CN101706488A - 一种建立婴儿奶产品感官品评专家系统的方法 - Google Patents

Abstract

本发明提供了一种建立婴儿奶产品感官品评专家系统的方法，该方法利用Kohonen自组织特征映射和BP网络，对婴儿奶产品进行理化指标测试，并由品评专家进行品评，得到其感官品评得分和理化指标等样本数据，通过聚类完成对婴儿奶产品理化指标的分类，并用婴儿奶产品感官品评得分和理化指标等样本数据分别训练各自对应的BP网络，通过建立婴儿奶产品理化指标和感官品评指标的映射关系，建立婴儿奶产品感官品评专家系统。该方法可以有效减少人工品评的不确定性，提高婴儿奶产品品评效率和自动化程度，确保婴儿奶产品质量。

Description

一种建立婴儿奶产品感官品评专家系统的方法

技术领域

本发明涉及一种建立婴儿奶产品感官品评专家系统的方法，具体来说，为减少对品评专家的依赖，提高对婴儿奶产品进行感官品评的自动化程度，本发明提供了一种建立婴儿奶产品感官品评专家系统的方法。

背景技术

感官检验技术的广泛应用是在20世纪下半叶随着消费品公司的快速发展而成长起来的。随着生活水平的提高，人们对食品品质的要求越来越高，从而对食品感官检验提出了更高的要求。由于没有哪一项设备可以代替人的大脑与感官，因此，感官检验是食品、烟草、日化等行业必不可少的质量检验手段。通过感官分析，不仅可以了解食品本身的感官特性，而且为产品研发者提供关于产品感官性质的重要而有价值的信息，为产品的研发和质量控制提供依据。

感官评价是利用人体感官进行分析鉴别的方法，即利用人体五官的感觉对产品的各项指标如色、香、味、硬度等做出评判，并用符号或文字作实验记录的数据，然后对实验结果进行统计分析，得出结论。

母乳是婴儿最理想的食品，当由于某些原因无法母乳喂养时，婴儿食品就成为母乳的最佳替代品。目前，我国的婴儿食品主要以婴儿奶粉或米粉为主，产品一般都是固态的形式。而国外市场上除了固态的婴儿食品外，还有液态的婴儿食品，如液态婴儿奶等。在很多国家，液态奶正受到越来越多消费者的青睐，成为婴儿食品市场的新宠儿。

随着人们生活节奏的加快和对营养知识了解的增多，一些既营养又方便的食品将成为人们的新宠。目前，向液态方向发展已成为国内乳制品发展的大势所趋，而液态的婴儿奶制品在我国几乎还是空白。婴儿奶除了理化指标和微生物指标外，感官指标也是决定其质量的重要内容。在新品开发时，为了满足消费者的各种需求和嗜好，提高企业经济效益，提高改善原有的生产工艺，需要采用人员评定的方式对产品的感官特征进行判定。

由感官品评专家对婴儿奶产品进行感官品评，是目前主要采用的方法，但是，专家的评定结果受到主观因素的影响，随情绪、年龄、性别、识别能力的不同而有所差异，具有较大的不确定性，同时，人工品评过分依赖专家经验，不利于实现自动化操作。很明显，婴儿奶产品的各项理化指标，例如脂肪、干物质、蛋白等，与婴儿奶产品的感官品评之间存在密切联系。目前，对于婴儿奶产品理化指标和感官品评指标之间的相关性，尚没有定量的分析研究。

Kohonen自组织特征映射，通过网络学习、使输出层中枢神经元的权向量逼近输入特征向量，将具有相同或相近特征的输入向量，映射到位置相同或相邻的输出节点，从而实现对输入数据的特征的聚类，提取了某种内在规律性。而BP网络是目前应用最广泛的人工神经网络模型之一，其权值和阈值调整采用反向传播的学习算法，可以实现从输入到输出的任意非线形映射。经过训练的BP网络，对于不是样本集中的输入样本也能给出合适的输出，因此可以对未知样本进行预测。

目前，在运用上述模型建立食品感官品评系统方面，已有一些研究，但主要应用于酒类、烟类，而婴儿奶产品的成分更加复杂，且风味不象烟、酒类那样突出和典型，人工品评的难度和不确定度更大。因牧场的地理位置、饲养条件、饲料种类、奶牛品种以及季节等因素的不同，原奶品质具有很大差异，同时，由于生产工艺、设备、配方的不同，导致婴儿奶产品的滋气味差别很大，上述因素给建立婴儿奶产品感官品评专家系统带来了困难。目前，在婴儿奶产品感官品评应用方面，还没有相关的方法或者系统。

发明内容

本发明旨在提供一种建立婴儿奶产品感官品评专家系统的方法，由婴儿奶产品理化指标判定感官品评，减少人工品评的不确定度，提高婴儿奶产品感官品评效率和自动化程度。

为实现上述目的，本发明提供了一种建立婴儿奶产品感官品评专家系统的方法，该系统主要包括Kohonen自组织特征映射聚类和BP网络两个模块，包括：

获取各个产地、各类饲养条件、各种奶牛品种和不同季节的婴儿奶产品样本，组织品评专家对婴儿奶产品进行感官品评，品评项目包括：整体风味、乳香味、口感、鱼腥味。根据品评得分，把婴儿奶产品划分成合格和不合格两组；并将所得感官品评得分和理化指标等样本数据录入数据库；

去除错误、不一致或不完整的婴儿奶产品感官品评得分和理化指标样本数据，并对数据库中的婴儿奶产品样本数据进行归一化，从而实现各婴儿奶产品理化指标参数的量纲统一，便于后续处理的进行；

构建Kohonen阵列，依据专家经验确定Kohonen阵列的初始领域半径、学习率和学习次数；

应用Kohonen自组织特征映射对婴儿奶产品理化指标样本数据进行聚类，完成数据库中所有婴儿奶产品样本数据的分类，并建立分类库；

对不同类婴儿奶产品的理化指标样本，分别建立对应的BP网络，并依专家经验确定BP网络的系统允许误差限、初始学习率、初始动量系数、初始化网络权重、最大学习次数、误差调整参数；

将婴儿奶产品感官品评得分和理化指标等样本数据送入对应的BP网络进行训练，在最大学习次数内达到指定误差精度后停止，上述步骤即完成婴儿奶产品感官品评专家系统的建立，否则，更换婴儿奶产品样本数据，重新进行训练，直到算法收敛。

根据本发明的再一种建立婴儿奶产品感官品评专家系统的方法，其中，作为本专家系统输入的婴儿奶产品理化指标，包括：热量、蛋白质、脂肪、水分、灰分、维生素族、牛磺酸、矿物质、复原乳酸度、不溶度指数、杂质度。

根据本发明的另一种建立婴儿奶产品感官品评专家系统的方法，其中，BP网络的输入数据是婴儿奶产品的各项理化指标，输出数据是婴儿奶产品感官品评得分。

根据本发明的又一种建立婴儿奶产品感官品评专家系统的方法，其中，BP网络的初始学习率为0.25-0.39。

根据本发明的又一种建立婴儿奶产品感官品评专家系统的方法，其中，BP网络的初始领域半径为0.55-0.63。

根据本发明的又一种建立婴儿奶产品感官品评专家系统的方法，其中，BP网络的学习次数为87次。

根据本发明的又一种建立婴儿奶产品感官品评专家系统的方法，其中，婴儿奶产品感官品评专家系统的使用管理过程为：

测定待评价婴儿奶产品的各项理化指标，并将所得数据输入该系统；

根据婴儿奶产品理化指标进行自组织特征提取，确定其所属类别；

如果输入的婴儿奶产品理化指标属于未知类，不在该婴儿奶产品感官品评专家系统的已有BP网络中训练过，则以婴儿奶产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练；

如果输入的婴儿奶产品理化指标是已知类的样本数据，则根据其类别读取从分类库中读取对应的BP网络，并计算出婴儿奶产品感官品评指标预测值。

附图说明

以下附图仅对本发明做示意性说明和解释，并不限定本发明的范围，其中：

图1是本发明的婴儿奶产品感官品评专家系统的流程图；

图2是图1所示的婴儿奶产品感官品评专家系统的使用管理示意图。

具体实施方式

本发明的婴儿奶产品感官品评专家系统主要包括Kohonen自组织特征映射聚类和BP网络两个模块，首先利用Kohonen自组织特征映射将输入婴儿奶产品样本数据进行聚类，将聚类结果保存到Kohonen知识库，然后建立各个聚类子空间的BP网络。

本发明的婴儿奶产品感官品评专家系统的流程图如图1所示，具体来说包括：

取不同地理位置、饲养条件、饲料种类、奶牛品种、季节、生产设备以及生产工艺的婴儿奶产品，测定其理化指标：热量、蛋白质、脂肪、水分、灰分、维生素族、牛磺酸、矿物质(如：钙、磷、镁、铁、锌、锰、碘、钾、钠、氯等)、复原乳酸度、不溶度指数、杂质度。同时，组织品评专家对婴儿奶产品进行品评，品评项目包括：整体风味、乳香味、口感、鱼腥味。评分标准见表1，根据得分将婴儿奶产品分成两组：合格：四个感官指标均在3分以上；不合格：有一个指标为2分或1分。最后将所得样本数据录入数据库，针对每个理化指标，选择不同的值，本实施例所选用的范围如下：检出限以下、检出限至国标规定最高值、国标规定最高值以上。这样才能保证所建立的系统能够客观准确的控制婴儿奶产品质量，从而使乳制品质量得到保证。

表1  婴儿奶产品评分标准

运用Matlab完成Kohonen和BP网络的建立，去除错误、不一致或不完整的婴儿奶产品感官品评得分和理化指标等样本数据，并用线性函数对婴儿奶产品的样本数据进行归一化，婴儿奶产品的理化指标是高维向量，且各指标量纲并不相同，在聚类之前必须进行归一化，从而方便后续处理的进行。

构建Kohonen网络阵列，依据专家经验确定所述Kohonen网络的初始领域半径、学习率和学习次数，其中，初始学习率为(0.25-0.39)，初始领域半径为0.55-0.63，学习次数为87。

应用Kohonen自组织特征映射对婴儿奶产品理化指标数据实现聚类，将各组婴儿奶产品的理化指标样本空间细分为多个子空间，从而完成数据库中所有婴儿奶产品的最终分类。

对不同类婴儿奶产品各项理化指标样本的各子空间，分别建立对应的BP网络，其输入数据是婴儿奶产品理化指标，输出数据是婴儿奶产品感官品评得分。每个BP网络仅在一个子空间内实现理化指标与感官品评得分之间的映射关系，降低了问题的复杂度，大大提高了网络学习的速度和精度，更利于完成每个输出参数与理化指标之间的函数映射。为克服BP网络学习易陷入局部最小值问题，采用了自适应学习率和带有平滑项的目标函数，使网络收敛效果与推广性能大大改善。BP网络的初始学习率、误差调整参数、初始动量系数、网络结构等参数由专家经验确定，本实施例中，初始学习率为0.25-0.39，误差为0.001。

采用SAS6.0将婴儿奶产品样本数据归一化，并将完成归一化的婴儿奶产品样本数据送入对应的BP网络，按照当前的BP算法进行训练，达到指定误差精度(0.001)后停止，上述步骤即完成本发明的婴儿奶产品感官品评专家系统的建立.

本发明所建立的婴儿奶产品感官品评专家系统的使用管理过程如图2示，包括：

测定待评价婴儿奶产品的多项理化指标，并将所得数据输入已经建立的婴儿奶产品感官品评专家系统；

根据系统输入的婴儿奶产品理化指标进行Kohonen自组织特征提取，确定其类别；

如果系统输入的婴儿奶产品理化指标属于未知类，不在已建立的婴儿奶产品感官品评专家系统的已有BP网络中训练过，则以该婴儿奶产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练；

如果输入婴儿奶产品理化指标是已知类的样本数据，则根据其类别读取从所述分类库中读取对应的所述BP网络，并计算出婴儿奶产品感官品评指标预测值，如果输入婴儿奶产品理化指标与已学样本靠近，则系统预测结果可信度高；否则，系统将根据样本在原始输入空间中的偏离程度，指出所预测结果的参考价值。

表2提供了本实施例的婴儿奶产品感官品评专家系统得到的实验数据，该表将预测数据与专家品评结果进行了对比，可以看出，本系统根据婴儿奶产品理化指标的感官品评预测结果，与婴儿奶产品品评专家的基本相符，在可接受的误差范围内。

表2  婴儿奶产品感官品评数据与专家品评结果比较

本系统将专家经验分类与由数据驱动的智能等级评定方法相结合，把复杂问题分解，分别送入各自的BP网络求解，最终类的知识都保存在各类的BP网络知识库中。当有新的预测工作要做时，只需根据分类神经网络计算出对应的BP网络，便可利用已训练好的网络映射模型预测出此样本的感官品评指标。

如上所述，根据本发明的一种建立婴儿奶产品感官品评专家系统的方法，集成了Kohonen网络、BP网络，对婴儿奶产品进行测试、品评，在得到品评指标和理化指标的基础上，由Kohonen网络自组织特征映射，完成聚类，并用各类婴儿奶产品感官品评得分和理化数据等样本数据分别训练各自对应的BP网络，获取各类婴儿奶产品理化指标与感官品评得分之间的映射关系，从而建立婴儿奶产品感官品评专家系统。该系统充分利用了婴儿奶产品品评专家的经验、减少了人工品评的不确定性、提高了婴儿奶产品感官品评的工作效率和自动化程度，从而确保婴儿奶产品的质量。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (7)

1.一种建立婴儿奶产品感官品评专家系统的方法，包括：

品评专家对婴儿奶产品进行感官品评，并测定所述婴儿奶产品的理化指标，将所得感官品评得分和理化指标等样本数据录入数据库；

去除错误、不一致或不完整的所述婴儿奶产品的感官品评得分和理化指标样本数据，对所述数据库中的所述样本数据进行归一化；

构建Kohonen阵列，依据专家经验确定所述Kohonen阵列的初始领域半径、学习率和学习次数；

应用Kohonen自组织特征映射对所述婴儿奶产品理化指标进行聚类，完成所述数据库中所有婴儿奶产品理化指标的分类，并建立分类库；

对不同类婴儿奶产品的所述理化指标，分别建立对应的BP网络，并依专家经验确定所述BP网络的系统允许误差限、初始学习率、初始动量系数、初始化网络权重、最大学习次数、误差调整参数；

将所述婴儿奶产品的感官品评得分和理化指标等样本数据送入对应的所述BP网络进行训练，在所述最大学习次数内达到指定误差精度后停止，上述步骤即完成婴儿奶产品感官品评专家系统的建立，否则，更换所述婴儿奶产品样本数据，重新进行训练，直到算法收敛；

其特征在于，所述婴儿奶产品感官品评的品评项目包括：整体风味、乳香味、口感、鱼腥味。

2.如权利要求1所述的建立婴儿奶产品感官品评专家系统的方法，其中，作为所述系统输入的所述婴儿奶产品理化指标，包括：热量、蛋白质、脂肪、水分、灰分、维生素族、牛磺酸、矿物质、复原乳酸度、不溶度指数、杂质度。

3.如权利要求1所述的建立婴儿奶产品感官品评专家系统的方法，其中，所述BP网络的输入数据是所述婴儿奶产品理化指标，所述BP网络的输出数据是所述婴儿奶产品感官品评得分。

4.如权利要求1所述的建立婴儿奶产品感官品评专家系统的方法，其中，所述BP网络的初始学习率为0.25-0.39。

5.如权利要求1所述的建立婴儿奶产品感官品评专家系统的方法，其中，所述BP网络的初始领域半径为0.55-0.63。

6.如权利要求1所述的建立婴儿奶产品感官品评专家系统的方法，其中，所述BP网络的学习次数为87次。

7.如权利要求1所述的建立婴儿奶产品感官品评专家系统的方法，其中，所述婴儿奶产品感官品评专家系统的使用管理过程为：

测定待评价婴儿奶产品的所述理化指标，并将所得数据输入所述婴儿奶产品感官品评专家系统；

根据所述婴儿奶产品理化指标进行Kohonen自组织特征提取，确定其所属类别；

如果所述婴儿奶产品理化指标属于未知类，不在所述婴儿奶产品感官品评专家系统的已有BP网络中训练过，则以所述婴儿奶产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练；

如果所述婴儿奶产品理化指标是已知类的样本数据，则根据其类别读取从所述分类库中读取对应的所述BP网络，计算出婴儿奶产品感官品评指标预测值.

Images