第２期（总第４２５期） ２０１７年２月 农产品加工 Ｆａｒｍ Ｐｒｏｄｕｃｔｓ Ｐｒｏｃｅｓｓｉｎｇ Ｎｏ．２ Ｆｅｂ． 文章编号：１６７１—９６４６（２ｏ１７）０２ａ－００５１—０５ 基于ＢＰ神经网络的常规化学成分预测烟气成分和 感官得分预测模型研究 郭春生，李力群，纪旭东，乔月梅，牛文广，王胜利，叶亚军 （内蒙古昆明卷烟有限责任公司，内蒙古呼和浩特０１００２０） 摘要：为了探索内在化学成分与卷烟烟气指标和感官品质得分之间的关系，建立相应的预测卷烟烟气指标和感官品 质得分神经网络模型数学模型。测试了Ａ牌号卷烟不同批次成品卷烟常规化学成分、主流烟气化学成分和感官得分， 以常规化学成分作为网络输入，分别建立主流烟气化学成分和感官得分的ＢＰ神经网络预测模型。隐含层节点为９， 输入函数为Ｔａｎｓｉｇ，输出函数为Ｐｕｒｅｌｉｎ。训练方法为梯度下降法。选择２２个样本作为训练样本，其中１９个作为测试 样本，３个作为验证样本。训练的目标为允许误差０．０００ １，最大迭代次数１０ ０００次。预测结果与烟气常规化学检测 和人员实际评吸结果比较，相对标准偏差小于５％，达到了较好的预测结果。该模型对于预测卷烟主流烟气成分的释 放量和感官评价具有指导意义。 关键词：ＢＰ神经网络；常规化学成分；烟气成分；感官品质得分 中图分类号：ＴＳ４１１ 文献标志码：Ａ ｄｏｉ：１０．１６６９３￣．ｃｎｋｉ．１６７１—９６４６（Ｘ）．２０１７．０２．０１６ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｆｌｕｅ Ｇａｓ Ｃｏｍｐｏｎｅｎｔｓ ａｎｄ Ｓｅｎｓｏｒｙ Ｓｃｏｒｅ ｂｙ Ｒｏｕｔｉｎｅ Ｃｈｅｍｉｃａｌ Ｃｏｍｐｏｓｉｔｉｏｎｓ Ｂａｓｅｄ ｏｎ ｔｈｅ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＧＵＯ Ｃｈｕｎｓｈｅｎｇ，ＬＩ Ｌｉｑｕｎ，ＪＩ Ｘｕｄｏｎｇ，ＱＩＡＯ Ｙｕｅｍｅｉ，ＮＩＵ Ｗｅｎｇｕａｎｇ，ＷＡＮＧ Ｓｈｅｎｇｌｉ，ＹＥ Ｙａｊｕｎ Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ Ｋｕｎｍｉｎｇ Ｃｉｇａｒｅｔｔｅ Ｌｉｍｉｔｅｄ Ｌｉａｂｉｌｉｔｙ Ｃｏｍｐａｎｙ，Ｈｏｈｈｏｔ，Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ ０１００２０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｅｘｐｌｏｒｅ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｔｈｅ ｉｎｔｒｉｎｓｉｃ ｃｈｅｍｉｃａｌ ｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ ｔｈｅ ｃｉｇａｒｅｔｔｅ ｓｍｏｋｅ ｉｎｄｅｘ ａｎｄ ｔｈｅ ｓｅｎｓｏｒｙ ｑｕａｌｉｔｙ ｓｃｏｒｅ，ｔｈｅ ｍｏｄｅｌ ｏｆ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｃｉｇａｒｅｔｔｅ ｓｍｏｋｅ ａｎｄ ｓｅｎｓｏｒｙ ｑｕａｌｉｔｙ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｆｌｕｅ ｇａｓ ｃｏｍｐｏｎｅｎｔｓ ａｎｄ ｓｅｎｓｏｒｙ ｓｃｏｒｅ ｂｙ ｒｏｕｔｉｎｅ ｃｈｅｍｉｃａｌ ｃｏｍｐｏｓｉｔｉｏｎｓ ｂａｓｅｄ ｏｎ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｏｆ Ａ ｂｒａｎｄ．Ｔｈｅ ｈｉｄｄｅｎ ｌａｙｅｒ ｎｏｄｅ ｉｓ ９，ｔｈｅ ｉｎｐｕｔ ｆｕｎｃｔｉｏｎ ｉｓ Ｔａｎｓｉｇ，ｔｈｅ ｏｕｔｐｕｔ ｆｕｎｃｔｉｏｎ ｉｓ ｐｕｒｅｌｉｎ．Ｔｒａｉｎｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ ｍｅｔｈｏｄ．２２ ｓａｍｐｌｅｓ ａｒｅ ｓｅｌｅｃｔｅｄ ａｓ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ， １９ ｓａｍｐｌｅｓ ａｓ ｔｈｅ ｖａｌｉｄａｔｉｏｎ ｓａｍｐｌｅ ａｎｄ ３ ｓａｍｐｌｅｓ ａｓ ｔｈｅ ｔｅｓｔ ｓａｍｐｌｅ．Ｔｈｅ ｇｏａｌ ｏｆ ｔｈｅ ｔｒａｉｎｉｎｇ ｉｓ ｔｏ ａｌｌｏｗ ｔｈｅ ｅｌＴｏｒ ｉｓ １０ ０００．ｔｈｅ ｍａｘｉｍｕｍ ｎｕｍｂｅｒ ｏｆ ｉｔｅｒａｔｉｏｎｓ ｉｓ Ｏ．０００ １ ｔｉｍｅｓ．Ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｒｅｓｕｌ￣ａｒｅ ｃｏｍｐａｒｅｄ ｗｉｈ ｔｈｅ ｃｏｎｖｅｎｔｔｉｏｎａｌ ｃｈｅｍｉｃａｌ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｔｈｅ ａｃｔｕａｌ ｒｅｓｕｌｔｓ．Ｔｈｅ ｒｅｌａｔｉｖｅ ｓｔｎｄａｒｄ ｄｅｖｉａｍｉｏｎ ｉｓ ｌｅｓｓ ｔｈａｎ ５％．Ｔｈｅ ｍｏｄｅｌ ｈａｓ ｔｈｅ ｇｕｉｄｉｎｇ ｓｉｇｎｉｉｆｃａｎｃｅ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｔｈｅ ｒｅｌｅａｓｅ ｑｕａｎｔｉｔｙ ａｎｄ ｔｈｅ ｓｅｎｓｏｒｙ ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ ｃｉｇａｒｅｔｔｅ ｍａｉｎｓｔｒｅａｍ ｓｍｏｋｅ ｃｏｍｐｏｎｅｎｔｓ． Ｋｅｙ ｗｏｒｄｓ：ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｃｏｎｖｅｎｔｉｏｎａｌ ｃｈｅｍｉｃａｌ ｃｏｍｐｏｓｉｉｔｏｎ；ｆｌｕｅ ｇａｓ ｃｏｍｐｏｓｉｔｉｏｎ；ｓｅｎｓｏｒｙ ｑｕａｌｉｔｙ ＳＣＯｒｅ ０引言 在配方调整和新产品开发后，一定要保证产品 品质、风格和烟气指标稳定。然而，对于产品感官 品质和烟气指标的变动情况，则只有等产品加工出 来后经实际检测才能知道，但为时已晚，因为一旦 焦油等指标超标，或感官品质有较大差异，该批产 品将被判为不合格，给企业造成经济损失。目前卷 烟品质的评价主要是通过感官评吸的方法，而感官 评吸要受到评吸人员专业水平的，且具有较强 的主观性【ｌ－３］。 收稿日期：２０１６一ｌ１一ｏ２ 烟叶化学成分是影响烟叶品质的物质基础，烟 叶中总糖、还原糖、总氮、总碱、氯、钾等化学成 分因为对烟叶品质有重要影响而成为常规检测指标， 被称作烟叶常规化学成分【ｎ。多年来，烟草研究工作 者一直在探索烟草化学成分与卷烟烟气成分和内在 品质的关系，试图直接用烟叶的化学成分来预测烟 气成分和评价烟叶的品质，国内对这方面的研究很 多 。但是，现有研究大多数局限于传统的数理统 计方法，包括简单相关分析、典型相关分析、主成 分分析、多元回归分析、逐步回归分析、关联度分 析、因子分析等［４～。这些方法对于定性的分析和研 作者简介：郭春生（１９８７一），男，硕士，助理工程师，研究方向为烟草化学。 农产品加工 ２０１７年第２期 究有较大帮助，但是无法直接给出明确的预测烟气 第ｋ个节点的阈值，ｋ＝ｌ，…，Ｌ； （ ）为输出层 成分和感官品质。ＢＰ网络是一种按误差逆传播算法 的激励函数；０ 为输出层第ｋ个节点的输出。 ３．２信号的前向传播过程 训练的多层前馈网络，ＢＰ网络能学习和存储大量的 １．输入一输出模式映射关系，而无需事前揭示描述这 隐含层第ｉ个节点的输入ｎｅｔ ： 种映射关系的数学方程。其学习规则是使用最速下 ｎｅｔ ｗｃｘｊ＋Ｏ￣． （１） 降法，通过反向传播来不断调整网络的权值和阈值， 』＝１ 使网络的误差平方和最小，利用ＢＰ神经网络可以较 隐含层第 个节点的输出Ｙｉ： 好地处理这类多因素、非线性问题［８－埘。试验通过烟 ｙｉ＝ （ｎｅｔ ）＝ （ ＩＵ．ＯＸ￣，ｊ＇Ｉ－Ｏｉ）． （２） 叶常规化学成分作为输入值，各烟气指标和感官得 １ 分数据为输出值，建立各烟气指标和感官得分的３层 输出层第 个节点的输入ｎｅｔｋ： ＝ＢＰ神经网络预模型，从而在配方调整和新产品开发 之前对其焦油量等指标和感官指标进行预测并采取 相应的措施，则不仅有利于保持产品烟气指标 的稳定性，而且能减少感官评吸的主观性和盲目性。 １材料与方法 １．１试验材料 选用公司Ａ牌号卷烟样品，样品为相同的卷烟 纸和滤棒卷制成相同规格的卷烟。 １．２试验方法 烟草常规化学成分测定，按ＹＣ／Ｔ１５９～１６２－－２００２ 和ＹＣ／Ｔ ３５—１９９６检测每种配方烟叶组的总糖、还 原糖、烟碱、总氮、氯、钾等常规化学成分；对每 种配方样品进行含水率平衡、质量和吸阻拣选后， 按ＧＢ ５６０６．５一ｌ９９６规定的方法分析其ＴＰＭ、烟气 烟碱量、ＣＯ量等指标。采用感官评吸方法，评吸按 国标ＹＣ／Ｔ １３８一ｌ９９８要求进行。 １．３数据处理方法 １．３．１基本ＢＰ算法公式推导 信号前向传播和误差反向传播是基本ＢＰ算法的 ２个方面。即实际输出是按从输人到输出的方向进行 计算，权值和阈值从输出到输入的方向进行修正。 ＢＰ网络结构见图１。 ｑ 输 输 入 出 变 变 量 量 Ｏ￡ 输入层一 隐含层 输出层一 图１ ＢＰ网络结构 图１中，ｘｉ为输人层第Ｊ个节点的输人，ｊ＝ｌ， …， ；Ｗ 为第ｉ个隐含层节点到第 个输人层节点 之间的权值；Ｏｉ为隐含层第ｉ个节点的阈值； （ ） 为隐含层的激励函数；Ｗ 为第ｋ个输出层节点到第ｉ 个隐含层节点之间的权值，ｉ＝１，…，ｑ；ａｋ为输出层 ｑ ｑ Ｍ ｔ ＝∑ ｉ＋ ＝∑Ｗｋｉ （∑ｗ￣ｘｊ＋Ｏｉ）＋ ． （３） ｉ＝１ ｉ＝１ Ｊ＝１ 输出层第ｋ个节点的输出０ ： ｑ ｑ Ｍ ） （∑ ＋ ）＝ ∑Ｗｋ （∑ 婀＋ ）＋ （４） ｉ＝ｌ ｉ＝１ 』＝１ １．３．３误差的反向传播过程 误差的反向传播，即各层神经元的输出误差首 先由输出层开始逐层计算，各层的权值和阈值根据 误差梯度下降法来调节，修改后网络的最终输出能 接近期望值。 对于每个样本的二次型误差准则函数为： ＝ ∑（ 一０ ）． （５） 系统对Ｐ个训练样本的总误差准则函数为： ： ∑∑（ 一Ｄ ）． （６） Ｐ＝１ ｋ＝１ 根据误差梯度下降法依次修正输出层权值的修 正量ＡＷ ，输出层阈值的修正量Ａ ，隐含层权值 的修正量Ａ Ｗ ，隐含层阈值的修正量Ａ ０ 。 △ ；Ａａｋ＝－ｒＩ盟； ＯＷｋｉ ａ（ Ａｗ￣ｉ＝－，ｒｌ ；ＡＯｉ一叼鲁． （７） 输出层权值调整公式： Ａ ｗｋｉ＝－＂Ｑ旦：一＇７ 生： ￣；Ｗｋｉ ｏｒｔｅｔｋ ＯＷｋｉ 一叼 ． （８） 输出层阈值调整公式： △ ：一 一ａＥ＝－ｒ／ 旦一 丝： （ ｄ＿，０ｅ ｄ＿ 一 署 ． 隐含层权值调整公式： △ 一Ｊ，７ ：一叩 ｏＥ ｏｎｅｔｋ＝ 一竹盟丑盟． （１０） Ｏｙｉ ｏｎｅｔｋ ＯＷ＃ ２０１７年第２期 郭春生，等：基于ＢＰ神经网络的常规化学成分预测烟气成分和感官得分预测模型研究 隐含层阈值调整公式： 一ＢＰ算法程序流程见图２。 叩鲁一叩 ． ＝ （１ １） 批量输入学习样本并且对输入量 和输出量进行归一化处理 参数初始化：最大训练次数，学习精度，隐 节点数，初始权值、阈值，初始学习速率等 ｌ一叩堕 。ａ Ｏｎｅｔ ａ 又因为： ｏＥ一 ∑∑（ｕ ｗ＾ 一 ）． ：（１２） 邋￣ｖＷｋｉ ，盟ｏａｋ－ｌ， ａ 丑ｎ ｔ 等－ａ １＿（１３） —Ｉ计算各层的输人值和输出值 羔！ 计算输出层误差Ｅ（ｑ） 詈＝ （ Ｍ 扣（１４） ： （ｎｅ ）． ＝￣ｂ（ｎｅｔ ）．（１５） （１６） ｏｎｅｔｋ 卫— ｌ， 修正权值和阈值 ｆ 图２ ＢＰ算法程序流程 结束ｌ 所以最后得到以下公式： △ ∑∑（ 一Ｄ ）・ ・（ ）・ Ｐ＝１ ｋ＝１ （１７） （１８） ２结果与讨论 ｐ Ｌ △ ＝ ∑∑（ 一０ ）・ ・（ ｔ ）． Ｐ＝１ ｋ＝１ Ｐ Ｐ＝１ 尸 △ ＝７７∑∑（ 一Ｄ ）・ ・（ｎｅｔ ）＂Ｗｋｉ＂ ・（ｎｅ ）・ （１９） ＝１ 工 △ ：叼∑∑（ 一Ｄ ）・ ｔ（ｎｅｔ ）・ ｋｉ￣ ・（凡ｅｔ ）．（２ｏ） ２．１常规化学成分与烟气指标和感官得分灰色关联 分析 常规化学成分与烟气指标和感官得分灰色关联 矩阵见表１。 般认为，相关系数０．２～０．４为弱相关，０．４～０．６ 为中等相关，０．６ ０．８为强相关。通过常规化学成分 一表１ 常规化学成分与烟气指标和感官得分灰色关联矩阵 与烟气指标和感官得分灰色关联矩阵的关联系数结 为输出，网络训练前对输人指标作归一化处理，然 果可知，各常规化学成分与各烟气指标和感官得分 后通过训练样本数据对网络进行充分的训练，获得 值具有一定的相关性。 适宜的参数矩阵，得到烟气成分和感官得分的网络 ２．２基于ＢＰ神经网络的常规化学成分预测烟气成 预测模型，最后用训练好的网络模型对检验样本数 分和感官得分模型建立 据进行预测。在总共的１９个样本数据中，编号为 以常规化学成分值（总糖 总植物碱 总 氮 氯‰还原糖 钾‰，糖碱比 蛋白质 施木克值 ９）作为ＢＰ神经网络的输入，烟气成 分（总粒相物Ｙ。，烟气一氧化碳量 ，烟气烟碱量 ｙ３，焦油量ｙ４）和感官得分（光泽ｙ５，香气ｙ６，谐调 杂气 ，刺激性 ，余味Ｙ 。，得分合计Ｙ。。）作 ，１ １９作为训练样本，采用拓扑结构为９×Ｐ×ｌ的 ３层ＢＰ神经网络。 通过ＤＰＳ数据处理系统构建ＢＰ神经网络模型， 建立参数如下： 输入层节点为９；隐含层节点为１９；最ｄ￣０１１练 速率为０．１；动态参数为０．６；参数ＳＩＧＭＯＩＤ为０．９； 农产品加工 ２０１７年第２期 允许误差为０．０００ １；最大迭代次数为５ ０００。 隐含层各个结点的权重矩阵见表２，输出层各个 将各个预测因子数据进行标准化转换，经过学 结点的权重矩阵见表３。 习后，收敛误差达到标准，训练结束。 根据建立ＢＰ神经网络模型的理式以及隐含 表２隐含层各个结点的权重矩阵 表３输出层各个结点的权重矩阵 验证样本数据，模型建立后，根据结果模型进行化 学指标值（总糖 总植物碱 总氮 氯 还 原糖 钾 糖碱比研，蛋白质 施木克值 ９） 作为输人变量输入，根据模型得出烟气成分（总粒 相物Ｙ ，烟气一氧化碳量Ｙ：，烟气烟碱量Ｙ。，焦油量 和感官得分（光泽Ｙ５，香气ｙ６，谐调ｙ７，杂气 Ｙ ，刺激性Ｙ９，余味Ｙ，。，得分合计Ｙ。。）的预测结果。 化学指标值 叫９）输入参数值见表４，烟气成 分和感官得分（ｙ广ｙ。 ）输出结果值见表５。 表４化学指标值（ ， 。）输入参数值 层和输出层节点的权重矩阵结果，可以得到烟气成 分和感官得分的预测模型。 经过神经网络训练后，所建立ＢＰ神经网络预测 ２－３基于ＢＰ神经网络的常规化学成分预测烟气成 模型可以较好地对烟气指标和感官品质得分进行预 分和感官得分模型的预测结果验证 以１９个样本作为训练样本数据，３个样本作为 测。表５所示的是检测样本与预测值对比结果及相 表５烟气成分和感官得分ｂ， ＿ｙ ）输出结果值 ２０１７年第２期 郭春生，等：基于ＢＰ神经网络的常规化学成分预测烟气成分和感官得分预测模型研究 ・５５・ ｆｍｇｗｅｌｌ Ｊ Ｃ．Ｎｉｔｒｏｇｅｎ ｃｏｍｐｏｎｅｎｔｓ ｏｆ ｌｅａｆ ａｎｄ ｔｈｅｉｒ ｒｅｌａ— 对偏差结果，其结果与烟气常规化学检测和人员实 ［２】 Ｌｅｆｔｉｏｎｓｈｉｐ ｔｏ ｓｍｏｋｉｎｇ ｑｕＭｉ￣ａｎｄ ａｒｏｍａ［Ｊ］．Ｒｅｃ．Ａｄｖ．Ｔｏｂ． 际评吸结果比较，相对标准偏差小于５％达到了较好 Ｓｃｉ．，１９７６，３０：２１—３１． 的预测结果。该模型对于预测卷烟主流烟气成分的 胡建军，马明，李耀光，等．烟叶主要化学指标与感官 释放量和感官评价具有指导意义。 质量的灰色关联分析［Ｊ］．烟草科技，２００１（１）：３－７． ３结果与讨论 ［４］ 闫克玉，王建民，屈剑波，等．河南烤烟评吸质量与主 要理化指标的相关分析［Ｊ］．烟草科技，２００１（１０）：５— 通过分析化学成分与卷烟烟气指标和感官品质 ９． 得分之间的关系，建立相应的预测卷烟烟气指标和 ｆ５】 杨小勇．烟叶的前馈人工神经网络预测［Ｄ】．贵阳：贵 感官品质得分神经网络模型数学模型。测试了Ａ牌 州工业大学。２００４． 号卷烟不同批次成品卷烟常规化学成分、主流烟气 【６］ 谭仲夏．灰色关联分析方法在烟草内在质量评价上的应 用［Ｊ］．安徽农业科学，２００６，３４（５）：９２４，９７１． 化学成分和感官得分，以常规化学成分作为网络输 人，分别建立主流烟气化学成分和感官得分的ＢＰ神 Ｊ 马京民，刘国顺，时向东，等．主成分分析和聚类分析 经网络预测模型。隐含层节点为９，输入函数为 Ｔａｎｓｉｇ，输出函数为Ｐｕｒｅｌｉｎ。训练方法为梯度下降 法。选择２２个样本作为训练样本，其中１９个作为 测试样本，３个作为验证样本。训练的目标为允许误 差０．０００ １，最大迭代次数１０ ０００次。预测结果与烟 气常规化学检测和人员实际评吸结果比较，相对标 准偏差小于５％，达到了较好的预测结果。该模型对 于预测卷烟主流烟气成分的释放量和感官评价具有 指导意义。 参考文献： ［１１ 肖协忠．烟草化学［Ｍ】．北京：中国农业科技出版社， ｌ９９７：２３． 在烟叶质量评价中的应用［Ｊ］．烟草科技，２００９（７）： ５７—６Ｏ． ～ 农业机械学报，１９９９，３０（１）：５８—６２． 『９１ 高大启，吴守一．基于并联神经网络的烤烟内在质量分 析方法［Ｊ］．分析化学，１９９８，２６（１０）：１ １７４—１ １７７． 高大启．并联神经网络在烤烟内在品质评定中的运用［Ｊ］． ［１Ｏｌ 林丽莉，冯天瑾，周文晖，等．基于神经一模糊方法的单 料烟感官质量评价专家系统【Ｊ］．青岛海洋大学学报， ２００１（６）：９３１—９３６． Ｊ１． ［１１】 杨佳玫，王玉平．贵州有机生态烟叶质量研究初报［耕作与栽培，２０１０（２）：１９—２０． ［１２１ 王娟娟，陈云堂，田占军，等．电子束辐照对烟叶杀菌 效果及感官质量的影响【Ｊ］．湖北农业科学，２０１３（１２）： ２ ８４４－２ ８４７．◇ （上接第５Ｏ页） 黄色葡萄球菌：ＳＮ／Ｔ ２７５４．１—２Ｏ１１【Ｓ】．北京：中国标 准出版社，２０１１． ［６］ 贾爱荣，张永刚，王萍，等．食品检测中革兰氏阳性菌 速的基因组ＤＮＡ提取方法。 参考文献： 【１］ 中华人民共和国国家标准．食品安全国家标准食品中致 病菌限量ＧＢ ２９９２１－－２０１３［Ｓ］．北京：中国标准出版 社，２０１３． 一 ＤＮＡ提取新方法的研究［Ｊ］．食品工业，２０１１（１２）： １０４—１０７． 刘道文，陈萍，魏琼，等．Ｐｅｒｃｏｌ１分离法与多重ＰＣＲ快 速检测肉品中沙门氏菌、金黄色葡萄球菌和志贺氏 菌［Ｊ］．中国预防兽医学报，２０１０，３２（１１）：８７１—８７４． ［２】 唐俊妮．金黄色葡萄球菌耐热核酸酶相关基因的功能与 特征分析［Ｄ】．武汉：华中农业大学，２００７． ［３ ３］Ｇｕｓｓｏｗ Ｄ． Ｃｌａｃｋｓｏｎ Ｔ．Ｄｉｒｅｃｔ ｃｌｏｎｅ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｆｒｏｍ ｐｌａｑｕｅｓ ａｎｄ ｃｏｌｏｎｉｅｓ ｂｙ ｔｈｅ ｐｏｌｙｍｅｒａｓｅ ｃｈａｉｎ ｒｅａｃｔｉｏｎ［Ｊ］． … Ｐｓｉｉｅｄｉｆ Ａ，Ｄｏｖａｓ Ｃ Ｉ，Ｂａｎｏｓ Ｇ．Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｓｉｘ ｍｅｔｈ－ ｏｄｓ ｆｏｒ ｇｅｎｏｍｉｃ ＤＮＡ ｅｘｔｒａｃｔｉｏｎ ｓｕｉｔａｂｌｅ ｆｏｒ ＰＣＲ－ｂａｓｅｄ ｇｅｎｏ－ ｔｙｐｉｎｇ ａｐｐｌｉｃａｔｉｏｎｓ ｕｓｉｎｇ ｏｖｉｎｅ ｍｉｌｋ ｓａｍｐｌａｓ［Ｊ］．Ｍｏｌ Ｃｅｌｌ Ｐｒｏｂｅｓ，２０１０，２４（２）：９３—９８． Ｎｕｃｌｅｉｃ Ａｃｉｄｓ Ｒｅｓ，１９８９，１７（１０）：４ ０００—４ ０１０． ［４］ 金姝，邹玉涵，闫佩毅，等．耐甲氧西林金黄色葡萄球 ｒｏｌ Ｍｕｒｒａｙ Ｊ Ｒ，Ｒ￣ｅｖａｎ Ｍ Ｓ．Ｅｖａｌｕａｔｉｏｎ ｏｆ ＤＮＡ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ ｇｒａｎｕｌｏｃｙｔｅｓ ｄｉｓｃａｒｄｅｄ ｉｎ ｔｈｅ ｓｅｐａｒａｔｉｏｎ ｍｅｄｉｕｍ ａｆｔｅｒ 菌ＤＮＡ提取方法的改进［Ｊ］．国际检验医学杂志，２０１６， ３７（３）：３０３—３０５． ｉｓｏｌａｔｉｏｎ ｏｆ ｐｅｒｉｐｈｅｒａｌ ｂｌｏｏｄ ｍｏｎｏｎｕｃｌｅａｒ ｃｅｌｌｓ ａｎｄ ｐｌａｓｍａ ［５】 中华人民共和国出入境检验检疫行业标准委员会．出口 ｆｒｏｍ ｗｈｏｌｅ ｂｌｏｏｄ［Ｊ］．ＭＢＣ Ｒｅｓｅａｒｃｈ．，２０１３（６）：４４０— ４４４．◇ 食品中致病菌环介导恒温扩增检测方法第一部分：金
