菜籽粕發(fā)酵脫毒工藝的神經(jīng)網(wǎng)絡(luò)建模與遺傳算法優(yōu)化

姚曉紅 孫 宏,2 吳逸飛 王 新 湯江武

(浙江省農(nóng)業(yè)科學(xué)院植物保護(hù)與微生物研究所1,杭州 310021)

(浙江大學(xué)動(dòng)物科學(xué)學(xué)院2,杭州 310029)

菜籽粕發(fā)酵脫毒工藝的神經(jīng)網(wǎng)絡(luò)建模與遺傳算法優(yōu)化

姚曉紅1孫 宏1,2吳逸飛1王 新1湯江武1

(浙江省農(nóng)業(yè)科學(xué)院植物保護(hù)與微生物研究所1,杭州 310021)

(浙江大學(xué)動(dòng)物科學(xué)學(xué)院2,杭州 310029)

為了獲得菜籽粕固態(tài)發(fā)酵 (B acillus subtilisBS-012)脫毒的最佳工藝條件參數(shù),以硫苷降解率為響應(yīng)值,通過中心組合設(shè)計(jì)得到的數(shù)據(jù),建立其神經(jīng)網(wǎng)絡(luò)模型;同時(shí)利用遺傳算法 (GA)對(duì)網(wǎng)絡(luò)模型進(jìn)行全局尋優(yōu),最終獲得最佳菜籽粕固態(tài)發(fā)酵脫毒工藝為:發(fā)酵溫度為 31.7℃,含水率為 37.6%,發(fā)酵時(shí)間為 39.3 h。在該工藝參數(shù)下的硫苷降解率提高了 10.22%,顯著高于原工藝。該研究結(jié)果表明,采用神經(jīng)網(wǎng)絡(luò)模擬結(jié)合遺傳算法的優(yōu)化方法,對(duì)菜籽粕脫毒工藝具有較好的優(yōu)化效果。

菜籽粕 硫苷 脫毒 優(yōu)化 神經(jīng)網(wǎng)絡(luò) 遺傳算法

菜籽粕中蛋白含量較高,可達(dá)到 34%～38%,同時(shí)氨基酸相對(duì)均衡,甲硫氨酸、賴氨酸含量豐富,Ca、P等礦物質(zhì)含量高,特別是 Se含量為常用植物飼料中最高的,因此是一種具較高營養(yǎng)價(jià)值的植物蛋白原料。但是,菜籽粕中含有的硫葡萄糖苷 (glucosino2 late)對(duì)動(dòng)物的生長有較大的毒副作用,這大大限制了菜籽粕在飼料組分中的添加和應(yīng)用[1]。

微生物發(fā)酵法是對(duì)菜籽粕進(jìn)行硫苷降解的有效方法。其反應(yīng)條件溫和、成本較低,在國內(nèi)外有廣泛的應(yīng)用基礎(chǔ)[2-5]。在菜籽粕發(fā)酵工藝中,發(fā)酵溫度、含水率、發(fā)酵時(shí)間、pH值等眾多因素對(duì)發(fā)酵微生物生長的調(diào)控起到關(guān)鍵作用。國內(nèi)外有研究采用單因素設(shè)計(jì)方法對(duì)硫苷的降解工藝進(jìn)行優(yōu)化[6-7]。由于菜籽粕脫毒工藝的參數(shù)優(yōu)化為一個(gè)非線性的擬合過程,單因素試驗(yàn)未考慮個(gè)試驗(yàn)因素間的交互作用,因此效果有限。近幾年出現(xiàn)了采用響應(yīng)面分析方法 (RS M)對(duì)菜籽粕脫毒工藝進(jìn)行優(yōu)化,與單因素方法相比,效果顯著[8-9],而人工智能理論的發(fā)展為解決非線性系統(tǒng)的建模與優(yōu)化問題提供了新的思路。研究表明,人工神經(jīng)網(wǎng)絡(luò) (ANN)技術(shù),具有辨識(shí)和逼近任意復(fù)雜非線性系統(tǒng)的能力,且準(zhǔn)確度較包括響應(yīng)面方法在內(nèi)的一般擬合方法更高[10-11]。遺傳算法 (GA)是一種模擬自然選擇和遺傳機(jī)制的自適應(yīng)搜索的全局優(yōu)化尋優(yōu)算法。目前,基于神經(jīng)網(wǎng)絡(luò)的遺傳算法尋優(yōu)在生物工程中有廣泛的應(yīng)用[12]。

本試驗(yàn)首次在通過枯草芽孢桿菌 BS-012對(duì)菜籽粕固態(tài)發(fā)酵降解硫苷工藝的基礎(chǔ)上,應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù),建立發(fā)酵條件和脫毒率之間的擬合關(guān)系,在此基礎(chǔ)上利用遺傳算法進(jìn)行全局尋優(yōu),從而獲得最優(yōu)的硫苷脫毒工藝條件。

1 材料與方法

1.1 材料

菜籽粕:湖州新市油脂有限公司,粗蛋白 (CP)36%、硫苷 38μmoL/g、水分 10%、粗脂肪 3%、植酸2.4%。

菜籽粕發(fā)酵用菌株:枯草芽孢桿菌 BS-012(Ba2 cillus subtilis)為本實(shí)驗(yàn)室在菜園土中分離得到,并由中科院微生物研究所鑒定,保藏編號(hào)為 CG MCC No.2288。

1.2 菜籽粕固態(tài)發(fā)酵試驗(yàn)設(shè)計(jì)和過程

以菜籽粕硫苷降解率為指標(biāo),參照中心組合設(shè)計(jì)的方法 (CCD),在前期試驗(yàn)基礎(chǔ)上,選取了 BS-012固態(tài)發(fā)酵過程中,對(duì)影響硫苷降解率的最重要的 3個(gè)因素:發(fā)酵溫度、含水率、發(fā)酵時(shí)間進(jìn)行試驗(yàn)。表 1為中心組合試驗(yàn)的試驗(yàn)因子的水平編碼表。

表 1 CCD試驗(yàn)設(shè)計(jì)因子編碼水平表

菜籽粕發(fā)酵試驗(yàn)參照表 1進(jìn)行,具體過程為:1)種子液制備:從保藏斜面中取一環(huán)接入 25 mL PDA液體培養(yǎng)基中活化 12 h,而后轉(zhuǎn)入 100 mL PDA液體培養(yǎng)基中擴(kuò)大培養(yǎng) 24 h,待用。2)菜籽粕發(fā)酵:稱取80 g新鮮菜籽粕,加入一定量的水和 2%的液體菌種,混合均勻,裝入 500 mL罐頭瓶中,用無菌報(bào)紙封口,置于設(shè)定溫度下發(fā)酵,并于試驗(yàn)設(shè)定時(shí)間取出,50℃烘干,粉碎,80目過篩后,測(cè)定發(fā)酵菜籽粕中的硫苷含量 (μmol/g)[13]。硫苷降解率按照下列公式計(jì)算:

1.3 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

采用前饋神經(jīng)網(wǎng)絡(luò)中的反向傳播網(wǎng)絡(luò) (BP)進(jìn)行設(shè)計(jì)。此算法的優(yōu)勢(shì)是通過對(duì)輸出層數(shù)據(jù)和實(shí)際數(shù)據(jù)的相似度計(jì)算,反向調(diào)控輸入層神經(jīng)元的權(quán)值和閥值,最終使總體誤差最低[14]。輸入層的神經(jīng)元數(shù)目為 3個(gè),分別代表發(fā)酵溫度、含水率、發(fā)酵時(shí)間,硫苷降解率作為網(wǎng)絡(luò)的輸出單元,并將所有向量都量化到[-11]的范圍內(nèi)。選擇“tansig”作為隱含層的傳遞函數(shù),“purelin”作為輸出層的傳遞函數(shù),采用Levenberg-Marquardt算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,以均方差為指標(biāo) (MSE)確定網(wǎng)絡(luò)最終結(jié)構(gòu)。

1.4 遺傳算法優(yōu)化方法

采用浮點(diǎn)編碼的方式對(duì)發(fā)酵溫度、含水率、發(fā)酵時(shí)間在其各自取值范圍 (表 1)內(nèi)進(jìn)行神經(jīng)網(wǎng)絡(luò)模擬推算,并以網(wǎng)絡(luò)擬合值作為遺傳算法的適應(yīng)性函數(shù)(eval),進(jìn)行選擇、變異、交換操作。遺傳算法的參數(shù)為:初始種群大小為 50,交叉概率為 0.95,變異概率為 0.09,遺傳代數(shù)為 100代。

1.5 程序設(shè)計(jì)和分析方法

神經(jīng)網(wǎng)絡(luò)和遺傳算法的程序通過Matlab 7.0(TheMathWorks Inc,USA)和其附帶 GAOT遺傳算法工具箱編寫完成。

2 結(jié)果與分析

2.1 神經(jīng)網(wǎng)絡(luò)對(duì)中心組合試驗(yàn)的擬合結(jié)果

選擇了中心組合設(shè)計(jì) (CCD)作為試驗(yàn)設(shè)計(jì)方案,對(duì)考察發(fā)酵溫度、含水率、發(fā)酵時(shí)間 3個(gè)變量在各自取值范圍內(nèi)的選取,具有較高的全局性,能較好滿足網(wǎng)絡(luò)訓(xùn)練的需要。另一個(gè)影響神經(jīng)網(wǎng)絡(luò)擬合度的參數(shù)為隱含層的神經(jīng)元數(shù)量,圖 1為以網(wǎng)絡(luò)的均方差為考察指標(biāo),不同的隱含層數(shù)目對(duì)神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度的影響。由圖 1可知,當(dāng)隱含層的數(shù)量為 5時(shí),隱含層神經(jīng)元數(shù)目的增加對(duì)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確度的提高作用不明顯,而過多的隱含層神經(jīng)元數(shù)目會(huì)使網(wǎng)絡(luò)過擬合,因此選擇隱層神經(jīng)元數(shù)目為 5。菜籽粕脫毒工藝最終的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為 3-5-1,擬合誤差曲線見圖 2。表 2為實(shí)測(cè)值作為測(cè)試樣本,對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行模擬的結(jié)果。

表 2可知,采用神經(jīng)網(wǎng)絡(luò)對(duì)試驗(yàn)數(shù)據(jù)的擬合度較高,相關(guān)系數(shù)達(dá)到 0.992 3,網(wǎng)絡(luò)預(yù)測(cè)輸出和試驗(yàn)結(jié)果的均方差為 0.125 2,滿足統(tǒng)計(jì)需要。而由圖 3所示的網(wǎng)絡(luò)仿真數(shù)據(jù)擬合圖,可見試驗(yàn)所建立的 BP神經(jīng)網(wǎng)絡(luò)具有較好的仿真性。綜合表明,該模型能夠反應(yīng)發(fā)酵溫度、含水率、發(fā)酵時(shí)間這 3個(gè)因素和脫毒率之間的關(guān)系,并作為后續(xù)遺傳算法的適應(yīng)性函數(shù)基礎(chǔ)。

表 2 CCD模型的實(shí)際值對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練表

2.2 遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化結(jié)果

經(jīng)過遺傳算法對(duì)擬合完全的 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化后,誤差平方和 (SSE)小于 0.015,準(zhǔn)確度較高,適應(yīng)度函數(shù)的變化曲線見圖 4。結(jié)果表明,在經(jīng)過 20代的擬合后,群體的適應(yīng)性函數(shù)變化趨勢(shì)達(dá)到最大值,經(jīng)計(jì)算為 67.39,由于遺傳算法的適應(yīng)度函數(shù)在本試驗(yàn)中定義為神經(jīng)網(wǎng)絡(luò)擬合值,即為硫苷降解率,因此得到的最大的硫苷降解率為 67.39%,對(duì)應(yīng)的最佳的工藝參數(shù)為:發(fā)酵溫度為 31.7℃,含水率為37.6%,發(fā)酵時(shí)間為 39.3 h。

圖 3 神經(jīng)網(wǎng)絡(luò)預(yù)期值與真實(shí)值回歸曲線

圖 4 遺傳算法優(yōu)化迭代圖

2.3 遺傳算法結(jié)果的驗(yàn)證

按照遺傳算法得到的最佳工藝參數(shù)進(jìn)行試驗(yàn),結(jié)果見表 3。經(jīng)過 3次重復(fù)試驗(yàn),硫苷脫毒率平均達(dá)到 66.92%,并具有較高的穩(wěn)定性。網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值的平均相對(duì)誤差較小,僅為 0.51,表明遺傳算法的優(yōu)化結(jié)果真實(shí)有效。此結(jié)果較原工藝提高10.22%。

表 3 遺傳算法優(yōu)化工藝參數(shù)的驗(yàn)證試驗(yàn)

3 結(jié)論

試驗(yàn)將BP神經(jīng)網(wǎng)絡(luò)用于枯草芽孢桿菌BS-012發(fā)酵菜籽粕去除硫苷工藝的參數(shù)非線性擬合。采用網(wǎng)絡(luò)結(jié)構(gòu)為 3-5-1的構(gòu)架,能夠較為準(zhǔn)確的擬合輸入的樣本數(shù)據(jù),相關(guān)系數(shù)達(dá)到 0.992 3,網(wǎng)絡(luò)預(yù)測(cè)輸出和實(shí)驗(yàn)結(jié)果的均方差為 0.125 2,滿足統(tǒng)計(jì)需要。經(jīng)過遺傳算法優(yōu)化的工藝最終參數(shù)為發(fā)酵溫度 31.7℃,含水率為 37.6%,發(fā)酵時(shí)間為 39.3 h。在該工藝下,硫苷的降解率較優(yōu)化前工藝提高了 10.22%,表明采用將神經(jīng)網(wǎng)絡(luò)擬合技術(shù)和遺傳算法結(jié)合的方式對(duì)菜籽粕脫毒工藝進(jìn)行優(yōu)化是完全可行的。

[1]席鵬彬,李德發(fā),龔麗敏.菜籽餅粕營養(yǎng)品質(zhì)及其在豬日糧中的應(yīng)用[J].飼料工業(yè),2002,23(6):5-9

[2]張宗舟.發(fā)酵法菜籽餅脫毒研究[J].甘肅高師學(xué)報(bào),1996(3):59-61

[3]劉軍,朱文優(yōu).菜籽粕發(fā)酵飼料的研制[J].食品與發(fā)酵工業(yè),2007,33(1):68-71

[4]孫林,李呂木,張邦輝,等.多菌種固態(tài)發(fā)酵菜籽粕的研究[J].中國糧油學(xué)報(bào),2009,24(1):85-89

[5]Adarsh P V,Amandeep W.Beneficial effects of Rhizopus oli2 gosporus fermentation on reduction of glucosinolates,fibre and phytic acid in rapeseed(Brassica napus)meal[J].Biore2 source Technology,2001,78(3):309-312

[6]Rozan P,Villaume C,Bau H.Detoxication of rapeseed meal by Rhizopus Oligosporus sp-T3:A first step towards rape2 seed protein concentrate[J].Journal of Science and Technol2 ogy,1996,31(1):85-90

[7]何國菊,李學(xué)剛,趙海伶.菜籽餅粕脫毒工藝參數(shù)的研究[J].中國油脂,2003,28(12):23-26

[8]孫宏,湯江武,葛向陽.響應(yīng)面法優(yōu)化菜粕固態(tài)發(fā)酵工藝的研究[J].浙江農(nóng)業(yè)學(xué)報(bào),2009,21(3):303-306

[9]陸豫,余勃,藏超,等.發(fā)酵菜籽粕脫毒工藝優(yōu)化研究[J].食品科學(xué),2007,28(10):267-271

[10]Liu C H,HwangC F,Liao C C.Medium optimization for glu2 tathione production by Saccharomyces cerevisiae[J].ProcessBiochemistry,1999,34(1):17-23

[11]He L,Xu YQ,Zhang X H.Medium factors optimization and fermentation kinetics for phenazine-1-carboxylic acid production by Pseudomonas sp.M18G[J].Biotechnology and Bioengineering,2008,100(2):250-259

[12]Nagata Y,Chu K H.Optimization of a fermentation medium using neural networks and genetic algorithms[J].Biotech2 nologyLetters,2003,25(21):1837-42

[13]NY/T 126,飼料用菜籽粕[S]

[14]Martin T H,Howard B D,Mark H B.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社,2002:127-128.

Opti mization of RapeseedMealDetoxification Process UsingA NeuralNet work-Genetic Algorithm Method

Yao Xiaohong1Sun Hong1,2Wu Yifei1Wang Xin1Tang Jiangwu1
(ZhejiangAcademy ofAgricultural Science1,Hangzhou 310021)
(College of an imal science,Zhejiang University2,Hangzhou 310029)

In order to obtain the opti mal condition parameters for the detoxification process of rapeseed meal by solid-state fer mentation withBacillus subtilisBS-012,a genetic algorithm based on an established neural network model was used.Results:The obtained optimal conditions are temperature 31.7℃,water ratio 37.6%,and fer menta2 tion time 39.3 h.Under such conditions,a degradation rate increase of 10.22%over previous conditions is achieved.These results suggest that the genetic algorithm based on a neural network modelmay be an excellent tool for optimi2 zing rapeseed meal detoxification process.

rapeseed meal,detoxification,opti mization,neural network,genetic algorithm

S816.6

A

1003-0174(2011)02-0111-04

浙江省重大科技專項(xiàng) (2006C120971),杭州市重大科技創(chuàng)新專項(xiàng)(20092112A41)

2010-03-02

姚曉紅,女,1972年出生,碩士,助理研究員,發(fā)酵工程、應(yīng)用微生物

湯江武,男,1970年出生,副研究員,動(dòng)物營養(yǎng)及飼料科學(xué)