论文部分内容阅读
本论文结合了Matlab 7.0中的误差反向神经网络(Back propagation,简称BP)神经网络模型,研究啤酒酿造过程中不同的主酵温度、初始麦汁浓度、接种量条件下关键风味物质的含量变化,主要包括3种高级醇(正丙醇、异丁醇、异戊醇)和4种酯(乙酸乙酯、乙酸异戊酯、己酸乙酯、辛酸乙酯)、糖度、乙醇。通过顶空气相检测方法,分析了不同条件下啤酒酿造中高级醇与酯的含量变化,运用BP神经网络分析这些数据。总数据被分为三个独立的部分：训练数据集、检测数据集和预测数据集。选用训练数据集对BP神经网络进行训练,使真实值与预测值之间的误差达到最小,然后选用检测数据对建立的模型进行检测。得到的最优模型用于预测主酵温度12℃、初始麦汁浓度13°P,接种量2×107个/mL时正丁醇、异丁醇、异戊醇、乙酸乙酯、乙酸异戊酯、己酸乙酯、辛酸乙酯含量的变化。实验建立了5种不同的BP神经网络模型,分别模拟主酵温度12℃、初始麦汁浓度13°P,接种量2×107个/mL条件下,正丙醇、异丁醇、异戊醇、乙酸乙酯、乙酸异戊酯的含量变化,并根据相关系数判断预测效果,正丙醇、乙酸乙酯、异丁醇、异戊醇、乙酸异戊酯的回归系数分别为0.999、0.998、0.999、0.997、0.998,预测效果较好。然而,在酵母发酵过程中产生的已酸乙酯、辛酸乙酯的含量很低,因此没能建立相关的人工神经网络预测模型。实验也分析了不同条件下啤酒酿造中糖度、乙醇的含量变化,将主酵温度控制为8℃,初始麦汁浓度为11°P,接种量分别为1×106个/mL、1×107个/mL、2×107个/mL、4×107个/mL、8×107个/mL,每天跟踪发酵液的糖度变化和乙醇浓度的变化,得到的数据用于建立BP神经网络,得到的最优模型用于预测主酵温度8℃、初始麦汁浓度11°P、接种量2×107个/mL下发酵过程中糖度变化和乙醇浓度的变化。运用BP神经网络,基于实验数据预测主酵温度8℃、初始麦汁浓度11°P、接种量2×107个/mL条件下糖度、乙醇浓度的变化,结果表明,BP神经网络对啤酒酿造中糖度和乙醇浓度变化的拟合能力很高,糖度预测结果的均方根误差为2.66%,乙醇预测结果的均方根误差为14.60%。