CN101241118A - 基于bp神经网络预测熏煮香肠质构感官评定的方法 - Google Patents

Abstract

本发明涉及一种基于BP神经网络预测熏煮香肠质构感官评定的方法，采取计算机系统以客观的机械测定为输入，主观的感官评定为输出，可以通过仪器测定的准确量值来实现预测，既可以解放劳动力，排除人的主观因素干扰，又能快速而准确地实时对熏煮香肠的质构指标进行判定，实现机械测定全部或部分代替感官评定检测，遵循了食品工业的发展方向。

Description

基于BP神经网络预测熏煮香肠质构感官评定的方法

技术领域

本发明涉及一种评定的方法，特别涉及一种预测熏煮香肠质构感官评定的方法。

背景技术

熏煮香肠是以畜禽肉为主要原料，经腌制、绞碎或斩拌乳化成肉糜状，并混合各种辅料，然后充填入肠衣中成型，再经烘烤或蒸煮、熏煮、冷却等工序制成的中低温西式肉制品。常见的熏煮香肠品种有法兰克福香肠(Frankfurter)、维也纳香肠(Wiener or Vienna)、波洛尼亚香肠(Bologna)、德国蒜肠(Knockwurst)等。由于采用低温(68~75℃)加热和杀菌，保质期较短，一般为冷藏2~3周，常温7天左右。熏煮香肠以其风味独特、口感细腻、食用方便，深受消费者喜爱。质构是肉制品的重要特征之一，是来自人体某些器官和食品接触时产生的生理刺激在触觉上的反应，是源于肉中结构的一组物理参数，属于力学和流变学的范围，也可以有触觉体验(通常是口感)，因此是消费者评价肉制品品质的重要决定因素之一。

肉类工业中对质构的评定通常有感官评定和机械测定两种。感官评定一般采用暂时的评分系统，有时会限制在一个产品或一批产品上，局限性很大；且依赖主观感觉判断，从测定到形成概念之间的许多因素如嗜好、偏爱、经验、广告、价格等对检验结果影响显著。机械测定能够减少主观评定的嗜好倾向性，使感官评定结果可以通过仪器测定的准确量值来实现预测，并实现机械测定全部或部分代替感官评定的快速性、实时性、便捷性检测，是食品工业的发展方向之一。

在拟合熏煮香肠质构感官评定的预测模型时，国内外最常用的方法即是应用多元线性回归的方法，建立感官评定的质构指标基于机械测定指标的预测模型，如董庆利和罗欣(董庆利，罗欣.熏煮香肠质构的感官评定与机械测定之间的相关分析研究.食品科学.2004，25(9)：49~55)和Beilken等(Beilken S L，et al.Assessment of the textural quality of meat patties：correlation of instrumental and sensory attributes.Journal of FoodScience.1991，56(6)：1465~1469)。为提高预测精度，可选用神经网络的方法。人工神经网络(Artificial Neural Network，ANN)是一种模拟人的神经系统而建立的信息处理系统，它具有自组织、自学习、自适应等特性，是由大量处理单元——神经元广泛互连而成的网络。与传统的处理方法不同，网络的信息处理是由神经元之间的相互作用来实现。它反映了人脑功能的许多基本特性，但它并不是人脑神经网络的真实写照，而只是对其作某种简化、抽象和模拟，是数学、计算机、神经生理学和心理学等众多学科相结合的产物。反向传播神经网络(Back Propagation Neural Network，BPNN)是目前应用最广泛的神经网络，属于误差向后传播算法，它在于利用输出层的误差来估计输出层的直接前导层的误差，再利用这个误差估计更前一层的误差。如此循环下去，就获得了其它层的误差估计，其网络结构简单，使用方便，可以解决大多数神经网络所面临的问题，尤其适合于变化复杂的预测。国外曾有基于BP神经网络预测葡萄酒风味感官评价的报道(Raptis C G，et al.Classification of aged wine distillates using fuzzy and neural networksystems.Journal of Food Engineering，2000，46：267~275)，但将BP神经网络应用于肉制品中质构感官评定未见专利报道。

发明内容

本发明是针对现有评定方法局限性很大；且依赖主观感觉判断问题，提出了一种基于BP神经网络预测熏煮香肠质构感官评定的方法，特别是能通过不同的机械测定方法(剪切或压缩)评价熏煮香肠的质构，通过BP神经网络的构建和仿真，可以更加精确地预测熏煮香肠质构的感官评定指标，实现感官评定质构的快速、实时、便捷性检测。

本发明的技术方案为：基于BP神经网络预测熏煮香肠质构感官评定的方法，首先选择不同处理或种类的熏煮香肠，由具有香肠感官评定经验的专家组成评定组，对熏煮香肠的质构指标硬度、弹性、粘聚性、咀嚼性、多汁性、总体接受性进行感官评定；同时应用机械测定方法，分别应用剪切或压缩的模式，对熏煮香肠的质构指标剪切力值、硬度、弹性、粘聚性、咀嚼性进行量值表达，然后应用MatLab软件中神经网络工具箱的编程方法，以机械测定值为输入量，感官评定值为输出值，通过BP神经网络的仿真、训练和迭代，达到预设的网络误差目标，从而实现计算机模拟人的大脑对熏煮香肠的质构进行评价和分级。为了比较BP神经网络与传统的多元回归方法的预测精度，应用平方根误差(Root-Mean-Squares Error，RMSE)、准确性因子(Accuracyfactor，A_f)、偏差因子(Bias factor，B_f)、标准预测误差(Standard Errorof Prediction，SEP)等参数对二者进行数学检验和评价。

所述感官评定：对评定小组进行培训，先明确本试验的目的和意义以及感官评定的指标和注意事项，为了减少从测定到形成概念之间的许多因素如嗜好与偏爱、经验、广告、价格等对检验结果的影响，采用双盲法进行检验，即对样品进行密码编号(本研究采用三位随机数字)，检验样品也随机化，评定分数采用1-7分制，分别对应硬度、弹性、粘聚性、咀嚼性、多汁性等指标的非常小、小、较小、普通、较大、大、非常大，每次评定由每个评定成员单独进行，相互不接触交流，样品评定之间用清水漱口；

所述机械测定：应用英国Stable Micro System公司生产的TA-XT2i质构分析仪，并通过电脑上应用Texture Expert 2.64软件来加以控制，其中剪切方法应用HDP/BSG BLADE SET WITH GUILLOTINE探头，压缩方法分别应用P5(5mm CYLINDER STAINLESS)和P100(100mm COMPRESSION PLATEN)两种探头，区别是前者截面积小于接触样品的截面积，而后者反之。由此评定熏煮香肠的剪切力值、硬度、弹性、粘聚性、咀嚼性等指标；

所述多元线性回归模型的建立：应用SAS 8.2软件的逐步线性回归方法，建立以机械测定指标值为自变量，感官评定指标值为应变量的多元线性方程，得到每个独立的感官评定指标关于机械测定数据的预测模型；

所述BP神经网络的构建：应用美国MatWorks公司开发的MatLab 7.0软件，采用多层前向(newff)BP神经网络。以机械测定值为输入量，感官评定值为输出值，进行训练和建模，确定隐层神经元数经数值试验(也就是预测精读)，其中训练函数为贝叶斯函数(Bayesian generalization)，训练目标误差为0.001，输入层和隐层的训练函数为正切S型函数(tansig)，隐层到输出层为线性函数(purelin)，通过网络不断的迭代，当达到训练误差时结束网络训练；

所述数学检验和比较：四种数学检验参数平方根误差、准确性因子、偏差因子和标准预测误差对两种方法的预测精度、拟合性进行评价和比较，选择较好的一种用于质构感官评定的预测。

以机械测定指标为输入层(神元个数m₁)，隐含层通过数值试验确定(m₂)，以感官评定指标为输出层(神元个数m₃)，由此建立的m₁-m₂-m₃结构，通过网络训练和迭代，实现预设的网络误差对感官质构的预测，再通过数学检验与传统的多元回归方法进行比较，较小的预测误差和较高的预测精度，即可实现感官评定质构的快速、实时、便捷性检测，指导实际肉类工业生产。

本发明的有益效果在于：基于BP神经网络预测熏煮香肠质构感官评定的方法模拟人的大脑判断系统，用高精度实时的模式处理数据，具有人工智能，可用于熏煮香肠质构感官评定的预测，具有快速、准确、实时的特点，构建的BP神经网络方法可以辅助或代替评判人员；与传统的多元回归方法相比，预测误差较小，预测精度较高，模型拟合性和仿真性较高，得到的信息更全面，同时可根据预测结果对熏煮香肠的感官品质进行分级，实现肉制品品质的快速判断，更适合于现代肉类工业生产的需要；采取计算机系统以客观的机械测定为输入，主观的感官评定为输出，可以通过仪器测定的准确量值来实现预测，既可以解放劳动力，排除人的主观因素干扰，又能快速而准确地实时对熏煮香肠的质构指标进行判定，实现机械测定全部或部分代替感官评定检测，遵循了食品工业的发展方向。

附图说明

图1本发明基于BP神经网络预测熏煮香肠质构感官评定的方法实现方框图；

图2本发明中TPA测定的典型图形；

图3本发明中煮香肠质构的BP神经网络结构；

图4本发明中BP神经网络训练误差变化曲线。

具体实施方式

如图1所示基于BP神经网络预测熏煮香肠质构感官评定的方法实现方框图，首先选择不同处理或种类的熏煮香肠，由具有香肠感官评定经验的专家组成评定组，对熏煮香肠的质构指标(硬度、弹性、粘聚性、咀嚼性、多汁性等)进行感官评定；同时应用机械测定方法，分别应用剪切或压缩的模式，对熏煮香肠的质构指标(剪切力值、硬度、弹性、粘聚性、咀嚼性等)进行量值表达。然后应用MatLab软件中神经网络工具箱的编程方法，以机械测定值为输入量，感官评定值为输出值，通过BP神经网络的仿真、训练和迭代，达到预设的网络误差目标，从而实现计算机模拟人的大脑对熏煮香肠的质构进行评价和分级。为了比较BP神经网络与传统的多元回归方法的预测精度，应用平方根误差(Root-Mean-Squares Error，RMSE)、准确性因子(Accuracyfactor，A_f)、偏差因子(Bias factor，B_f)、标准预测误差(Standard Errorof Prediction，SEP)等参数对二者进行数学检验和评价。具体的包括：

1)感官评定：对评定小组进行培训，先明确本试验的目的和意义以及感官评定的指标和注意事项。为了减少从测定到形成概念之间的许多因素如嗜好与偏爱、经验、广告、价格等对检验结果的影响，采用双盲法进行检验。即对样品进行密码编号(本研究采用三位随机数字)，检验样品也随机化。评定分数采用1-7分制，分别对应硬度、弹性、粘聚性、咀嚼性、多汁性等指标的非常小、小、较小、普通、较大、大、非常大。每次评定由每个评定成员单独进行，相互不接触交流，样品评定之间用清水漱口。

具体举例由10名以上具有熏煮香肠感官评价经验的专家组成平定组，评定分数采用1~7分制，分别对应非常小、小、较小、普通、较大、大、非常大。感官评定指标的定义(Sanchez-brambila等，2002)：硬度(Hardness)是用臼齿第一口咬住样品所施加的力。粘聚性(Cohesiveness)是用臼齿咬住样品使其变形(而不是碾碎、裂碎、破碎)的程度。弹性(Springiness)是用臼齿对样品部分施力使其恢复到原来状态的程度。咀嚼性(Chewiness)是咀嚼样品使其能够吞咽的工作量。多汁性(Juiciness)是多汁性样品被咀嚼时在口腔中产生的汁液数量的多少。总体接受性(Overall acceptability)是对样品总体的接受程度。

2)机械测定：应用英国Stable Micro System公司生产的TA-XT2i质构分析仪，并通过电脑上应用Texture Expert 2.64软件来加以控制。其中剪切方法应用HDP/BSG BLADE SET WITH GUILLOTINE探头，压缩方法分别应用P5(5mm CYLINDER STAINLESS)和P100(100mm COMPRESSION PLATEN)两种探头，区别是前者截面积小于接触样品的截面积，而后者反之。由此评定熏煮香肠的剪切力值、硬度、弹性、粘聚性、咀嚼性等指标。

剪切方法：测定模式与类型(Test Mode and Option)：测定压缩时的力(Measure Force in Compression)，测定完成时恢复至初位(Return toStart)；参数(Parameters)：测前速(Pre-test speed)：1.5mm/s；测中速(Test Speed)：1.5mm/s；测后速(Post-test Speed)：10.0mm/s；下压距离(Distance)：30.0mm；负载类型(Trigger Type)：Auto-40g；探头(Probe)：HDP/BSG BLADE SET WITH GUILLOTINE；数据获得率(DataAcquisition Rate)：200PPS(Point Per Second)；样品规格：13.0cm×1.5cm×0.5cm(长×宽×高)；测定温度：25℃。

压缩方法：测定模式与类型：T.P.A.；参数：测前速：2.0mm/s；测中速：5.0mm/s；测后速：10.0mm/s；压缩比：50％；两次压缩间隔：5.0s；负载类型：Auto-20g；探头：P55mm CYLINDER STAINLESS(压缩方法I)，P100 100mm COMPRESSION PLATEN(压缩方法II)；数据获得率：200PPS；样品规格：20mm高的圆柱体；测定温度：25℃。典型测量图形如图2所示。

3)多元线性回归模型的建立：应用SAS 8.2软件的逐步线性回归方法，建立以机械测定指标值为自变量，感官评定指标值为应变量的多元线性方程，得到每个独立的感官评定指标关于机械测定数据的预测模型。逐步线性回归方法的公式为 $y=b_0+\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{b}_j{x}_j+\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{b}_{\mathrm{jj}}{x}_j^2+\underset{j<l}{\mathrm{\&Sigma;}}\underset{l}{\overset{k}{\mathrm{\&Sigma;}}}{b}_{\mathrm{jl}}{x}_j{x}_l+e,$ 其中，y是感官评定质构指标的响应值，b₀(系统中心点)和b_j、b_jj、b_jl是不同的常量系数，x_j和x_l是输入变量机械测定的质构指标，e是模型误差。

4)BP神经网络的构建：应用美国MatWorks公司开发的MatLab 7.0软件，采用多层前向(newff)BP神经网络。以机械测定值为输入量，感官评定值为输出值，进行训练和建模，确定隐层神经元数经数值试验(也就是预测精读)。其中训练函数为贝叶斯函数(Bayesian generalization)，训练目标误差为0.001，输入层和隐层的训练函数为正切S型函数(tansig)，隐层到输出层为线性函数(purelin)。通过网络不断的迭代，当达到训练误差时结束网络训练。

BP神经网络是由输入层、隐含层和输出层及各神经元相互连接组成。一个3层BP神经网络是由输入层、隐含层和输出层组成，各层神经元个数分别为m₁、m₂和m₃，组成所谓m₁-m₂-m₃结构。本试验中输入层为9个不同机械测定指标(剪切力值x₁、压缩I硬度x₂、压缩I弹性x₃、压缩I粘聚性x₄、压缩I咀嚼性x₅、压缩II硬度x₆、压缩II弹性x₇、压缩II粘聚性x₈、压缩II咀嚼性x₉)，隐层神经元数经数值试验确定为7个，输出层包括用来预测的6个感官评定参数(感官硬度y₁、感官弹性y₂、感官粘聚性y₃、感官多汁性y₄、感官咀嚼性y₅、感官总体接受性y₆)，因此构建BP神经网络为9-7-6结构，如图3所示。

应用美国MatWorks公司开发的Matlab(V.7.0)软件完成多层前向神经网络的构建。首先为解决神经网络输入变量单位以及数量级不一致问题，采用线性变换函数premnmx将输入层变量作[-1，+1]之间的归一化处理，公式如下：

$P*=2\&times;\frac{P-\min P}{\max P-\min P}-1---\left(1\right)$

其中，P*为输入变量x₁、x₂、……、x₉的归一化值x₁ ^*、x₂ ^*、……、x₉ ^*。minP和maxP分别为相应变量的最小值和最大值。

从输入层到隐含层的传递函数为正切S型函数(tansig)如下：

$h_i=\frac{2}{1+\exp [(-2)\&times;(w_{i,b_1}+w_{i,x_1^{*}}{x_1}^{*}+w_{i,x_2^{*}}\&CenterDot;{x_2}^{*}+......+w_{i,x_9^{*}}\&CenterDot;{x_9}^{*})}-1---\left(2\right)$

其中，h_i为隐含层变量(i＝1~7)，w_i，xn·为输入层到隐含层之间的权值(n＝1~9)，b₁为偏置向量1，W_i，b1为阈值，x₁ ^*、x₂ ^*、……、x₉ ^*为输入变量的归一化值。

从隐含层到输出层的的线性函数(purelin)如下：

$y_i*=w_{i,b2}+w_{i,h_1}\&CenterDot;{h_1+w}_{i,h_2}\&CenterDot;h_2......+w_{i,h_7}\&CenterDot;h_7---\left(3\right)$

其中，y_i*为感官评定参数归一化的输出值(i＝1~7)，w_i，hn为隐含层到输出层之间的权值(n＝1~7)，b₂为偏置向量2，W_i，b2为阈值，h_i为隐含层变量。

得到的输出值后应用postmnm函数作反归一化处理，公式如下：

P＝0.5×(P*+1)×(maxP-minP)+minP                          (4)

其中，P*为输出变量x₁、x₂、……、x₆的归一化值x₁ ^*、x₂ ^*、……、x₆ ^*。minP和maxP分别为相应变量的最小值和最大值。

5)数学检验和比较：四种数学检验参数平方根误差、准确性因子、偏差因子和标准预测误差对两种方法的预测精度、拟合性进行评价和比较，选择较好的一种用于质构感官评定的预测。

数学检验应用平方根误差(Root-Mean-Squares Error，RMSE)、准确性因子(Accuracy factor，A_f)和偏差因子(Bias factor，B_f)，标准预测误差(Standard Error of Prediction，SEP)，表达式如下：

$\mathrm{RMSE}=\sqrt{\frac{\mathrm{\&Sigma;}{(\mathrm{obs}-\mathrm{pred})}^2}{n}};$

$B_f={10}^{\left(\frac{\mathrm{\&Sigma;}\log \left(\frac{\mathrm{pred}}{\mathrm{obs}}\right)}{n}\right)};$

$A_f=10\left(\frac{\mathrm{\&Sigma;}\left|\log \left(\frac{\mathrm{pred}}{\mathrm{obs}}\right)\right|}{n}\right);$

$\%\mathrm{SEP}=\frac{100}{\mathrm{meanobs}}\sqrt{\frac{\mathrm{\&Sigma;}(\mathrm{obs}-\mathrm{pred}{)}^2}{n}}.$

其中，obs为用熏煮香肠质构的感官评定观测值；meanobs为感官评定观测值的平均值；pred为用建立的预测模型对质构感官评定的预测值。

按照此方法对熏煮香肠的质构评定如下：

熏煮香肠质构的感官评定和机械测定平均值分别列于表1~2。

                     表1熏煮香肠的质构感官评定

注：同行上标不同者差异显著(p＜0.05)。其中1~9为不同熏煮香肠的样品。

                表2熏煮香肠的质构机械评定

注：同行上标不同者差异显著(p＜0.05)。其中1~9为不同熏煮香肠的样品。

熏煮香肠质构感官评定的多元回归模型

建立的多元线性模型如表3。

            表3感官评定指标以机械测定为变量的线形回归方程

注：方差解释率(％variance explained)是相对于预测方程中最好的每个变量。x₁~x₉分别是剪切力值、压缩方法I中的硬度、弹性、粘聚性和咀嚼性、压缩方法II中的硬度、弹性、粘聚性和咀嚼性。

通过建立的多元线性模型对熏煮香肠质构感官评定的预测见表4。

        表4多元回归模型对熏煮香肠质构感官评定的预测值

BP神经网络的构建

BP神经网络模型建立过程中经过不断调节，最终选定的相关参数为：初始学习速率0.35，动量常数为0.9，最大训练步数为10000，网络性能目标误差为0.0001，最后按此参数调用TRAINGDM(Gradient descentwith momentum backpropagation)算法来建立网络，网络迭代38次后收敛，网络自动结束训练。训练误差变化曲线如图4所示。

其中，网络训练结束时，输出层至隐含层的连接权值和阈值矩阵分别为：

隐层至输出层相连接的权值和阈值矩阵分别为：

构建的BP神经网络对熏煮香肠质构的感官评定预测见表5。

            表5BP神经网络对熏煮香肠质构感官评定的预测值

预测模型的数学检验

模型的适用性和可靠性需要经过数学评价才能推广到实际应用，对多元回归与BP神经网络预测模型的数学检验如表6所示。其中，平方根误差(RMSE)表征的是所用数据对模型的适用性，由表6可知，对熏煮香肠质构的感官评定预测，建立的BP神经网络(0.001)显著地低于多元回归(0.199~0.475)，表明BP神经网络预测的准确性较高。表6中的偏差因子(B_f)和准确性因子(A_f)分别表示表示模型的结构偏差(Structural deviations)和参数估计的平均准确性(Average accuracy of estimates)，结果表明两种预测方法都在1.000左右，尤其BP神经网络，对感官硬度、弹性、多汁性、咀嚼性及总体接受性都得到了观测值与预测值完全吻合的理想数值。

Ross(1999)曾提出对病原菌B_f值的划分标准：0.90＜B_f值＜1.05，模型为最好；0.70＜B_f值＜0.90或1.06＜B_f值＜1.15，模型为可接受；B_f值＜0.70或B_f值＞1.15，模型为不可接受。依据此标准，本试验建立的BP神经网络，及多元回归模型都为最好模型。

García-Gimeno等(2003)研究认为B_f和A_f值只能检验评价数据的表面差异，不能衡量预测模型的绝对误差(Absolute measures of performance)，因此建议应用不依赖测定数量的标准预测误(％SEP)作为检验预测方程好坏的标准。从表6结果看，多元回归的％SEP值是明显高于BP神经网络的结果，特别是对感官硬度和弹性，标准预测误分别达到了11.291％和8.195％，相对而然，BP神经网络的标准预测误低于0.04％，其适用性和可靠性是可以接受的，可以推广使用。

另外需要说明的是，本文预测模型的数学检验属于建模数据的固有检验(Internal validation)，为全面检验模型的拟合性，还可重新选取试验数据带入预测模型进行扩展检验(External validation)。虽然没有一个广被认可和接受的数学检验结果范围，提高预测模型的预测精度，减少预测误差应用于实际生产是很有必要的。

           表6多元回归与BP神经网络预测模型的数学检验

注：MR为多元回归，BPNN为BP神经网络；RMSE为平方根误差，B_f为偏差因子，A_f为准确性因子，％SEP为标准预测误。

应用BP神经网络建立了熏煮香肠质构的感官评定预测模型，数学检验结果表明，准确度和拟合性较高，预测误差显著低于多元回归模型的预测误差。BP神经网络改进的质构指标硬度、粘聚性、弹性、多汁性、咀嚼性等预测结果，可推广应用于实际肉类生产，实现质构量值化的快速品质评价。

Claims (2)

1、基于BP神经网络预测熏煮香肠质构感官评定的方法，其特征在于首先选择不同处理或种类的熏煮香肠，由具有香肠感官评定经验的专家组成评定组，对熏煮香肠的质构指标硬度、弹性、粘聚性、咀嚼性、多汁性、总体接受性进行感官评定；同时应用机械测定方法，分别应用剪切或压缩的模式，对熏煮香肠的质构指标剪切力值、硬度、弹性、粘聚性、咀嚼性进行量值表达，然后应用MatLab软件中神经网络工具箱的编程方法，以机械测定值为输入量，感官评定值为输出值，通过BP神经网络的仿真、训练和迭代，达到预设的网络误差目标，从而实现计算机模拟人的大脑对熏煮香肠的质构进行评价和分级。为了比较BP神经网络与传统的多元回归方法的预测精度，应用平方根误差(Root-Mean-Squares Error，RMSE)、准确性因子(Accuracy factor，A_f)、偏差因子(Bias factor，B_f)、标准预测误差(Standard Error of Prediction，SEP)等参数对二者进行数学检验和评价。

2、根据权利要求1所述的基于BP神经网络预测熏煮香肠质构感官评定的方法，其特征在于：

所述感官评定：对评定小组进行培训，先明确本试验的目的和意义以及感官评定的指标和注意事项，为了减少从测定到形成概念之间的许多因素如嗜好与偏爱、经验、广告、价格等对检验结果的影响，采用双盲法进行检验，即对样品进行密码编号(本研究采用三位随机数字)，检验样品也随机化，评定分数采用1-7分制，分别对应硬度、弹性、粘聚性、咀嚼性、多汁性等指标的非常小、小、较小、普通、较大、大、非常大，每次评定由每个评定成员单独进行，相互不接触交流，样品评定之间用清水漱口；

所述机械测定：应用英国Stable Micro System公司生产的TA-XT2i质构分析仪，并通过电脑上应用Texture Expert 2.64软件来加以控制，其中剪切方法应用HDP/BSG BLADE SET WITH GUILLOTINE探头，压缩方法分别应用P5(5mm CYLINDER STAINLESS)和P100(100mm COMPRESSION PLATEN)两种探头，区别是前者截面积小于接触样品的截面积，而后者反之。由此评定熏煮香肠的剪切力值、硬度、弹性、粘聚性、咀嚼性等指标；

所述多元线性回归模型的建立：应用SAS 8.2软件的逐步线性回归方法，建立以机械测定指标值为自变量，感官评定指标值为应变量的多元线性方程，得到每个独立的感官评定指标关于机械测定数据的预测模型；

所述BP神经网络的构建：应用美国MatWorks公司开发的MatLab 7.0软件，采用多层前向(newff)BP神经网络。以机械测定值为输入量，感官评定值为输出值，进行训练和建模，确定隐层神经元数经数值试验(也就是预测精读)，其中训练函数为贝叶斯函数(Bayesian generalization)，训练目标误差为0.001，输入层和隐层的训练函数为正切S型函数(tansig)，隐层到输出层为线性函数(purelin)，通过网络不断的迭代，当达到训练误差时结束网络训练；所述数学检验和比较：四种数学检验参数平方根误差、准确性因子、偏差因子和标准预测误差对两种方法的预测精度、拟合性进行评价和比较，选择较好的一种用于质构感官评定的预测。

Images