CN101793886A

CN101793886A - 一种基于bp神经网络预测发酵酸乳感官评定方法

Info

Publication number: CN101793886A
Application number: CN201010130819A
Authority: CN
Inventors: 展海宁; 张柏林; 王松
Original assignee: Beijing Forestry University
Current assignee: Beijing Forestry University
Priority date: 2010-03-24
Filing date: 2010-03-24
Publication date: 2010-08-04

Abstract

本发明涉及一种基于BP神经网络预测发酵酸奶感官评定的方法，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，既可以减少人力投入，降低评定成本，又能快速而准确地实时对发酵酸奶感官评定好坏进行判定。实现理化指标测定部分代替感官评定检测，遵循了食品工业的发展方向。本发明的技术，不仅方法简便，实现成本低，易于操作和结果分析，而且经适应性修改后可适宜于各种食品的嗜好性感官评价的预测，应用领域广泛。

Description

一种基于BP神经网络预测发酵酸乳感官评定方法

技术领域

本发明涉及一种评定的方法，特别涉及一种预测发酵酸乳感官评定的方法。

背景技术

酸乳是一种半固体的乳产品，由加热处理的标准化乳的混合物，经保加利亚乳杆菌(Lactobacillus delbrueckii subsp，bulgaricus)和嗜热链球菌(Streptococcus thermophilus)的协同作用发酵而获得的凝固乳制品，最终产品中必须含有大量的活菌(1988，IDF)。酸乳及其它类型的发酵乳营养丰富，口感独特，有着非常悠久的生产加工历史，是一类最大宗的乳制品日益积累的科学数据证实，长期食用酸乳及其相关产品具有：(1)改善肠道微生物菌群平衡；(2)刺激机体免疫反应；(3)缓解乳糖不忍耐症；(4)降低血清胆固醇水平；(5)抑制肿瘤细胞生成等多种健康功效。(吴荣荣，2007)

随着社会的高速发展，人们生活水平的不断提高和健康消费观念的不断加强，酸奶越来越受到人们的青睐。目前我国年人均酸奶消费量不足0,5kg，远低于欧洲年人均20kg的消费水平。近几年，我国的酸奶产业得到了飞速发展，尤其是近两年以40％的速度增长。专家预测，今后几年酸奶的增长率不会低于20％。广大消费者则期待有更多更新的保健功能突出、完善，美味可口的酸奶产品活跃于市场。但在酸乳新产品的研发过程中，如何保证产品的口味能被最终的消费者接受，同时细分化的市场定位能否真正的被目标消费人群所购买。这是新产品研发过程中重要问题。而这就是感官评价，尤其是消费者嗜好性感官评价实验所能体现的内容。因其关系到产品的市场成败，企业的利润，通过较低成本的投入，获取更可信，更直观的这方面的信息。是酸乳乃至整个食品行业企业的诉求。

长期以来，限于成本问题，正规的食品感官评价在食品企业的中难以实现。常以将新产品送至研发人员，和决策者进行小范围品尝，这样得出的结论显然不够严谨和科学。以至于产品上市后会遭遇不被消费者接受，甚至面临市场失败的命运。因此迫切需要一种有效的提高了食品感官评价的可操作性的方法，进而可以有效的减少产品市场地位不准，销售不理想的现象的发生。提供准确度和精确度高的多的感官评价结论，使得研发人员和决策者对待上市产品消费者接受程度做到心中有数。也能使的新品研发更具目标和目的性。

而为提高感官评价预测的精度，可选用神经网络的方法。人工神经网络(ArtificialNeural 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(BackPropagation 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 winedistillates using fuzzy and neural networksystems，Journal of Food Engineering，2000，46：267～275)，国内有将神经用于熏制香肠的质构感官评价及电子鼻的成分分析，但将BP神经网络应用于酸乳及乳制品的感官评定尚未见专利报道。

发明内容

本发明是针对现有针对酸乳感官评价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神经网络预测发酵酸奶感官评定的方法，特别是能通过测定不同的理化指标的方式评价发酵酸奶的，经过BP神经网络的构建和仿真，可以更加精确地预测发酵酸奶的感官评定指标，实现感官评定的快速、实时、便捷性检测。

本发明选择脂肪含量(g/100g)，蛋白质含量(g/100g)，总固形物含量(g/100g)，酸度(波尔美度)，粘度(cP)作为记录到数据库中的理化指标。其原因为这些指标构成了酸乳的国家标准以及酸乳企业企标的主要组成部分。这五项指标的合格与否直接关系着该产品是否符合上市标准，是否能够上市。同时在酸乳企业稳定使用某一或某几种发酵剂组合的前提下，这五项指标也构成了影响酸乳口感的主要方面因素。最重要的一点，这五项指标在酸乳企业中测定容易，操作简单，实现成本低，便于企业人员操作及长期跟踪，也可和企业的质量监控数据联用，减少不必要的数据采集及增加了相关数据的使用率。

本发明的技术方案为：基于BP神经网络预测发酵酸奶感官评定的方法，首先选择不同处理或种类的发酵酸奶，由具有食品感官评定经验的专家或经过针对性培训的最终消费者按年龄和性别组成评定组，对发酵酸奶的指标色泽、口感、气味、总体接受性进行感官评定。同时应用符合国标的测定方法，对发酵酸奶的理化指标脂肪含量(g/100g)，蛋白质含量(g/100g)，总固形物含量(g/100g)，酸度(波尔美度)，粘度(cP)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，以理化指标测定值为输入量，感官评定值为输出值，通过BP神经网络的仿真、训练和法代，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发酵酸奶的进行评价和分级。

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，分别对应色泽、口感、气味、总体接受性等指标的非常差、差、较差、一般、较好、好、非常好，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。所述理化指标测定：按国标GBT5009.46-2003之规定及操作规程，测定发酵酸奶的脂肪含量(g/100g)，蛋白质含量(g/100g)，总固形物含量(g/100g)，酸度(波尔美度)，粘度(cP)等理化指标。所述BP神经网络的构建：应用美国MathWorks公司开发的MatLab R2008a软件，采用多层前向(newff)BP神经网络。以理化值为输入量，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(Bayesiangeneralization)，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)，通过网络不断的法代，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感官评定的预测。以理化指标为输入层(神元个数m₁)，隐含层神经元通过数值试验确定(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，通过网络训练和法代，实现预设的网络误差对感官的预测。再通过数学检验，即可实现感官评定的快速、实时、便捷性检测。

本发明的有益效果在于：基于BP神经网络预测发酵酸奶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，可用于发酵酸奶感官评定的预测，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，同时可根据预测结果对发酵酸奶的感官品质进行分级，实现酸乳制品品质的快速判断，更适合于现代乳制品工业生产的需要；采取计算机系统以客观的理化为输入，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，，又能快速而准确地实时对发酵酸奶的指标进行判定，实现理化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神经网络预测发酵酸奶感官评定的方法实现图；

图2本发明中酸乳感官评价用BP神经网络结构；

图3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神经网络预测发酵酸奶感官评定的方法实现图，首先选择不同处理或种类的发酵酸奶，由具有酸奶感官评定经验的专家或经过训练的最终消费者按年龄和性别组成评定组，对发酵酸奶的嗜好性指标(色泽，口感，气味，总体评价等)进行感官评定。同时按照国标GBT5009.46-2003的规定应用理化方法，对发酵酸奶的指标：脂肪含量(g/100g)，蛋白质含量(g/100g)，总固形物含量(g/100g)，酸度(波尔美度)，粘度(cP)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，以理化值为输入量，感官评定值为输出值，通过BP神经网络的仿真、训练和法代，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发酵酸奶的进行评价和分级。

具体的包括：

1)感官评定：先将评定人员按年龄和性别分为若干评定小组(人员不足或评定人员专业素养较强时可省略此步)，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，分别对应感官指标的非常差、差、较差、一般、较好、好、非常好。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名以上具有发酵酸奶感官评价经验的专家组成平定组，评定分数采用7分制，分别对应非常差、差、较差、一般、较好、好、非常好。感官评定指标的定义(Sanchez-brambila等，2002)：色泽(hue)：食品本身在自然光下呈现的颜色和光泽，气味(fragrance)：食品散发的味道，口感(texture)：食品在咀嚼和吞咽的过程中对舌头、牙齿及口腔的刺激。总体接受性(Overall acceptability)是对样品总体的接受程度。

2)理化指标测定：应用国标GBT5009.46-2003的规定应用理化方法或用乳成分分析仪直接分析的方法，对发酵酸奶的指标：脂肪含量(g/100g)，蛋白质含量(g/100g)，总固形物含量(g/100g)，酸度(波尔美度)，粘度(cP)进行量值表达。但要求所有的样品需用统一的方法测定上述指标。

3)BP神经网络的构建：应用美国MatWorks公司开发的Matlab R2008a软件，采用多层前向(newff)BP神经网络。以理化值为输入量，感官评定值为输出值，进行训练和建模，确定隐层神经元数则根据kolmogorow定理设计，再经由数值试验而来。设计的BP神经网络中训练函数为贝叶斯函数(Bayesian generalization)，训练目标误差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)。通过网络不断的训练和迭代，当达到训练误差时结束网络训练。

BP神经网络是由输入层、中间层和输出层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、m₃，组成所谓m₁-m₂-m₃，结构。本技术中输入层为5个不同理化指标(蛋白质，脂肪，总固形物含量，酸度，粘度)，输出层为4个不同感官评定指标(色泽，气味，口感和总体评价)。这样输入层的神经元个数为5个，输出层为4个。经过实验测试隐层为10个时神经网络的性能最优。因此以下实验中隐层神经元数量为10个。构建BP神经网络为5-10-4结构，如图2所示。

应用美国MathWorks公司开发的Matlab(R2008a)软件完成多层前向神经网络的构建。新版的Matlab及其神经网络工具箱可以自适应输入变量单位及数量级不一致的问题，免去了手工归一化的工作。具体实例如下：

首先将样品的实验数据通过数据库或Excel等文件介质，利用matlab自带的数据导入功能导入到matlab的workspace中(本实例中200组数据来自某一酸乳生产企业的理化数据和感官评价数据，其中含有40组品质次品)。下面实例中用矩阵变量S(200*5)表示一存储有200个测试样品五项理化指标的数组，其中矩阵S中的每一列为一个样品所对应的五个理化指标的数值。矩阵变量T(200*4)表示一存储有4项感官评定测试结果数据，其中矩阵变量T中的每一列数据为样品所对应的四项理化指标的数值，S和T中每一列对应相同的样品。

第二步，取S，T前150列数据另存为s，t作为建立和训练神经网络用数据。后50列另存为s1和t2。用于实验结果的仿真验证。利用matlab的nntool图形界面或newff命令建立如上所述的5-10-4三层BP神经网络，并初始化。程序代码可参考如下：

net＝newff(threshold，[10，4]，(`tansig′，′purelin′)，′trainlm′)；

net.trainParam.epochs＝1000；％训练次数1000

net.trainParam.goad＝0.001；％训练中止时误差0.001

net.trainParam.lr＝0.1；％学习步率0.1

net＝train(net，s，t)；

当训练次数达到最大次数或训练误差达到要求时训练停止，此时神经网络的误差如图3所示。已经小于设定的0.001。此时使用建模用的150组数据进行模拟和结果验证，发现在误差范围内结果的准确度达到了100％。此时再用s1和t1进行检验得出的结果如下表1：

表1神经网络评价测试结果

从表1中看神经网络对品质次品的检出正确率为88.9％，9个次品中只有1个估计错误，具有很高的参考价值。但有时会因样本的不同造成结果的较大差异分析其可能原因：

(1)神经网络对建模用样本出现了过适应

由于对神经网络进行了1000次训练，测试误差降到了10-3以下，从样品的验证中可以看出，神经网络给出的结论和实际完全一致。对建模用数据完全适应的同时，可能会带来过适应的问题。即对完全符合条件的数据，给出的结论一定正确。但对一些有“噪声”的数据，比如说有测试误差的数据，适应性就下降了。通俗的说就是“纠错能力”不强。

因神经网络的设计及训练的主观性强，没有一成不变的规律可循。对于不同数据使用不同的神经网络类型，或者仅仅是隐层或测试方法上的差异，会导致结果上的巨大差异。

(2)样品容量过小，代表性不强

由于只使用了少量样品，如少于50份，其中再加上缺少典型不同等级的样品。对这样样品进行神经网络分析的结果对产品线上的产品的准确度及参考价值必然下降。同时样品容量较小，会更容易的出现前述的过适应问题。

Claims

1.基于BP神经网络预测发酵酸乳感官评定方法，其特征在于首先选择不同菌种发酵处理或不同配方的发酵酸奶，由具有香肠感官评定经验或接受过相关训练的最终消费者组成按年龄和性别分成若干评定组，对发酵酸奶的总体接受性进行感官评定。同时应用仪器测定的方法，对发酵酸奶的脂肪、蛋白质、总固形物含量、酸度和黏度这五种理化指标进行量值表达，然后应用Matlab软件中神经网络工具箱的编程方法，以五种理化指标值为输入量，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发酵酸奶感官接受度进行评价和分级。

2.根据权利要求1所述的基于BP经网络预测发酵酸乳感官评定方法，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，为了减少测定中的外接因素如嗜好、包装等对检验结果的影响，采用双盲法进行检验，即对样品进行随机编号化，评定分数采用1-7分制，指标的非常小、小、较小、普通、较大、大、非常大表示测试者对该样品的接受程度。每次评定由每个评定成员单独进行，样品评定之间用清水漱口，由此评定发酵酸奶的总体接受度指标。所述BP神经网络的构建：应用美国MatWorks公司开发的Matlab R2008a软件及其神经网络工具箱，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。其中训练函数为贝叶斯函数(Bayesian generalization)，训练目标误差为0.01，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)，通过神经网络不断的迭代，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感官评定的预测。