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
基于bp神经网络预测熏煮香肠质构感官评定的方法 Download PDFInfo
- Publication number
- CN101241118A CN101241118A CNA2008100349163A CN200810034916A CN101241118A CN 101241118 A CN101241118 A CN 101241118A CN A2008100349163 A CNA2008100349163 A CN A2008100349163A CN 200810034916 A CN200810034916 A CN 200810034916A CN 101241118 A CN101241118 A CN 101241118A
- Authority
- CN
- China
- Prior art keywords
- subjective appreciation
- neural network
- evaluation
- prediction
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
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
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,Af)、偏差因子(Bias factor,Bf)、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,Af)、偏差因子(Bias factor,Bf)、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 其中,y是感官评定质构指标的响应值,b0(系统中心点)和bj、bjj、bjl是不同的常量系数,xj和xl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:
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:
其中,hi为隐含层变量(i=1~7),wi,xn·为输入层到隐含层之间的权值(n=1~9),b1为偏置向量1,Wi,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:
其中,yi*为感官评定参数归一化的输出值(i=1~7),wi,hn为隐含层到输出层之间的权值(n=1~7),b2为偏置向量2,Wi,b2为阈值,hi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,Af)和偏差因子(Bias factor,Bf),标准预测误差(Standard Error of Prediction,SEP),表达式如下:
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(Bf)和准确性因子(Af)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Bf值的划分标准:0.90<Bf值<1.05,模型为最好;0.70<Bf值<0.90或1.06<Bf值<1.15,模型为可接受;Bf值<0.70或Bf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Bf和Af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,Bf为偏差因子,Af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,Af)、偏差因子(Bias factor,Bf)、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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100349163A CN101241118A (zh) | 2008-03-20 | 2008-03-20 | 基于bp神经网络预测熏煮香肠质构感官评定的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100349163A CN101241118A (zh) | 2008-03-20 | 2008-03-20 | 基于bp神经网络预测熏煮香肠质构感官评定的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101241118A true CN101241118A (zh) | 2008-08-13 |
Family
ID=39932809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100349163A Pending CN101241118A (zh) | 2008-03-20 | 2008-03-20 | 基于bp神经网络预测熏煮香肠质构感官评定的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101241118A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062223A (zh) * | 2013-03-22 | 2014-09-24 | 华中农业大学 | 柑橘咀嚼性测定方法 |
CN104792948A (zh) * | 2015-04-30 | 2015-07-22 | 重庆工商大学 | 基于响应面法的珍珠粉圆质构测定方法 |
CN109270231A (zh) * | 2018-09-17 | 2019-01-25 | 福建安井食品股份有限公司 | 一种小龙虾熟虾尾肉的质构特性测定方法 |
CN109527060A (zh) * | 2018-11-16 | 2019-03-29 | 黑龙江省科学院技术物理研究所 | 无防腐剂香肠辐照保鲜方法 |
CN110046466A (zh) * | 2019-05-06 | 2019-07-23 | 河南农业大学 | 一种肉糜制品保水保油评价方法 |
CN111639761A (zh) * | 2020-05-19 | 2020-09-08 | 珠海格力电器股份有限公司 | 一种基于bp神经网络预测烘烤食品的感官评价方法 |
CN113984966A (zh) * | 2021-10-20 | 2022-01-28 | 贵州大学 | 一种简单快速判断铁皮石斛鲜品品质的方法 |
-
2008
- 2008-03-20 CN CNA2008100349163A patent/CN101241118A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062223A (zh) * | 2013-03-22 | 2014-09-24 | 华中农业大学 | 柑橘咀嚼性测定方法 |
CN104062223B (zh) * | 2013-03-22 | 2016-12-28 | 华中农业大学 | 柑橘咀嚼性测定方法 |
CN104792948A (zh) * | 2015-04-30 | 2015-07-22 | 重庆工商大学 | 基于响应面法的珍珠粉圆质构测定方法 |
CN109270231A (zh) * | 2018-09-17 | 2019-01-25 | 福建安井食品股份有限公司 | 一种小龙虾熟虾尾肉的质构特性测定方法 |
CN109270231B (zh) * | 2018-09-17 | 2023-08-01 | 安井食品集团股份有限公司 | 一种小龙虾熟虾尾肉的质构特性测定方法 |
CN109527060A (zh) * | 2018-11-16 | 2019-03-29 | 黑龙江省科学院技术物理研究所 | 无防腐剂香肠辐照保鲜方法 |
CN110046466A (zh) * | 2019-05-06 | 2019-07-23 | 河南农业大学 | 一种肉糜制品保水保油评价方法 |
CN110046466B (zh) * | 2019-05-06 | 2021-06-25 | 河南农业大学 | 一种肉糜制品保水保油评价方法 |
CN111639761A (zh) * | 2020-05-19 | 2020-09-08 | 珠海格力电器股份有限公司 | 一种基于bp神经网络预测烘烤食品的感官评价方法 |
CN113984966A (zh) * | 2021-10-20 | 2022-01-28 | 贵州大学 | 一种简单快速判断铁皮石斛鲜品品质的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101241118A (zh) | 基于bp神经网络预测熏煮香肠质构感官评定的方法 | |
Sveinsdottir et al. | Quality Index Method (QIM) scheme developed for farmed Atlantic salmon (Salmo salar) | |
Lycett | Acheulean variation and selection: does handaxe symmetry fit neutral expectations? | |
Wasserman | Analyzing social networks as stochastic processes | |
Smith et al. | Biology and body size in human evolution: statistical inference misapplied [and comments and reply] | |
Yancey et al. | Consumer responses for tenderness and overall impression can be predicted by visible and near-infrared spectroscopy, Meullenet–Owens razor shear, and Warner–Bratzler shear force | |
Rayner et al. | Adolescent girls' friendship networks, body dissatisfaction, and disordered eating: examining selection and socialization processes. | |
Meullenet et al. | Bi‐cyclical instrument for assessing texture profile parameters and its relationship to sensory evaluation of texture | |
Sabilla et al. | Estimating gas concentration using artificial neural network for electronic nose | |
Ebrahim et al. | The study of relationship between parenting styles and personality dimensions in sample of college students | |
GB2596923A (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
CN111125908A (zh) | 基于极限学习机的面包生产建模及决策参数优化方法 | |
CN112116145A (zh) | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 | |
Afthanorhan et al. | Modelling a high reliability and validity by using confirmatory factor analysis on five latent construct: Volunteerism program | |
Carlucci et al. | Methodological approach to evaluate the effects of age at slaughter and storage temperature and time on sensory profile of lamb meat | |
Park et al. | Neural network modeling for beef sensory evaluation | |
CN106407498A (zh) | 一种摔倒风险模型的建立方法 | |
CN112666325A (zh) | 一种鸡肉品质感官评价模型的构建方法及应用 | |
Dong et al. | Abalone muscle texture evaluation and prediction based on TPA experiment | |
Kwak et al. | Prediction of sensory crispness of potato chips using a reference‐calibration method | |
CN105675807A (zh) | 一种基于bp神经网络的莠去津残留评价方法 | |
CN115330150A (zh) | 一种基于晶球指标预测晶球感官品质的方法和应用 | |
Dry et al. | Similar but not the same: A comparison of the utility of directly rated and feature-based similarity measures for generating spatial models of conceptual data | |
Heimendinger et al. | Growth changes: Measuring the effect of an intervention | |
Klimstra et al. | Personality development in adolescence and young adulthood |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080813 |