响应面法、BP神经网络优化薏仁米酒产氨基酸态氮
【摘要】 通过对比多层前馈(backpropagation,BP)神经网络、响应面法优化慧仁米酒产氨基酸态氮，为慧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，慧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(centralcompositedesign,CCD)对慧仁米酒产氨基酸态氮的发酵条件进彳亍试验设计；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)、均方扌艮误差(rootmeansquareerror,RMSE)、绝对平均相对误差(absoluteaveragerelativeerror,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：慧仁来：糯米=2.8:1(质量比)、接种量为4.8%、温度为28.2弋、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神经网络在优化惫仁米酒产氨基酸态氮上具有更好的拟合能力和优化效果
