CN101706491A - 一种酸奶产品感官品评专家系统 - Google Patents

Abstract

本发明提供了一种酸奶产品感官品评专家系统，该系统包括Kohonen自组织特征映射模块和BP网络模块，首先测定酸奶样品的理化指标，并由酸奶品评专家进行品评，获得感官品评得分和理化指标等样本数据，通过Kohonen聚类对酸奶产品理化指标进行分类，并用酸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，从而确定酸奶产品理化指标和感官品评指标之间的映射关系，根据上述映射关系即可建立酸奶产品感官品评专家系统。该系统可以降低专家品评的不确定性，提高酸奶产品感官品评工作效率，确保酸奶产品质量。

Description

一种酸奶产品感官品评专家系统

技术领域

本发明涉及一种酸奶产品感官品评专家系统，特别是一种自动化、高效率的酸奶产品感官品评专家系统。

背景技术

酸奶是以新鲜的牛奶为原料，经过巴氏杀菌后再向牛奶中添加有益菌(发酵剂)，经发酵后，再冷却灌装的一种牛奶制品。目前酸奶制品多以凝固型、搅拌型和添加各种果汁果酱等辅料的果味型为多。酸奶不但保留了牛奶的所有优点，经发酵后，乳中的脂肪酸可比原料奶增加2倍。这些变化使酸奶更易消化和吸收，各种营养素的利用率得以提高。酸奶由纯牛奶发酵而成，除保留了鲜牛奶的全部营养成分外，在发酵过程中乳酸菌还可产生人体营养所必须的多种维生素，如VB1、VB2、VB6、VB12等，成为更加适合于人类的营养保健品。

不同的酸奶产品，因原料、产地、生产设备、生产工艺的不同，其品质、风味也存在较大差异，为便于对酸奶产品进行质量控制，由感官品评专家对酸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，酸奶产品的各项理化指标，例如脂肪、干物质、蛋白等，与酸奶产品的感官品评之间存在密切联系。目前，对于酸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，而酸奶产品的成分与酒类、烟类差别很大，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。因原料、产地、生产设备、生产工艺的不同，酸奶的品质、风味也存在较大差异，上述因素给建立酸奶产品感官品评专家系统带来了困难。目前，在酸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酸奶产品感官品评专家系统，通过恰当的确定系统构架，由理化指标判定感官品评结果，减少对人工品评的依赖程度，提高酸奶产品感官品评自动化程度。

为实现上述目的，本发明提供了一种酸奶产品感官品评专家系统，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：

获取不同品种、原料、生产设备以及生产工艺的酸奶产品样本，组织品评专家对酸奶产品进行感官品评，品评项目包括色泽、乳香味、爽口度、颗粒感以及特征风味等参数，根据品评得分，把酸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酸奶样本数据库，去除错误、不一致或不完整的酸奶产品感官品评得分和理化指标样本数据，并对酸奶样本数据库中的酸奶产品样本数据进行归一化，从而实现各酸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自组织特征映射对酸奶产品理化指标样本数据进行聚类，完成酸奶样本数据库中所有酸奶产品样本数据的分类，并建立分类库；

对不同类酸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；

将酸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，上述步骤即完成酸奶产品感官品评专家系统的建立，否则，更换酸奶产品样本数据，重新进行训练，直到算法收敛。

根据本发明的再一种酸奶产品感官品评专家系统，其中，作为本专家系统输入的酸奶产品理化指标，包括：脂肪、蛋白、干物质、乳糖、冰点、比重、非脂乳固、酸度、细菌总数、嗜冷菌、芽孢、耐热芽孢。

根据本发明的另一种酸奶产品感官品评专家系统，其中，BP网络的输入数据是酸奶产品的各项理化指标，输出数据是酸奶产品感官品评得分。

根据本发明的又一种酸奶产品感官品评专家系统，其中，BP网络的初始学习率为0.36-0.62。

根据本发明的又一种酸奶产品感官品评专家系统，其中，BP网络的初始领域半径为0.37-0.45。

根据本发明的又一种酸奶产品感官品评专家系统，其中，BP网络的学习次数为56。

根据本发明的又一种酸奶产品感官品评专家系统，其中，该系统的使用管理过程为：

测定待评价酸奶产品的各项理化指标，并将所得数据输入该系统；

根据酸奶产品理化指标进行自组织特征提取，确定其所属类别；

如果输入的酸奶产品理化指标属于未知类，不在该酸奶产品感官品评专家系统的已有BP网络中训练过，则以酸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；

如果输入的酸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，并计算出酸奶产品感官品评指标预测值。

附图说明

以下附图仅旨在于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是本发明的酸奶产品感官品评专家系统的流程图；

图2是图1所示的酸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

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

本发明的酸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酸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。

本发明的酸奶产品感官品评专家系统的建立流程图如图1所示，具体来说包括：

获取不同品种、原料、生产设备以及生产工艺的酸奶产品样本，测定其理化指标：脂肪、蛋白、干物质、乳糖、冰点、比重、非脂乳固、酸度、细菌总数、嗜冷菌、芽孢、耐热芽孢。同时，组织品评专家对酸奶产品进行品评，品评项目包括：色泽、乳香味、爽口度、颗粒感以及特征风味等参数。评分标准见表1，根据得分将酸奶产品分成两组：合格，即四个感官指标均在3分以上；不合格，即有一个指标为2分或1分。最后将所得样本数据录入酸奶样本数据库，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酸奶产品质量，从而使乳制品质量得到保证。

表1  酶奶产品评分标准

	1分	2分	3分	4分	5分
						色泽	色泽极深或极浅	色泽很深或很浅	色泽较深或较浅	色泽稍深或稍浅	呈均匀一致的乳白色
乳香味	乳香味极平淡或极重	乳香味很重或很轻	乳香味较重或较轻	乳香味略重或略轻	具有纯正的乳香味，乳香味适中
						特征风味	无特征风味或有异味	基本没有特征风味	有可感知的特征风味	有较浓郁的特征风味	有浓郁的特征风味
爽口度	极不爽口	不爽口	一般	较爽口	非常爽口
						颗粒感	有很多颗粒	有较多颗粒	稍有颗粒	有轻微的颗粒	无颗粒

运用Matlab完成Kohonen和BP网络的建立，去除错误、不一致或不完整的酸奶产品感官品评得分和理化指标等样本数据，并用线性函数对酸奶产品的样本数据进行归一化，酸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(0.36-0.62)，初始领域半径为0.37-0.45，学习次数为56。

应用Kohonen自组织特征映射对酸奶产品理化指标数据实现聚类，将各组酸奶产品的理化指标样本空间细分为多个子空间，从而完酸奶样本酸奶样本数据库中所有酸奶产品的最终分类。

对不同类酸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，其输入数据是酸奶产品理化指标，输出数据是酸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0.36-0.62，误差为0.001。

采用SAS6.0将酸奶产品样本数据归一化，并将完成归一化的酸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酸奶产品感官品评专家系统的建立。

本发明所建立的酸奶产品感官品评专家系统的使用管理过程如图2示，包括：

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

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

如果系统输入的酸奶产品理化指标属于未知类，不在已建立的酸奶产品感官品评专家系统的已有BP网络中训练过，则以该酸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；

如果输入酸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，并计算出酸奶产品感官品评指标预测值，如果输入酸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提供了本实施例的酸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，本系统根据酸奶产品理化指标的感官品评预测结果，与酸奶产品品评专家的基本相符，在可接受的误差范围内。

表2  酸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，根据本发明的一种酸奶产品感官品评专家系统，集成了Kohonen网络、BP网络，对酸奶产品进行测试、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，并用各类酸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，获取各类酸奶产品理化指标与感官品评得分之间的映射关系，从而建立酸奶产品感官品评专家系统。该系统充分利用了酸奶产品品评专家的经验、减少了人工品评的不确定性、提高了酸奶产品感官品评的工作效率和自动化程度，从而确保对酸奶产品的质量控制。

以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合，均应属于本发明保护的范围。

Claims (7)

1.一种酸奶产品感官品评专家系统，包括：

由酸奶品评专家对酸奶产品进行感官品评，测定所述酸奶产品的理化指标，将所得感官品评得分和理化指标等样本数据录入酸奶样本数据库，去除错误、不一致或不完整的所述样本数据，对所述酸奶样本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酸奶产品理化指标进行聚类，完成所述酸奶样本酸奶样本数据库中所有酸奶产品理化指标的分类，并建立分类库；

对不同类酸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；

将所述酸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，上述步骤即完成酸奶产品感官品评专家系统的建立，否则，更换所述酸奶产品样本数据，重新进行训练，直到算法收敛；

其特征在于，所述酸奶产品感官品评的品评项目包括：色泽、乳香味、爽口度、颗粒感以及特征风味。

2.如权利要求1所述的酸奶产品感官品评专家系统，其中，作为所述系统输入的所述酸奶产品理化指标，包括：脂肪、蛋白、干物质、乳糖、冰点、比重、非脂乳固、酸度、细菌总数、嗜冷菌、芽孢、耐热芽孢。

3.如权利要求1所述的酸奶产品感官品评专家系统，其中，所述BP网络的输入数据是所述酸奶产品理化指标，所述BP网络的输出数据是所述酸奶产品感官品评得分。

4.如权利要求1所述的酸奶产品感官品评专家系统，其中，所述BP网络的初始学习率为0.36-0.62。

5.如权利要求1所述的酸奶产品感官品评专家系统，其中，所述BP网络的初始领域半径为0.37-0.45。

6.如权利要求1所述的酸奶产品感官品评专家系统，其中，所述BP网络的学习次数为56。

7.如权利要求1所述的酸奶产品感官品评专家系统，其中，该系统的使用管理过程为：

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

根据所述酸奶产品理化指标进行Kohonen自组织特征提取，确定其所属类别；

如果所述酸奶产品理化指标属于未知类，不在所述酸奶产品感官品评专家系统的已有BP网络中训练过，则以所述酸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；

如果所述酸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，计算出酸奶产品感官品评指标预测值。

Images