焦 潤 潤， 鞏 建 強(qiáng)， 侯 紅 漫， 畢 景 然

( 大連工業(yè)大學(xué) 食品學(xué)院, 遼寧 大連 116034 )

0 引 言

魚露是一種常見的傳統(tǒng)調(diào)味料，在東南亞和東亞地區(qū)廣泛使用。以低值鳀魚(Engraulisjaponicus)為原料的傳統(tǒng)魚露發(fā)酵是將魚鹽混合均勻后置于地下進(jìn)行密封發(fā)酵。魚蛋白在魚體自身所含的蛋白酶系和多種微生物的共同作用下，被水溶為蛋白質(zhì)、肽和氨基酸，形成獨(dú)特的風(fēng)味。完全依賴自然體系的魚露發(fā)酵需要2～3年，故其生產(chǎn)周期長，生產(chǎn)能力低[1]。因此，實現(xiàn)魚露的快速發(fā)酵至關(guān)重要。

在魚露發(fā)酵過程中，其品質(zhì)指標(biāo)揮發(fā)性鹽基氮(TVB-N)和氨基酸態(tài)氮(AN)質(zhì)量濃度隨外界因素(時間和溫度)和內(nèi)部因素(米曲霉添加量、含鹽量和pH)的變化而變化。同時，對TVB-N和AN質(zhì)量濃度的測定均為有損檢測，且存在取樣操作程序復(fù)雜、煩瑣、耗時較長等問題[2-3]。因此，實現(xiàn)對魚露發(fā)酵過程中的品質(zhì)指標(biāo)TVB-N和AN質(zhì)量濃度預(yù)測至關(guān)重要。預(yù)測模型在食品領(lǐng)域已有較廣泛的應(yīng)用。其中主成分回歸(PCR)將主成分作為新的自變量代替原來的自變量作回歸建模處理[4]。偏最小二乘回歸(PLS)將有效成分逐步提取，并逐步檢查校驗?zāi)Ｐ偷娘@著性情況[5-6]。BP神經(jīng)網(wǎng)絡(luò)在模式識別、函數(shù)逼近、分類和數(shù)據(jù)壓縮等領(lǐng)域均有應(yīng)用[7-8]。

本研究以鳀魚為原料，采用在保溫基礎(chǔ)上加米曲霉的方法，設(shè)計不同的發(fā)酵條件，使魚蛋白加速分解，實現(xiàn)魚露的快速發(fā)酵，并對魚露發(fā)酵過程不同時間段的理化指標(biāo)進(jìn)行檢測。利用PCR、PLS和BP神經(jīng)網(wǎng)絡(luò)模型對魚露釀造過程中TVB-N和AN質(zhì)量濃度進(jìn)行預(yù)測研究。由于目前關(guān)于魚露發(fā)酵過程中TVB-N和AN質(zhì)量濃度預(yù)測方面的研究較少，故本實驗探究魚露發(fā)酵過程中可知指標(biāo)(發(fā)酵時間、發(fā)酵溫度、加曲量)和易測指標(biāo)(含鹽量、pH)與揮發(fā)性鹽基氮和氨基酸態(tài)氮質(zhì)量濃度的關(guān)系。以相關(guān)性較強(qiáng)的指標(biāo)為模型輸入，對TVB-N和AN質(zhì)量濃度進(jìn)行預(yù)測，建立魚露發(fā)酵過程中TVB-N和AN質(zhì)量濃度的PCR、PLS和BP預(yù)測模型，并比較各模型的相關(guān)系數(shù)(R2)、均方根誤差(RMSE)和相對分析誤差(RPD)，得到TVB-N和AN質(zhì)量濃度的最優(yōu)預(yù)測模型，簡化魚露品質(zhì)檢測的試驗操作。

1 材料與方法

1.1 材 料

鳀魚，大連遼漁集團(tuán)有限公司；麩皮、面粉、海鹽、糖漿、食用酒精，市售；鹽酸、硼酸、氧化酶、氫氧化鈉、酚酞、甲醛、硝酸銀、鉻酸鉀，均為市售國產(chǎn)分析純；米曲霉，中科3.951(即瀘釀3.042)。

1.2 儀 器

pH計，梅特勒-托利多儀器(上海)有限公司；海能K9840自動凱氏定氮儀，濟(jì)南海能儀器股份有限公司。

1.3 方 法

1.3.1 樣品制備

將麩皮4 kg、蛋白胨160 g、水3.68 kg攪拌均勻，靜置30 min，放入高壓蒸汽滅菌鍋中，105 ℃ 保溫40 min；準(zhǔn)確稱取面粉160 g，殺菌20 min；準(zhǔn)確稱取米曲霉16 g。將曲料取出，與米曲霉、面粉混勻，30 ℃培養(yǎng)16 h，補(bǔ)充40 ℃的溫水160 g，30 ℃ 培養(yǎng)14 h，維持室溫培養(yǎng)36 h，此時即為塊狀發(fā)酵曲。

以發(fā)酵溫度、加曲量、加鹽量三因素設(shè)計試驗，方案見表1。將2 kg鳀魚、160 g水、海鹽、成曲攪勻裝罐，表面撒海鹽6.25 g，移入30 ℃培養(yǎng)箱，培養(yǎng)7 d至魚體基本液態(tài)，每個發(fā)酵罐加入糖漿50 g和95%食用酒精50 g，攪拌均勻，加蓋封口，發(fā)酵3月。從加入糖漿和酒精后開始每隔10 d 進(jìn)行取樣直至發(fā)酵結(jié)束。

表1 試驗方案Tab.1 The scheme of experiment

1.3.2 測定方法

pH的測定參照國標(biāo)GB 5009.237—2016；鹽度的測定參照國標(biāo)GB 5009.39—2003。氨基酸態(tài)氮的測定參照國標(biāo)GB 5009.235—2016，采用酸度計法對樣品中的氨基酸態(tài)氮進(jìn)行檢測。TVB-N測定參照國標(biāo)GB 5009.228—2016，采用半微量定氮法對樣品進(jìn)行TVB-N的測定。

1.3.3 分析方法

應(yīng)用SPSS、Origin軟件對魚露發(fā)酵過程中的常規(guī)數(shù)理進(jìn)行統(tǒng)計分析，運(yùn)用The Unscrambler和Matlab軟件的PCR、PLS和BP神經(jīng)網(wǎng)絡(luò)法對TVB-N和AN進(jìn)行預(yù)測[9]。主要采用R2、RMSE和RPD對3種預(yù)測模型的預(yù)測精度進(jìn)行檢驗。根據(jù)常用的評價標(biāo)準(zhǔn)，如果R2≥0.79且RPD>2.25，該模型可被認(rèn)為能實現(xiàn)對魚露中TVB-N和AN質(zhì)量濃度的定量預(yù)測[10]。

2 結(jié)果與討論

2.1 魚露發(fā)酵過程中理化指標(biāo)檢測

根據(jù)表1的試驗條件進(jìn)行發(fā)酵試驗，測定發(fā)酵過程不同時間段內(nèi)魚露發(fā)酵產(chǎn)物中的鹽、pH、TVB-N、氨基酸態(tài)氮質(zhì)量濃度。

2.2 相關(guān)性分析

通過SPSS軟件，采用Pearson 相關(guān)分析法對130組數(shù)據(jù)的發(fā)酵時間、培養(yǎng)溫度、加曲量、含鹽量、pH、TVB-N和AN質(zhì)量濃度之間的相關(guān)性進(jìn)行分析，結(jié)果如表2所示。由表2可知，在魚露發(fā)酵過程中，TVB-N質(zhì)量濃度與發(fā)酵時間、含鹽量呈正相關(guān)性，與pH呈負(fù)相關(guān)性，與發(fā)酵溫度、加曲量不相關(guān)；氨基酸態(tài)氮質(zhì)量濃度也與發(fā)酵時間、含鹽量呈正相關(guān)，與pH呈負(fù)相關(guān)性，與溫度、加曲量不相關(guān)。

表2 Pearson相關(guān)性分析Tab.2 Analysis of Pearson correlation

2.3 預(yù)測模型建立

根據(jù)Pearson相關(guān)分析可知，TVB-N和AN質(zhì)量濃度均與發(fā)酵時間、含鹽量、pH相關(guān)。由此，以發(fā)酵時間、含鹽量、pH為輸入變量，分別建立TVB-N和AN質(zhì)量濃度的預(yù)測模型。

2.3.1 PCR模型建立

運(yùn)用The Unscrambler軟件的PCR模型對魚露發(fā)酵過程中的TVB-N質(zhì)量濃度進(jìn)行預(yù)測，結(jié)果見圖1。由圖1可知，PCR模型對魚露發(fā)酵過程中TVB-N質(zhì)量濃度預(yù)測R2為0.887 50，大于0.79。表明可以通過PCR模型對魚露發(fā)酵過程中的TVB-N質(zhì)量濃度進(jìn)行預(yù)測。

圖1 PCR模型對TVB-N質(zhì)量濃度預(yù)測值與實測值的關(guān)系

運(yùn)用The Unscrambler軟件的PCR模型對魚露發(fā)酵過程中的氨基酸態(tài)氮質(zhì)量濃度進(jìn)行預(yù)測，結(jié)果見圖2。由圖2可知，PCR模型對魚露發(fā)酵過程中AN質(zhì)量濃度預(yù)測R2為0.869 10，大于0.79。表明可以通過PCR模型對魚露發(fā)酵過程中的AN質(zhì)量濃度進(jìn)行預(yù)測。

圖2 PCR模型對氨基酸態(tài)氮質(zhì)量濃度預(yù)測值與實測值的關(guān)系

2.3.2 PLS模型的建立

應(yīng)用PLS對魚露發(fā)酵過程中的TVB-N質(zhì)量濃度進(jìn)行預(yù)測，結(jié)果見圖3。由圖3可知，PLS對魚露發(fā)酵過程中TVB-N質(zhì)量濃度預(yù)測的相關(guān)系數(shù)為0.887 57，大于0.79。表明可以通過PLS模型對魚露發(fā)酵過程中的TVB-N質(zhì)量濃度進(jìn)行預(yù)測。

圖3 PLS模型對TVB-N質(zhì)量濃度的預(yù)測值與實測值的關(guān)系

應(yīng)用PLS對魚露發(fā)酵過程中的AN質(zhì)量濃度進(jìn)行預(yù)測，結(jié)果見圖4。由圖4可知，PLS對魚露發(fā)酵過程中AN質(zhì)量濃度預(yù)測R2為0.869 11，大于0.79。表明可以通過PLS模型對魚露發(fā)酵過程中的AN質(zhì)量濃度進(jìn)行預(yù)測。

圖4 PLS模型對氨基酸態(tài)氮質(zhì)量濃度的預(yù)測值與實測值的關(guān)系

2.3.3 BP神經(jīng)網(wǎng)絡(luò)模型的建立

借助MATLAB軟件，BP神經(jīng)網(wǎng)絡(luò)采用只含有單個隱含層的3層網(wǎng)絡(luò)結(jié)構(gòu)。模型采用“transig”傳遞函數(shù)，“l(fā)earngdm”性能函數(shù)，“MSE”性能函數(shù)，“trainlm”訓(xùn)練函數(shù)[11]。分別以TVB-N與AN質(zhì)量濃度為輸出量，輸出層數(shù)為1；以與TVB-N和AN質(zhì)量濃度Person相關(guān)性高的三因素為BP神經(jīng)網(wǎng)絡(luò)的輸入量，輸入層數(shù)為3；預(yù)測模型的性能與隱含層層數(shù)密切相關(guān)，隱含層層數(shù)較多的模型可能帶來更好的預(yù)測性能，但也可能延長網(wǎng)絡(luò)訓(xùn)練時間。通過經(jīng)驗公式得到估計值：

(3)M=log2n，n為輸入層數(shù)。

根據(jù)經(jīng)驗公式得到本研究的隱含層數(shù)為2～13。將130組實驗數(shù)據(jù)的70%作為訓(xùn)練集，15%為驗證集。以網(wǎng)絡(luò)對樣本的預(yù)測值與實際值之間的決定系數(shù)和網(wǎng)絡(luò)訓(xùn)練誤差為評價指標(biāo)，隱含層數(shù)為2～13進(jìn)行試驗，比較性能進(jìn)行綜合評價。不同隱含層數(shù)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果如表3所示。表3顯示，TVB-N預(yù)測模型的結(jié)構(gòu)為3-11-1時，有較高的R2和較低的RMSE。AN預(yù)測模型的結(jié)構(gòu)為3-13-1時，有較較高的R2和低的RMSE。綜上，TVB-N的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型最佳網(wǎng)絡(luò)結(jié)構(gòu)為3-11-1，氨基酸態(tài)氮的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型最佳網(wǎng)絡(luò)結(jié)構(gòu)為3-13-1。

根據(jù)魚露發(fā)酵過程中TVB-N質(zhì)量濃度預(yù)測的BP神經(jīng)網(wǎng)絡(luò)最佳網(wǎng)絡(luò)結(jié)構(gòu)3-11-1，對TVB-N質(zhì)量濃度進(jìn)行預(yù)測，結(jié)果如圖5所示。由圖5可知，BP神經(jīng)網(wǎng)絡(luò)對魚露發(fā)酵過程中TVB-N質(zhì)量濃度預(yù)測R2為0.940 32，大于0.79。因此，可以通過BP神經(jīng)網(wǎng)絡(luò)模型對魚露發(fā)酵過程中的TVB-N質(zhì)量濃度進(jìn)行預(yù)測。

根據(jù)魚露發(fā)酵過程中氨基酸態(tài)氮質(zhì)量濃度預(yù)測的BP神經(jīng)網(wǎng)絡(luò)最佳網(wǎng)絡(luò)結(jié)構(gòu)3-13-1，對氨基酸態(tài)氮質(zhì)量濃度進(jìn)行預(yù)測，結(jié)果如圖6所示。由圖6可知，BP神經(jīng)網(wǎng)絡(luò)對魚露發(fā)酵過程中的氨基酸態(tài)氮質(zhì)量濃度預(yù)測R2為0.889 26，大于0.79。因此，可以通過BP神經(jīng)網(wǎng)絡(luò)模型對魚露發(fā)酵過程中的氨基酸態(tài)氮質(zhì)量濃度進(jìn)行預(yù)測。

2.3.4 PCR、PLS和BP預(yù)測模型比較

由圖1～6可知，3種TVB-N和AN質(zhì)量濃度預(yù)測模型的R2均大于0.79，RPD均大于2.25。故PCR、PLS和BP模型都能較好地對發(fā)酵過程中的TVB-N與AN質(zhì)量濃度進(jìn)行預(yù)測。相較于PCR和PLS模型，對TVB-N采用L-M算法，以3-11-1為拓?fù)浣Y(jié)構(gòu)的BP模型具有最小RMSEP(9.458)、最大R2(0.940 3)和RPD(4.097)；對氨基酸態(tài)氮采用L-M算法，以3-13-1為拓?fù)浣Y(jié)構(gòu)的BP模型具有最小RMSEP(75.023)、最大R2(0.889 3)和RPD(3.009)。BP模型的預(yù)測值與實際值最接近，預(yù)測效果最好，表明對魚露發(fā)酵過程中TVB-N和AN質(zhì)量濃度預(yù)測，BP模型為最佳預(yù)測模型。

表3 BP神經(jīng)網(wǎng)絡(luò)不同隱含層神經(jīng)元數(shù)模型的預(yù)測能力Tab.3 The predictive power of the models of the number of neurons in different hidden layers of BP neural network

圖5 BP模型TVB-N質(zhì)量濃度預(yù)測值與實測值的關(guān)系

圖6 BP模型氨基酸態(tài)氮質(zhì)量濃度的預(yù)測值與實測值的關(guān)系

3 結(jié) 論

通過對各時間段，發(fā)酵溫度、加曲量和加鹽量條件下魚露發(fā)酵產(chǎn)物中的含鹽量、pH、TVB-N和AN質(zhì)量濃度的測定，得到130組實驗數(shù)據(jù)。Person相關(guān)性分析表明，TVB-N和AN質(zhì)量濃度均與發(fā)酵時間、含鹽量呈正相關(guān)，與pH呈負(fù)相關(guān)性，與溫度、加曲量不相關(guān)。

通過PCR、PLS和BP神經(jīng)網(wǎng)絡(luò)以相關(guān)性較強(qiáng)的易得指標(biāo)發(fā)酵時間、含鹽量和pH為輸入變量，對魚露發(fā)酵過程中的TVB-N和AN質(zhì)量濃度進(jìn)行預(yù)測，結(jié)果表明PCR、PLS和BP模型都能較好地對發(fā)酵過程中的TVB-N與AN質(zhì)量濃度進(jìn)行預(yù)測。對TVB-N采用L-M算法，以3-11-1為拓?fù)浣Y(jié)構(gòu)的BP模型具有最小RMSEP、最大R2和RPD；對氨基酸態(tài)氮采用L-M算法，以3-13-1 為拓?fù)浣Y(jié)構(gòu)的BP模型具有最小RMSEP、最大R2和RPD，故BP預(yù)測效果最好。結(jié)果表明，對于魚露發(fā)酵過程中TVB-N和AN質(zhì)量濃度的預(yù)測，相較于PCR與PLS線性識別方法，BP模型為最佳預(yù)測模型。

本研究可以通過預(yù)測模型，得到TVB-N和AN質(zhì)量濃度的預(yù)測值，在一定程度上簡化對魚露發(fā)酵過程中品質(zhì)指標(biāo)實驗操作，實現(xiàn)簡單快捷地對魚露發(fā)酵過程中的品質(zhì)指標(biāo)的定量預(yù)測，用于工業(yè)規(guī)模上的魚露發(fā)酵，能準(zhǔn)確掌握釀造過程中的TVB-N和AN質(zhì)量濃度變化并對發(fā)酵過程品質(zhì)進(jìn)行監(jiān)控。此外，在未來的研究中，能夠有效地控制產(chǎn)品品質(zhì)劣化和提高傳統(tǒng)魚露發(fā)酵食品的品質(zhì)。