均相對(duì)誤差為13.2%，70 個(gè)測(cè)試樣本中相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)達(dá)到45 個(gè)；黃曲霉毒素B1預(yù)測(cè)值的平均相對(duì)誤差為14.81%，70 個(gè)測(cè)試樣本中相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)達(dá)到41 個(gè)。

2.5BP神經(jīng)網(wǎng)絡(luò)模型的分析

由于神經(jīng)網(wǎng)絡(luò)的輸入為16 個(gè)傳感器的特征值，輸出為玉米赤霉烯酮、黃曲霉毒素B1的含量，所以神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為16，輸出層神經(jīng)元個(gè)數(shù)為2。當(dāng)隱層神經(jīng)元傳遞函數(shù)選為tansig函數(shù)、輸出層神經(jīng)元傳遞函數(shù)選為logsig函數(shù)、訓(xùn)練函數(shù)選為traincgf函數(shù)時(shí)，運(yùn)用訓(xùn)練集數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并通過(guò)試湊法可確定隱層神經(jīng)元個(gè)數(shù)為23，此時(shí)的網(wǎng)絡(luò)訓(xùn)練誤差為0.000 499 6，最小訓(xùn)練速率為0.2。因此BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為16×23×2。

圖3　玉米赤霉烯酮（A）和黃曲霉毒素B1（B）的BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果和期望結(jié)果對(duì)比圖Fig.3　Relationship between the predicted and measured values of zearalenone （A） and aflatoxin B1（B） contents using the BP neural network model

采用上述網(wǎng)絡(luò)結(jié)構(gòu)及神經(jīng)元傳遞函數(shù)，對(duì)測(cè)試集中不同霉變程度玉米樣品中的玉米赤霉烯酮、黃曲霉毒素B1含量進(jìn)行預(yù)測(cè)，結(jié)果如圖3所示。圖3A顯示，玉米赤霉烯酮預(yù)測(cè)值的最大相對(duì)誤差為9.56%，平均相對(duì)誤差為4.99%，70 個(gè)測(cè)試樣本中相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)量達(dá)到63 個(gè)；圖3B顯示，黃曲霉毒素B1預(yù)測(cè)值的最大相對(duì)誤差為8.69%，平均相對(duì)誤差為5.92%，70 個(gè)測(cè)試樣本中相對(duì)誤差控制在5%以內(nèi)的樣本達(dá)到62 個(gè)，預(yù)測(cè)效果較好。

2.6 最小二乘支持向量機(jī)模型的分析

建立最小二乘支持向量機(jī)模型，常見(jiàn)的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、多層感知核函數(shù)、高斯RBF核函數(shù)。由于RBF核函數(shù)是全局收斂特性的學(xué)習(xí)算法，學(xué)習(xí)速度快，無(wú)論低維、高維、小樣本、大樣本等情況，所以采用RBF核函數(shù)。利用網(wǎng)格搜索法和交叉驗(yàn)證法結(jié)合的方式對(duì)正則參數(shù)γ以及RBF核函數(shù)參數(shù)σ2進(jìn)行優(yōu)化，優(yōu)化后得到：γ=36.483 1，σ2=0.476 2。

最小二乘支持向量機(jī)模型對(duì)測(cè)試集中不同霉變程度玉米樣品中的玉米赤霉烯酮、黃曲霉毒素B1含量進(jìn)行預(yù)測(cè)，結(jié)果如圖4所示。圖4A顯示，玉米赤霉烯酮預(yù)測(cè)值的最大相對(duì)誤差為5.97%，平均相對(duì)誤差為1.72%，相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)達(dá)到67 個(gè)。圖4B顯示，黃曲霉毒素B1預(yù)測(cè)值的最大相對(duì)誤差為6.32%，平均相對(duì)誤差為2.84%。相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)達(dá)到65 個(gè)。該模型對(duì)兩種毒素的估算都取得了較好的效果。

圖4　玉米赤霉烯酮（A）和黃曲霉毒素B1（B）的最小二乘支持向量機(jī)預(yù)測(cè)結(jié)果和期望結(jié)果對(duì)比圖Fig.4　Relationship between the predicted and measured values of zearalenone （A） and aflatoxin B1（B） contents using the LS-SVM model

由以上分析結(jié)果可以看出，4 種檢測(cè)模型中，主成分回歸模型預(yù)測(cè)能力最差，預(yù)測(cè)精度最低；偏最小二乘回歸法、BP神經(jīng)網(wǎng)絡(luò)法、最小二乘支持向量機(jī)的預(yù)測(cè)精度較高，尤其后兩種方法，70 個(gè)測(cè)試樣本相對(duì)誤差控制在5%以內(nèi)的樣本數(shù)量都在60 個(gè)以上，BP神經(jīng)網(wǎng)絡(luò)法最大相對(duì)誤差控制在15%以內(nèi)，最小二乘支持向量機(jī)法最大相對(duì)誤差控制在7%以內(nèi)，預(yù)測(cè)精度最高。

2.7 模型穩(wěn)健性分析

為保證模型有較高的預(yù)測(cè)精度和穩(wěn)定性，對(duì)預(yù)測(cè)效果最好的BP神經(jīng)網(wǎng)絡(luò)法和最小二乘支持向量機(jī)法進(jìn)行模型可靠性分析。具體做法如下：在BP網(wǎng)絡(luò)結(jié)構(gòu)和最小二乘支持向量機(jī)核函數(shù)及核函數(shù)參數(shù)不變的前提下，從霉變玉米樣品中，隨機(jī)5 次抽取樣本，以組成5 組不同的訓(xùn)練集和測(cè)試集，分別對(duì)BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)模型進(jìn)行訓(xùn)練和測(cè)試。表2、3分別為BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)模型對(duì)5 組測(cè)試集的預(yù)測(cè)結(jié)果。

表2　BP神經(jīng)網(wǎng)絡(luò)模型不同測(cè)試集的測(cè)試結(jié)果Table2　Results for different training set tests using the BP neural network model

表3　最小二乘支持向量機(jī)模型不同測(cè)試集的測(cè)試結(jié)果Table3　Results for different training set tests using the LS-SVM model

通過(guò)預(yù)測(cè)結(jié)果的對(duì)比，由表2、3可以看出，雖然用于模型構(gòu)建的訓(xùn)練集、測(cè)試集不同，但BP神經(jīng)網(wǎng)絡(luò)模型和最小二乘支持向量機(jī)模型對(duì)玉米赤霉烯酮和黃曲霉毒素B1的預(yù)測(cè)結(jié)果均趨于一致，變化不大，這說(shuō)明用BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)建立的預(yù)測(cè)模型具有較高的穩(wěn)定性與可靠性。

3　結(jié) 論

通過(guò)電子鼻對(duì)不同霉變程度玉米進(jìn)行檢測(cè)，利用主成分回歸、偏最小二乘回歸、BP神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)建模方法，結(jié)合理化實(shí)驗(yàn)測(cè)得的玉米赤霉烯酮和黃曲霉毒素B1含量的數(shù)據(jù)，建立了玉米赤霉烯酮和黃曲霉毒素B1含量的預(yù)測(cè)模型，并對(duì)幾種預(yù)測(cè)模型的預(yù)測(cè)精度進(jìn)行了比較，BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)獲得較高的預(yù)測(cè)精度；為了驗(yàn)證模型的穩(wěn)健性，對(duì)精度較高的BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)，在模型結(jié)構(gòu)不變的情況下，分別多次隨機(jī)抽樣進(jìn)行測(cè)試，預(yù)測(cè)結(jié)果均趨于一致，說(shuō)明兩種模型具有較高的可靠性與穩(wěn)健性，能夠準(zhǔn)確穩(wěn)定的估算不同霉變程度玉米中玉米赤霉烯酮和黃曲霉毒素B1的含量，為玉米霉變毒素電子鼻檢測(cè)模型的構(gòu)建提供了方法指導(dǎo)。

［1］ 馬飛, 劉文強(qiáng), 劉桂芹, 等. 玉米中霉菌毒素對(duì)仔豬疫苗免疫應(yīng)答的影響［J］. 農(nóng)業(yè)科學(xué)與技術(shù)（英文版）, 2010, 11（7）： 117-119. DOI：10.3969/j.issn.1009-4229-B.2010.07.032.

［2］ 李隆術(shù), 靳祖訓(xùn). 中國(guó)糧食儲(chǔ)藏科學(xué)研究若干重大成就［J］. 糧食儲(chǔ)藏, 1999, 28（6）： 3-12.

［3］ 單妹, 許梓榮, 馮建蕾. 玉米赤霉烯酮對(duì)家畜繁殖性能和人體健康的影響［J］. 中國(guó)畜牧獸醫(yī), 2006, 33（1）： 3-5. DOI：10.3969/ j.issn.1671-7236.2006.01.001.

［4］ 謝慶, 常文環(huán), 劉國(guó)華, 等. 黃曲霉毒素對(duì)家禽的危害與脫毒技術(shù)［J］.動(dòng)物營(yíng)養(yǎng)學(xué)報(bào), 2014, 26（12）： 3572-3578. DOI：10.3969/j.issn.1006-267x.2014.12.004.

［5］ 徐明龍, 蘇永騰, 季海霞. 飼料中3 種主要霉菌毒素的毒性危害綜述［J］. 飼料廣角, 2015（21）： 32-35. DOI：10.3969/ j.issn.1002-8358.2015.21.011.

［6］ 曾紅燕, 黎源倩, 敬海泉. 高效液相色譜法測(cè)定糧食中玉米赤霉烯酮及其代謝產(chǎn)物［J］. 分析化學(xué)研究簡(jiǎn)報(bào), 2006, 34（3）： 351-354. DOI：10.3321/j.issn：0253-3820.2006.03.016.

［7］ 單安山, 周長(zhǎng)路, 張圓圓. 東北地區(qū)不同飼料原料中霉菌毒素含量的測(cè)定［J］. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào), 2013, 44（6）： 96-100. DOI：10.3969/j. issn.1005-9369.2013.06.018.

［8］ 褚慶華, 郭德華, 王敏. 油料和食用油中真菌毒素快速測(cè)定方法的研究［J］. 中國(guó)糧油學(xué)報(bào), 2006, 21（2）： 114-119. DOI：10.3321/ j.issn：1003-0174.2006.02.029.

［9］ 陳玉波, 陳長(zhǎng)毅, 劉洋. 高效液相色譜法同時(shí)測(cè)定食品中黃曲霉毒素B1、B2、G1、G2、M1、M2［J］. 分析化學(xué), 2000, 34（9）： 265-266. DOI：10.1097/RHU.0b013e3181ef6ee1.

［10］ 馬占峰. 免疫親和柱凈化-在線柱后光化學(xué)衍生-高效液相色譜-熒光檢測(cè)法快速測(cè)定食品中的黃曲霉毒素含量［J］. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2012, 3（3）： 209-211.

［11］ 張小帆, 侯玉澤, 胡驍飛, 等. 動(dòng)物性食品中玉米赤霉醇?xì)埩魴z測(cè)方法的研究進(jìn)展［J］. 食品科學(xué), 2014, 35（7）： 286-291. DOI：10.7506/ spkx1002-6630-201407056.

［12］ 胡志全, 王海洋, 劉友明. 電子鼻識(shí)別大米揮發(fā)性物質(zhì)的應(yīng)用性研究［J］. 中國(guó)糧油學(xué)報(bào), 2013, 28（7）： 93-98. DOI：10.3969/ j.issn.1003-0174.2013.07.018.

［13］ ZHENG Xianzhe, LAN Yubin, ZHU Jianmin, et al. Rapid identification of rice samples using an electronic nose［J］. Journal of Bionic Engineering, 2009, 6（3）： 290-297. DOI：10.1016/S1672-6529（08）60122-5.

［14］ 鄒小波, 趙杰文. 電子鼻快速檢測(cè)谷物霉變的研究［J］. 農(nóng)業(yè)工程學(xué)報(bào), 2004, 12（4）： 121-124. DOI：10.3321/j.issn：1002-6819.2004.04.027.

［15］ MATTEO F, EMANUELA G, METTEO P. Detection of toxigenic strains of fusarium verticllioides in corn by electronic olfactory system［J］. Sensors and Actuators B： Chemical, 2005, 108（2）： 250-257. DOI：10.1016/j.snb.2004.09.046.

［16］ 張紅梅, 王俊, 葉盛, 等. 電子鼻傳感器陣列優(yōu)化與谷物霉變程度的檢測(cè)［J］. 傳感技術(shù)學(xué)報(bào), 2007, 20（6）： 1207-1210. DOI：10.3969/ j.issn.1004-1699.2007.06.002.

［17］ GOBBI E, FALASCONI M, TORELLI E. Electronic nose predicts high and low fumonisin contamination in maize cultures［J］. Food Research International, 2011, 44（4）： 992-999. DOI：10.1016/ j.foodres.2011.02.041.

［18］ 孫香麗, 殷勇. 乳制品電子鼻分類中傳感器陣列的一種優(yōu)化方法［J］. 傳感技術(shù)學(xué)報(bào), 2008, 21（7）： 1124-1127. DOI：10.3969/ j.issn.1004-1699.2008.07.008.

［19］ 楊福生, 洪波. 獨(dú)立分量分析的原理與應(yīng)用［M］. 北京： 清華大學(xué)出版社, 2006.

［20］ KOCH I, NAITO K. Prediction of multivariate responses with a selected number of principal components［J］. Computational Statistics and Data Analysis, 2010, 54（7）： 1791-1807. DOI：10.1016/ j.csda.2010.01.030.

［21］ 王惠文, 王劼, 黃海軍. 主成分回歸的建模策略研究［J］. 北京航空航天大學(xué)學(xué)報(bào), 2008, 34（6）： 661-664.

［22］ 王惠文. 偏最小二乘回歸方法及其應(yīng)用［M］. 北京： 國(guó)防工業(yè)出版社, 1999.

［23］ 邊肇祺, 張學(xué)工. 模式識(shí)別［M］. 北京： 清華大學(xué)出版社, 2000.

［24］ 吳江, 黃富榮, 黃才歡, 等. 近紅外光譜結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)基因大豆無(wú)損鑒別研究［J］. 光譜學(xué)與光譜分析, 2013, 33（6）：1537-1541. DOI：10.3964/j.issn.1000-0593（2013）06-1537-05.

［25］ 李松, 劉力軍, 翟曼. 改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)［J］. 系統(tǒng)工程理論與實(shí)踐, 2012, 32（9）： 2045-2049. DOI：10.3969/j.issn.1000-6788.2012.09.024.

［26］ 丁世飛, 齊丙娟, 譚紅艷. 支持向量機(jī)理論與算法研究綜述［J］. 電子科技大學(xué)學(xué)報(bào), 2011, 40（1）： 1-10. DOI：10.3969/ j.issn.1001-0548.2011.01.001.

［27］ 閻威武, 邵惠鶴. 支持向量機(jī)和最小二乘支持向量機(jī)的比較及應(yīng)用研究［J］. 控制與決策, 2008, 18（3）： 356-360. DOI：10.3321/ j.issn：1001-0920.2003.03.025.

Predictive Models for the Detection of Zearalenone and Aflatoxin B1Contents in Moldy Corn with Electronic Nose

YU Huichun, PENG Panpan, YIN Yong*
（College of Food and Bioengineering, Henan University of Science and Technology, Luoyang 471023, China）

This study aimed to explore a quantitative method for detecting the contents of zearalenone and afl atoxin B1in moldy corn using electronic nose. Firstly, the integral values of the electronic nose response signals of corn samples with different mildew levels were extracted and used as feature parameters for establishing a predictive model for predicting the contents of zearalenone and aflatoxin B1in moldy corn samples employing principal component regression （PCR）, partial least squares regression （PLSR）, back-propagation （BP） neural network, and least squares support vector machine（LS-SVM）, respectively. The results from the different models developed were compared. It was shown that the prediction accuracy of the PCR model was the worst among four models, the PLSR model had better prediction accuracy, and the BP neural network and LS-SVM models provided the most accurate predictions. The PCR, PLSR, BP neural network and LS-SVM models gave good predictions of zearalenone with relative errors less than 5% for 23, 45, 63, and 67 out of 70 samples, respectively, while they provided good predictions of afl atoxin B1with relative errors less than 5% for 19, 41, 62 and 65 out of the 70 samples. At the same time, different training and test sets were used to examine the robustness of the BP neural network and LS-SVM models. The results showed that the BP neural network architecture, and the kernel function and kernel parameter of LS-SVM remained unchanged. The prediction accuracy of the two models was still good, showing that both models are of high robustness.

electronic nose； zearalenone； afl atoxin B1； partial least squares regression； BP neural network； least squares support vector machine

10.7506/spkx1002-6630-201620035

TP212

A

1002-6630（2016）20-0203-06

于慧春, 彭盼盼, 殷勇. 霉變玉米中玉米赤霉烯酮和黃曲霉毒素B1含量電子鼻檢測(cè)模型的構(gòu)建［J］. 食品科學(xué), 2016, 37（20）： 203-208. DOI：10.7506/spkx1002-6630-201620035. http：//www.spkx.net.cn

YU Huichun, PENG Panpan, YIN Yong. Predictive models for the detection of zearalenone and aflatoxin B1contents in moldy corn with electronic nose［J］. Food Science, 2016, 37（20）： 203-208. （in Chinese with English abstract） DOI：10.7506/ spkx1002-6630-201620035. http：//www.spkx.net.cn

2016-03-05

河南省教育廳自然科學(xué)研究項(xiàng)目（13A550269）；國(guó)家自然科學(xué)基金面上項(xiàng)目（31171685）

于慧春（1977—），女，副教授，博士，研究方向?yàn)檗r(nóng)產(chǎn)品、食品品質(zhì)無(wú)損檢測(cè)技術(shù)。E-mail：yukin_le@126.com

殷勇（1966—），男，教授，博士，研究方向?yàn)檗r(nóng)產(chǎn)品、食品品質(zhì)無(wú)損檢測(cè)技術(shù)。E-mail：yinyong@ haust.edu.cn