基于主成分分析、神經網絡對啤酒感官評價的預測*

鐘成，黃奕雯，賈士儒，董建軍，郝俊光，李清亮

1(啤酒生物發酵工程國家重點實驗室(籌)，山東青島，266061)2(工業發酵微生物教育部重點實驗室，天津科技大學，天津，300457)

啤酒中除了含有乙醇和二氧化碳這兩種主要酵母代謝產物外，還含有一系列的酵母代謝副產物，如高級醇類、酯類、醛類、酸類、連二酮類以及硫化物類。這些代謝副產物數量雖然不多，但對啤酒的風味和口味影響很大［1－3］。目前對啤酒進行感官評價的新方法有很多，如電子舌技術［4－5］、模糊綜合評價法［6］、酒花苦味衍生物感官評價［7］等，但仍以人工品嘗為主，而人工感官評價與評價員評價經驗、年齡及健康狀況有關，這就給不同啤酒的品評帶來一定困難。因此，如何通過啤酒中主要風味物質的質量濃度快速獲悉啤酒感官評價得分是目前啤酒企業急需解決的問題。

人工神經網絡以其高度非線性動力學系統和自適應組織系統被廣泛應用，它模擬人腦結構，通過訓練確定輸入與輸出變量之間的非線性關系，進而建立起輸入與輸出的關系模型。BP神經網絡是人工神經網絡中應用最廣的一種神經網絡［8－10］，80% ～90%的人工神經網絡模型都是采用BP網絡或它的變化形式。實驗選取11種主要影響啤酒風味的關鍵理化指標，對啤酒感官評價預測，在利用BP神經網絡建模之前，先對上述11種理化及風味指標進行主成分分析，提取后的主成分作為BP神經網絡的輸入。實驗結果表明，結合主成分分析與神經網絡的預測精度明顯優于未經主成分分析的BP神經網絡。

1 材料與方法

1.1 啤酒理化及風味指標的選取

實驗隨機選取共300種青島品牌啤酒，分別檢測酒液濃度、雙乙酰、戊二酮、乙醛、高級醇(正丙醇、異丁醇、異戊醇)、酯類(乙酸乙酯、乙酸異戊酯、已酸乙酯、辛酸乙酯)共11個理化及風味指標。

1.2 材料與試劑

無水乙醇(分析純)，天津科密歐化學試劑有限公司;高純水，自制。雙乙酰、戊二酮、乙醛、正丙醇、異丁醇、異戊醇、乙酸乙酯、乙酸異戊酯、已酸乙酯、辛酸乙酯(均為色譜純)，Sigma-Aldrich公司。

1.3 儀器與設備

CLARUS 580氣相色譜儀(配有HS40頂空進樣器和 DB－5色譜柱(0.53 mm×60 m，膜厚1.5 μm))，Perkin Elmer公司;Anton Paar啤酒自動分析儀，奧地利Anton Paar公司。

1.4 實驗方法

1.4.1 酒液濃度的測定

按照Anton Paar啤酒自動分析儀說明書測定。

1.4.2 雙乙酰、戊二酮的測定

測定方法見參考文獻［11］。

1.4.3 乙醛的測定

測定方法見參考文獻［11］。

1.4.4 酯類、高級醇的測定

測定方法見參考文獻［12］。

1.5 感官品評標準

13名品酒師在品酒室內對啤酒樣品品嘗打分，結果取平均值作為最終得分，其中國家級品酒員9個，省級品酒員4個。

評分標準:極佳的可飲性，具有經典青島啤酒典型風味特征，醇厚、明顯麥芽香和酒花香、醇酯平衡、柔和協調(3.3分);具有經典青島啤酒典型風味特征，有輕微的“一般缺陷”(3.4分);基本具有經典青島啤酒典型風味特征，有明顯的“一般缺陷”或輕微的“較嚴重缺陷”(3.5分);不具有經典青島啤酒典型風味特征，有明顯的“一般缺陷”、輕微的“較嚴重缺陷”或輕微的“嚴重缺陷”(3.6分);不具有經典青島啤酒典型風味特征，有嚴重的“一般缺陷”、明顯和嚴重的“較嚴重缺陷”或明顯和嚴重的“嚴重缺陷”(3.7≤X＜4.0)。描述要求:對樣品描述使用“輕微、明顯、嚴重”來表示風味缺陷的程度，分別用“－1，－2，－3”來表示;使用“好、很好、非常好”來表示風味特征的程度，分別用“+1，+2，+3”來表示。

1.6 主成分分析［13］

主成分分析是研究如何將多個變量指標間的問題化為較少的幾個新指標的問題。這些新的指標之間互不相關，并能綜合反映原來多個指標的信息，是原來多個指標的線性組合。這種處理問題的方法就稱為主成分分析或主分量分析，綜合后的新指標則稱為原來指標的主成分或主分量。主成分分析步驟如下:

式中:i=1，2，……，n;j=1，2，……，p。

(2)從相關系數矩陣中得到特征值及各個主成分的差值、貢獻率、累積貢獻率，然后根據累計貢獻率確定主成分保留的個數。

(3)計算出主成分表達式的系數數據，解釋主成分的意義。

1.7 BP神經網絡

一般神經網絡主要包括輸入層、隱含層、輸出層3個部分。圖1給出了一個典型的3層BP神經網絡，層與層之間采用全連接的方式。BP神經網絡的學習方法是［14］:當給定網絡一個輸入模式時，網絡輸入層中的每個輸入向量組成了應用于隱含層中神經元的輸入信號，第二層輸出信號成為第三層的輸入。然后按照減少誤差的原則，每個神經元自身的輸出信號反饋給上一層的神經元的輸入，直到獲得目標輸出。

圖1 3層BP神經網絡結構圖Fig.1 3 layers of BP neural network structure

2 結果與分析

2.1 主成分分析結果與討論

收集300種啤酒的11種理化及風味數據，建立原始數據集矩陣M11－300。使用Matlab 7.0軟件對原始數據集矩陣進行主成分分析，特征值及方差累積貢獻率見表1。

表1 主成分的特征值及方差貢獻率Table 1 Eigenvalues and variance contribution of principal components

從表1中可以看出，前5個主成分的累積貢獻率就達到了88.92%，大于85.00%，可以認為提取出來的5個主成分已經能夠代表原11個理化及風味數據的絕大部分信息。

表2是設定方差極大法對因子載荷矩陣旋轉后的結果，第一因子變量主要反映了酒液濃度、異丁醇、異戊醇、乙酸乙酯、乙酸異戊酯。第二因子變量主要反映了雙乙酰。第三因子變量主要反映了正丙醇。第四因子變量主要反映了已酸乙酯。第五因子變量主要反映了辛酸乙酯。

表2 因子載荷旋轉成分矩陣Table 2 Rotated component matrix

2.2 神經網絡的建立

經過主成分分析后得到5個主成分，將該5個主成分所代表的9個理化參數作為輸入變量，感官評價結果作為輸出變量，即輸入變量為9，輸出變量為1。進行神經網絡訓練和預測之前，將輸入層數據和輸出層數據歸一化，歸一化后的數據范圍為［－1，1］。

采用4層BP神經網絡，隱含層層數通過多次試驗確定第一隱含節點數為9，第二隱含節點數為9;輸入層到第一層隱含層的傳遞函數為tansig;第一隱含層到第二層隱含層的傳遞函數為tansig，第二層隱含層到輸出的傳遞函數為purelin;訓練函數為trainlm;訓練次數為1000;訓練目標為0.01。

2.3 神經網絡預測結果與分析

運用Matlab 7.0建立BP神經網絡模型。將300組數據中的前250組數據用于訓練，后50組數據用于預測，并通過相對誤差評價網絡的預測能力。表3為PCA-BP神經網絡模型對50組數據的預測結果。

可以看出，預測結果的最大相對誤差為2.68%，最小相對誤差為0.01%，該算法的最大相對誤差比文獻［15］報道的16.08%縮小了13.04%。得出這一結果可能的原因是該實驗中增加了50組樣本數，當實驗選擇250組數據用于PCA-BP神經網絡模型的訓練與預測時，相同條件下得到的模型其預測結果最大相對誤差為19.76%，預測效果不是很理想;而當樣本數增加到350組數據時，最大相對誤差沒有太大的變化。由此可見，當基于人工神經網絡對啤酒感官評價做出預測時，選用樣本數250組可以有效提高網絡的擬合能力。值得注意的是，只有在實驗過程中不斷調整隱含層數、隱含層轉換函數、輸出函數以及訓練函數，才能使得誤差降到最低。

而且，從圖1可以看出，在相同的訓練參數條件下，采用PCA-BP神經網絡模型，其預測結果在整體上都要優于未經主成分分析的BP神經網絡模型的預測結果，后者得到的最大相對誤差為15.40%。由此可見，使用PCA-BP神經網絡模型能夠預測啤酒感官得分，而且其預測精度要優于未經主成分分析的BP神經網絡。

表3 PCA-BP神經網絡模型預測結果Table 3 Predictive results of PCA-BP neural network

圖1 兩種不同網絡模型預測結果Fig.2 Predictive results of two different neural models

3 結論

本文根據11種主要影響啤酒風味的關鍵理化指標預測感官評價得分，通過主成分分析對理化指標進行提取，得到9種無線性相關性的主要理化指標后，通過BP神經網絡對其進行預測。實驗結果表明，使用主成分分析提取出來的9個主成分，可以有效反映原11個理化及風味數據的絕大部分信息，并應用于神經網絡的預測，而且提取出來的9種主成分所反映的信息可以在啤酒的生產過程中起到一定的指導作用。

另外，將主成分分析算法與BP神經網絡結合，對300組數據中的前250組數據進行訓練，后50組數據進行預測，得到的最大相對誤差為2.68%。當訓練樣本數據從200組增加到250組時能夠明顯提高PCA-BP神經網絡的預測能力，而且，在網絡訓練過程中根據實際情況對神經網絡進行優化也可有效增加網絡的擬合能力。相較于傳統的未經主成分分析的BP神經網絡而言，采用PCA-BP神經網絡模型，能夠簡化網絡結構，提高網絡的擬合能力，從而為啤酒的感官評價提供了一條新途徑。

［1］ Gustav Styger，Dan Jacobson，Florian F Bauer.Identifying genes that impact on aroma profiles produced by Saccharomyces cerevisiae and the production of higher alcohols［J］.Appl Microbiol Biotechnol，2011(91):713 －710.

［2］ 王志堅..酵母發酵副產物與啤酒風味［J］.釀酒科技，2001，107(5):69 －70.

［3］ Krista M Sumby，Paul R Grbin，Vladimir Jiranek.Microbial modulation of aromatic esters in wine:Current knowledge and future prospects［J］.Food Chemistry，2010，121(1):1－16.

［4］ 李陽，陳芹芹，胡雪芳，等.電子舌技術在啤酒口感評價中的應用［J］.食品研究與開發，2008，29(11):122－126.

［5］ Alisa Rudnitskaya，Evgeny Polshin，Dmitry Kirsanov，et al.Instrumental measurement of beer taste attributes using an electronic tongue［J］.Analytica Chimica Acta，2009，646(1):111－118.

［6］ 劉春鳳，鄭飛云，李永仙，等.啤酒口感品評的模糊綜合評價［J］.食品科學，2008，29(4):138－142.

［7］ 張海容，任光明，陳金娥.啤酒花苦味酸衍生物感官評價新方法［J］.中國釀造，2009，212(11):116－117.

［8］ 張敏，黎向鋒，左敦穩，等.基于主成分分析的BP神經網絡內螺紋冷擠壓成形質量預測［J］.中國機械工程，2012，23(1):51－54.

［9］ 馮琨，張永麗.基于因子分析的BP神經網絡對成都市需水量預測研究［J］.水資源研究，2011，32(6):8－11.

［10］ Mahdi Ghasemi-Varnamkhasti，Seyed Saeid Mohtasebi，Maria Luz Rodriguez-Mendez，et al.Classification of nonalcoholic beer based on aftertaste sensory evaluation by chemometric tools［J］.Expert Systems with Applications，2012，39(4):4 315 －4 327.

［11］ Tian Jiyuan.Determination of several flavours in beer with headspacesampling-gaschromatography［J］. Food Chemistry，2010，123(4):1 318 －1 321.

［12］ 王志沛，季曉東，武千鈞，等.啤酒中揮發性風味物質的分析及風味評價［J］.釀酒科技，2001，106(4):59－61.

［13］ 謝中華.MATLAB統計分析與應用:40個案例分析［M］.北京:北京航空航天大學出版社，2010:354－373.

［14］ 傅薈璇，趙紅.MATLAB神經網絡應用設計［M］.北京:機械工業出版社，2010.

［15］ 任亦賀，駱學雷，豐水平，等.基于主成分分析、遺傳算法和神經網絡對啤酒感官評價預測的研究［J］.中國釀造，2010，215(2):50－53.