论文部分内容阅读
本文根据国标GB/T5606.1收集烤烟烟叶样品174个,烟叶产地为:河南、云南、贵州、福建等地;生产时间为:2000年至2004年;等级为:B3F、C3F、C3L、C2L、B2F、X2F、X3F等;品种为:云烟87、云烟85、K326和红大。
这些样品经恒温40℃干燥、粉碎、过40目筛之后,采用同时蒸馏萃取法提取分离烟叶中的挥发性成分,采用内标法定量,应用GC/MS进行定性定量分析。实验仪器为美国惠普公司HP6890GC/5973MS联用仪和自制的同时蒸馏萃取仪。烟叶样品处理过程为:在同时蒸馏萃取仪的一端接盛有25.0000g烟末和350ml蒸馏水的1000ml圆底烧瓶,该端用恒温电热套加热。装置另一端接盛有40ml二氯甲烷的150ml圆底烧瓶,该端烧瓶置于恒温水浴锅中加热,水浴温度为60℃,同时蒸馏萃取时间为2.5h。最后向萃取得到的二氯甲烷溶液中加入10g无水硫酸钠干燥过夜,然后经氮吹仪浓缩至1ml,并加入准确量的内标乙酸苯乙酯,进行气相色谱/质谱分析(GC/MS)。
GC/MS分析条件为:载气:氦气;进样量:2μl;分流比:10:1;恒流模式:1ml/min;电离方式:EI;离子源温度:230℃;电离能量:70eV;溶剂延迟时间:3min;进样口温度:250℃;传输线温度:250℃;扫描方式:全扫描;扫描范围:40~550μam;柱头压:76Kpa;程序升温:初始温度50℃,保持2min,以后2℃/min,最终温度:210℃,保持10min。色谱柱:HP-5MS(5%phenylMethylSiloxane)毛细管柱(30.0m×250μm×0.25μm);使用Wiley275谱库图谱和Nist98谱库图谱进行检索。
本实验共鉴定了29种挥发性成分,它们分别是:二氢-2-甲基-3(2H)-呋喃酮、糠醛、2-糠醇、2-乙酰基呋喃、苯甲醛、5-甲基糠醛、6-甲基-5-庚烯-2-酮、苯甲醇、苯乙醛、2-乙酰基吡咯、苯乙酮、芳樟醇、苯乙醇、吲哚、烟碱、三环烯、β-大马酮、β-二氢大马酮、香叶基丙酮、β-紫罗兰酮、降茄二酮、巨豆三烯酮1、巨豆三烯酮2、巨豆三烯酮3、巨豆三烯酮4、新植二烯、法呢基丙酮、十六酸甲酯、十六酸。同时对有标样的15种化合物作了回收率和重现性实验。在15种化合物中,回收率大于80%有12种。变异系数均小于5%的有13种。
同时,对这些烤烟烟叶样品进行感官评吸实验(香气质(10)、香气量(10)、吃味(12)、杂气(10)、刺激性(10)、劲头(8)、燃烧性(9)、灰份(6)、总分(75)),感官评吸实验由贵阳卷烟厂评烟委员会进行,评吸方法按烟草行业标准YC/T138-1998。
采集烟叶挥发性化学成分数据与对应的感官评吸数据,构成神经网络训练与检验用的数据样本,用这些样本70%左右的数据来对神经网络模型进行训练,再利用剩余30%的样本来验证训练好的网络的预测能力。
文中运用LM算法改进BP神经网络模型,采用三层网络,即输入层、隐含层和输出层,网络的拓扑结构为7×S×9的BP网络。为使网络的训练速度更快,精度更高,需对样本数据进行预分类处理,同时对样本数据作归一化处理。本文还对神经网络的输入数据作相关性分析,通过相关性分析得知,进行预分类处理的各类化合物间存在较强的相关性,这种较强的相关性会影响神经网络的训练速度。因此,将主成分分析法引入网络中,消除数据间的相关性,并降低输入数据的维数。而且网络的拓扑结构变为4×S×9。实验表明:网络的拓扑结构变为4×S×9,可以完成烟叶品质的人工预测,绝对误差均小于0.2,网络的训练速度为1分30秒。该算法的优点是收敛速度较快和网络训练精度较高。将BP神经网络应用于烟叶品质的预测,可减少评吸专家的工作量,可作为烟叶品质评价的辅助方法之一。通过实验表明:这是一种评价烟叶品质工作的较好方法。