焦 润 润， 巩 建 强， 侯 红 漫， 毕 景 然

( 大连工业大学 食品学院, 辽宁 大连 116034 )

0 引 言

鱼露是一种常见的传统调味料，在东南亚和东亚地区广泛使用。以低值鳀鱼(Engraulisjaponicus)为原料的传统鱼露发酵是将鱼盐混合均匀后置于地下进行密封发酵。鱼蛋白在鱼体自身所含的蛋白酶系和多种微生物的共同作用下，被水溶为蛋白质、肽和氨基酸，形成独特的风味。完全依赖自然体系的鱼露发酵需要2～3年，故其生产周期长，生产能力低[1]。因此，实现鱼露的快速发酵至关重要。

在鱼露发酵过程中，其品质指标挥发性盐基氮(TVB-N)和氨基酸态氮(AN)质量浓度随外界因素(时间和温度)和内部因素(米曲霉添加量、含盐量和pH)的变化而变化。同时，对TVB-N和AN质量浓度的测定均为有损检测，且存在取样操作程序复杂、烦琐、耗时较长等问题[2-3]。因此，实现对鱼露发酵过程中的品质指标TVB-N和AN质量浓度预测至关重要。预测模型在食品领域已有较广泛的应用。其中主成分回归(PCR)将主成分作为新的自变量代替原来的自变量作回归建模处理[4]。偏最小二乘回归(PLS)将有效成分逐步提取，并逐步检查校验模型的显著性情况[5-6]。BP神经网络在模式识别、函数逼近、分类和数据压缩等领域均有应用[7-8]。

本研究以鳀鱼为原料，采用在保温基础上加米曲霉的方法，设计不同的发酵条件，使鱼蛋白加速分解，实现鱼露的快速发酵，并对鱼露发酵过程不同时间段的理化指标进行检测。利用PCR、PLS和BP神经网络模型对鱼露酿造过程中TVB-N和AN质量浓度进行预测研究。由于目前关于鱼露发酵过程中TVB-N和AN质量浓度预测方面的研究较少，故本实验探究鱼露发酵过程中可知指标(发酵时间、发酵温度、加曲量)和易测指标(含盐量、pH)与挥发性盐基氮和氨基酸态氮质量浓度的关系。以相关性较强的指标为模型输入，对TVB-N和AN质量浓度进行预测，建立鱼露发酵过程中TVB-N和AN质量浓度的PCR、PLS和BP预测模型，并比较各模型的相关系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)，得到TVB-N和AN质量浓度的最优预测模型，简化鱼露品质检测的试验操作。

1 材料与方法

1.1 材 料

鳀鱼，大连辽渔集团有限公司；麸皮、面粉、海盐、糖浆、食用酒精，市售；盐酸、硼酸、氧化酶、氢氧化钠、酚酞、甲醛、硝酸银、铬酸钾，均为市售国产分析纯；米曲霉，中科3.951(即泸酿3.042)。

1.2 仪 器

pH计，梅特勒-托利多仪器(上海)有限公司；海能K9840自动凯氏定氮仪，济南海能仪器股份有限公司。

1.3 方 法

1.3.1 样品制备

将麸皮4 kg、蛋白胨160 g、水3.68 kg搅拌均匀，静置30 min，放入高压蒸汽灭菌锅中，105 ℃ 保温40 min；准确称取面粉160 g，杀菌20 min；准确称取米曲霉16 g。将曲料取出，与米曲霉、面粉混匀，30 ℃培养16 h，补充40 ℃的温水160 g，30 ℃ 培养14 h，维持室温培养36 h，此时即为块状发酵曲。

以发酵温度、加曲量、加盐量三因素设计试验，方案见表1。将2 kg鳀鱼、160 g水、海盐、成曲搅匀装罐，表面撒海盐6.25 g，移入30 ℃培养箱，培养7 d至鱼体基本液态，每个发酵罐加入糖浆50 g和95%食用酒精50 g，搅拌均匀，加盖封口，发酵3月。从加入糖浆和酒精后开始每隔10 d 进行取样直至发酵结束。

表1 试验方案Tab.1 The scheme of experiment

1.3.2 测定方法

pH的测定参照国标GB 5009.237—2016；盐度的测定参照国标GB 5009.39—2003。氨基酸态氮的测定参照国标GB 5009.235—2016，采用酸度计法对样品中的氨基酸态氮进行检测。TVB-N测定参照国标GB 5009.228—2016，采用半微量定氮法对样品进行TVB-N的测定。

1.3.3 分析方法

应用SPSS、Origin软件对鱼露发酵过程中的常规数理进行统计分析，运用The Unscrambler和Matlab软件的PCR、PLS和BP神经网络法对TVB-N和AN进行预测[9]。主要采用R2、RMSE和RPD对3种预测模型的预测精度进行检验。根据常用的评价标准，如果R2≥0.79且RPD>2.25，该模型可被认为能实现对鱼露中TVB-N和AN质量浓度的定量预测[10]。

2 结果与讨论

2.1 鱼露发酵过程中理化指标检测

根据表1的试验条件进行发酵试验，测定发酵过程不同时间段内鱼露发酵产物中的盐、pH、TVB-N、氨基酸态氮质量浓度。

2.2 相关性分析

通过SPSS软件，采用Pearson 相关分析法对130组数据的发酵时间、培养温度、加曲量、含盐量、pH、TVB-N和AN质量浓度之间的相关性进行分析，结果如表2所示。由表2可知，在鱼露发酵过程中，TVB-N质量浓度与发酵时间、含盐量呈正相关性，与pH呈负相关性，与发酵温度、加曲量不相关；氨基酸态氮质量浓度也与发酵时间、含盐量呈正相关，与pH呈负相关性，与温度、加曲量不相关。

表2 Pearson相关性分析Tab.2 Analysis of Pearson correlation

2.3 预测模型建立

根据Pearson相关分析可知，TVB-N和AN质量浓度均与发酵时间、含盐量、pH相关。由此，以发酵时间、含盐量、pH为输入变量，分别建立TVB-N和AN质量浓度的预测模型。

2.3.1 PCR模型建立

运用The Unscrambler软件的PCR模型对鱼露发酵过程中的TVB-N质量浓度进行预测，结果见图1。由图1可知，PCR模型对鱼露发酵过程中TVB-N质量浓度预测R2为0.887 50，大于0.79。表明可以通过PCR模型对鱼露发酵过程中的TVB-N质量浓度进行预测。

图1 PCR模型对TVB-N质量浓度预测值与实测值的关系

运用The Unscrambler软件的PCR模型对鱼露发酵过程中的氨基酸态氮质量浓度进行预测，结果见图2。由图2可知，PCR模型对鱼露发酵过程中AN质量浓度预测R2为0.869 10，大于0.79。表明可以通过PCR模型对鱼露发酵过程中的AN质量浓度进行预测。

图2 PCR模型对氨基酸态氮质量浓度预测值与实测值的关系

2.3.2 PLS模型的建立

应用PLS对鱼露发酵过程中的TVB-N质量浓度进行预测，结果见图3。由图3可知，PLS对鱼露发酵过程中TVB-N质量浓度预测的相关系数为0.887 57，大于0.79。表明可以通过PLS模型对鱼露发酵过程中的TVB-N质量浓度进行预测。

图3 PLS模型对TVB-N质量浓度的预测值与实测值的关系

应用PLS对鱼露发酵过程中的AN质量浓度进行预测，结果见图4。由图4可知，PLS对鱼露发酵过程中AN质量浓度预测R2为0.869 11，大于0.79。表明可以通过PLS模型对鱼露发酵过程中的AN质量浓度进行预测。

图4 PLS模型对氨基酸态氮质量浓度的预测值与实测值的关系

2.3.3 BP神经网络模型的建立

借助MATLAB软件，BP神经网络采用只含有单个隐含层的3层网络结构。模型采用“transig”传递函数，“learngdm”性能函数，“MSE”性能函数，“trainlm”训练函数[11]。分别以TVB-N与AN质量浓度为输出量，输出层数为1；以与TVB-N和AN质量浓度Person相关性高的三因素为BP神经网络的输入量，输入层数为3；预测模型的性能与隐含层层数密切相关，隐含层层数较多的模型可能带来更好的预测性能，但也可能延长网络训练时间。通过经验公式得到估计值：

(3)M=log2n，n为输入层数。

根据经验公式得到本研究的隐含层数为2～13。将130组实验数据的70%作为训练集，15%为验证集。以网络对样本的预测值与实际值之间的决定系数和网络训练误差为评价指标，隐含层数为2～13进行试验，比较性能进行综合评价。不同隐含层数BP神经网络的训练结果如表3所示。表3显示，TVB-N预测模型的结构为3-11-1时，有较高的R2和较低的RMSE。AN预测模型的结构为3-13-1时，有较较高的R2和低的RMSE。综上，TVB-N的BP神经网络预测模型最佳网络结构为3-11-1，氨基酸态氮的BP神经网络预测模型最佳网络结构为3-13-1。

根据鱼露发酵过程中TVB-N质量浓度预测的BP神经网络最佳网络结构3-11-1，对TVB-N质量浓度进行预测，结果如图5所示。由图5可知，BP神经网络对鱼露发酵过程中TVB-N质量浓度预测R2为0.940 32，大于0.79。因此，可以通过BP神经网络模型对鱼露发酵过程中的TVB-N质量浓度进行预测。

根据鱼露发酵过程中氨基酸态氮质量浓度预测的BP神经网络最佳网络结构3-13-1，对氨基酸态氮质量浓度进行预测，结果如图6所示。由图6可知，BP神经网络对鱼露发酵过程中的氨基酸态氮质量浓度预测R2为0.889 26，大于0.79。因此，可以通过BP神经网络模型对鱼露发酵过程中的氨基酸态氮质量浓度进行预测。

2.3.4 PCR、PLS和BP预测模型比较

由图1～6可知，3种TVB-N和AN质量浓度预测模型的R2均大于0.79，RPD均大于2.25。故PCR、PLS和BP模型都能较好地对发酵过程中的TVB-N与AN质量浓度进行预测。相较于PCR和PLS模型，对TVB-N采用L-M算法，以3-11-1为拓扑结构的BP模型具有最小RMSEP(9.458)、最大R2(0.940 3)和RPD(4.097)；对氨基酸态氮采用L-M算法，以3-13-1为拓扑结构的BP模型具有最小RMSEP(75.023)、最大R2(0.889 3)和RPD(3.009)。BP模型的预测值与实际值最接近，预测效果最好，表明对鱼露发酵过程中TVB-N和AN质量浓度预测，BP模型为最佳预测模型。

表3 BP神经网络不同隐含层神经元数模型的预测能力Tab.3 The predictive power of the models of the number of neurons in different hidden layers of BP neural network

图5 BP模型TVB-N质量浓度预测值与实测值的关系

图6 BP模型氨基酸态氮质量浓度的预测值与实测值的关系

3 结 论

通过对各时间段，发酵温度、加曲量和加盐量条件下鱼露发酵产物中的含盐量、pH、TVB-N和AN质量浓度的测定，得到130组实验数据。Person相关性分析表明，TVB-N和AN质量浓度均与发酵时间、含盐量呈正相关，与pH呈负相关性，与温度、加曲量不相关。

通过PCR、PLS和BP神经网络以相关性较强的易得指标发酵时间、含盐量和pH为输入变量，对鱼露发酵过程中的TVB-N和AN质量浓度进行预测，结果表明PCR、PLS和BP模型都能较好地对发酵过程中的TVB-N与AN质量浓度进行预测。对TVB-N采用L-M算法，以3-11-1为拓扑结构的BP模型具有最小RMSEP、最大R2和RPD；对氨基酸态氮采用L-M算法，以3-13-1 为拓扑结构的BP模型具有最小RMSEP、最大R2和RPD，故BP预测效果最好。结果表明，对于鱼露发酵过程中TVB-N和AN质量浓度的预测，相较于PCR与PLS线性识别方法，BP模型为最佳预测模型。

本研究可以通过预测模型，得到TVB-N和AN质量浓度的预测值，在一定程度上简化对鱼露发酵过程中品质指标实验操作，实现简单快捷地对鱼露发酵过程中的品质指标的定量预测，用于工业规模上的鱼露发酵，能准确掌握酿造过程中的TVB-N和AN质量浓度变化并对发酵过程品质进行监控。此外，在未来的研究中，能够有效地控制产品品质劣化和提高传统鱼露发酵食品的品质。