通过对比多层前馈(back propagation,BP)神经网络、响应面法优化薏仁米酒产氨基酸态氮,为薏仁米酒优化选择更合适的模型.以氨基酸态氮量为考察指标,薏仁米与糯米的质量比、接种量、温度、水料比为影响因素,采用中心组合设计(central composite design,CCD)对薏仁米酒产氨基酸态氮的发酵条件进行试验设计;并对CCD试验结果分别进行响应面法分析和BP神经网络分析.结果表明,响应面模型、BP神经网络模型的相关系数(R)、决定系数(R2)、均方根误差(root mean square error,RMSE)、绝对平均相对误差(absolute average relative error,AARE)分别为0.98477、0.96977、22.75938、0.03115和0.99494、0.98991、13.20639、0.00884;BP神经网络优化的最佳发酵条件:薏仁米:糯米=2.8:1(质量比)、接种量为4.8％、温度为28.2℃、水料比为2.2:1(mL/g),且实际值和预测值基本一致.相较于响应面法,BP神经网络在优化薏仁米酒产氨基酸态氮上具有更好的拟合能力和优化效果.
Comparative Study of Response Surface Methodology and Back-Propagation Neural Network in Optimizing Amino Acid Nitrogen Production from Coix Seed Wine
NETL
NSTL
万方数据
维普
