电子测量技术 第４Ｏ卷第１１期 ２０１７年ｌ１月 ＥＬＥＣＴＲ０ＮＩＣ ＭＥＡＳＵＲＥＭＥＮＴ ＴＥＣＨＮ０Ｌ０ＧＹ ＢＰ神经网络预测控制在色素得率的应用 程换新 孟祥勇 崔丽洁 孔玲玲。 （１．青岛科技大学自动化与电子工程学院青岛２６６０６１；２．核工业理化工程研究院天津３００１８Ｏ） 摘要：根据葡萄皮色素提取工艺过程中的提取剂浓度、温度、ｐＨ、时间等影响因素与输出结果色素提取率这一变量 之间的非线性关系，建立了改进的ＢＰ神经网络预测模型。针对传统ＢＰ学习算法收敛速度慢、存在局部极值等不足， 引入动量项以改进该学习算法。结合实际数据，运用迭代优化的控制算法对网络的权值和阈值进行不断训练并利用 ＭＡＴＬＡＢ进行仿真验证。研究结果证明了改进后的ＢＰ神经网络对色素提取率的预测控制具有精度高、泛化能力 强，实用性强的优点，为色素得率提供了良好的理论基础和预测方法。 关键词：ＢＰ神经网络；色素得率；预测控制；ＭＡＴＬＡＢ 中图分类号：ＴＰ２９ 文献标识码ｉ Ａ 国家标准学科分类代码：５１０．８０６０ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｖｅ ｃｏｎｔｒｏｌ ｉｎ ｐｉｇｍｅｎｔ ｙｉｅｌｄ Ｃｈｅｎｇ Ｈｕａｎｘｉｎ Ｍｅｎｇ Ｘｉａｎｇｙｏｎｇ Ｃｕｉ Ｌｉｊｉｅ Ｋｏｎｇ Ｌｉｎｇｌｉｎｇ （１．Ｃｏｌｌｅｇｅ ｏｆ Ａｕｔｏｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｑｉｎｇｄａｏ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｑｉｎｇｄａｏ ２６６０６１，Ｃｈｉｎａ； ２．Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｐｈｙｓｉｃａｌ＆Ｃｈｅｍｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ｏｆ Ｎｕｃｌｅａｒ Ｉｎｄｕｓｔｒｙ，Ｔｉａｎｊｉｎ ３００１８０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｎｏｎｌｉｎｅａｒ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ ｉｎｃｌｕｄｉｎｇ ｅｘｔｒａｃｔｉｎｇ ａｇｅｎｔ ｃｏｎｃｅｎｔｒａｔｉｏｎ， ｔｅｍｐｅｒａｔｕｒｅ，ｐＨ ａｎｄ ｔｉｍｅ Ｉｎ ｔｈｅ ｅｘｔｒａｃｔｉｏｎ ｐｒｏｃｅｓｓ ｏｆ ｇｒａｐｅ ｓｋｉｎ ｐｉｇｍｅｎｔ ａｎｄ ｔｈｅ ｏｕｔｐｕｔｓ ｐｉｇｍｅｎｔ ｅｘｔｒａｃｔｉｏｎ ｙｉｅｌｄ，ｔｈｅ ｉｍｐｒｏｖｅｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ＢＰ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｅｘｉｓｔｓ ｔｈｅ ｄｅｆｉｃｉｅｎｃｉｅｓ ｏｆ ａ ｓｌｏｗ ｃｏｎｖｅｒｇｅｎｃｅ ｓｐｅｅｄ ａｎｄ ｌｏｃａｌ ｅｘｔｒｅｍｕｍ，ｍｏｍｅｎｔｕｍ ｔｅｒｍ ｉｓ ｉｎｔｒｏｄｕｃｅｄ ｔＯ ｉｍｐｒｏｖｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｗｅｉｇｈｔｓ ａｎｄ ｔｈｒｅｓｈｏｌｄｓ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ ａｒｅ ｔｒａｉｎｅｄ、ｓｉｍｕｌａｔｅｄ ａｎｄ ｖｅｒｉｆｉｅｄ ｂｙ ＭＡＴＬＡＢ ｃｏｎｔｉｎｕａｌｌｙ ｕｓｉｎｇ ｉｔｅｒａｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｃｏｎｔｒｏｌ ａｌｇｏｒｉｔｈｍ ｏｎ ｔｈｅ ａｃｔｕａｌ ｄａｔａｓ．Ｔｈｅ ｉｍｐｒｏｖｅｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｈａｓ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｈｉｇｈ ｐｒｅｃｉｓｉｏｎ，ｓｔｒｏｎｇ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ａｂｉｌｉｔｙ ａｎｄ ｓｔｒｏｎｇ ｐｒａｃｔｉｃａｂｉｌｉｔｙ ｆｏｒ ｐｉｇｍｅｎｔ ｅｘｔｒａｃｔｉｏｎ ｙｉｅｌｄ ｐｒｅｄｉｃｔｉｏｎ ｃｏｎｔｒｏｌ， ｐｒｏｖｉｄｉｎｇ ａ ｇｏｏｄ ｔｈｅｏｒｅｔｉｃａｌ ｂａｓｉｓ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｐｉｇｍｅｎｔ ｙｉｅｌｄ． Ｋｅｙｗｏｒｄｓ：ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｙｉｅｌｄ ｏｆ ｐｉｇｍｅｎｔ；ｐｒｅｄｉｃｔ ｃｏｎｔｒｏｌ；ＭＡＴＬＡＢ ０ 引 言 苷提取物。 本文根据色素提取工艺流程的多因素影响０］，深入分 析了在提取过程中温度、时间、ＰＨ、乙醇浓度等因素的影 响，结合ＢＰ神经网络及其控制应用的原理，根据实验样本 的不断训练建立成熟可靠实用的网络模型，用训练好的预 测模型在相关真实数据的基础上预测色素得率，从而仿真 验证了影响色素得率工艺的主要控制变量。 色素是一种重要的食品添加剂，在食品、医药、化妆品 等行业有着广泛的应用，研究发现，色素的合成大多具有慢 性毒性和致癌致癌作用，给人类健康带来威胁。所以寻求 安全性更好的天然色素，尤其是以农作物和果蔬类作为原 料提取出的天然食用色素成为国内外研究的热点 ］。葡萄 皮色素组成成份比较复杂，在该色素的提取的过程当中，影 响因子又参差不齐，故而采用色素得率为指标进行评价，综 合考虑了与药效相关的各项主要指标，能够全面、科学的对 提取工艺进行评价和优化。天然植物色素初提液可用不同 １ 色素提取工艺简介 １．１ 提取剂浓度对色素得率的影响 分别称取５．０ ｇ过２４目筛的葡萄皮于烧杯中，再分别 加入９０ ｍＬ浓度为１Ｏ％、２Ｏ 、３Ｏ 、４Ｏ 、５０ 乙醇，调节 ６Ｏ℃的水浴锅中，温浸３０ ｍｉｎ，趁热过滤于锥形瓶中，然后 有机溶剂或不同的酶水解的方法进行萃取纯化，也可以通 种方法，即吸附洗脱得方法过柱子得到不同极性的花色 收稿日期：２０１７－０４ 过加入醋酸铅得到沉淀的方法进行萃取纯化 ］。还有另外 各浓度乙醇的ｐＨ为３．００±０．０２，浸泡２４ ｈ后，放置在 一・ ７１ ・ 第４Ｏ卷 电 子 测 量技术 网络初始化 转移到圆底烧瓶中，减压浓缩后加入无水乙醇，静置一会 后，过滤除去沉淀，旋蒸至挂壁，减量法称重，计算其色素 得率 。 １．２ 乙醇体积对色素得率的影响 给定样本输入和目标输出 分别称取５．０ ｇ过２４目筛的葡萄皮，分别加入ｐＨ ３．００±０．０２的２Ｏ％乙醇４５、６Ｏ、７５、９０、１０５ ｍＬ，浸泡２４ ｈ 后，放置于６Ｏ℃的水浴锅中，温浸３０ ｍｉｎ，趁热过滤于锥形 求隐含层和输出层各单元输出 计算实际输出和期望值的误差 瓶中，然后转移到圆底烧瓶中，减压浓缩后加入无水乙醇， Ｎ 静置一会后，过滤除去沉淀，旋蒸至挂壁，减量法称重，计算 误差是否满足 其色素得率。 １．３提取时间对色素得率的影响 分别称取５．０ ｇ过２４目筛的葡萄皮，加入ｐＨ３．００± ０．０２的２０ 乙醇９０ ｍＩ ，浸泡２４ ｈ后，放置于６Ｏ℃的水浴 锅中，分别温浸２Ｏ、３Ｏ、４Ｏ、５Ｏ、６０ ｒａｉｎ，趁热过滤于锥形瓶 中，然后转移到圆底烧瓶中，减压浓缩后加入无水乙醇，静 置一会后，过滤除去沉淀，旋蒸至挂壁，减量法称重，计算其 色素得率。 １．４提取温度对色素得率的影响 分别称取５．０ ｇ过２４目筛的葡萄皮，加入ｐＨ３．００± ０．０２的２Ｏ 乙醇９Ｏ ｍＬ，浸泡２４ ｈ后，分别放置于４Ｏ、５Ｏ、 ６Ｏ、７Ｏ、８０℃的水浴锅中，温浸３０ ｒａｉｎ，趁热过滤于锥形瓶 中，然后转移到圆底烧瓶中，减压浓缩后加入无水乙醇，静 置一会后，过滤除去沉淀，旋蒸到挂壁，减量法称其重，算出 其色素得率。 １．５提取ＰＨ对色素得率的影响 分别称取５．０ ａ过２４目筛的葡萄皮，分别加入ｐＨ为 １．ｏｏ￣ｏ．０２、２．ＯＯ±ｏ．０２、３．ｏｏ±ｏ．０２、４．ｏｏ－＿ｏ．０２的２Ｏ ！－乙醇９０ ｍＬ，浸泡２４ ｈ后，分别放置于６Ｏ℃的水浴锅中，温 浸３０ ｍｉｎ，趁热过滤于锥形瓶中，然后转移到圆底烧瓶中， 减压浓缩后加入无水乙醇，静置一会后，过滤除去沉淀，旋 蒸到挂壁，减量法称其重，计算其色素得率。 ２ ＢＰ神经网络 人工神经网络是一个高度并行的非线性系统，由大量 简单的处理单元相互连接，具有大规模并行处理的特点，具 有高度非线性和复杂的逻辑运算能力。理论上通过系统的 实际输出与期望输出之间的误差来调整神经网络的突触权 值，即让神经网络学习，可以逼近任何非线性映射 ］。反向 传播学习算法（ＢＰ）是ＬＭＳ算法的推广，两个算法均采用 相同的代价函数即均方误差，通过不断输入样本使算法调 整网络的参数以使均方误差最小化。依据实际输出和期望 输出之差，依次调整网络权值的多层前馈型神经网络，被称 为ＢＰ神经网络 。］。ＢＰ网络具有实现任何复杂非线性映 射的功能、可在任意精度范围内表达复杂的非线性映射、具 有泛化能力。其流程如图１所示。 ２．１建立ＢＰ神经网络 影响色素得率的主要因素是提取剂浓度、乙醇体积、提 ・ ７２ ・ ＼／ Ｊ Ｙ 将训练权值矩阵存盘 训练结束 图１ ＢＰ神经网络流程 取时间、提取温度和ｐＨ值，将这５个主要影响因素作为 ＢＰ神经网络的输入，输出为色素得率以构建一个多输入单 输出的ＢＰ神经网络模型。本模型包含输入节点数为Ｍ的 输入层、隐层节点数为Ｋ的隐含层和输出节点数为Ｎ的输 出层，如图２所示。该模型各层定义如下 ］。 输入层输出： ：Ｉ ，ｍ一１，２，…，Ｍ （１） Ｍ 隐含层输出： —ｆ （ 砌 ＋ｂ ） （２） ｍ一１ 输出层输出： 一ｆ。（ 硼 Ｏ ＋ｂ ） （３） ＝１ 式中：输入层输入变量Ｉ ，输入层的输出量Ｏ ，输入层的输 入 ，隐含层的输出量Ｏ ，输入层节点ｍ和隐含层节点ｋ 间的权值 ，输入层结点ｍ，与隐含层结点ｋ，隐含层阚值 ｂ ，结点ｋ与输出层结点 间的权值硼 ，输出层阈值ｂ 。 输入层 隐含层 输出层 图２神经网络的结构 ２．２ ＢＰ神经网络的参数调整及实现 为了克服ＢＰ神经网络的固有缺点，本文采用了ｌ Ｍ 算法。ＬＭ算法实际上是梯度下降法和牛顿法的组合 ］， 它的优点在于梯度下降法越接近最优值下降速度越慢，在 下降梯度趋零时，目标函数下降速度减慢，拟牛顿算法可在 最值附近产生理想的搜索方向，两者结合的ＬＭ法的网络 权值数目较少时收敛非常迅速ｌ】 。 程换新等：ＢＰ神经网络预测控制在色素得率的应用 在训练中，动量项被添加到权重和阈值校正算法，这相 当于阻尼项，减少了学习过程中的震荡趋势，改善了收敛性 第ｌ１期 影响得率的主要因素有乙醇浓度、乙醇用量、提取时间、提 取温度和提取ｐＨ值，５个主要因素为模型色素的输入量， 将色素得率作为输出量。则输入量的向量Ｘ＝（Ｘ ，Ｘ ， Ｘ。，Ｘ ，Ｘ ） 输出量向量Ｙ一（ｙ ）一维向量。在设计中选 能。利用前修正值来平滑学习路径，避免陷入局部极小值， 加速学习速度。 对网络的输出是先对网络隐含层小波结点的输出加权 择了３层ＢＰ神经网络预测结构，输入层节点数为５个，输 求和，再经Ｓｉｇｍｏｉｄ函数变换后得网络输出减少训练过程 中发散的可能性［】 ，极大的改进了以搜索方法为核心的迭 出层神节点数为１个，隐含层节点数为１１个，隐含层函数 采用函数ｔａｎｓｉｇ（ ）一２／（１＋ｅｘｐ（一２ｎ））一１，输出层函数 代优化算法 。 设系统输入输出样本组数Ｐ（Ｐ＝１，２，３，…，Ｐ），学习 采用函数ｐｕｒｅｌｉｎ即 ＝ｚ。因此可确定色素得率的网络预 测模型［１。 如图３所示。 率为、动量因子满足０＜ ＜１），７７＞０。则系统的目标函 数为： Ｅ一∑Ｅ ： ∑∑（ ：一 ） （４） 式中：指代的是输出层第Ｐ个结点的期望输出为网络实际 输出。具体调整要求如下。 １）输入层与隐含层结点之间的权值调整式： ＝叫 ｏｌｄ＋叩 ＋）．ＡＷ￣ｌｄ （５） …。： ＝ 一 （ ・器 ： （６） 式中： 、 ｎｅｗ为分别是输入层与隐含层调整前与调整后 的权值，△ 为输入层和隐含层的动量项， 、以为分别是 隐含层和输出层权值的变化量，Ｏ＝｝、 为分别是隐含层第Ｐ 个节点的输出量和输入，ｚ：为输入层第Ｐ个节点输入。 ２）对隐含层与输出层之间的权值调整为： — 叫嚣 一 ＋叩’ ： ＋ △叫 （７） 一 一（ 一 ）・ （１一ｙ．Ｐ） （８） 式中：训 为调整前隐含层与输出层的权值，调整后隐含层 与输出层的权值叫 ，隐含层与输出层的动量项△训 。 ＢＰ神经网络控制算法的具体实现步骤如下： １）初始化设置。设置所有的突触权值和阈值，将其随 机数最小。ＢＰ神经网络连接权值，学习率和动量因子初始 化，并设置优化目标，随机生成初始权值序列训（Ｏ）置输入 样本计数器Ｐ一１。 ２）计算输入样本的期望输出并且测得到网络实际输 出，当训练样本不足时循环输入。 ３）求梯度向量和误差。 ４）决定方向并算出学习速率。 ５）调节ＢＰ网络参数且输入下一样本。 ６）停机测试。当每个回合的均方误差变化的绝对速 率足够小时，认为反向传播算法已经收敛。若Ｅ（叫（是））＜ ￡，则停机；否则置ｐ一户＋１，转步骤２）循环。 ３色素提取工艺的ＢＰ神经网络模型 色素提取工艺受到多方面因素影响，为保证建立神经 网络预测模型要合理选择主控因素。经过分析与实验得， 输入层 隐含层 输出层 图３ ＢＰ神经网络的预测模型 归一化的基本思想是修正网络误差性能函数，使网络 得到较小的权值和阈值，从而使响应变得平滑，进而减少过 度适应。由于各变量代表不同的物理量，取值范围差别很 大，为避免主控因素对网络训练和预测结果造成误差，要对 数据作归一下处理以提高网络训练精确度。具体公式如下 所示： ｘ 一 （９） 式中：ｘ…、ｘ一、ｘ 分别为原始数组的最大和最小值及实 测值，归一化数据值。前８Ｏ组样本作为训练样本，后４Ｏ组 作为预测样本。训练前归一化的处理使每个节点的数值均 在在Ｏ～１，设置模型的训练函数为ｔｒａｉｎｌｍ，其他为默认数 值。各个训练参数分别为预测精度ｇ０ｎｚ ０．０００ １，学习速 率Ｉｒ＝０．００１，训练次数ｅｐｏｃｈｓ＝１ ０００，每间隔１００步显示 一次训练结果。对ＢＰ神经网络进行学习训练，当训练误 差达到最小时停止训练并验证预测数值，经过实验可知训 练到６５０次时，系统误差达到最小值，如图４所示。 通过训练，得出神经网络模拟输出的样本和实际输出 曲线，如图５所示。 ４与晌应面法【１ （ｒｅｓｐｏｎｓｅ ｓｕｒｆａｃｅ ｍｅｔｈｏｄ）实验 结果比较 利用Ｄｅｓｉｇｎ Ｅｘｐｅｒｔ８．０．６．１软件对实际数据进行多 元回归拟合，得到色素得率对提取剂浓度（Ｘ ）、乙醇体积 （Ｘ ）、提取温度（Ｘ ）的二次多元回归模型： ・ ７３ ・ 第４Ｏ卷 电 子测 量技术 Ｑ∞ｕｖ Ｊ０Ｅ叫 ２ｇ ｇ０苫 ０ ｌｏ０ ２００ ３ｏ０ ４０ｏ ５００ ６００ ６５０ Ｅｐｏｃｈｓ 图４第６５０次迭代优化后数据误差 图５模型对得率的预测值和实际值比 Ｑ一～１１９．３８９９１＋１．２１８Ｘ ＋０．８６４１３Ｘ２＋２．７４２９８Ｘ３＋ ３．２５Ｅ—Ｏ．０３Ｘ Ｘ２—０．０１３０７５ Ｘ１墨＋０．０１７２７５Ｘ 一 Ｏ．Ｏ１３６６Ｘ１ 一０．０１３４６Ｘ２ 一０．０３０２３５Ｘ３ （Ｒ２—０．９９８１） 表１二次回归模型方差分析 方差袭潭平方和 自由度均方差 Ｆ售Ｐ值 息模型 ５３．Ｍ ９ ５．９１ １８７２．２０ （ｏ．ｏ∞ －Ｖｌ ０・０３５ １ ０．０３５ １０－∞０－Ｏｏｇ０ ｌ－４５ ｌ １－４５ ４５８．ＯＴ （。・０００１ ３．２６ １ ３．２６ １０３２．ｇ８ ∞・０００１ ＾ ｏ・相 １ ０．船 １５ｏ．６Ｔ ＜０－ｏ０ｏｌ ＾ ３・姑 １ ３－４２ ｌｏ８３．８０ 旬・ｏ∞ｉ ５－９ １ ５．９７ №１．９１ ∞・㈨ｌ １６．４８ １ ｉ６．４８ ５２２２．５８ （０ Ｏ∞ｌ ｌ６．００ １ １８．００ ５０７０．７ ∞．０００１ 卫 Ｉ５．９４ １ ｌ５．９４ ５０５４．０４ ＜Ｏ－ｏ。Ｏｌ 残差 ０．０∞ ９ ３．１５￣－０．０３ 失拟项０．０１６ ５ ３．１Ｔ９Ｅ＿ｏ．０３ Ｌ０２ ０．∞ 纯误差 ０．０１３ ４ ３．１２￣－０．０３ 总变异 ｏｏ １９ 由表ｌ可知，Ｘ２、Ｘ３、Ｘ１ 、Ｘ２ 、Ｘ３ 、Ｘ１Ｘ２、ＸｌＸ３、 Ｘ Ｘ。的Ｐ＜Ｏ．０００ １，故这８项均表现出极显著的水平。而 对于ｘ，来说，Ｐ＞Ｏ．０５，则表现出不显著的水平。进一步对 该回归模型进行显著性检验发现，模型的决定系数为Ｒ 一 ０．９９８ １，表明预测值与实测值之间的相关性良好；为增加 模型预测的可靠性，将Ｒ 给予适当的调整Ｒ ａｄｊ＝０．９９８ ９， ・ ７４ ・ 则仅有０．８６ 的响应值的总变异不能用该模型表示。失 拟项的Ｐ＞Ｏ．０５，故失拟项不显著，则说明该回归模型与实 测值能较好地拟合。 根据单因素实验选出对提取率影响较大３个因素进行 星点的因素和水平设计进行响应面设计，得到拟合的回归 方程模型并对其进行回归方差分析。参照理论上的优化条 件进行试验，结果为提取率的平均值与理论提取率接近，两 者之间的ＲＳＤ为０．８６２％。 本模型通过训练得出平均绝对误差：ａＴｌｓ为０．４２６ ８， 提取率的平均值与理论提取率之间的ＲＳＥ一０．８００１ ，通 过对比得出ＢＰ神经网络用于色素得率的预测模型要优于 ＲＳＭ实验的结果。 ５ 结 论 在色素提取工艺中改变影响色素得率的主要因素是提 高色素得率的重要手段，这点运用化学常用的ＲＳＭ方 法 得到验证，但是ＲＳＭ的运用比较繁琐。优化改进后 的ＢＰ神经网络用于色素得率的预测有比较高的预测精度 ］ ］ ］ ］ ］及实用性 ，这在模拟仿真中也得到了成功验证并且预测 的精确度和实用性比较高，为提高色素得率提供了良好的 理论基础和预测方法。未来可以在此方向上重点研究以取 得更好的应用。 参考文献 ［１］ 肖正春，张广伦．我国植物食用色素资源开发利用评 价［Ｊ］．中国野生植物资源，２０１４￣，３３（１）：４５—５４ 李艳平，马西平．葡萄皮色素提取工艺研究［Ｊ］．中国 南方果树，２０１０，３９（６）：５７－５８． 赵珍珍．红肉火龙果色素提取工艺优化及其化学成份 分析［Ｄ］．福州：福建农林大学，２０１２， 罗漩，李颖，邓艳芹．响应面法提取葡萄皮色素及其稳 定性的研究［Ｊ］．中国调味品，２０１５，４０（２）：１０４一ｌ１３． 刘春，马颖．遗传算法和神经网络结合的ＰＳＤ非线性 校正口］．电子测量与仪器报，２０１５，２９（８）：１１５７—１１６３． 杨国强．基于模糊自适应控制的锅炉温度控制［Ｊ］．轻 工机械，２０１３，３１（２）：５２—５５． 丁硕，常晓恒．Ｉ Ｍ算法改进的ＢＰ网络在模式分类中 的应用研究［Ｊ］．电子测试，２０１４（２）：３３—３５． 宋志杰，王健．模糊聚类和Ｉ Ｍ算法改进ＢＰ神经网络 的变压器故障诊断［Ｊ］．高压电器，２０１３，４９（５）：５４—５８． 程换新，伊飞．面向轻汽油醚化的ＢＰ神经网络的预测 模型控制［Ｊ］．石油化工自动化，２Ｏ１２，４８（６）：４０—４１． 傅荟璇，赵红．ＭＡＴＩ ＡＢ神经网络应用设计［Ｍ］．北 京：机械工业出版社，２０１０． 朱江淼，宋文峰，高源，等．基于改进型ＢＰ神经网络的 氢原子钟钟差预测［Ｊ］．仪器仪表学报，２０１６，３７（２）： ４５４－４６０． 程换新，于沙家．面向脱硫系统的ＢＰ神经网络的预测 程换新等：ＢＰ神经网络预测控制在色素得率的应用 控制［Ｊ］．石油化工自动化，２０１５，５１（５）：３９—４２． ＥＩ３Ｇ余发山，康洪．基于ＧＡ优化ＢＰ神经网络的液压钻机 ２０１１，３２（６）：ｌ一５． 第１１期 Ｅｌ６］夏玫，陈立潮．ＢＰ神经网络泛化能力改进研究［Ｄ］．太 原：太原科技大学，２００９． 故障诊断ＥＪ３．电子测量技术，２０１６，３９（２）：１３４—１３７． Ｅｌ４］余昆，杨文娇，陈玲．响应面分析法优化葡萄皮色素提 取工艺ＥＪ３．中外葡萄与葡萄酒，２０１３（２）：２７—３１． 作者简介 程换新，１９６６年出生，教授，博士，硕士生导师，主要从 事控制理论与应用研究。 ［１５］杨新河，李勤，黄建安，等．普洱茶色素提取工艺条件 的响应面分析及其抗氧化性活性研究［Ｊ］食品科学， ・ ７５ ・