基于神经网络-模拟退火算法的超高压嫩化河蚌肉的工艺优化

张斌，孙兰萍，钱时权，许晖，屠康

1(蚌埠学院 生物与食品工程系，安徽 蚌埠，233030) 2(南京农业大学 食品科技学院， 江苏 南京，210095)

基于神经网络-模拟退火算法的超高压嫩化河蚌肉的工艺优化

张斌1*，孙兰萍1，钱时权1，许晖1，屠康2

1(蚌埠学院 生物与食品工程系，安徽 蚌埠，233030) 2(南京农业大学 食品科技学院， 江苏 南京，210095)

为解决河蚌肉质粗韧，提升河蚌肉品质，利用超高压对河蚌肉进行嫩化处理。采用3-5-1结构的级联BP神经网络，建立了超高压嫩化河蚌肉工艺的预测模型，并采用模拟退火算法对其进行优化，得到超高压嫩化河蚌肉最佳工艺条件。结果表明，训练好的级联BP神经网络具有较好的预测功能，其预测值与实测值之间的相对误差保持在0.26 %～8.70 %。利用模拟退火算法对压力条件、CaCl2浓度、保压时间与剪切力之间的非线性关系优化，得到最佳工艺为：压力强度345 MPa，CaCl2浓度为0.30 mol/L，保压时间为15 min，在这个条件下剪切力为10.54 N。实验室相同条件下的验证实验得到的剪切力为(10.38±0.13) N，该值小于响应曲面设计优化出的最佳工艺条件下的实验验证的剪切力，说明利用模拟退火算法优化级联BP神经网络的预测模型是一种比较有效的优化生产工艺参数的方法。

超高压；河蚌肉；级联BP神经网络；模拟退火算法

河蚌(Unionidae)是一种贝壳类水生动物，在皖北地区资源丰富[1]。河蚌肉具有较高的医学和营养价值[2-3]，但蚌肉肉质较硬，普通方法烹饪后，存在咀嚼困难、口感较差的问题，使其精深加工受到限制，因此需要对其进行嫩化处理[4]。肉的嫩度(tenderness)是评价食用肉品质的重要指标之一，常用的嫩化方法有压力法、钙盐法、酶法等[5-6]，其中超高压嫩化技术当前研究较广的一项食品高新技术[7]。该技术利用帕斯卡定律原理，通过密闭的耐压容器对物料进行加压，从而改善肉类的嫩度，不但可以保持肉类原有的风味和营养价值，还可杀灭腐败菌和致病菌[8-10]。目前，超高压技术已经在鸡肉[11]、兔肉[12]、牛羊肉[13-14]等肉品嫩化方面做了较多的研究，但是在河蚌肉嫩化方面尚无相关报道。

人工神经网络(artificial neural network，即ANN)，是20世纪80年代以来人工智能领域兴起的研究热点[15]。它从信息处理角度对人脑神经元网络进行抽象，按不同的连接方式组成不同的网络，建立某种简单模型，目前，在食品领域也有广泛应用，如发酵、保鲜、灭菌、功能性物质提取及反应动力学仿真等[16-18]。模拟退火算法(simulate anneal arithmetic, SAA)是一种通用的优化算法[19]，赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优，可用于生产调度、控制工程、机器学习、神经网络、信号处理等[20-21]。

本实验采用超高压技术对河蚌肉进行嫩化，在单因素研究基础之上，利用人工神经网络法建立嫩化工艺条件与嫩化指标剪切力之间的预测模型，得到网络输入与输出之间的非线性函数关系，并利用模拟退火算法对该函数进行全局寻优，从而获得最优的嫩化工艺条件，期望本文的研究结果能够为河蚌肉深加工提供参考。

1 材料与方法

1.1 材料与试剂

河蚌：由蚌埠市固镇县绿色家园家庭农场提供，选择蚌壳完整，喷水有力，壳长约(8.5±0.5) cm的河蚌，将河蚌置于实验室水族箱中(水温约为 18～25 ℃)，不间断充气暂养1周；CaCl2为国产分析纯。

1.2 仪器与设备

HPLL3-600超高压处理器，天津森淼高压设备有限公司；DC400-2C小型真空包装机，浙江兄弟包装机械有限公司；C-LM3B肌肉嫩度仪，北京天翔飞域仪器设备有限公司。

1.3 实验方法

1.3.1 河蚌肉的超高压处理

将市售河蚌漂洗、去壳、去内脏后取新鲜肉体，用水流动冲洗，并浸泡10～20 min；将浸泡后的蚌肉在常温下自然晾干，并用刀片分割成厚薄均匀的30 mm×30 mm方形肉块，备用。将一定浓度的CaCl2注射到处理好的肉块的不同位置，并放入真空包装袋真空密封；将真空密封的河蚌肉块置入装有去离子水的高压容器内，在一定高压水平下处理一段的时间，其中压力上升的速度为4～6 MPa/s；完成高压处理操作后，以150～200 MPa/s的速度缓慢卸压后，取出样品。

1.3.2 压力强度对河蚌肉嫩度的影响

选取18块河蚌肉样，平均分成6组，在注射 CaCl2浓度为 0.20 mol/L，保压时间为10 min 的条件下，对每组河蚌肉样分别进行 0、100、200、300、400、500 MPa压力强度处理。操作同1.2.1。

1.3.3 保压时间对河蚌肉嫩度的影响

选取18块河蚌肉样，平均分成6组，在注射 CaCl2浓度为 0.20 mol/L，压力强度在300 MPa的条件下，对每组河蚌肉样分别进行 0、5、10、15、20、25 min的高压处理。操作同1.2.1。

1.3.4 CaCl2浓度对河蚌肉嫩度的影响

选取18块河蚌肉样，平均分成6组，每组河蚌肉样分别浸入浓度为 0、0.10、0.20、0.30、0.40、0.50 mol/L CaCl2溶液，然后在压力强度300 MPa条件下保压处理 10 min。操作同1.2.1。

1.4 实验设计水平表

在单因素研究基础上，设计3因素3水平全因子实验。以压力强度、保压时间和CaCl2浓度3个因素为网络输入，以剪切力为输出。因子编码及各自变量水平见表1。

表1 试验因素水平表

1.5 剪切力测定

本文以剪切力值作为衡量肉嫩度的指标。剪切力法是国际上通用、最早、最常用的肉嫩度测定的方法，按照文献[22-23]的测定方法进行河蚌肉嫩度的测定。

2 结果与分析

2.1 压力强度对河蚌肉剪切力的影响

由表2可知，随着压力强度的不断升高，河蚌肉的剪切力总体呈下降趋势，这表明不同的压力强度能够促使河蚌肉的剪切力值出现下降。这可能是由于一方面较高的压力使河蚌肉肌肉结构中的大分子物质发生解聚作用，肌肉纤维断裂，肌原纤维小片化和结构蛋白的凝胶化，从而使嫩度值下降[24]。另一方面较高的压力强度能够促使肌肉细胞结构中内质网线粒体等结构遭到破坏，Ca2+释放出来并进入胞浆中，从而激活ATP酶、钙激活酶和组织蛋白酶，促使肌肉提前完成收缩，提升肉质嫩度[25]。研究发现300 MPa河蚌肉剪切力下降趋于平缓，考虑到节能和嫩化效果，高压强度为300 MPa 左右较为理想。

表2 压力强度对河蚌肉剪切力的影响

注：同一列字母相同显著性不明显，字母不同显著性明显，P<0.05； CaCl2浓度为 0.20 mol/L，保压时间为10 min。

2.2 保压时间对河蚌肉剪切力的影响

由表3可知，随着保压时间的延长，河蚌肉的剪切力呈现不断下降的趋势。高压条件下保压处理0～15 min 之间，河蚌肉剪切力下降较快，保压处理 15 min以后下降缓慢。为了有效避免长时间超高压处理的热效应引起肉块的腐败变质和色泽改变的现象。综合考虑效能和河蚌肉嫩化效果，选择保压时间为 10 min较为理想。

表3 保压时间对河蚌肉剪切力的影响

注：同一列字母相同显著性不明显，字母不同显著性明显，P<0.05； CaCl2浓度为 0.20 mol/L，压力强度在300 MPao

2.3 CaCl2浓度对河蚌肉剪切力的影响

由表4可见，随着 CaCl2浓度的增加，河蚌肉的剪切力亦不断下降。在CaCl2浓度为0、0.10、0.20、0.30 mol/L溶液中处理的河蚌肉肉块剪切力差异较大，从0.30 mol/L 浓度以后，处理后的河蚌肉肉块剪切力无太大变化。由于一方面高浓度的CaCl2溶液本身具有苦味和金属味，钙激活酶被其激活活性过高时，可能导致蛋白质过度水解并产生苦味肽[25]。另一方面考虑到经济效益和河蚌肉嫩化效果，CaCl2浓度选取 0.30 mol/L 左右为宜。

表4 CaCl2浓度对河蚌肉剪切力的影响

注：同一列字母相同显著性不明显，字母不同显著性明显，P<0.05；压力强度300 MPa，保压时间 10 min。

2.4 级联BP神经网络训练模型的建立

2.4.1 级联BP神经网络结构

本文采用级联BP神经网络模型。在BP神经网络的基础上加以改进，除了输入层—隐含层—输出层

的连接结构外，使网络的输入层与输出层也直接相连，形成级联BP神经网络模式[26-27]。根据河蚌嫩化工艺，将压力强度、保压时间和CaCl2浓度3个因素作为网络的输入，剪切力作为网络的输出，隐含层选择为5个节点。据此构建了一个3-5-1的级联BP神经网络，结构如图1所示。

图1 级联BP神经网络结构Fig.1 Architecture of cascade BP neural network

2.4.2 实验数据的验证

为了减少实验数据的随机误差，在相同实验条件下同时进行3组实验并取其平均值作为本实验条件下的实测剪切力数据。由于实验设计方案为3因素3水平，因此可以得到27组实验数据(每组数据包括实验条件与实测剪切力)。

表5 实验数据

注：编码上标为R的作为验证样本，编码上标为T的作为训练样本中的训练数据，编码上标为V的作为训练样本中的预测数据，编码上标为L的作为训练样本中的验证数据。

为了验证所得的27个剪切力实验值合理有效、3个因素及因素间的交互作用对剪切力是否有明确的显著性影响，要对数据进行方差分析。而数据方差分析的前提是样本具有正态分布和方差齐性，因此对27组数据进行正态分布检测和方差齐性检验，结果如图2和表6。

图2 正态概率图Fig.2 Normal probability plot

图2中可知，27个实测剪切力数据样本都集中分布在直线的两侧，说明实验所得的数据符合正态分布。

表6 方差齐性检验表

表6中采用离差绝对值检验法P=0.586 1>0.05，采用离差平方检验法P=0.494 1>0.05，2种检验的结果都表明该27组数据样本具有方差齐性。

对3因素3水平全因子实验的27组数据样本进行方差分析，得到的结果如表7所示。

表7 方差分析表

由表7可知，压力强度、CaCl2浓度、保压时间、压力强度与保压时间之间的交互作用对河蚌肉剪切力有极显著影响(P<0.01)，压力强度与CaCl2浓度之间的交互作用、CaCl2浓度与保压时间之间的交互作用对河蚌肉剪切力有显著影响(P<0.05)。

由图2和表6、表7可知，实验所得到的这27组实验数据符合正态分布、具有方差齐性，3个因素及因素间的交互作用对嫩化后的蚌肉剪切力具有显著性影响。

2.4.3 级联BP神经网络模型的建立

对所得剪切力数据采用mapminmax函数进行归一化处理，并对各实验因子进行编码。将编码和归一化后的27组实验数据中随机选择20组数据作为网络的训练样本，用以训练神经网络，而其余7组数据作为测试样本，用以验证训练后的网络的预测能力。在级联BP神经网络训练的过程中会将用来训练的样本进一步的随机划分为3类数据，分别为训练数据、验证数据和预测数据。默认情况下的比例分别为训练样本数的70%、15%、15%。因此，在20组训练样本中随机地选择14组数据作为训练数据(train set)，3组作为验证数据(validation set)，3组作为测试数据(test set)，结果如表5所示。在Matlab软件下进行编程并实现，网络训练的结果如图3、图4、图5所示。

图4 误差直方图Fig.4 Error histogram

图5 回归坐标图Fig.5 Regression coordinates

从误差性能曲线图中可以看到，训练到第5步时网络已经达到了训练要求，具有很好的收敛性。误差直方图可以显示误差分布，从图4中可以看出20组数据误差比较小，除了有个别训练数据的误差较大外，其余的都分布在零的两侧。经过20组训练样本训练后的网络中3类数据的回归直线如图5所示，训练样本、验证样本和测试样本的回归直线的相关系数分别为0.929 93、0.999 53、0.993 49，所有20组训练样本的回归直线的相关系数为0.935 19，都接近于1，说明经过训练后的级联BP神经网络的预测值与实测值具有较好的相关性，网络具有较好的预测性。为了验证神经网络的预测性，将上述训练成熟的网络进行保存，并将7组测试样本输入网络中，得到的结果如表5所示。

由表5中可以看到，7组测试样本中每一组的相对误差都较小，相对误差为0.26 %～8.70 %，说明此训练成熟后的级联BP神经网络具有很好的泛化功能，是一种非常有效的预测方法。

设w1=[2.360 3 0.990 3 -0.860 3; 0.931 9 -2.247 7 -0.035 7; 1.495 0 1.401 2 1.175 9; 1.754 1 -0.379 7 -0.988 2; 1.306 7 1.888 4 0.421 3]; w2=[1.496 5 0.185 2 -1.094 0 -1.730 2 0.576 1]; w3=[-0.172 5 -0.649 3 -0.572 5]; b1=[-2.466 6 -1.219 1 -0.989 3 1.974 2 2.651 3]’;b2=1.387 9;

根据级联BP神经网络结构图得到输入和输出之间的非线性映射关系为：

y=tansig(w2×tansig(w1×x+b1)+b2+w3×x)

( 1 )

式中：x为网络的输入，在本例中是由压力条件、CaCl2浓度、保压时间3个因素水平编码构成的矢量；y为在给定输入条件下网络的预测输出；tansig为网络的传输函数。

( 2 )

2.5 模拟退火算计优化嫩化工艺参数

模拟退火算法(simulate anneal arithmetic, SAA)是一种用来解决非线性组合优化问题的通用而有效的随机搜索算法[28]。SAA采用启发式搜索算法中的改进的爬山法进行搜索最优值，即系统从某一个初值x0开始搜索，经过多次搜索对比，找出目标函数在一定搜索范围内的全局最小值。

根据级联BP神经网络的结构写出输入与输出之间的函数关系，即压力强度、保压时间和CaCl2浓度与剪切力之间的关系，并将其作为模拟退火算法的寻优目标，在规定的取值范围内进行全局最小值的搜索。由于搜索的初值不同会有不同的搜索路径，因此会产生不同的结果。为了减少初值选择所带来的误差，选择4个不同的初值，将得到的值进行平均作为最后的结果。图6和表8显示了4个不同初值的搜索结果及最优工艺参数。

图6 模拟退火算法优化结果Fig.6 Optimized results of simulated annealing algorithm

压力强度/MPaCaCl2浓度/(mol·L-1)保压时间/min剪切力/Na346459029914764105319b343202030014996105426c343345029014562105395d345772029814986105419

考虑到实际操作要求，最终由模拟退火算法得出的最优工艺为：压力强度345 MPa，CaCl2浓度为0.30 mol/L，保压时间为15 min，在这个条件下剪切力为10.54 N。

将表5中的部分数据进行响应曲面实验设计进行工艺参数的优化，利用相关软件得出最优工艺参数为：压力强度367 MPa，CaCl2浓度为0.30 mol/L，保压时间为14.992 min，在这个条件下剪切力为10.92 N。

对2种方法得出的最优工艺进行对比，在实验室内分别在模拟退火算法优化结果条件下和响应曲面优化结果条件下进行3次平行实验，然后将3次结果取平均值，结果如表9。

表9 不同方法优化超高压河蚌肉嫩化工艺的对比验证

实验验证的结果可以看出，模拟退火算法优化出的最佳工艺条件下的剪切力为(10.38±0.13) N，要小于响应曲面设计优化出的最佳工艺条件下的剪切力(10.78±0.08) N。通过对比验证说明利用模拟退火算法优化基于级联BP神经网络的预测模型是一种比较有效的优化生产工艺参数的方法。

3 结论

(1)超高压嫩化河蚌肉单因素试验及方差分析表明，压力强度、CaCl2浓度、保压时间、压力强度与保压时间之间的交互作用对河蚌肉剪切力有极显著影响(P<0.01)，压力强度与CaCl2浓度之间的交互作用、CaCl2浓度与保压时间之间的交互作用对河蚌肉剪切力有显著影响(P<0.05)。

(2)采用3-5-1结构的级联BP神经网络，建立了超高压嫩化河蚌肉工艺的预测模型，可以以任意精度逼近复杂的非线性关系，能够准确的反映出网络输入与输出之间的映射关系。训练好的级联BP神经网络具有较好的预测功能，其预测值与实测值之间的相对误差保持在0.26%～8.70%。利用模拟退火算法对神经网络非线性函数进行全局寻优，得到最佳超高压嫩化河蚌工艺参数为：压力强度345 MPa，CaCl2浓度为0.30 mol/L，保压时间为15 min，在这个条件下剪切力为10.54 N。

本文所建立的方法为超高压技术在河蚌肉嫩化工艺方面提供一种方法，同时为超高压技术在肉品工业中的应用提供了参考。

[1] QIAO De-liang, HU Bing, CAN Dan,et al. Eextraction optimized by using responsesurface methodology, purification and preliminary characterization of polysaccharides from Hyriopsis cumingii[J].Carbohydrate Polymers,2009,76 (3):422-429.

[2] 张缓,姜启兴,许艳顺,等.采珠后河蚌副产物的营养成分分析及评价[J].食品工业科技, 2012, 33(19): 346-349.

[3] 湛孝东,王克霞，李朝品.贝类多糖生物学活性研究进展[J].时珍国医国药,2006,17(17):1 285-1 286.

[4] 乔德亮.三角帆蚌多糖提取、纯化、生物活性及其结构[D].南京:南京农业大学,2009.

[5] 常海军,周文斌,朱建飞,等. 3种弱有机酸结合NaCl腌制对牛肉结缔组织滤渣胶原蛋白特性的影响[J]. 食品与发酵工业. 2014,40(6):183-186.

[6] 朱秀娟,余群力,李儒仁,等. 采用响应面优化法研究木瓜蛋白酶嫩化牦牛肉的条件[J]. 食品工业科技. 2013,34(20):230-234.

[7] 励建荣,王泓.超高压技术在食品工业中的应用及前景[J].现代食品科技, 2006(1): 42-45.

[8] 郝梦甄,胡志和.超高压处理对海参污染副溶血弧菌及细菌的影响[J].食品科学,2013,34(13):218-223.

[9] ANKIT PATRAS, NIGEL P BRUNTONA, SARA DA PIEVE, et al. Impact of high pressure processing on total antioxidant activity, phenolic, ascorbic acid, anthocyanin content and colour of strawberry and black berry purées[J]. Innovative Food Science and Emerging Technologies, 2009:10:308-313.

[10] 刘蓄瑾,胡志和,刘军军,等.超高压灭青哈污染弧菌条件优化[J].食品科学,2015,36(20):19-25.

[11] 马汉军,赵良,潘润淑,等.高压和热结合处理对鸡肉pH、嫩度和脂肪氧化的影响[J].食品工业科技,2006,27(8):56-59.

[12] 王稳航,徐倩倩,刘婷,等.超高压处理对僵直前獭兔肉品质及微观结构的影响.[J].食品科学,2014，35(21):73-77.

[13] 马飞,陈从贵,余霞,等. 超高压技术在肉制品加工中的应用[J]. 食品与发酵工业[J].2011，37(4) :178-184.

[14] 靳烨,南庆贤.高压处理对牛肉感官特性与食用品质的影响[J].农业工程学报,2004,20(5):196～199.

[15] 张青贵.人工神经网络导论[M].北京:中国水利水电出版社,2004:11-13.

[16] 侯清娥,秦小明,林华娟.基于神经网络法制备牡蛎呈味肽工艺优化研究[J].食品工业科技,2011,32(11):301-304.

[17] 史德芳,高虹,程薇,等.人工神经网络在食品加工过程模拟控制中的应用[J].食品研究与开发,2009,30(1):176-179.

[18] 屈小娟,范瀚文,张良,等.神经网络优化南美白对虾虾仁热烫工艺[J].食品工业科技,2012,33(14):291-298.

[19] 焦巍,刘光斌,张艳红.求解约束优化的模拟退火算法.系统工程与电子技术[J].2010,32(7):1 532-1 536.

[20] 白舸,张海涛,刘翠苹,等.基于遗传模拟退火算法的WSN广播算法研究[J].计算机测量与控制, 2013, 21(11): 3 053-3 056.

[21] 乔彦平,张骏.基于一种改进遗传模拟退火算法的TSP求解[J].计算机仿真, 2009, 26(5): 205-208.

[22] 王晓宇.周光宏.徐幸莲.李春保.猪肉剪切力的测定方法[J].食品科学,2012，33(21):64-67.

[23] SHUMING K, Yan H, Eric A D, et al. Impact of citric acid on the tenderness, microstructure and oxidative stability of beef muscle.[J].Meat Science,2009,82:113-118.

[24] SUZUKIA, WATANABEM. Effects of high-pressure treatment on the ultra structure and thermal behaviour of beef intramuscular collagen[J]. Meat Science, 1993, 35(1): 17-25.

[25] 靳烨,南庆贤,兰风英,等.钙激活酶的高压反应动力学研究[J].内蒙古农业大学学报, 2001, 22(1): 93-97.

[26] 从爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥:中国科技技术大学出版社,2013:3-4.

[27] 东南大学.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005.

[28] 王文杰, 叶世伟.人工智能原理与应用[M]. 北京: 人民邮电出版社, 2009.

Optimization of ultra-high pressure of mussel meat tenderness based on neural network-simulated annealing algorithm

ZHANG Bin1*, SUN Lan-ping1, QIAN Shi-quan1, XU Hui1, TU Kang2

1(Department of Biological and Food Engineering, Bengbu University, Bengbu 233030，China) 2(College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095，China)

To improve the mussel meat texture and improve the quality of mussel meat, ultra-high pressure technique is used to keep the tenderness of mussel meat. Based on the cascade BP neural network. A prediction models of ultra high pressure mussel meat tenderization process was established and the simulated annealing algorithm was used to optimize the process. Results show that the trained cascade BP neural network has a better predictive ability, the relative error between the predicted ones and the measured values were between 0.26 % and 8.70 %. Using the simulated annealing algorithm to optimize the non-linear relation between the pressure conditions, the concentration of CaCl2, the holding time and shear force were selected: pressure condition 345 MPa, pressure holding time 15 min, CaCl2concentration 0.30 mol/L. Under the above conditions, the shear force is 10.54 N. With the same condition, the experimental results show the shear stress is (10.38±0.13) N, which is less than the optimized one by the response surface design. This indicates that the simulated annealing algorithm based on cascade BP neural network forecasting model is a more effective method of optimizing the production process parameters.

ultra-high pressure; mussel meat； cascade BP neural network； simulated annealing algorithm

10.13995/j.cnki.11-1802/ts.201704024

副教授(本文通讯作者，E-mail：zhangbin207@163.com)。

安徽省教育厅自然科学研究重点项目(KJ2013A182)；高校领军人才引进与培育计划项目；蚌埠学院学术技术带头人及后备人选项目；安徽省质量工程卓越工程师培养计划项目

2016-08-15，改回日期：2016-09-27