于慧春 彭盼盼 殷 勇 劉云宏

(河南科技大學(xué)食品與生物工程學(xué)院，洛陽(yáng) 471023)

電子鼻融合BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)玉米赤霉烯酮和黃曲霉毒素B1含量模型研究

于慧春 彭盼盼 殷 勇 劉云宏

(河南科技大學(xué)食品與生物工程學(xué)院，洛陽(yáng) 471023)

為探究玉米赤霉烯酮和黃曲霉毒素B1的無(wú)損快速定量測(cè)定方法，用電子鼻對(duì)7級(jí)不同霉變程度玉米樣品進(jìn)行檢測(cè)，并用理化分析方法分別測(cè)定霉變玉米中的玉米赤霉烯酮與黃曲霉毒素B1含量；在提取電子鼻響應(yīng)信號(hào)的積分值作為特征參量的前提下，采用BP神經(jīng)網(wǎng)絡(luò)建立不同霉變程度下玉米樣品中的玉米赤霉烯酮與黃曲霉毒素B1含量的預(yù)測(cè)模型。同時(shí)，為了獲得較為可靠的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不變的條件下，對(duì)比分析了不同訓(xùn)練集、測(cè)試集構(gòu)建的預(yù)測(cè)模型。結(jié)果發(fā)現(xiàn)在各預(yù)測(cè)模型的70組測(cè)試樣本中，相對(duì)誤差控制在5%以?xún)?nèi)的樣本數(shù)量都在60個(gè)以上，最大相對(duì)誤差控制在15%以?xún)?nèi)，從而證明了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的有效性、可靠性。該研究為實(shí)施玉米霉變毒素的快速無(wú)損檢測(cè)提供了一種途徑。

電子鼻 玉米 玉米赤霉烯酮 黃曲霉毒素B1BP神經(jīng)網(wǎng)絡(luò) 霉變 預(yù)測(cè)模型

玉米不僅是我國(guó)重要的商品糧之一，也是重要的工業(yè)原料。但由于玉米收獲后原始水分較高，呼吸強(qiáng)度大等，易被霉菌污染[1]，因此，在儲(chǔ)藏過(guò)程中易發(fā)生霉變。霉變后的玉米在代謝過(guò)程中會(huì)產(chǎn)生以黃曲霉毒素B1、玉米赤霉烯酮為代表性的多種真菌毒素[2]，進(jìn)而危害家畜及人類(lèi)健康[3-4]。

目前，對(duì)于霉變玉米中玉米赤霉烯酮的定量測(cè)定主要是高效液相色譜法[5]，酶聯(lián)免疫吸附法[6]，免疫親和柱熒光光度法[7]等；對(duì)于黃曲霉毒素B1的定量測(cè)定主要采取的方法有薄層色譜法[8]，液相色譜熒光檢測(cè)[9]，酶聯(lián)免疫法[10]等。這些方法操作過(guò)程繁瑣、耗時(shí)，化學(xué)試劑消耗量大，成本高，不能滿(mǎn)足玉米儲(chǔ)藏過(guò)程中快速檢測(cè)霉變的需要。

近年來(lái)，電子鼻在農(nóng)產(chǎn)品品質(zhì)的無(wú)損檢測(cè)中有著較多的應(yīng)用。在谷物的檢測(cè)中，張紅梅等[11]研制一套適合對(duì)谷物霉變進(jìn)行檢測(cè)的電子鼻系統(tǒng)，該系統(tǒng)可以準(zhǔn)確區(qū)分各個(gè)不同霉變程度的稻谷；Matteo等[12]用電子鼻對(duì)新鮮玉米以及被真菌污染的玉米進(jìn)行檢測(cè)分析，得出結(jié)果令人滿(mǎn)意；周顯青等[13]收集了玉米樣品40份，利用電子鼻技術(shù)對(duì)樣品進(jìn)行模式識(shí)別，并對(duì)電子鼻傳感器陣列進(jìn)行優(yōu)化，結(jié)果表明，電子鼻能夠?qū)φ：兔棺儤悠愤M(jìn)行區(qū)分。這些研究說(shuō)明了電子鼻有能力檢測(cè)出霉菌污染，并且對(duì)不同污染及霉變程度的谷物能進(jìn)行較好的鑒別。但是，對(duì)于霉菌污染后的谷物產(chǎn)生的霉菌毒素與電子鼻響應(yīng)信號(hào)間定量關(guān)系卻鮮有研究。

本研究首先用電子鼻對(duì)不同霉變程度玉米樣品進(jìn)行檢測(cè)，同時(shí)用理化分析定量測(cè)定霉變玉米中的玉米赤霉烯酮、黃曲霉毒素B1的含量。然后利用BP神經(jīng)網(wǎng)絡(luò)建立電子鼻響應(yīng)信號(hào)與玉米赤霉烯酮含量和黃曲霉毒素B1含量的預(yù)測(cè)模型。最后，對(duì)比分析了對(duì)應(yīng)于不同訓(xùn)練集與測(cè)試集的神經(jīng)網(wǎng)絡(luò)檢測(cè)模型的預(yù)測(cè)誤差，進(jìn)而證明了檢測(cè)模型的可靠性與穩(wěn)健性。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)材料分別為新鮮玉米和不同霉變等級(jí)的玉米。不同霉變等級(jí)的玉米由實(shí)驗(yàn)室培育產(chǎn)生，培育條件如下：將新鮮玉米放入恒溫恒濕培養(yǎng)箱，在溫度30 ℃，濕度90%條件下進(jìn)行培育，然后分別取新鮮玉米和培養(yǎng)第2天，第4天，第6天，第8天，第10天，第12天的玉米共7組，作為測(cè)試樣品。

1.2 儀器與設(shè)備

使用實(shí)驗(yàn)室自行研制的電子鼻進(jìn)行電子鼻信號(hào)的采集。該系統(tǒng)主要由氣敏傳感器陣列，測(cè)量室，數(shù)據(jù)采集裝置，計(jì)算機(jī)判別分析軟件等部分組成。傳感器陣列由14個(gè)金屬氧化物氣敏傳感器(日本FIGARO公司)組成。分別為T(mén)GS-813，TGS-800, TGS-821，TGS-822，TGS-824，TGS-816，TGS-812，TGS-825，TGS-826，TGS-831，TGS-832，TGS-830，TGS-880，TGS-842。氣敏傳感器的加熱電壓均為(5.0±0.05)V，工作電壓為(10.0±0.01)V。

1.3 試驗(yàn)方法

1.3.1 玉米赤霉烯酮的測(cè)定

依照GB/T 5009.209—2008《谷物中玉米赤霉烯酮的測(cè)定》[14]給出的方法，對(duì)不同霉變等級(jí)的玉米樣品進(jìn)行玉米赤霉烯酮含量測(cè)定。

1.3.2 黃曲霉毒素B1的測(cè)定

依照GB/T 5009.22—2003《食品中黃曲霉毒素B1的測(cè)定》[8]給定的方法，對(duì)不同霉變等級(jí)的玉米樣品進(jìn)行黃曲霉毒素B1含量測(cè)定。

1.3.3 霉變玉米電子鼻測(cè)定

利用電子鼻對(duì)各個(gè)霉變等級(jí)玉米樣品進(jìn)行測(cè)定。每個(gè)樣品測(cè)量前先進(jìn)行空載測(cè)試(即電子鼻對(duì)測(cè)量環(huán)境的響應(yīng))，然后再進(jìn)行樣品測(cè)量。樣品取樣量為60 g，并用蒸發(fā)皿將樣本置于電子鼻測(cè)量室內(nèi)進(jìn)行測(cè)量。電子鼻采樣時(shí)間為2 500 s，采樣間隔為1s，即每個(gè)樣本動(dòng)態(tài)測(cè)試2 500個(gè)數(shù)據(jù)。每個(gè)樣本測(cè)量后電子鼻的恢復(fù)時(shí)間為600 s，以保證電子鼻得到完全恢復(fù)，以便下一次的樣本測(cè)量。每個(gè)霉變等級(jí)測(cè)試40個(gè)平行樣本，7個(gè)霉變等級(jí)共測(cè)試280個(gè)玉米樣本。

1.4 電子鼻數(shù)據(jù)處理

1.4.1 電子鼻響應(yīng)特征信號(hào)的去基準(zhǔn)處理

為了減小環(huán)境溫、濕度對(duì)氣敏傳感器的影響，需對(duì)電子鼻數(shù)據(jù)去基準(zhǔn)處理，即樣品響應(yīng)值減去空載響應(yīng)值。計(jì)算公式為[15]：

Yij=Xij-Xj0(i=1,2,…,2 500;j=1,2,…,16)

(1)

式中：Yij為第j個(gè)傳感器第i秒響應(yīng)值經(jīng)去基準(zhǔn)之后所得的測(cè)試值；Xij為第j個(gè)傳感器第i秒時(shí)的響應(yīng)值；Xj0為第j個(gè)傳感器對(duì)環(huán)境的響應(yīng)平均值。

1.4.2 電子鼻信號(hào)的特征提取

在建立氣敏信號(hào)與霉變毒素間的預(yù)測(cè)模型時(shí)，氣敏信號(hào)特征參量的選擇對(duì)預(yù)測(cè)模型檢測(cè)結(jié)果影響很大。通過(guò)比較分析，選用電子鼻氣敏信號(hào)的積分值作為特征參量[16]，其計(jì)算公式如下：

(2)

式中：S為積分值；N為傳感器的響應(yīng)時(shí)間(N=2 500 s)；xi為第i秒的響應(yīng)值；Δt為相鄰兩采樣點(diǎn)的時(shí)間間隔(Δt=1 s)。

1.4.3 預(yù)測(cè)模型建立方法

BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Network)是一種基于誤差逆?zhèn)鞑ニ惴ǖ亩鄬忧梆伨W(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，尤其適合無(wú)法用明確數(shù)學(xué)公式描述的輸入-輸出映射關(guān)系。因此選用BP神經(jīng)網(wǎng)絡(luò)來(lái)建立玉米霉變電子鼻響應(yīng)信號(hào)與霉變毒素間的映射關(guān)系。有關(guān)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法詳見(jiàn)文獻(xiàn)[17]。由于前向3層BP神經(jīng)網(wǎng)絡(luò)最為常用，所以論文中選用3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建用Matlab 7.0實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 玉米赤霉烯酮含量測(cè)定

圖1是不同霉變天數(shù)的玉米中赤霉烯酮含量的檢測(cè)結(jié)果。從圖1可以看出，新鮮玉米的玉米赤霉烯酮含量較低，遠(yuǎn)小于國(guó)標(biāo)中所規(guī)定的玉米赤霉烯酮限量(60 μg/kg)。在溫度30 ℃，濕度90%條件下培養(yǎng)2 d后，玉米赤霉烯酮含量增加到34.6 μg/kg；繼續(xù)培養(yǎng)到第6天時(shí)，玉米赤霉烯酮含量達(dá)到67.2 μg/kg，已經(jīng)超過(guò)國(guó)標(biāo)中所規(guī)定的玉米赤霉烯酮限量。繼續(xù)培養(yǎng)直至第12天，玉米赤霉烯酮的含量隨霉變程度的增加而增加。

圖1 玉米赤霉烯酮含量隨時(shí)間變化情況

2.2 黃曲霉毒素B1含量測(cè)定結(jié)果

圖2是不同霉變天數(shù)的玉米中黃曲霉毒素B1含量的檢測(cè)結(jié)果。從圖中可以看出新鮮玉米的黃曲霉毒素B1含量較低，遠(yuǎn)小于國(guó)標(biāo)中所規(guī)定的黃曲霉毒素B1限量(20 μg/kg)。在溫度30 ℃，濕度90%條件下培養(yǎng)2天之后，黃曲霉毒素B1含量增加至12.18 μg/kg，培養(yǎng)至第4天時(shí)，黃曲霉毒素B1含量達(dá)到21.75 μg/kg，超過(guò)國(guó)標(biāo)中所規(guī)定的黃曲霉毒素B1限量。繼續(xù)培養(yǎng)至第12天，黃曲霉毒素B1的含量隨霉變程度的增加也相應(yīng)增加。

圖2 黃曲霉毒素B1含量隨時(shí)間變化情況

2.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立與討論

2.3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定

由于每個(gè)霉變等級(jí)的樣品重復(fù)測(cè)試40個(gè)樣本，因此可對(duì)每個(gè)樣品隨機(jī)抽取30個(gè)樣本作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集(共210個(gè)樣本)，剩余的10個(gè)作為測(cè)試集(共70個(gè))。不同霉變等級(jí)玉米中相應(yīng)的玉米赤霉烯酮、黃曲霉毒素B1的含量作為神經(jīng)網(wǎng)絡(luò)的輸出期望值。通過(guò)試湊法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到了網(wǎng)絡(luò)的結(jié)構(gòu)組成及訓(xùn)練誤差值。

由于神經(jīng)網(wǎng)絡(luò)的輸入為16個(gè)傳感器的特征值，輸出為玉米赤霉烯酮、黃曲霉毒素B1的含量，所以神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為16，輸出層神經(jīng)元個(gè)數(shù)為2。當(dāng)隱層神經(jīng)元傳遞函數(shù)選為tansig函數(shù)、輸出層神經(jīng)元傳遞函數(shù)選為logsig函數(shù)、訓(xùn)練函數(shù)選為traincgf函數(shù)時(shí)，運(yùn)用訓(xùn)練集數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并通過(guò)試湊法可確定隱層神經(jīng)元個(gè)數(shù)為23，此時(shí)的網(wǎng)絡(luò)訓(xùn)練誤差為0.000 499 6，最小訓(xùn)練速率為0.2。因此BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為16×23×2。

2.3.2 玉米赤霉烯酮與黃曲霉毒素B1的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

采用上述網(wǎng)絡(luò)結(jié)構(gòu)及神經(jīng)元傳遞函數(shù)，對(duì)測(cè)試集中不同霉變程度玉米樣品中的玉米赤霉烯酮、黃曲霉毒素B1含量進(jìn)行預(yù)測(cè)，結(jié)果分別如圖3、圖4所示。玉米赤霉烯酮預(yù)測(cè)值與實(shí)測(cè)值的最大相對(duì)誤差為9.56%，平均相對(duì)誤差為4.99%；黃曲霉毒素B1預(yù)測(cè)值與實(shí)測(cè)值的最大相對(duì)誤差為8.69%，平均相對(duì)誤差為5.92%。

圖3 玉米赤霉烯酮的BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果和期望結(jié)果對(duì)比圖

圖4 黃曲霉毒素B1的BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果和期望結(jié)果對(duì)比圖

由圖3可知，玉米赤霉烯酮含量預(yù)測(cè)結(jié)果和期望結(jié)果擬合良好，70組測(cè)試樣品中相對(duì)誤差控制在5%以?xún)?nèi)的樣品達(dá)到63個(gè)。由圖4可知，黃曲霉毒素B1含量預(yù)測(cè)結(jié)果和期望結(jié)果擬合良好，70組測(cè)試樣品中相對(duì)誤差控制在5%以?xún)?nèi)的樣品達(dá)到62個(gè)。由此可認(rèn)為已構(gòu)建了關(guān)于玉米赤霉烯酮、黃曲霉毒素B1的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

2.4 模型可靠性分析

為保證模型有較高的預(yù)測(cè)精度及穩(wěn)定性，從霉變玉米樣品的電子鼻響應(yīng)信號(hào)中，隨機(jī)5次抽取樣本，以組成5個(gè)不同的訓(xùn)練集和測(cè)試集。在模型結(jié)構(gòu)及各層神經(jīng)元傳遞函數(shù)不變的前提下，分別用這5個(gè)訓(xùn)練集與測(cè)試集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，玉米赤霉烯酮和黃曲霉毒素B1預(yù)測(cè)值和實(shí)測(cè)值的相對(duì)誤差如表1所示。

表1 不同測(cè)試集的測(cè)試結(jié)果/%

通過(guò)測(cè)試結(jié)果的對(duì)比，可以看出，雖然每次的訓(xùn)練集、測(cè)試集是隨機(jī)選出的，但神經(jīng)網(wǎng)絡(luò)對(duì)玉米赤霉烯酮和黃曲霉毒素B1的預(yù)測(cè)結(jié)果均趨于一致，變化不大，這說(shuō)明用BP神經(jīng)網(wǎng)絡(luò)建立的預(yù)測(cè)模型具有較高的穩(wěn)定性與可靠性。

3 結(jié)論

在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及各層神經(jīng)元傳遞函數(shù)不變的前提下，多次隨機(jī)變換神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和預(yù)測(cè)集，70組測(cè)試樣本相對(duì)誤差控制在5%以?xún)?nèi)的樣本數(shù)量都在60個(gè)以上，最大相對(duì)誤差控制在15%以?xún)?nèi)，預(yù)測(cè)精度較高。結(jié)果表明，利用電子鼻、BP神經(jīng)網(wǎng)絡(luò)技術(shù)所建立的霉變玉米中玉米赤霉烯酮和黃曲霉毒素B1含量的預(yù)測(cè)模型是穩(wěn)健的，這為快速無(wú)損檢測(cè)玉米霉變毒素提供了一種新途徑。

[1]石德權(quán), 郭慶法, 汪黎明, 等. 我國(guó)玉米品質(zhì)現(xiàn)狀、問(wèn)題及發(fā)展優(yōu)質(zhì)使用玉米對(duì)策[J]. 玉米科學(xué), 2001, 9(2):3-7 Shi D Q, Guo Q F, Wang L M, et al. The situation of maize quality and development priority of high quality food maize in China[J]. Journal of Maize Science, 2001, 9(2): 3-7

[2]唐芳, 程樹(shù)峰, 伍松陵. 玉米儲(chǔ)藏主要危害真菌生長(zhǎng)規(guī)律的研究[J]. 中國(guó)糧油學(xué)報(bào), 2008, 23(5): 137-140 Tang F, Cheng S F, Wu S L. Growth of spoilage fungi in stored corn[J]. Journal of the Cereals and Oils Association, 2008, 23(5): 137-140

[3]Bennett J W, Klich M A. Mycotoxins[J]. Clinical Microbiology Reviews, 2003, 16(3): 497-516

[4]吳存榮, 張玉榮, 劉婷, 等. 玉米儲(chǔ)藏過(guò)程中品質(zhì)指標(biāo)變化研究[J]. 鄭州工程學(xué)院學(xué)報(bào), 2004, 25(2): 50-52 Wu C R, Zhang Y R, Liu T, et al. Determination of maize quality during storage[J]. Journal of Zhengzhou Institute of Technology, 2004, 25(2): 50-52

[5]Hsieh H Y, Shyu C L, Liao C W, et al. Liquid chromatography incorporating ultraviolet and electrochemical analyses for dual detection of zeranol and zearalenone metabolites in mouldy grains[J]. Journal of the Science of Food & Agriculture, 2012, 92(6):1230-1237

[6]單安山, 周長(zhǎng)路, 張圓圓, 等. 東北地區(qū)不同飼料原料中霉菌毒素含量的測(cè)定[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào), 2013, 44(6): 96-100 Shan A S, Zhou C L, Zhang Y Y, et al. Detection of contents of mycotoxins in different feed ingredients in northeastern China[J]. Journal of Northeast Agricultural University, 2013, 44(6): 96-100

[7]褚慶華, 郭德華, 王敏, 等. 油料和食用油中真菌毒素快速測(cè)定方法的研究[J]. 中國(guó)糧油學(xué)報(bào), 2006, 21(2): 114-119 Chu Q H, Guo D H, Wang M, et al. Rapid determination for mycotoxins in oilseeds and edible vegetable oils[J].Journal of the Cereals and Oils Association, 2006, 21(2):114-119

[8]GB/T 5009.22—2003, 食品中黃曲霉毒素B1的測(cè)定[S] GB/T 5009.22—2003, Determination of aflatoxin B1in foods[S]

[9]馬占峰. 免疫親和柱凈化-在線柱后光化學(xué)衍生-高效液相色譜-熒光檢測(cè)法快速測(cè)定食品中黃曲霉毒素含量[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2012, 03(3): 209-211 Ma Z F. Fast determination of aflatoxins in food by HPLC with fluorescence detection after immunoaffinity column with online post-column photochemical derivatization[J]. Journal of Food Safety and Quality, 2012, 03(3): 209-211

[10]謝芳, 賴(lài)衛(wèi)華, 史愛(ài)武, 等. 免疫磁珠富集結(jié)合酶聯(lián)免疫吸附法檢測(cè)醬油中黃曲霉毒素B1[J]. 食品科學(xué), 2013, 34(18): 165-169 Xie F, Lai W H, Shi A W, et al. Immunomagnetic bead enrichment and ELISA for detection of Aflatoxin B1in sauce[J]. Food Science, 2013, 34(18): 165-169

[11]張紅梅, 王俊, 葉盛, 等. 電子鼻傳感器陣列與谷物霉變程度的檢測(cè)[J]. 傳感技術(shù)學(xué)報(bào), 2007, 20(6): 1207-1210 Zhang H M, Wang J, Ye S, et al. Optimized of sensor array and detection of moldy degree for grain by electronic nose[J].Chinese Journal of Sensor and Actuators, 2007, 20(6): 1207-1210

[12]Matteo F, Emanuela G, Matteo P, et al. Detection of toxigenic strains of fusarium verticillioides in corn by electronic olfactory system[J]. Sensors and Actuators B: Chemical, 2005, 108(2): 250-257

[13]周顯青, 暴占彪, 崔麗靜, 等. 霉變玉米電子鼻識(shí)別及其傳感器陣列優(yōu)化[J]. 河南工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版, 2011, 32(4): 16-20 Zhou X Q, Bao Z B, Cui L J,et al. Recognition of moldy corn using electronic nose and optimization of sensor array[J].Journal of Henan University of Technology: Natural Science Edition, 2011,32(4):16-20

[14]GB/T 5009.209—2008 谷物中玉米赤霉烯酮的測(cè)定[S] GB/T 5009.209—2008 Determination of zearalenone in cereals[S]

[15]孫香麗, 殷勇. 乳制品電子鼻分類(lèi)中傳感器陣列的一種優(yōu)化方法[J]. 傳感技術(shù)學(xué)報(bào), 2008, 21(7): 1124-1127 Sun X L, Yin Y. Optimization method of sensor array for dairy products identification by electronic nose[J]. Chinese Journal of Sensor and Actuators, 2008, 21(7): 1124-1127

[16]楊福生, 洪波. 獨(dú)立分量分析的原理與應(yīng)用[M]. 北京：清華大學(xué)出版社, 2006 Yang F S, Hong B. The principle and application of independent component analysis[M].Beijing, Tsinghua University, 2006

[17]邊肇祺, 張學(xué)工：模式識(shí)別[M]. 北京, 清華大學(xué)出版社, 2000 Bian Z Q, Zhang X G. Pattern recognition[M].Beijing,Tsinghua University, 2000.

Coupled Electronic Nose and BP Neural Network to Study on the Predicting Model of Zearalenone and Aflatoxin B1

Yu Huichun Peng Panpan Yin Yong Liu Yunhong

(College of Food and Bioengineering, Henan University of Science and Technology, Luoyang 471023)

In order to explore the fast, quantitative and nondestructive test method for zearalenone and aflatoxin B1, corn samples with 7 different levels of mold were tested by electronic nose (e-nose). At the same time the content of zearalenone and aflatoxin B1were tested using biochemical analysis method. The integral value of the e-nose response signal was extracted and acted as the characteristic parameter; BP neural network was adopted to establish prediction model for the content of zearalenone and aflatoxin B1of different degree of mildew corn samples. In addition, in order to obtain a more reliable BP neural network prediction model, on the premise that the structure of the neural network was unchanged, the prediction model based on different training sets and test sets was compared and analyzed. The results showed that in each prediction model of 70 groups of test samples, the relative error control within 5% of the sample quantity was over 60, and maximum relative error was controlled within 15%, which proved the validity and reliability of the BP neural network prediction model. The study provided a method of fast nondestructive testing corn mycotoxin.

electronic nose, corn, zearalenone, aflatoxin B1, BP neural network, mildew,forecast model

國(guó)家自然科學(xué)基金(31171685)，河南省教育廳自然科學(xué)研究項(xiàng)目(13A550269)

2015-10-11

于慧春，女，1977年出生，副教授，農(nóng)產(chǎn)品、食品無(wú)損檢測(cè)技術(shù)

殷勇，男，1966年出生，教授，農(nóng)產(chǎn)品、食品無(wú)損檢測(cè)技術(shù)

TP212

A

1003-0174(2017)05-0117-05