最小二乘支持向量機優(yōu)化芹菜總黃酮提取工藝

曾燕，成新文，陳欲云，王曉

（1.四川理工學院計算機學院，四川自貢643000；2.四川理工學院化學與制藥工程學院，四川自貢643000）

最小二乘支持向量機優(yōu)化芹菜總黃酮提取工藝

曾燕1，成新文1，陳欲云2，王曉1

（1.四川理工學院計算機學院，四川自貢643000；2.四川理工學院化學與制藥工程學院，四川自貢643000）

為獲得芹菜總黃酮的最佳提取工藝參數(shù)，在其單因素和正交試驗的基礎上，利用混合蛙跳算法（SFLA）優(yōu)化參數(shù)的最小二乘支持向量機（LSSVM）建立預測模型，通過該模型對芹菜總黃酮正交試驗數(shù)據(jù)進行仿真，優(yōu)化提取工藝條件。結果表明，最小二乘支持向量機預測模型優(yōu)化后的芹菜總黃酮提取工藝條件為：料液比1∶36 g/mL，乙醇濃度82%，超聲波提取時間40 min，在該條件得到芹菜總黃酮提取含量為8.32 mg/g，高于正交試驗工藝條件下所提取的總黃酮含量。

最小二乘支持向量機；總黃酮；正交試驗；混合蛙跳算法

芹菜是生活中常見的一種藥食兩用的蔬菜，在其莖葉中含有豐富的黃酮類化合物。現(xiàn)代醫(yī)學研究發(fā)現(xiàn)，黃酮類化合物具有抗氧化、抑菌、抗病毒、抗癌和抗腫瘤等作用[1-3]。因此，從芹菜中提取黃酮類化合物在醫(yī)療保健方面具有良好的應用前景。為了從芹菜中提取出更多的黃酮類化合物，除了從提取方法上考慮外，還可以從優(yōu)化提取工藝條件著手。

近年來，總黃酮提取工藝優(yōu)化方法有正交試驗法、響應面分析法、神經(jīng)網(wǎng)絡等。文獻[4]采用正交試驗法對芹菜總黃酮的工藝條件進行優(yōu)化，但是正交試驗法對提取因子間的交互作用考慮不完善，導致最優(yōu)工藝條件不夠準確。文獻[5]采用響應面法優(yōu)化芹菜提取工藝，響應面分析法采用多元二次回歸法作為函數(shù)估計的工具，可以很好的考察提取因子間的交互作用，但其只適用于二次函數(shù)模型的模擬，應用范圍受限。文獻[6]采用BP神經(jīng)網(wǎng)絡優(yōu)化荷葉黃酮提取工藝，但是神經(jīng)網(wǎng)絡泛化能力有限，對訓練樣本數(shù)據(jù)要求高，對于小樣本數(shù)據(jù)應用受限；最小二乘支持向量機（Least Square Support Vector Machine，LSSVM）[7-8]不僅適用于非線性的小樣本數(shù)據(jù)，且泛化能力好，但為了避免該方法陷入局部最優(yōu)，引入混合蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）對其參數(shù)進行優(yōu)化。因此，本文在超聲波提取芹菜總黃酮的基礎上，利用SFLA[9-10]對LSSVM的重要參數(shù)指標：正規(guī)化參數(shù)和核寬度系數(shù)進行優(yōu)化，然后用最小二乘支持向量機模型對芹菜總黃酮提取工藝條件進行優(yōu)化，為黃酮類化合物的開發(fā)利用提供理論依據(jù)。

1 材料與方法

1.1 材料與儀器

芹菜,購于自貢菜市場；95%乙醇（分析純）：重慶川東化工有限公司化學試劑廠；氫氧化鈉（分析純）：成都市科龍化工化學試劑廠；亞硝酸鈉（分析純）：湖北大學化工廠；硝酸鋁（分析純）：天津市耀華化學試劑有限責任公司；蘆丁標準品（規(guī)格：20 mg uv＞98%）：上海源葉生物科技有限公司。

756PC型可見分光光度計：上海美譜達儀器有限公司；SHB-B循環(huán)水式多用真空泵：鄭州長城科工貿有限公司；As20500T超聲波清洗器：天津奧特賽恩斯儀器有限公司；DFY-400搖擺式高速萬能粉碎機：溫嶺市林大機械有限公司；101-3AB型電熱鼓風干燥箱：天津市泰斯特儀器有限公司。

在預測模型仿真試驗中，計算機配置為聯(lián)想雙核E5800@3.2 GHz，2G內存，Windows XP操作系統(tǒng)，測試環(huán)境為采用Matlab 7.0。

1.2 方法

1.2.1 芹菜總黃酮的提取與測定[4]

為降低機械粉碎的強度，首先將芹菜原料進行低溫烘干粉碎后，稱取芹菜干粉1.00 g于50 mL錐形瓶中，加入一定量乙醇浸泡，以便有效成分充分溶解。然后將浸泡好的溶液進行超聲波提取，提取完之后抽濾、定容，作為待測液備用。

采用Al（NO3）3-NaNO2分光光度法[11]，測定吸光度，再根據(jù)吸光度計算樣品液中的總黃酮含量：

式中：m為總黃酮含量，（mg/g）；C為溶液中總黃酮的測定濃度，（mg/mL）；V1為芹菜總黃酮提取液總體積，mL；W為芹菜干粉質量，g；V為所取待測液體積，mL。1.2.2 最小二乘支持向量機預測模型的建立

采用吸光度方法測定芹菜總黃酮提取量，測量過程復雜，測量時間長，必然制約了芹菜總黃酮的生產(chǎn)應用。因此，以提取時間、乙醇濃度、料液比3個因素為輸入，芹菜總黃酮提取含量為輸出，構建芹菜總黃酮提取含量的預測模型，減少試驗測量次數(shù)，實現(xiàn)在線實時預測尤為必要。構建SFLA優(yōu)化的最小二乘支持向量機芹菜總黃酮預測模型步驟如下：

Step1對芹菜總黃酮提取試驗中的數(shù)據(jù)進行歸一化處理。

Step2參數(shù)初始化，設置蛙群個體總數(shù)，迭代總次數(shù)，子群數(shù)，每個子群內的蛙數(shù)，子群內的更新次數(shù)，最大、最小變異概率及變異因子。

Step3構建初始種群。隨機生成個初始解，用集合形式表示為解集：X={xij|xij∈[minj，maxj]}，計算每個初始解對應的反向解[12]，如下：

其中j=1，L，D，D為維度，minj，maxj分別為第j維的下界和上界。對隨機種群和反向種群的合集進行排序，選擇適應度較優(yōu)的解作為初始種群。

Step4對每只青蛙計算適應度后按降序排序，并分成k個子群。

Step5確定每個子群的最優(yōu)解和最差解，及群體全局最優(yōu)解，反復更新每個子群的最差青蛙，達到設定的子群迭代總次數(shù)后，對更新后的子群進行混合，取代原來的群體。

Step6計算群體的適應度方差σ2，再按下式計算變異概率P（t）[13]：

其中，Pmax和Pmin分別為當前變異概率的最大值和最小值，N為蛙群個體總數(shù)。再對全局最優(yōu)解進行變異操作：

式中：ξ為變異因子，N（0，1）為均值為0方差為1的隨機量。

根據(jù)上述更新當前群體最優(yōu)解，避免SFLA陷入局部最優(yōu)。

Step7若達到設定的最大迭代次數(shù)，則迭代停止，輸出最優(yōu)適應度值以及相應的參數(shù)算法結束，否則轉到Step4。

Step8根據(jù)最優(yōu)解得到的LSSVM參數(shù)對測試數(shù)據(jù)集進行仿真，用建立的芹菜總黃酮預測模型對總黃酮提取量進行預測。

2 結果分析

2.1 單因素試驗結果分析

2.1.1 料液比對總黃酮提取含量的影響

分別按1∶10、1∶20、1∶30、1∶40、1∶50 g/mL的料液比，加入70%的乙醇，超聲提取40 min后，試驗結果如圖1所示。

圖1 料液比對總黃酮含量的影響Fig.1 Effect of solid/liquid ratio on the content of total flavonoids

在料液比為1∶30 g/mL倍時，芹菜總黃酮溶出的最好，總黃酮含量最大，隨著料液比的增大反而下降，說明由于提取液的的逐漸增多，超聲波對其震動作用降低。因此，選取料液比1∶30 g/mL比較合理。

2.1.2 提取時間對總黃酮提取含量的影響

按1∶30 g/mL的料液比，加入70%的乙醇，分別提取10、20、30、40、50 min后，試驗結果如圖2所示。

圖2 提取時間對總黃酮含量的影響Fig.2 Effect of extraction time on the content of total flavonoids

隨著提取時間的延長總黃酮含量呈增加的趨勢，在40 min之后呈微小增加，基本趨于穩(wěn)定。這可能是超聲提取40 min時總黃酮充分溶出，隨著提取時間的增長，超聲的機械效應和熱效應反而會影響黃酮分子，導致含量下降。因此，選擇提取時間為40 min比較合理。

2.1.3 乙醇濃度對芹菜總黃酮提取含量的影響

按1∶30 g/mL的料液比，分別加入50%、60%、70%、80%、90%的乙醇，超聲提取40min后，試驗結果如圖3所示。

圖3 乙醇濃度對總黃酮含量的影響Fig.3 Effect of ethanol concentration on the content of total flavonoids

隨乙醇濃度增大，總黃酮提取量逐漸增大，當乙醇濃度為80%時，總黃酮的提取含量最大，之后下降。說明乙醇濃度在80%時極性與總黃酮極性相似，溶出最好，乙醇濃度過高反而導致黃酮無法溶出。因此，乙醇濃度選80%比較合理。

2.2 正交試驗結果分析

根據(jù)單因素試驗結果，以提取時間、乙醇濃度、料液比按三因素三水平進行正交試驗，如表1所示。

表1 正交試驗因素水平表Table 1 Factors and levels of orthogonal experiment

同號試驗水平做3次，總黃酮含量結果為3次平均值，試驗結果如表2所示。

表2 正交試驗結果Table 2 Result of orthogonal experiment

從表2中得出總黃酮提取量的工藝條件為：料液比1∶40 g/mL，提取時間40 min，乙醇濃度80%。

表3為正交結果的方差分析表，從表中各值可見料液比A和乙醇濃度C對試驗結果的影響非常顯著，提取時間B為次要因素。

表3 方差分析表Table 3 Analysis of variance

2.3 最小二乘支持向量模型的仿真及優(yōu)化分析

2.3.1 預測模型的仿真

在上述試驗基礎上，選取提取時間、乙醇濃度、料液比三個非線性因素作為模型的輸入變量，芹菜總黃酮提取含量作為輸出變量，首先采用SFLA算法對最小二乘支持向量機的參數(shù)優(yōu)化，得參數(shù)值為：核寬度σ=9.257 1，正則化參數(shù)γ=4.453 578。然后進行仿真，仿真結果如表2所示。由表中數(shù)據(jù)可知，正交數(shù)據(jù)與預測數(shù)據(jù)最大相對誤差為4.49%，最小相對誤差為0.2%，平均相對誤差為2.12%，精度較高。預測含量和實測含量的對比如圖4所示。

圖4 芹菜總黃酮實測數(shù)據(jù)與仿真數(shù)據(jù)對比Fig.4 Comparison of actual data and simulation data about total flavonoids in celery

可以看到預測值和實測值非常接近，擬合很好，說明SFLA優(yōu)化后的最小二乘支持向量機模型的預測結果是可靠的。

2.3.2 最小二乘支持向量模型的工藝優(yōu)化

傳統(tǒng)正交試驗方法得到的是已定水平上的工藝條件，不夠準確，為了得到更為精確的最優(yōu)工藝條件，利用SFLA優(yōu)化的LSSVM模型進行仿真。根據(jù)正交試驗分析，得到優(yōu)化組合為：提取時間40 min，1∶40 g/mL的料液比，80%乙醇，其中料液比和乙醇濃度為主要影響因子，而提取時間為次要因子。因此，在提取時間40 min、乙醇濃度80%固定條件下，運用模型在料液比1∶40 g/mL附近進行仿真，結果如圖5所示。

圖5 料液比對總黃酮提取量影響的仿真結果Fig.5 The simulation result of effect of solid/liquid ratio on the content of total flavonoids

從圖5中得到最佳料液比為1∶36 g/mL。

在提取時間40min、料液比1：40g/mL條件下，在乙醇濃度80%附近進行仿真，結果如圖6所示。

圖6 乙醇濃度對總黃酮提取量影響的仿真結果Fig.6 The simulation result of effect of ethanol concentration on the content of total flavonoids

從圖6中得到最佳乙醇濃度為82%。

最終，得出芹菜總黃酮提取的最優(yōu)工藝條件是：料液比1∶36 g/mL、提取時間40 min、乙醇濃度82%。此優(yōu)化條件下三次提取測得總黃酮含量平均值為8.32 mg/g，而正交試驗的優(yōu)化組合條件下，3次平均值為7.55 mg/g，采用LSSVM模型優(yōu)化工藝條件下所提取的總黃酮含量更高，說明該模型可以用于芹菜總黃酮提取的預測和工藝優(yōu)化。

3 結論

本文采用SFLA優(yōu)化參數(shù)后的最小二乘支持向量機預測模型，對芹菜總黃酮提取工藝條件進行優(yōu)化，得到最優(yōu)提取工藝條件為：料液比1∶36 g/mL，提取時間40 min，乙醇濃度82%，該條件下提取總黃酮含量高于正交試驗優(yōu)化組合條件下的提取含量。最小二乘支持向量機預測模型誤差小，且具有很好的預測能力，可用于芹菜總黃酮提取的預估和優(yōu)化。這對于芹菜農(nóng)產(chǎn)品深加工企業(yè)，降低成本，提高生產(chǎn)率具有重要的應用價值。

[1]章宏慧,陳況況,陳健初.芹菜中黃酮類化合物及其生物活性研究進展[J].食品工業(yè)科技,2013,34(13):388-391

[2]游庭活,劉凡,溫露,等.黃酮類化合物抑菌作用研究進展[J].中國中藥雜志,2013,38(21):3645-3650

[3]龔龍偉,周家華,許茜.黃酮類化合物抗胰腺癌作用研究進展[J].東南大學學報:醫(yī)學版,2013,32(4):515-518

[4]陳欲云,楊躍寰,蔣斌,等.芹菜總黃酮提取工藝的優(yōu)化[J].四川理工學院學報:自然科學版,2013,26(5):19-22

[5]張澤志,王福安,高霞,等.響應面法優(yōu)化芹菜總黃酮的微波提取工藝研究[J].鄭州大學學報:工學版,2010,31(6):95-99

[6]霍丹群,馮丹,周榮靈,等.BP神經(jīng)網(wǎng)絡優(yōu)化荷葉黃酮提取工藝及黃酮穩(wěn)定性實驗的探索[J].食品工業(yè)科技,2014,35(16):274-280

[7]Vapnik V.The nature of statistical learning theory[M].[S.l.]:Springer Verlag,1995

[8]劉代飛,尹吉,丁鳳其.基于最小二乘支持向量機和遺傳算法的氧化鋁懸浮焙燒能耗估計建模[J].計算機應用,2014,34(4):1217-1221

[9]Guang-Yu Zhu,Wei-Bo Zhang.An improved Shuffled Frog-leaping Algorithm to optimize component pick-and-place sequencing optimization problem[J].Original Research Article Expert Systems with Applications,2014,41(15):6818-6829

[10]秦業(yè),袁海文,袁海斌,等.基于優(yōu)化最小二乘支持向量機的電能質量擾動分類[J].電工技術學報,2012,27(8):209-214

[11]羅楊合,韋學豐,解慶林.可見分光光度法測定馬蹄皮中總黃酮的含量[J].食品研究與開發(fā),2009,30(6):135-138

[12]汪慎文,丁立新,謝大同,等.應用反向學習策略的群搜索優(yōu)化算法[J].計算機科學,2012,39(9):183-187

[13]陶新民,徐晶,楊立標,等.一種改進的粒子群和K均值混合聚類算法[J].電子與信息學報,2010,32(1):92-97

Optimization of Extraction Technology of Total Flavonoids from Celery Based on Least Square Support Vector Machine

ZENG Yan1，CHENG Xin-wen1，CHEN Yu-yun2，WANG Xiao1
（1.School of Computer Science，Sichuan University of Science&Engineering，Zigong 643000，Sichuan，China；2.Chemical and Pharmaceutical Engineering，Sichuan University of Science&Engineering，Zigong 643000，Sichuan，China）

In order to obtain the optimum extraction process parameters of total flavonoids in celery，the shuffled frog leaping algorithm（SFLA）which based on single factor and orthogonal test was applied to optimize the parameters of the least squares support vector machine （LSSVM），then prediction model of least squares support vector machine was established.By using the model to simulate the data of orthogonal experiment，the extraction technology of total flavonoids from celery was optimized.The experiment result showed that the optimized extraction conditions of total flavonoids from celery were the material/liquid ratio as 1∶36，ethanol concentration of 82%，and ultrasonic extraction duration of 40 min，the extraction yield of total flavonoids as8.32 mg/g.In conclusion，the content of total flavonoids extracted is higher than that of orthogonal test.

least square support vector machine；total flavonoids；orthogonal test；shuffled frog leaping algorithm

10.3969/j.issn.1005-6521.2015.08.014

釀酒生物技術及應用四川省重點實驗室開放基金項目（NJ2011-09）；企業(yè)信息化與物聯(lián)網(wǎng)測控技術四川省高校重點實驗室開放基金項目（編號：2014WYJ08）；四川理工學院科研項目資助（2013KY04）

曾燕（1979—），女（漢），講師，碩士，研究方向：人工智能。

2015-01-09