基于RSM 和BP-AdaBoost-GA 的紅茶發(fā)酵性能參數(shù)優(yōu)化

董春旺 趙杰文 朱宏凱 袁海波 葉 陽 陳全勝

(1.江蘇大學食品與生物工程學院， 鎮(zhèn)江 212013; 2.中國農業(yè)科學院茶葉研究所， 杭州 310008； 3.哥本哈根大學食品科學系, 菲特烈堡 999017)

基于RSM 和BP-AdaBoost-GA 的紅茶發(fā)酵性能參數(shù)優(yōu)化

董春旺1,2趙杰文1朱宏凱3袁海波2葉 陽2陳全勝1

(1.江蘇大學食品與生物工程學院， 鎮(zhèn)江 212013; 2.中國農業(yè)科學院茶葉研究所， 杭州 310008； 3.哥本哈根大學食品科學系, 菲特烈堡 999017)

為明確自行設計的滾筒式紅茶發(fā)酵機性能參數(shù)，以無量綱化的綜合評分為發(fā)酵品質評價指標，采用響應面法和基于改進型神經網絡的遺傳算法(BP-AdaBoost-GA)對影響發(fā)酵品質的3個因素(發(fā)酵溫度、發(fā)酵時間、翻拌間隔)進行優(yōu)化，并對2種方法的優(yōu)化效果進行比較。結果表明,各因素對發(fā)酵品質的影響重要性順序為：發(fā)酵溫度、翻拌間隔、發(fā)酵時間；采用響應面法優(yōu)化，當發(fā)酵溫度、發(fā)酵時間、翻拌間隔分別為25℃、150 min、20 min時，綜合評分預測值和實際值分別為0.863和0.856，相對誤差為0.8%;而采用BP-AdaBoost-GA優(yōu)化，當發(fā)酵溫度、發(fā)酵時間、翻拌間隔分別為27℃、170 min、25 min時，預測值和實際值分別為0.871和0.868，相對誤差為0.3%; BP-AdaBoost預測模型的決定系數(shù)和相對分析誤差分別為0.994和18.456，高于響應面法的0.988和9.577，且預測均方根誤差較低，為0.017。在紅茶發(fā)酵工藝的參數(shù)優(yōu)化中，采用BP-AdaBoost-GA方法能比響應面法更好地擬合模型,以及在全局變量范圍內推導最優(yōu)發(fā)酵條件。

紅茶發(fā)酵； 參數(shù)優(yōu)化； AdaBoost算法; 遺傳算法

引言

發(fā)酵是工夫紅茶加工的關鍵工序，直接決定成品茶的品質和風味特征[1-2]。目前，世界范圍內紅茶發(fā)酵方式主要分為傳統(tǒng)發(fā)酵和設備發(fā)酵(單機或連續(xù)式生產線)[3]。傳統(tǒng)發(fā)酵是將揉捻葉置于發(fā)酵筐中，使其處于自然環(huán)境完成。設備發(fā)酵采用可控制溫濕度環(huán)境的多層攤放結構，上下層間溫濕度有一定差異，且攤葉的厚度不均，不具備翻拌勻葉的功能，致使發(fā)酵葉酶促氧化程度不統(tǒng)一，難以滿足高品質工夫紅茶的工藝技術要求[4-5]。

響應面(Response surface methodology,RSM)和基于人工神經網絡(Artificial neural network,ANN)的遺傳算法(Genetic algorithm,GA)是2 種在發(fā)酵實驗非線性優(yōu)化中被運用的方法[6-7]。尤其是基于人工神經網絡的遺傳算法(ANN-GA),由于能夠把發(fā)酵過程的動態(tài)行為在一個非線性模型中描述，可以有效克服RSM 的缺點,具有更高的擬合度與精準的預測值[7-11]，但其在紅茶的發(fā)酵參數(shù)優(yōu)化應用中仍是空白。

基于發(fā)酵原理和工藝技術理論，課題組設計出具有翻拌功能的滾筒式紅茶發(fā)酵機，但其配套的工藝參數(shù)及對品質的影響關系尚需明確[3]。本文以所設計的發(fā)酵機為試驗平臺，以成品紅茶的感官品質、理化品質為主控目標，對影響發(fā)酵品質的設備運行參數(shù)(發(fā)酵溫度、發(fā)酵時間、翻拌間隔)進行試驗研究，采用RSM和BP-AdaBoost-GA等方法尋求較優(yōu)的參數(shù)組合，以期為進一步提高工夫紅茶品質提供理論依據和參考。

1 材料與方法

1.1 材料與設備

1.1.1 發(fā)酵機結構與工作原理

滾筒式發(fā)酵機的總體結構如圖1所示。該機器主要由發(fā)酵筒、翻拌裝置、隧道加熱系統(tǒng)、控制系統(tǒng)、進出料系統(tǒng)和支架等組成。具有定時翻拌、自動控制溫濕度、自動進出料、發(fā)酵狀態(tài)監(jiān)控等功能。

工作原理：翻拌裝置的柔性刮板旋轉帶動物料均勻翻拌，使制品的酶促氧化反應更加均勻。隧道加熱系統(tǒng)連接發(fā)酵筒內環(huán)境和外部自然環(huán)境，新鮮空氣攜霧化蒸汽流經隧道進行適度加熱，經氣路輸送至發(fā)酵筒內，同時將筒內發(fā)酵廢氣和多余熱量排出。發(fā)酵環(huán)境的監(jiān)控則由控制系統(tǒng)通過PLC控制空氣加熱器和超聲波霧化單元的通斷實現(xiàn)。進出料系統(tǒng)可使機身整體傾斜實現(xiàn)快速出料。

圖1 滾筒式富氧發(fā)酵機結構Fig.1 Structural diagram of fermentation machine1.筒體 2.轉軸 3.柔性刮片 4.刮板 5.進料口 6.隧道加熱系統(tǒng) 7.傾斜氣缸 8.出料門 9.取料口 10.排氣口

1.1.2 樣品收集與儀器

試驗原料采用小葉鳩坑品種，形狀特征以一芽一葉為主，除發(fā)酵外,萎凋、揉捻、干燥等工序條件均一致。試驗于2016年4月份(春茶季節(jié))在浙江省更香有機茶有限公司進行，驗證試驗在2016年5月份(春茶后期)進行。試驗使用的主要儀器設備有滾筒式紅茶發(fā)酵機(自制)、6CR-40型揉捻機(浙江綠峰機械有限公司)、6CH-3型干燥機(浙江高山茶機廠)和RHXL3SD型溫濕度記錄儀(日本OMRON公司)。

按照GB/T 30483—2013《茶葉中茶黃素的測定-高效液相色譜法》測定茶黃素、茶紅素含量。對樣品進行凍干和磨粉預處理，利用PDGU-20A3型高效液相色譜儀(日本島津公司)完成測定。依據GB/T 23776—2009《茶葉感官審評方法》并采用密碼審評形式評定各茶樣的感官品質。

1.2 試驗設計與方法

1.2.1 響應面設計

在單因素試驗基礎上，并依據中心組合理論(CCD)[3], 以感官評分和理化品質的茶黃素(TFs)和茶紅素(TRs)含量等作為響應值，對發(fā)酵溫度、發(fā)酵時間、翻拌間隔等因素進行響應面試驗研究。利用三因素二次回歸試驗設計方案，對影響發(fā)酵品質的3個主要參數(shù)組合完成優(yōu)化。試驗因素及編碼見表1。

表1 試驗因素與編碼Tab.1 Test factors and levels

1.2.2 發(fā)酵品質的無量綱化

發(fā)酵品質的評價分為感官品質和理化品質，感官品質即經干燥后制成的成品茶由感官評審專家按色、香、味、形進行評分而得，具有一定的主觀性；理化品質主要指發(fā)酵中形成的茶色素(TFs、TRs)含量，雖然具有客觀性，但不能全面地反映出香氣、外形等其他品質。因此對感官評分、TFs、TRs等3個變量通過極差歸一化法進行無量綱化處理[12](每列中最大值得分為1，最小值得分為0)，按照重要性賦予權重系數(shù)形成綜合評分將更好地表征發(fā)酵的綜合品質。無量綱值轉換公式為

Yi=(Xi-Xi min)/(Xi max-Xi min)
(i=1,2,…，n)

(1)

式中Xi——試驗值Yi——無量綱值Xi min——最小試驗值Xi max——最大試驗值n——試驗數(shù)

本試驗中，專家感官評分指標權重為0.5，而TFs、TRs等指標，僅以排隊評分權重各為0.25，故其評分公式為

Y=0.5Y1+0.25Y2+0.25Y3

(2)

式中Y——綜合評分Y1、Y2、Y3——感官評分、茶黃素質量分數(shù)、茶紅素質量分數(shù)，無量綱

1.2.3 BP-AdaBoost 算法

BP-ANN是一種經典人工神經網絡算法[13]，其在各個領域都有著廣泛的應用，但存在收斂速度緩慢，易陷入局部最小等缺點。神經網絡預測精度的好壞與優(yōu)化結果有著密切關系，而通過粒子群算法、蟻群算法和AdaBoost等智能算法可以提高神經網絡模型的預測精度和泛化能力，更能滿足具有非線性、時變性和不確定性的模型預測需要[13-14]。

AdaBoost算法作為一種集成算法，通過將多個BP神經網絡作為弱分類器構建成強學習器，并進行集成學習，稱之為BP-AdaBoost方法，該算法可以在一定程度上克服BP-ANN局部極小和過擬合的缺陷，從而提高整個模型的預測精度和泛化能力。建立BP-AdaBoost模型的步驟如下[15]：

(1)初始化。從樣本空間選擇m組訓練數(shù)據，初始化測試數(shù)據的分布權值Dt(i)=1/m，確定預測誤差閾值Φ，弱預測器個數(shù)T，初始化BP神經網絡的權值和閾值。

(2)訓練弱預測器。訓練第t個弱預測器時，先用訓練集訓練BP神經網絡(即弱預測器)，然后用剛訓練的弱預測器預測該訓練數(shù)據的輸出值ht(x)，并計算該弱預測器預測誤差的絕對值，公式為

e(i)=|ht(xi)-yi| (i=1,2,…,m)

(3)

式中xi——弱預測器的輸入變量yi——綜合評分的實際值

(3)計算誤差和εt，其計算公式為

εt=∑Dt(i) (e(i)>Φ)

(4)

(4)計算弱預測器權重系數(shù)。根據εt，計算權重系數(shù)wt，其計算公式為

(5)

(5)調整測試數(shù)據權重。根據權重系數(shù)wt調整下一輪訓練樣本的權重，調整公式為

(6)

式中，Bt是歸一化因子，能使樣本的分布權值和為1，并且保持各成分的權重比不變。

(6)強預測器輸出。經過T次訓練，得到T組弱預測函數(shù)f(ht(x),wt)，并由其加權組合得到最終的強預測器輸出F(x)，其計算公式為

(7)

1.2.4 BP-AdaBoost-GA預測模型建立及優(yōu)化

對于未知的非線性函數(shù)，僅通過函數(shù)輸入輸出數(shù)據難以精確尋找函數(shù)極值，而遺傳算法通過模擬自然界遺傳機制和生物進化論能夠進行并行隨機搜索最優(yōu)化，所以將神經網絡的非線性擬合能力和遺傳算法的非線性尋優(yōu)能力相結合，進而尋找函數(shù)的極值[16-17]。

BP-AdaBoost-GA模型的建立包括 3 個步驟：BP-AdaBoost神經網絡的建立、定義目標函數(shù)以及遺傳算法尋優(yōu)求解。首先，基于51組RSM試驗處理，通過BP-AdaBoost神經網絡方法建立輸入變量與輸出變量的非線性關系。然后定義遺傳算法的適應度函數(shù)，并在發(fā)酵工藝的約束條件下，利用遺傳算法的全局搜索能力找到適應度函數(shù)(綜合評分)的最優(yōu)解。根據上述步驟，BP-AdaBoost-GA建模流程如圖2所示。

1.2.5 數(shù)據分析與處理

采用 Design-Expert Version 9(美國Stat-Ease公司)進行試驗設計、數(shù)據處理與統(tǒng)計分析，算法運行平臺為Matlab 2014b (美國MathWorks公司)。

圖2 BP-AdaBoost-GA算法流程圖Fig.2 Modeling flow chart of BP-AdaBoost-GA

2 結果與分析

2.1 響應面試驗方案設計

根據CCD試驗方案進行三因素三水平響應面分析試驗，共17個試驗點，其中包括14 個分析因子，3個零點估計誤差。每組試驗進行3次重復，共51組發(fā)酵試驗。每次試驗結束，取樣30 g凍干磨粉后進行茶色素分析，同步取樣100 g干燥固樣后用于感官評分。取3次重復試驗結果的平均值作為目標值，表2為響應面試驗設計與試驗結果。

表2 試驗設計方案及響應值結果Tab.2 Design scheme and response values

2.2 響應面模型及顯著性檢驗

針對表2 中的樣本數(shù)據，運用 Design-Expert 數(shù)據分析軟件進行多元回歸擬合分析，建立綜合評分Y對3個自變量(x1、x2、x3)的二次多項式回歸模型為

(3)

回歸方程中各變量對指標影響的顯著性由F檢驗判定，概率P越小則相應變量的顯著性越高。由表3分析可知，表中各項的F檢驗均很顯著，說明試驗響應值的變化非常復雜，各個試驗因素對響應值的影響不是簡單的線性關系，而是二次關系，且3個因素間存在明顯的交互作用。

表3 響應面方差分析結果Tab.3 Variance analysis result of response surface model

圖3 綜合評分與發(fā)酵溫度、發(fā)酵時間、翻拌間隔的4D切片圖Fig.3 4D slices of comprehensive scores with fermentation temperature, fermentation time and rotational interval

由于響應面的回歸模型F檢驗很顯著(P=0.000 1<0.05)，失擬項不顯著(P>0.05)，表明在試驗范圍內，回歸模型與實際情況擬合度較好；R2值為0.9885, 調整后的R2值為0.9738, 變異系數(shù)為7.06%，表明模型可以解釋97%以上響應值變化，僅有總變異的2.62%不能用此模型來解釋；預測值與實際值之間具有高度相關性，試驗誤差較小。

2.3 因素影響效應分析

回歸方程各項方差分析表明，由表3 中各因素F值分析可知，發(fā)酵溫度(x1)、發(fā)酵時間(x2)、翻拌間隔(x3)對綜合評分(Y)的影響重要性順序為：x1、x3、x2。為了更直觀地分析3個因素對發(fā)酵綜合品質的影響關系，基于式(3)和Matlab 圖形設計技術，繪制四維切片圖來直觀描述因素對指標的影響效應。建立x1為28、32℃，x2為170、210 min，x3為25、45 min等6個坐標點對應的切片圖(圖3a)，以及Y的等值曲線網格(圖3b)，切面和網格的顏色用于描述綜合評分值(圖3a)。

由表2和圖3可知，在設定參數(shù)范圍內的總體影響趨勢為：發(fā)酵溫度越高、發(fā)酵時間越短、翻拌間隔適度時，發(fā)酵品質的綜合評分越高。發(fā)酵溫度越低，TFs和TRs含量越高，說明低溫利于茶色素的形成與保留，并隨發(fā)酵時間呈逐漸衰減趨勢。適度的翻拌利于品質的提升，但翻拌頻次過高或過低又會降低品質。

圖4 各因素對綜合評分的響應曲面Fig.4 Response surfaces of three factors to comprehensive score

雙因素交互效應分析：任意固定某個因素在 0 水平，研究其余 2 個因素間的交互效應，作出響應曲面圖(圖4)。由圖 4a 可以看出，綜合評分隨著發(fā)酵溫度的增加而逐漸降低，曲面陡峭；當發(fā)酵溫度不變時，隨著發(fā)酵時間的延長，綜合評分逐漸降低，但趨勢不明顯，而發(fā)酵溫度對綜合評分的影響更為顯著。由圖 4b 可以看出，綜合評分隨著發(fā)酵中翻拌間隔時間的增加，呈先增后降的趨勢，當翻拌間隔約為30 min時綜合評分達到最大值；當翻拌間隔時間一定時，隨著發(fā)酵溫度的增加，綜合評分逐漸降低，達到30℃后趨勢減緩。

2.4 各因素的最優(yōu)參數(shù)組合

理想的參數(shù)優(yōu)化結果是在約束條件范圍內盡可能提高綜合評分的數(shù)值，因此將綜合評分作為評價指標，通過優(yōu)化對建立的全因子二次回歸模型進行優(yōu)化求解，優(yōu)化約束條件為：目標函數(shù)maxY(x1，x2，x3)；變量區(qū)間25≤x1≤35，150≤x2≤240，0≤x3≤60。

優(yōu)化得到的最佳參數(shù)組合為：發(fā)酵溫度25℃，發(fā)酵時間150 min，翻拌間隔為20 min，優(yōu)化后的綜合評分理論值為0.863，高于表2中9號試驗的0.805。

2.5 BP-AdaBoost-GA模型優(yōu)化結果

本研究采用的BP-ANN模型以x1、x2、x3為輸入值，以Y為輸出值。將51組試驗結果作為訓練集，用于神經網絡模型的建立，將表2中的17個試驗均值結果作為預測集，用于考核所建立模型的預測性能。隱含層和輸出層的傳遞函數(shù)分別為tansig函數(shù)和Purelin函數(shù),以預測均方根誤差、R2和相對分析誤差等指標評價模型的預測能力，通常預測均方根誤差越小，R2和相對分析誤差越大，模型的預測精度和泛化性越好。隱含層節(jié)點數(shù)計算公式[18]為

(4)

式中N——隱含層節(jié)點數(shù)Lin——輸入層節(jié)點數(shù)Lout——輸出層節(jié)點數(shù)

按式(4)得到隱含層節(jié)點數(shù)為3～12，BP-AdaBoost模型中弱分類器數(shù)T設為10。隱含層節(jié)點數(shù)N、預測誤差閾值Φ對BP-AdaBoost模型的預測精度影響較大，故在選取的范圍內將參數(shù)Φ和主成分因子數(shù)一起進行進一步尋優(yōu)處理。分別選取20個Φ值(0.1～1，步長為0.05)和20個N值(1～20，步長為1)，以模型的預測均方根誤差來優(yōu)選參數(shù)，優(yōu)化結果如圖5所示。從圖5中可知，當N為7，Φ=0.25時，模型的預測均方根誤差最小(0.017)，模型效果最好。

在所建的BP-AdaBoost網絡基礎上,以綜合評分作為遺傳算法的適應度函數(shù),設定進化迭代數(shù)(maxgen)為30,種群規(guī)模為30；交叉概率為0.4；變異系數(shù)為0.3；群體的適應度函數(shù)經過30 次的迭代后，遺傳算法得到的最高個體適應度(綜合評分的最大值)為0.871，此時對應的適應度函數(shù)值(26.8℃，172.1 min，24.8 min),即圓整后最佳發(fā)酵工藝參數(shù)組合為：發(fā)酵溫度27℃，發(fā)酵時間170 min，翻拌間隔為25 min。

2.6 RSM和BP-AdaBoost-GA優(yōu)化方法的比較

由圖6和表3結果可見，通過BP-AdaBoost神經網絡所預測的數(shù)據與最佳模擬曲線基本重合, 其模型評價指標(預測均方根誤差為0.017、R2為0.994、相對分析誤差為18.456)均優(yōu)于RSM模型，這表明BP-AdaBoost模型的預測能力優(yōu)于響應面法。

從表 4 的結果可知,在BP-AdaBoost神經網絡的基礎上,通過GA估計的綜合評分達到0.871, 試驗值為0.868, 相對誤差為0.3%；而響應面法經過二次多項式擬合后的最優(yōu)值為0.863，試驗值為0.856, 相對誤差為0.8%?？梢婍憫骖A測的極值并非真實的最大綜合評分，表明響應面法預測存在一定誤差，而遺傳算法的優(yōu)化值更貼近極值，這與其他研究者在其他工藝優(yōu)化中的結果一致[16-17，19]。

2.7 翻拌對發(fā)酵品質的影響

為進一步明確翻拌對紅茶品質的影響規(guī)律，以BP-AdaBoost-GA優(yōu)化的工藝參數(shù)為基準進行試驗。在發(fā)酵溫度(27℃)、發(fā)酵時間(170 min)不變的情況下,翻拌間隔分別設定為0 min(持續(xù)翻拌)、25 min和170 min(不翻拌)。每間隔30 min取樣，檢測TFs、TRs和感官評分，結果如圖7所示。

由圖7知，在發(fā)酵初始階段,翻拌越頻繁越能加快TFs、TRs的形成和累積，且在含量上高于不翻拌發(fā)酵，但當TFs、TRs含量達到最大值后，也會加快含量的衰減。從感官評分來看，翻拌發(fā)酵樣品的評分整體高于不翻拌的發(fā)酵樣品，翻拌間隔為25 min的樣品感官評分最高。

圖6 RSM 和BP-AdaBoost-GA 模型預測值散點圖Fig.6 Actual and predicted plot of comprehensive score by RSM and BP-AdaBoost-GA model in model constructing set

表4 RSM和BP-AdaBoost-GA方法的發(fā)酵條件優(yōu)化比較Tab.4 Comparison of optimized fermentation conditions between RSM and BP-AdaBoost-GA

圖7 發(fā)酵中理化品質和感官評分的變化趨勢Fig.7 Changing trend of physical and chemical qualities and sensory scores during fermentation

紅茶發(fā)酵過程是個復雜的反應體系[20]，其主體反應是以多酚類為主的酶促氧化反應，形成TFs、TRs等物質，同時伴隨水解、異構、合成和降解等其他反應，形成紅茶的特有品質和風味。相對于傳統(tǒng)發(fā)酵，翻拌能使發(fā)酵廢氣及時排出，發(fā)酵葉將獲得更多的觸氧機會，加速了酶促氧化反應進程和縮短了發(fā)酵時間。但過度的翻拌致使供氧過量，導致前期形成的TFs、TRs繼續(xù)劇烈氧化衰減，降低了茶湯湯色、葉底和滋味等品質。綜合分析，翻拌功能對紅茶發(fā)酵品質的影響具有兩面性，控制翻拌的時機對紅茶品質的形成至關重要。

3 結論

(1)提出了一種紅茶發(fā)酵感官品質和理化品質相融合的無量綱化綜合品質評價方法，并針對新型滾筒式紅茶發(fā)酵機，通過CCD中心試驗明確了各因素對綜合品質的影響重要性順序為：發(fā)酵溫度、翻拌間隔、發(fā)酵時間。

(2)通過響應面法(RSM)、基于AdaBoost改進的BP神經網絡和遺傳算法相結合的BP-AdaBoost-GA方法的對比和驗證試驗，表明本研究機型的最佳性能參數(shù)為：發(fā)酵溫度27℃、發(fā)酵時間170 min和翻拌間隔25 min，發(fā)酵品質的最高綜合評分為0.871，翻拌功能對紅茶發(fā)酵品質的影響具有利弊雙面性。

(3)本試驗中，RSM和BP-AdaBoost-GA方法對發(fā)酵參數(shù)的優(yōu)化都是可行的，但響應面法的擬合被限制在二次多項式的基礎上，其對試驗數(shù)據的擬合能力有限；而基于改進的神經網絡和遺傳算法相結合的方式，具有更好的全局極值預測能力和準確性。因此，在工夫紅茶發(fā)酵工藝優(yōu)化中， BP-AdaBoost-GA方法較廣泛使用的 RSM更具優(yōu)勢。

1 OWUOR P O, OBANDA M, NYIRENDA H E, et al. Influence of region of production on clonal black tea chemical characteristics[J]. Food Chemistry, 2008, 108(1): 263-271.

2 ROBERTS E. The chemistry of tea manufacture[J]. Journal of the Science of Food and Agriculture, 1958，9(7): 381-390.

3 董春旺, 葉陽, 江用文, 等. 工夫紅茶可視化富氧發(fā)酵機設計及試驗研究[J]. 茶葉科學, 2015(4): 370-376. DONG Chunwang,YE Yang,JIANG Yongwen, et al. Design and experimental investigation of congou black tea visual aerobic fermentation machine[J]. Journal of Tea Science, 2015(4): 370-376.(in Chinese)

4 MUTHUMANI T, KUMAR R S. Influence of fermentation time on the development of compounds responsible for quality in black tea[J]. Food Chemistry, 2007, 101(1): 98-102.

5 OBANDA M, OWUOR P O, MANG’OKA R. Changes in the chemical and sensory quality parameters of black tea due to variations of fermentation time and temperature[J]. Food Chemistry, 2001, 75(4): 395-404.

6 CHEN W C, KURNIAWAN D. Process parameters optimization for multiple quality characteristics in plastic injection molding using Taguchi method, BPNN, GA, and hybrid PSO-GA[J]. International Journal of Precision Engineering & Manufacturing, 2014, 15(8): 1583-1593.

7 PILKINGTON J L, PRESTON C, GOMES R L. Comparison of response surface methodology (RSM) and artificial neural networks (ANN) towards efficient extraction of artemisinin fromArtemisiaannua[J]. Industrial Crops and Products, 2014, 58: 15-24.

8 SINHA K, CHOWDHURY S, SAHA P D, et al. Modeling of microwave-assisted extraction of natural dye from seeds ofBixaorellana(Annatto) using response surface methodology (RSM) and artificial neural network (ANN)[J]. Industrial Crops and Products, 2013, 41: 165-171.

9 康建明,陳學庚,溫浩軍,等.基于響應面法的梳齒式采棉機采收臺優(yōu)化設計[J/OL].農業(yè)機械學報,2013,44(增刊2):57-61. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2013s212&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2013.S2.012. KANG Jianming,CHEN Xuegeng,WEN Haojun, et al.Optimization of comb-type cotton picker device based on response surface methodology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(Supp.2):57-61. (in Chinese)

10 龐昌樂,柏林杰,劉良.連續(xù)閉式循環(huán)氨脫除工藝響應面法優(yōu)化[J/OL].農業(yè)機械學報,2017,48(2):289-293. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170238&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.02.038 PANG Changle,BAI Linjie,LIU Liang.Optimization of continuous air-recirculation process for ammonia removal by response surface methodology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(2):289-293. (in Chinese)

11 文鵬程, 王軍, 任發(fā)政,等. 牧區(qū)奶干渣組合式發(fā)酵劑響應面法優(yōu)化[J/OL]. 農業(yè)機械學報, 2014, 45(8): 241-247. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140839&flag=1. DOI:10.6041/j.issn.1000-1298.2014.08.039 WEN Pengcheng, WANG Jun, REN Fazheng, et al. Optimization of combined fermentation starter of milk dried residue in pastoral areas by response surface methodology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(8):241-247. (in Chinese)

12 何昌德, 董春旺, 吳鋒. 基于虛擬正交試驗的汽車轉向盤骨架優(yōu)化設計的研究[J]. 汽車工程, 2013, 35(4): 326-330. HE Changde, DONG Chunwang, WU Feng. A study on the optimization design of vehicle steering wheel frame base on virtual orthogonal experiment[J]. Automotive Engineering, 2013, 35(4):326-330. (in Chinese)

13 PAN W, ZHAO J, CHEN Q, et al. Simultaneous and rapid measurement of main compositions in black tea infusion using a developed spectroscopy system combined with multivariate calibration[J]. Food Analytical Methods, 2014, 8(3): 749-757.

14 SINHA K, SAHA P D, DATTA S. Response surface optimization and artificial neural network modeling of microwave assisted natural dye extraction from pomegranate rind[J]. Industrial Crops and Products, 2012, 37(1): 408-414.

15 劉國海, 肖夏宏, 江輝, 等. 基于BP-AdaBoost的近紅外光譜檢測固態(tài)發(fā)酵過程pH值[J]. 江蘇大學學報, 2013, 34(5): 574-578. LIU Guohai, XIAO Xiahong, JIANG Hui, et al. Detection of pH variable in solid-state fermentation process by FT-NIR spectroscopy and BP-AdaBoost[J]. Journal of Jiangsu University, 2013, 34(5):574-578. (in Chinese)

16 DESAI K M, SURVASE S A, SAUDAGAR P S, et al. Comparison of artificial neural network (ANN) and response surface methodology (RSM) in fermentation media optimization: case study of fermentative production of scleroglucan[J]. Biochemical Engineering Journal, 2008, 41(3): 266-273.

17 GUO W, ZHANG Y, LU J, et al. Optimization of fermentation medium for nisin production from Lactococcus lactis subsp. lactis using response surface methodology (RSM) combined with artificial neural network-genetic algorithm (ANN-GA)[J]. African Journal of Biotechnology, 2013, 9(38): 6264-6272.

18 KARSOLIYA S. Approximating number of hidden layer neurons in multiple hidden layer BPNN architecture[J]. International Journal of Engineering Trends and Technology, 2012, 3(6): 713-717.

19 ADEYEMO J, ENITIAN A. Optimization of fermentation processes using evolutionary algorithms—a review[J]. Scientific Research and Essays, 2011, 6(7): 1464-1472.

20 桂安輝, 朱宏凱, 何華鋒, 等. 基于動態(tài)聚類分析的工夫紅茶發(fā)酵過程品質成分變化與發(fā)酵適度判別的研究[J]. 中國農學通報, 2016, 32(7): 196-204. GUI Anhui,ZHU Hongkai, HE Huafeng, et al. Quality components variation and fermenting degree discrimination during fermentation process of congou black tea based on dynamic cluster analysis[J]. Chinese Agricultural Science Bulletin, 2016, 32(7): 196-204. (in Chinese)

Parameter Optimization of Black Tea Fermentation Machine Based on RSM and BP-AdaBoost-GA

DONG Chunwang1,2ZHAO Jiewen1ZHU Hongkai3YUAN Haibo2YE Yang2CHEN Quansheng1
(1.SchoolofFoodandBiologicalEngineering，JiangsuUniversity，Zhenjiang212013，China2.TeaResearchInstitute,ChineseAcademyofAgriculturalSciences,Hangzhou310008,China3.DepartmentofFoodScience,UniversityofCopenhagen,Frederiksberg999017,Denmark)

Fermentation is the key procedure in processing of congou black tea, which directly decides the quality and flavor of tea products. Fermentation experiments were conducted on a novel drum-type fermentation machine as the platform, the performance parameters of fermentation machine were clarified. Methodologically, with dimensionless comprehensive scores as a measure of fermentation quality, response surface methodology (RSM) and back-propagation adaptive boosting based genetic algorithm (BP-AdaBoost-GA) were used separately to optimize three parameters (fermentation temperaturex1, fermentation timex2, rotational intervalx3) that affect fermentation quality. Also the optimizing effects of RSM and BP-AdaBoost-GA were compared. Results showed that the importance degrees of the three parameters ranked asx1>x3>x2. With RSM atx1=25℃,x2=150 min andx3=20 min, the predicted and actual values of comprehensive scores were 0.863 and 0.856, respectively, showing relative error of 0.8%. With BP-AdaBoost-GA atx1=27℃,x2=170 min andx3=25 min, the predicted and actual values of comprehensive scores were 0.871 and 0.868, respectively, showing relative error of 0.3%. When the BP-AdaBoost had seven nodes in the hidden layer and a prediction error threshold of 0.25, its determination coefficient was greater than that of RSM (0.994vs0.988), and it had lower root mean square error of prediction (RMSEP) of 0.017 and residual predictive deviation (RPD) equaled to 18.456. Both RSM and BP-AdaBoost-GA were feasible for optimization of fermentation parameters. However, the fitting ability of RSM was limited because it was based on quadratic polynomial regression, while the fitting ability over experimental data was limited. The algorithm combining improved neural network and GA had higher global extremum prediction ability and higher accuracy. Thus, it can be concluded that even though RSM was the most widely used method for fermentation parameter optimization, BP-AdaBoost-GA methodology may present a better alternative. In the meantime, the rotation function had both advantages and disadvantages on the fermentation quality of black tea, moderate rotation and mixing material can enhance the quality of black tea and shorten the fermentation time.

black tea fermentation; parameter optimization; AdaBoost algorithm; genetic algorithm

2016-11-02

2016-12-05

國家自然科學基金項目(31271875)、浙江省自然科學基金項目(Y16C160009)和浙江省重點研發(fā)計劃項目(2015C02001)

董春旺(1980—)，男，博士生，中國農業(yè)科學院助理研究員，主要從事茶葉加工裝備研究，E-mail: dongchunwang@tricaas.com

陳全勝(1973—)，男，教授，博士生導師，主要從事現(xiàn)代食品無損檢測技術研究，E-mail: qschen@ujs.edu.cn

10.6041/j.issn.1000-1298.2017.05.042

TS272.4; TP183

A

1000-1298(2017)05-0335-08