豆腐乳品種繁多，產地遍布全國，按照添加配料顏色的差異，可將豆腐乳分為白豆腐乳和紅豆腐乳。豆腐乳發酵過程中，加入紅曲霉紅素和紅曲霉黃素等紅色素，將豆腐乳表面染紅，紅色素不僅能夠對豆腐乳上色，同時能夠使豆腐乳中的淀粉得到更加徹底的分解。對豆腐乳品質產生影響的因素較多，一般通過理化特性和感官特性兩個不同的角度直接對豆腐乳品質進行分析。

本文以不同品牌的豆腐乳為研究對象，利用主成分分析法對豆腐乳品質的主要影響因素進行分析，基于遺傳算法的神經網絡對豆腐乳進行感官綜合評價和品質預測。

一、豆腐乳理化檢測及感官評價

對豆腐乳進行理化成分檢測時，主要為豆腐乳中水分含量、總酸含量、還原糖含量、蛋白含量、氨基酸態氮含量和氨基酸組成等13個不同的檢測指標。10種不同品牌豆腐乳理化指標檢測結果見表１。

對豆腐乳進行感官評定時，主要包含豆腐乳總香、酯香、咸味、苦味、酸味、鮮味、硬度、粗糙度和粘牙性等１３個不同評定方向。

評定等級為香味非常協調（５分）、香味協調（４分）、香味較協調（３分）、香味欠協調（２分）、香味不協調（１分）；口感優（５分）、口感良（４分）、口感一般（３分）、口感差（２分）、口感非常差（１分）。10種不同品牌豆腐乳的感官評定結果見表２。

二、豆腐乳主成分分析

主成分分析法是一種多元數理統計法，采用線性變換的方式將多個指標進行組合，形成獨立的能夠反映總體信息的指標，在不損失任何主要參數信息的前提下，避免變量之間的共線性。利用主成分分析法進行數據分析時，首先對數據進行預處理，使原始樣本數據標準化；

分析標準化后數據樣本的相關矩陣Ｒ，計算相關矩陣特征值和特征值對應的標準化正交向量，此時與特征向量λｋ對應的主成分即表示第ｋ個主成分；計算各主成分的方差貢獻率，按照方差貢獻率的大小進行排序，方差貢獻率最高的主成分表示第１主成分；計算主成分的綜合評價得分利用主成分分析法分別對豆腐乳的理化特性指標和感官評定結果進行主成分分析。

豆腐乳理化特性主成分特征值分析結果見表３，豆腐乳感官評定主成分特征值分析結果見表４，豆腐乳理化指標主成分特征向量表見表５，豆腐乳感官評定主成分特征向量表見表６。

由表３可知，豆腐乳中理化指標主成分占豆腐乳理化指標特征值總變異的79.07%，第１主成分占理化指標特征值的32.67%，第２主成分占理化指標特征值的21.33%，第３主成分占理化指標特征值的17.85%，第４主成分占理化指標特征值的7.22%。

由表４可知，豆腐乳中感官評定主成分占豆腐乳感官評定特征值總變異的85.33%，第１主成分占感官品質特征值的49.66%，第２主成分占感官品質特征值的16.33%，第３主成分占感官品質特征值的12.85%，第４主成分占感官品質特征值的6.49%。

由表５可知，豆腐乳理化指標第１主成分的主要影響因素為賴氨酸、亮氨酸、異亮氨酸、甘氨酸和丙氨酸。第１主成分主要代表氨基酸對豆腐乳品質的影響；第２主成分的主要影響因素為總酸、粗蛋白、水分和還原糖；第３主成分的主要影響因素為鹽分和水溶性蛋白；第４主成分的主要影響因素為脂肪和氨基酸態氮。

由表６可知，豆腐乳感官評定第１主成分影響因素主要為豆腐乳凝結性、粘牙性、粗糙度和酸味，主要表現為豆腐乳的口感；第２主成分的影響因素主要為豆腐乳咸味、總香和酯香；第３主成分的影響因素主要為豆腐乳苦味、形態；第４主成分的影響因素主要為豆腐乳酒香、甜味。

根據豆腐乳感官評定主成分特征向量數據和豆腐乳理化特性主成分特征向量數據，得出豆腐乳綜合評價得分計算公式，豆腐乳感官評價的綜合得分見表７。

三、遺傳算法感官評價預測

遺傳算法是通過雜交和變異的類似生物學進化過程，獲取區局最優解的方法。

利用遺傳算法進行模型優化預測時，首先需要構建具有染色體功能的神經網絡。常見神經網絡通常為３層網絡結構，包含輸入層、隱含層和輸出層。

樣本參數通過輸入層進入神經網絡，經隱含層向輸出層進行傳播，輸出層獲取相關參數后進行輸出。

遺傳算法運算過程中，隨機產生權值向量初始種群，根據給定的輸入參數和輸出參數計算全局誤差，計算出算法適應度值。

從適應度值中選取下一代群體，根據交叉概率隨機進行配對，配對繁殖過程中保留最優個體，不斷進行充分，直到獲取最優權值。

分別從理化指標主成分特征向量數據和感官評定主成分特征向量數據中挑選４組主成分作為遺傳算法輸入數據集合，即輸入單元個數為８，將感官評價綜合得分作為輸出參數。豆腐乳感官評價綜合得分遺傳算法預測結果見表８。

四、結論

對豆腐乳感官綜合評價影響較大的因素為其前４個主成分，分別從豆腐乳的口感、風味、咸味、總香、酯香、酒香、形態、苦味和甜味等不同的主成分特征方向進行豆腐乳綜合評價，采用遺傳算法對豆腐乳的感官綜合評價過程進行預測，預測誤差不大于10%，表明建立的遺傳算法模型具有較好的預測能力。