1、人工神经网络模型
以提取温度、提取时间、液料比、提取压力、超声功率5个独立变量作为神经网络的输入，香菇多糖提取得率作为网络输出。输入层包含5个节点，隐含层包含10个节点，输出层包含1个节点，建立结构为5-10-1的三层BP神经网络模型。其神经网络拓扑结构图见图1。式中，0．9为S函数输入值的最大值，0．1为S函数输入值的最小值。x为输入样本值，xmax为输入样本对应的最大值，xmin为输入样本对应的最小值。
2、单因素模拟结果
2．1提取温度的影响
提取时间40min，提取压力5MPa，液料比30mL/g，超声功率200W，对应的归一化值均为0．5。选择tansig与purelin组合函数作为传递函数，选择Levenberg-Mar-quart(L-M)算法，经过100个周期训练，从150～190℃每递增2℃作为网络输入计算输出模拟结果。由图2可知，模拟值与实验值能很好的吻合，误差很小。随着温度的升高，香菇多糖提取率明显增加，184℃时两种提取方法的模拟预测值都达到最大值，此后提取得率值略有下降。温度升高提高了多糖在水中的溶解度，多糖溶解系数变大，有利于提取过程的进行，但过高的温度会导致多糖的降解，提取率降低。USWE的提取率高于SWE，这主要是由于超声在亚临界体系中产生的空化效应以及机械振动、搅拌和扰动等次级效应，加速了植物有效成分的溶解，起到了强化的作用。
2．2提取时间的影响
提取温度180℃，对应的归一化值为0．7，提取压力5MPa，液料比30mL/g，超声功率200W，对应的归一化值均为0．5。选择logsig与logsig组合函数作为传递函数，选择Levenberg-Mar-quart(L-M)算法，经过80个周期训练，从20～60min每递增2min作为网络输入计算输出模拟结果。实验结果与模拟结果见图3。由图3可知，随着时间的增长，香菇多糖提取率呈现先升高后降低的趋势，42min时两种提取方法的模拟预测值都达到最大值，此后开始下降。提取时间越长，越有利于溶质有效成分的扩散，但在高温下提取时间太长会导致部分有效成分降解或失活，提取率降低。
2．3提取压力的影响
提取温度180℃，对应的归一化值为0．7，提取时间40min，液料比30mL/g，超声功率200W，对应的归一化值均为0．5。选择logsig与logsig组合函数作为传递函数，选择Levenberg-Mar-quart(L-M)算法，经过100个周期训练，从3～5MPa每递增0．2MPa作为网络输入计算输出模拟结果。实验结果与模拟结果见图4。由图4可知，随着压力的增大，香菇多糖提取率呈现先升高后降低的趋势，但并不明显。亚临界条件下，压力的主要作用是使得水在超高温状态下仍能保持液体状态，因此压力的变化并不会导致香菇多糖提取率的大的变化。但压力升高，水的密度略微增加，溶解能力有一定的增加，有利于提取溶剂渗入被提取物基质的微孔，加速溶质的溶解。过大的压力又会使得物料过于堆积压实，密度增大，不利于溶剂和物料的充分接触。同时，压强越大，超声空化阈值也越大，不利于超声空化泡的产生，削弱了超声的强化作用。
2．4液料比的影响
提取温度180℃，对应的归一化值为0．7，提取时间40min，提取压力5MPa，超声功率200W，对应的归一化值均为0．5。选择logsig与logsig组合函数作为传递函数，选择Levenberg-Mar-quart(L-M)算法，经过100个周期训练，从10～50mL/g每递增2mL/g作为网络输入计算输出模拟结果。实验结果与模拟结果见图5。由图5可知，随着液料比的增大，香菇多糖提取率呈现先升高后降低的趋势，液料比32mL/g时，USWE和SWE的模拟预测值都达到最大值，分别为33．15%，31．17%，此后提取得率值开始下降。USWE的提取率高于SWE。液料比增大，溶剂越多，越有利于物料和提取溶剂的充分接触，有利于物料有效成分的提取。但过大的液料比会导致提取液浓度较低，很难保证香菇多糖完全分离，提取率降低。
2．5超声功率的影响
以实验得到的5个提取得率数据作为训练样本。提取温度180℃，对应的归一化值为0．7，提取时间40min，液料比30mL/g，提取压力5MPa，对应的归一化值均为0．5。选择logsig与logsig组合函数作为传递函数，选择Levenberg-Mar-quart(L-M)算法，经过100个周期训练，从160～240W每递增5W作为网络输入计算输出模拟结果。实验结果与模拟结果见图6。由图6可知，随着超声功率的增大，香菇多糖提取率呈现先升高后降低的趋势，200W模拟预测值达到最大，为32．61%，此后开始下降。超声功率越大，在溶剂与物料界面产生的空化泡破裂时释放的压力越大，越有利于提高多糖得率，但太高的声强产生的大量空化泡会通过声波反射而减少能量的传递，因此不能无限制的增强超声。
3、RSM与BPANN对优化数据的预测
利用Design-expert软件对USWE影响因素进行优化设计，由于提取压力影响较小，因此以5MPa作为固定值，选取提取温度、提取时间、液料比、超声功率作为4个因素进行29组实验，结果见表1。由表2可知，用BBD进行的预测值，5组重复性实验的数据能够完全吻合，但有6组数据的残差绝对值超过1，其他18组数据的残差绝对值介于0～1之间。用BPANN进行的预测值，29组数据的残差绝对值都介于0～1之间，相对而言，其预测值与实验值能更好的吻合，BPANN的拟合效果优于BBD。对表1数据进行二次多项式回归拟合，由模型方程计算得到的最优提取条件为:温度186．84℃，时间40．2min，液料比33．56mL/g，功率201．09W，预测值为34．266%。考虑到实验的可行性，将最优条件修正为:提取温度187℃，提取时间40min，液料比34mL/g，超声功率200W，在此条件下进行实验，LP提取率为34．024%。利用BPANN对修正条件下的多糖提取率进行拟合，预测值为33．347%。可以看出，两种方法的预测值与实验值都很接近，都可以用于多因素的非线性模型建立，为提取工艺的优化提供依据。
4、结论
利用BPANN进行了SWE和USWE单因素条件下香菇多糖得率的模拟，模拟值与实验值能很好的吻合，模拟结果与理论机理符合。利用Design-ex-pert软件设计随机获取实验排列顺序，并分别用BBD和BPANN进行香菇多糖提取得率的预测，最优化条件下进行实验验证。结果表明，BPANN具有良好的拟合效果和预测能力，可以用该模型对同类实验进行模拟和放大，为功能食品因子的提取工艺条件的选择提供指导。
作者：杨日福 闵志玲 耿琳琳 单位：华南理工大学 物理与光电学院
