2结果与分析
2.1腐败希瓦氏菌生长／非生长模型建立
2.1.1 Logistic生长／非生长模型建立腐败希瓦氏菌Logistic回归模型的拟合参数如表2所示。对于二阶线性Logistic方程，aw、盐分和pH2和aw2的作用对其生长情况有显著影响（P＜0.01），其余参数在计算时差异性不显著，故剔除，腐败希瓦氏菌logistic生长/非生长模型见式5：
二阶线性logistic方程：
表2 Logistic生长/非生长模型拟合参数
2.1.2 PNN人工神经网络生长／非生长模型建立采用PNN人工神经网络模型，建立了腐败希瓦氏菌隐含层数2，输出层神经元1的PNN模型。通过随机选取80%的数据训练网络，网络训练最优时间为0.1 s，得到PNN模型，剩余20%数据再带入PNN模型进行验证。PNN网络测试诊断结果显示，30例验证数据中有26例数据符合试验情况分类，准确率为86.67%。
2.1.3两种生长/非生长模型预测效果比较腐败希瓦氏菌二阶线性logistic方程训练集和验证集的FC为93.8%与100%，FAR分别为6%和0%，R2-Nagelkerke为0.90，Hosmer-Lemeshow的χ2=0.64（P=1，Df=8），R2-Nagelkerke参数接近1，且Hosmer-Lemeshow参数值较小，说明该模型拟合优度良好。利用二阶线性logistic方程建立了环境因子交互作用下蜡样芽孢杆菌生长/非生长模型，结果显示logistic回归模型拟合优度较高，具有较广的适用范围，可避免对大系数的过度拟合，结果与本研究测试相符。
PNN人工神经网络模型训练集一致率为100%，验证集FC为86.67%，但验证集的FAR比Logistic模型高出6.25%。PNN人工神经网络模型能短时间内对生长/非生长数据进行快速分类，且总体准确率较高，但仅能对生长/非生长数据进行分类，无法准确给出生长/非生长界面，仅能输出生长概率0和1的数值，即无法给出具体细致的生长概率，但其快速分类功能可为工业生产提供便利。对大肠埃希氏菌（Escherichia coli R31）生长/非生长研究显示，同一组内基于PNN的模型比基于FEBANN（Feedforward error backpropagation artificial neural networks）的模型更精确，且基于二阶logistic回归模型比线性模型更准确，而处理分类问题时PNN人工神经网络模型更优。可能由于研究对象的差异，本文基于PNN人工神经网络模型的验证集准确率低于Logistic模型。两种模型拟合优度和预测力比较如表3所示。
表3两种生长/非生长模型拟合优度和预测力比较
2.2环境因子对腐败希瓦氏菌生长概率的影响
2.2.1盐分对腐败希瓦氏菌生长概率的影响图1（a～d）为盐分1.0%～4.0%，腐败希瓦氏菌生长概率预测值。图1Logistic模型预测曲线（实线）显示：盐分1.0%，aw0.96和0.94时，生长概率随pH的增大而增大，最终生长概率达到1；aw0.92和0.91时，生长概率在pH 5.2和6.4时开始增大，最终生长概率到达1和0.45；盐分1.0%，aw0.90时，无论pH如何变化，该交互作用下腐败希瓦氏菌均不生长。虚线为PNN人工神经网络模型的预测情况，变化趋势与实线近似，生长概率≤0.5时视作非生长，＞0.5时视为生长，没有缓慢变化区域，生长概率直接从0上升到1。aw0.92，pH=5.9处出现拐点，生长概率预测值从0上升到1。
盐分2.0%时，实线显示aw0.96，0.94和0.92时，生长概率随pH增大逐渐增大，最终达到1；aw0.91时，生长概率从pH 6.5时开始增大，pH 7时达到1；盐分2.0%，aw0.90时，无论pH如何变化，该交互作用下腐败希瓦氏菌均不生长。图1虚线在aw 0.92，pH＜6.5时预测与实线不完全统一，在pH 6.2时实线预测的概率＞0.5，但虚线预测仍为0，其差别原因可能是由于2种建模方式的个体差异、训练集数据的选取差异等造成的。
盐分3.0%和4.0%时，实线显示aw 0.91时，生长概率分别在pH 6.7和6.9时开始增大，最终到达0.06和0.02。盐分越高，pH与aw的交互作用逐渐加强，腐败希瓦氏菌不适宜生长，生长界限开始变化点趋于高pH范围，高盐分对腐败希瓦氏菌有生长抑制作用，其趋势与虚线相同。
图1 2种模型盐分作用下腐败希瓦氏菌生长概率预测值
对环境单因子对腐败希瓦氏菌生长/非生长界限做了研究，表明25℃时生长概率随盐分的增加而逐渐降低，当盐分≥12%时腐败希瓦氏菌均不生长，与本研究结果趋势相符，但由于其为单因素试验故有一定差异。研究显示Shewanella amazonensis细胞膜成分变化可能是高NaCl胁迫的间接生理响应，当NaCl为9.35%时，生长速率被抑制至原来的50%。随着盐分的增长，腐败希瓦氏菌生长受到抑制，生长界限向高pH、高aw方向偏移；aw≤0.91时，均不生长。
2.2.2 aw对腐败希瓦氏菌生长概率的影响图2（a～d）中logistic模型预测曲线（实线）为腐败希瓦氏菌，aw对腐败希瓦氏菌生长概率影响预测值。aw0.90时，该交互作用下腐败希瓦氏菌均不生长。aw0.91时，盐分1.0%～4.0%条件下，生长概率在pH=6.4，6.5，6.7和6.9时开始增大，最终生长概率分别达到0.45，0.19，0.06和0.02，该交互作用下腐败希瓦氏菌生长概率很低，生长基本受到抑制。aw0.92，0.94和0.96时，生长概率受盐分影响逐渐减小，随pH增大而增大，生长概率上升变化陡峭。aw越高，pH与盐分的交互作用就被减弱，腐败希瓦氏菌越适宜生长。
图2中PNN人工神经网络预测结果（虚线），与Logistic模型预测曲线结果相似，生长/非生长0，1分界点在Logistic模型预测曲线中位于生长概率0.5附近，将生长概率＜0.5的情况视作不生长，无法观测到水分活度0.91时，pH大于6.5之后的生长概率变化，实际生长概率有小幅上升趋势。aw0.92时，盐分1%～4%条件下，分别在pH=6.0，6.3，6.4，6.5处出现拐点，生长概率预测值由0变为1；aw0.94，0.96变化趋势与实线相似。
aw反映水分与食品结合程度，是微生物酶和化学反应能触及的水分，是微生物生长繁殖的重要因素，学者利用山鸡椒油改变产品aw，显示浓度越高腐败菌抑菌圈直径越大，且破坏细胞结构，抑制糖类和蛋白质的消耗，抑制琥珀酸脱氢酶和苹果酸脱氢酶活性，需要对aw对腐败菌生长抑制机制进行深入研究。
图2 2种模型下aw对腐败希瓦氏菌生长概率影响预测值对比
2.2.3 pH值对腐败希瓦氏菌生长概率的影响图3（a～f）为pH=4.5～7.0时，腐败希瓦氏菌生长概率影响预测值。图中实线为Logistic模型预测的生长/非生长曲线，其中pH 4.5时，腐败希瓦氏菌的生长受到强烈抑制。pH 5.0时，aw=0.96且盐分≤3%生长概率大于0.5。pH 5.5时，aw0.96，0.94时，随盐分增长腐败希瓦氏菌生长概率从1.00下降到0.86，其余水分活度均不生长。pH 6.0时，aw＞0.92条件下生长概率均为1，aw0.92条件下，生长概率随盐分增大而下降，aw＜0.92条件下均不生长。pH 6.5与7.0时，随盐分的增大腐败希瓦氏菌的生长概率在aw0.92与0.91时逐渐递减。图3（a～f）虚线为PNN神经网络预测曲线，与logistic模型预测曲线结果相似，但无法表示生长概率变化的范围及过程，仅可显示拐点。pH 5.0，aw=0.96，盐分3%时以及pH 6.5，aw=0.92，盐分4%为生长概率预测值拐点，生长概率从1变为0。
研究显示希瓦氏菌属最适生长pH值在7.0到8.0之间，与本研究结果一致。研究表明pH变化会影响腐败希瓦氏菌表面超微结构，改变扬氏模量和细胞弹簧常数，pH减小会导致细胞壁厚度变小，破坏细胞膜完整性。在生产过程中可适当添加有机酸调节pH，其抑菌机理包括能量竞争、透化细菌外膜、提高胞内渗透压、抑制生物大分子合成和诱导宿主产生抗菌肽等作用，腐败希瓦氏菌生长概率随pH减小而减小，其生长概率作用机理有待深入研究。
3结论
1）建立了腐败希瓦氏菌二阶线性Logistic模型和PNN人工神经网络模型来预测其生长/非生长情况。二阶线性logistic模型和PNN人工神经网络模型的训练集一致率分别为93.80%和100.00%，验证集一致率分别为100.00%和86.67%。PNN网络能对生长/非生长数据进行快速分类，但二阶线性logistic模型能更好的反映腐败希瓦氏菌的生长概率预测，生长/非生长模型为：
图3 2种模型下pH对腐败希瓦氏菌生长概率影响预测值对比
logit（P）=-9 847.799+20 712.603×aw-1.237×NaCl+0.567×pH2-10 901.375×aw2
2）随着盐分增长，腐败希瓦氏菌生长/非生长界限小幅度向高aw，高pH方向移动，高盐分对腐败希瓦氏菌有生长抑制作用。aw≤0.91时，菌株均不生长，aw=0.92，0.94和0.96时，腐败希瓦氏菌生长概率随pH增大而增大，上升变化陡峭。pH=4.5时，腐败希瓦氏菌基本不生长，随pH升高，高aw情况下的生长概率先增长到1。
室温条件下pH、aw及盐分对腐败希瓦氏菌生长概率的交互影响（一）
室温条件下pH、aw及盐分对腐败希瓦氏菌生长概率的交互影响（二）