CN101706492A - 一种建立奶粉产品感官品评专家系统的方法 - Google Patents
一种建立奶粉产品感官品评专家系统的方法 Download PDFInfo
- Publication number
- CN101706492A CN101706492A CN200910250170A CN200910250170A CN101706492A CN 101706492 A CN101706492 A CN 101706492A CN 200910250170 A CN200910250170 A CN 200910250170A CN 200910250170 A CN200910250170 A CN 200910250170A CN 101706492 A CN101706492 A CN 101706492A
- Authority
- CN
- China
- Prior art keywords
- milk powder
- powder product
- sensory evaluation
- physical
- expert system
- 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
- Dairy Products (AREA)
Abstract
本发明提供了一种建立奶粉产品感官品评专家系统的方法,该方法将Kohonen自组织特征映射、BP网络相结合,对奶粉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,通过聚类完成对奶粉产品理化指标的分类,并用奶粉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,通过奶粉产品理化指标和感官品评指标的映射关系,建立奶粉产品感官品评专家系统。该方法克服了现有的奶粉产品感官品评方法过分依赖品评专家的缺陷,可以有效减少人工品评的不确定性,提高奶粉产品感官品评的工作效率和自动化程度,确保奶粉产品质量。
Description
技术领域
本发明涉及一种建立奶粉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,提高对奶粉产品进行感官品评的自动化程度,本发明提供了一种建立奶粉产品感官品评专家系统的方法。
背景技术
奶粉是以乳汁为原料,经过消毒、脱脂、脱水、干燥等工艺制成的粉末。也有使用山羊等其他动物的乳汁生产的产品。奶粉按生产工艺和添加材料的不同,可分为调制奶粉和普通奶粉,脱脂奶粉等,按使用对象的不同,可分为婴儿奶粉、较大婴儿奶粉、孕妇用奶粉、老人型奶粉等。
市场上的奶粉产品种类多样,为便于消费者根据不同需要进行选择,需要对不同奶粉产品进行评分以进行恰当的分级,从而判定其品质的高低。目前,由感官品评专家对奶粉产品进行感官品评,是主要采用的方法,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,奶粉产品的各项理化指标,例如脂肪、干物质、蛋白等,与奶粉产品的感官品评之间存在密切联系。目前,对于奶粉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,而奶粉产品的成分与酒类、烟类区别较大,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高。由于不同原奶之间风味互有区别,加之很多奶粉添加了营养成分,例如钙、DHA、AA等,使得奶粉风味更加多样化和复杂。上述因素给建立奶粉产品感官品评专家系统带来了困难。目前,在奶粉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奶粉产品感官品评专家系统的方法,恰当的确定专家系统构架,通过该专家系统,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,提高奶粉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奶粉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:
获取不同原奶品种、季节、生产设备、生产工艺以及添加不同营养强化剂的奶粉产品样本,组织品评专家对奶粉产品进行感官品评,品评项目包括:色泽、乳香味、特征风味、口感、冲调性以及溶解性,根据品评得分,把奶粉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、不一致或不完整的奶粉产品感官品评得分和理化指标样本数据,并对数据库中的奶粉产品样本数据进行归一化,从而实现各奶粉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自组织特征映射对奶粉产品理化指标样本数据进行聚类,完成数据库中所有奶粉产品样本数据的分类,并建立分类库;
对不同类奶粉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;
将奶粉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,上述步骤即完成奶粉产品感官品评专家系统的建立,否则,更换奶粉产品样本数据,重新进行训练,直到算法收敛。
根据本发明的再一种建立奶粉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奶粉产品理化指标,包括:脂肪、蛋白、干物质、水分、蔗糖、非脂乳固、酸度、杂质度、拮抗剂、抗生素、细菌总数、嗜热菌、大肠菌群、霉菌、酵母菌、肠杆菌属、金黄色葡萄球菌、坂崎杆菌、蜡样芽胞。
根据本发明的另一种建立奶粉产品感官品评专家系统的方法,其中,BP网络的输入数据是奶粉产品的各项理化指标,输出数据是奶粉产品感官品评得分。
根据本发明的又一种建立奶粉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0.46-0.78。
根据本发明的又一种建立奶粉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0.25-0.36。
根据本发明的又一种建立奶粉产品感官品评专家系统的方法,其中,BP网络的学习次数为102。
根据本发明的又一种建立奶粉产品感官品评专家系统的方法,其中,该奶粉产品感官品评专家系统的使用管理过程为:
测定待评价奶粉产品的各项理化指标,并将所得数据输入该系统;
根据奶粉产品理化指标进行自组织特征提取,确定其所属类别;
如果输入的奶粉产品理化指标属于未知类,不在该奶粉产品感官品评专家系统的已有BP网络中训练过,则以奶粉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;
如果输入的奶粉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,并计算出奶粉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是本发明的奶粉产品感官品评专家系统的流程图;
图2是图1所示的奶粉产品感官品评专家系统的使用管理示意图。
具体实施方式
本发明的奶粉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奶粉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。
本发明的奶粉产品感官品评专家系统的流程图如图1所示,具体包括:
取不同原奶品种、季节、生产设备、生产工艺以及添加不同营养强化剂的奶粉产品,测定其理化指标,包括如下参数:脂肪、蛋白、干物质、水分、蔗糖、非脂乳固、酸度、杂质度、拮抗剂、抗生素、细菌总数、嗜热菌、大肠菌群、霉菌、酵母菌、肠杆菌属、金黄色葡萄球菌、坂崎杆菌、蜡样芽胞。同时,组织品评专家对奶粉产品进行品评,品评项目包括:色泽、乳香味、特征风味、口感、冲调性以及溶解性。评分标准见表1,根据得分将奶粉产品分成两组: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,从而保证所建立的系统能够客观准确的控制奶粉产品质量,从而使乳制品质量得到保证。
表1 奶粉产品评分标准
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 |
冲调性 | 几分钟甚至数小时润湿 | 30秒到1分钟润湿 | 21-30秒润湿 | 11-20秒润湿 | 10秒内润湿 |
1分 | 2分 | 3分 | 4分 | 5分 | |
溶解性 | 冲调后杯底沉淀和漂浮的团块较多;有大量的小白点和絮片而不下落 | 冲调后有少量团块;杯壁有大量小白点和絮片 | 冲调后有少量团块;杯壁有少量小白点和絮片 | 冲调后完全均匀、无团块;杯壁有少量小白点和絮片 | 冲调后完全均匀、无团块;杯壁无小白点和絮片 |
口感 | 口感极厚或极薄 | 口感很厚或很薄 | 口感较厚或较薄 | 口感略厚或略薄 | 薄厚度适中 |
运用Matlab完成Kohonen和BP网络的建立,去除错误、不一致或不完整的奶粉产品感官品评得分和理化指标等样本数据,并用线性函数对奶粉产品的样本数据进行归一化,奶粉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(0.46-0.78),初始领域半径为0.25-0.36,学习次数为102。
应用Kohonen自组织特征映射对奶粉产品理化指标数据实现聚类,将各组奶粉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奶粉产品的最终分类。
对不同类奶粉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,其输入数据是奶粉产品理化指标,输出数据是奶粉产品感官品评得分。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0.46-0.78,误差为0.001。
采用SAS6.0将奶粉产品样本数据归一化,并将完成归一化的奶粉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奶粉产品感官品评专家系统的建立。
本发明所建立的奶粉产品感官品评专家系统的使用管理过程如图2示,包括:
测定待评价奶粉产品的多项理化指标,并将所得数据输入已经建立的奶粉产品感官品评专家系统;
根据系统输入的奶粉产品理化指标进行Kohonen自组织特征提取,确定其类别;
如果系统输入的奶粉产品理化指标属于未知类,不在已建立的奶粉产品感官品评专家系统的已有BP网络中训练过,则以该奶粉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;
如果输入奶粉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,并计算出奶粉产品感官品评指标预测值,如果输入奶粉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提供了本实施例的奶粉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,本系统根据奶粉产品理化指标的感官品评预测结果,与奶粉产品品评专家的基本相符,在可接受的误差范围内。
表2 奶粉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奶粉产品感官品评专家系统的方法,集成了Kohonen网络、BP网络,对奶粉产品进行测试、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,并用各类奶粉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,获取各类奶粉产品理化指标与感官品评得分之间的映射关系,从而建立奶粉产品感官品评专家系统。该系统充分利用了奶粉产品品评专家的经验、减少了人工品评的不确定性、提高了奶粉产品感官品评的工作效率和自动化程度。
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)
1.一种建立奶粉产品感官品评专家系统的方法,包括:
品评专家对奶粉产品进行感官品评,并测定所述奶粉产品的理化指标,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奶粉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奶粉产品理化指标进行聚类,完成所述数据库中所有奶粉产品理化指标的分类,并建立分类库;
对不同类奶粉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;
将所述奶粉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,上述步骤即完成奶粉产品感官品评专家系统的建立,否则,更换所述奶粉产品样本数据,重新进行训练,直到算法收敛;
其特征在于,所述奶粉产品感官品评的品评项目包括:色泽、乳香味、特征风味、口感、冲调性以及溶解性。
2.如权利要求1所述的建立奶粉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奶粉产品理化指标,包括:脂肪、蛋白、干物质、水分、蔗糖、非脂乳固、酸度、杂质度、拮抗剂、抗生素、细菌总数、嗜热菌、大肠菌群、霉菌、酵母菌、肠杆菌属、金黄色葡萄球菌、坂崎杆菌、蜡样芽胞。
3.如权利要求1所述的建立奶粉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奶粉产品理化指标,所述BP网络的输出数据是所述奶粉产品感官品评得分。
4.如权利要求1所述的建立奶粉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0.46-0.78。
5.如权利要求1所述的建立奶粉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0.25-0.36。
6.如权利要求1所述的建立奶粉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102。
7.如权利要求1所述的建立奶粉产品感官品评专家系统的方法,其中,所述奶粉产品感官品评专家系统的使用管理过程为:
测定待评价奶粉产品的所述理化指标,并将所得数据输入所述奶粉产品感官品评专家系统;
根据所述奶粉产品理化指标进行Kohonen自组织特征提取,确定其所属类别;
如果所述奶粉产品理化指标属于未知类,不在所述奶粉产品感官品评专家系统的已有BP网络中训练过,则以所述奶粉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;
如果所述奶粉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,计算出奶粉产品感官品评指标预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910250170A CN101706492A (zh) | 2009-11-30 | 2009-11-30 | 一种建立奶粉产品感官品评专家系统的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910250170A CN101706492A (zh) | 2009-11-30 | 2009-11-30 | 一种建立奶粉产品感官品评专家系统的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101706492A true CN101706492A (zh) | 2010-05-12 |
Family
ID=42376731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910250170A Pending CN101706492A (zh) | 2009-11-30 | 2009-11-30 | 一种建立奶粉产品感官品评专家系统的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101706492A (zh) |
-
2009
- 2009-11-30 CN CN200910250170A patent/CN101706492A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A cable fault recognition method based on a deep belief network | |
CN106373022B (zh) | 基于bp-ga的温室农作物种植效率条件优化方法及系统 | |
Konuspayeva et al. | Variability of vitamin C content in camel milk from Kazakhstan | |
CN111523603A (zh) | 一种船舶动力设备故障识别方法 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
CN102142091A (zh) | 一种核集成优化分类方法 | |
Martínez C et al. | Evaluation of the composition effect of harvested coffee in the organoleptic properties of coffee drink | |
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 | |
CN101706488A (zh) | 一种建立婴儿奶产品感官品评专家系统的方法 | |
Hu et al. | Estimation of Chinese agricultural production efficiencies with panel data | |
Wang et al. | Changes in milk yield and composition of colostrum and regular milk from four buffalo breeds in China during lactation | |
CN112215410A (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN116297249A (zh) | 一种青贮玉米饲料品质分级方法、装置及存储介质 | |
CN117332358B (zh) | 一种玉米浸泡水处理方法及系统 | |
Da Cruz et al. | Monitoring the authenticity of low-fat yogurts by an artificial neural network | |
Yang et al. | Isolation and identification of yeast in yak milk dreg of Tibet in China | |
CN101635014A (zh) | 一种建立常温液奶产品感官品评专家系统的方法 | |
CN101706490A (zh) | 一种建立契达干酪产品感官品评专家系统的方法 | |
CN101706492A (zh) | 一种建立奶粉产品感官品评专家系统的方法 | |
CN110726813B (zh) | 基于双层集成神经网络的电子鼻预测方法 | |
CN101706489A (zh) | 一种建立原奶产品感官品评专家系统的方法 | |
CN114999586B (zh) | 一种保加利亚乳杆菌与嗜热链球菌相互作用预测方法 | |
CN114063587B (zh) | 一种基于机器视觉的蛋糕无菌生产控制方法及系统 | |
CN101706487A (zh) | 一种冰淇淋感官品评方法 | |
CN116484193A (zh) | 一种作物产量的预测方法、系统、设备及介质 |
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 |
Application publication date: 20100512 |