CN105930936B - 一种生产流通过程中食品所含微生物的生长预测方法 - Google Patents

Abstract

本发明提供一种生产流通过程中食品所含微生物的生长预测方法，所述方法包括：(1)确定所研究的食品产品及需要预测的微生物危害对象(2)获取试验数据；(3)确定预测模型的输入、输出变量；(4)为输入、输出变量选择模糊子集和隶属度函数；(5)将输入、输出变量分别与其对应的模糊集合置换，形成模糊集合在变量上的隶属度函数；(6)采用“取大‑取小”模糊推理算法；(7)建立输入、输出变量的模糊关系矩阵；(8)重心法解模糊方法进行解模糊；(9)得到微生物数量的预测值。本方法便于在生产流通过程之中及时发现和控制危害，减小危害范围，降低了损失，节约了成本，提高了企业预防和控制食品生产流通过程中微生物风险的能力。

Description

一种生产流通过程中食品所含微生物的生长预测方法

技术领域

本发明属于预测微生物学技术领域，尤其涉及一种生产流通过程中食品所含微生物的生长预测方法。

背景技术

食品安全风险主要来自物理性、化学性与生物性等三种性质的危害，其中生物性危害占食品供应中危害的95％以上，是食品安全最显著的危害。食品在生产、加工、运输、储存、销售过程中，很容易被微生物污染。只要温度适宜，微生物就会生长繁殖，破坏食品中的蛋白质等营养成分，使食品腐败或变得不安全。因此，微生物危害的预防和控制，成为食品企业进行风险管理的重要任务。

目前，实验室中进行的微生物接种生长试验，得到了微生物在固定条件下随时间生长的大量数据。但实际生产流通过程中，食品中的微生物同时受到温度、处理或存储时长、pH值、水分活度等多种因素的影响，甚至食品本身的品类对微生物的生长亦有不同程度的作用。近年来预测微生物学开始普遍应用到食品工业中，用于预测微生物存活和生长，成为食品生产中用于评价、控制和保障食品安全的有利工具。预测微生物学通过建立数学模型来定量描述和预测特定环境条件下微生物的生长和消亡，目前预测模型一般可分为三级：初级模型描述微生物数量随时间的变化规律；二级模型用于描述环境因素对一级模型中动力学参数的影响；三级模型结合以上两种模型建立可兼容的专家系统或开发决策系统软件，用于计算环境中微生物数量的变化规律。环境因素之间的耦合关系，给模型的建立造成了很大困难。大多数试验所建立的二级模型认为各环境因素之间是相互独立的，彼此之间不受影响。考虑的环境因素越多，二级模型的模拟效果与生产流通期间微生物的生长真实情况越接近，但是多一个参数会使建模过程变得复杂很多，误差也大。

因此，提供一种能够定量预测在生产流通过程中食品所含微生物的生长变化的方法，即通过数据采集技术来获得食品生产流通过程中各种影响因素的数据，采用新技术直接建立食品中微生物数量在生产流通过程中的变化模型，帮助企业直观的判断生产流通条件是否满足产品的安全要求，提前预防和控制微生物危害导致的风险，是十分必要的。

发明内容

本发明的目的在于克服现有微生物生长预测模型建立过程中存在的缺陷，提供一种基于数据的微生物生长预测方法，该种方法将微生物初始数量及环境因素与微生物数量之间的关系描述为模糊关系矩阵，利用矩阵的半张量积运算得出模糊关系矩阵模型。在获得微生物初始数量和影响因素数据后，通过模糊关系矩阵运算，能快速预测微生物的数量变化。

为实现上述目的，本发明给出以下技术方案：

一种生产流通过程中食品所含微生物的生长预测方法，其特征在于：包括以下步骤：

(1)确定所研究的食品产品及需要预测的微生物危害对象，梳理食品的生产流通流程，了解影响微生物动态生长的环境因素；2)获取试验数据或实际检测历史记录；(3)确定预测模型的输入变量与输出变量；(4)为输入变量与输出变量分别选择合适的模糊子集和隶属度函数；(5)将输入变量、输出变量分别与其对应的模糊集合置换，形成模糊集合在变量上的隶属度函数；(6)定义“与”为取小，“或”为取大，采用“取大-取小”模糊推理算法；(7)建立输入变量与输出变量的模糊关系矩阵；(8)选用重心法解模糊方法进行解模糊；(9)得到微生物数量的预测值。

可选地，所述步骤(2)中的试验数据或检测历史记录包括食品中微生物的初始数量n_os、环境因素x_m、流程过程中食品微生物数量n_op和流程结束时食品中微生物的数量n_oo。

可选地，所述步骤(3)中的输入变量包括环境因素x_m、流程过程中检测时间点距初始时间点的时长δ_p。

可选地，所述食品中微生物的初始数量n_os是δ_p＝0时n_op的值。

可选地，所述步骤(3)中的输出变量为在各时间点检测到的食品中微生物的数量n_o。

可选地，所述步骤(4)是这样实现的：

(41)记第m个输入变量的论域E_xm，输出变量的论域为均为有序集；

(42)记第m个输入变量的模糊子集个数为s_m，模糊集合为A_m＝{A_m1,A_m2,...,A_mk,...,A_mSm},k＝1.2,...,Sm；输出变量的模糊子集个数为s_o，模糊集合为B＝{B₁,B₂,...,B_So}；

(43)输入变量x_m的论域中的元素x_mj(论域中的第j个元素，j＝1,2,…；j∈Z⁺)在模糊子集A_mk上的隶属度为输出变量n_o的论域中的元素n_oj(论域中的第j个元素，j＝1,2,…；j∈Z⁺)在模糊子集B_r(r＝1,2,…，s_o)上的隶属度为

可选地，所述步骤(5)是这样实现的：

(51)将输入变量的模糊集合A_m和输出变量的模糊集合B分别记作论域，论域分别记作模糊集合；

(52)元素A_mk在模糊子集x_mj上的隶属度为元素B_r在模糊子集n_oj上的隶属度为

可选地，所述步骤(5)中的

可选地，所述步骤(7)是这样实现的：

(71)将获取的数据分别进行模糊化，第i组(i＝1,2,…，N；i∈Z⁺正整数)数据转化为列向量表示形式：

(72)第i组数据的输入变量与输出变量的关系矩阵可以表示为：

第i组数据的输入关系矩阵：

第i组数据的输出关系矩阵：

(73)第i组数据的模糊关系矩阵为：

(74)得到每组数据的模糊关系矩阵后，总的模糊关系矩阵可表示为：

(75)微生物生长预测模型的输入向量记为R_In，则输出向量R_Out可表示为：

可选地，所述步骤(8)中重心法解模糊方法的公式为

本发明的有益效果在于，

1)本发明提供了一种定量预测在生产流通过程中食品所含微生物的生长变化的方法，可给出经过生产流通或其中某个、某几个操作处理环节后，食品中微生物的数量，适用于食品的生产、加工、储存、运输及销售过程，通过建立影响微生物动态生长的环境因素与微生物数量变化的模糊关系矩阵，预测微生物在生产流通后的数量，辅助企业控制食品生产流通过程中的微生物危害。

2)本发明公开了食品中微生物生长预测模型的建立方法，避开了各环境因素之间的关系解耦，能定量预测食品中微生物含量的生长变化。便于在生产流通过程之中及时发现和控制危害，减小危害范围，降低了损失，节约了成本，提高了企业预防和控制食品生产流通过程中微生物风险的能力。

此外，本发明方法原理可靠，步骤简单，具有非常广泛的应用前景。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。

附图说明

图1是本发明提供的一种生产流通过程中食品所含微生物的生长预测方法的预测模型建立流程图。

具体实施方式

下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。

如图1所示，本发明提供的一种生产流通过程中食品所含微生物的生长预测方法，其特征在于：包括以下步骤：

1)确定所研究的食品产品及需要预测的微生物危害对象，梳理食品的生产流通流程，了解影响微生物动态生长的环境因素；

2)获取试验数据或实际检测历史记录，包括流程开始时食品中微生物的初始数量n_os、流程中的环境因素x_m数据、流程过程中的微生物数量n_op检测数据，流程结束时食品中微生物的数量n_oo，并统一将在各时间点检测到的食品中微生物的数量用符号n_o表示；

3)在每一条数据记录中，将流程中的环境因素x_m(m＝1,2,…，M。M是影响微生物动态生长的环境因素的个数，例如考虑温度t_p，pH值h_p，NaCl浓度s_p 3个环境因素，则M＝3，m＝1,2,3)、流程过程中检测时间点距初始时间点的时长δ_p作为输入变量，将在各时间点检测到的食品中微生物的数量n_o作为输出变量，流程开始时食品中微生物的初始数量n_os是δ_p＝0时n_o的值；

4)根据输入、输出变量的取值范围(即论域)，分别为每个变量选择合适的模糊子集和隶属度函数，其中第m个输入变量的论域为输出变量的论域为是有限的有序集；记第m个输入变量的模糊子集个数为s_m，模糊集合为A_m＝{A_m1,A_m2,...,A_mk,...,A_mSm},k＝1.2,...,Sm；输入变量x_m的论域中的元素x_mj(论域中的第j个元素，j＝1,2,…；j∈Z⁺正整数)在模糊子集A_mk上的隶属度为输出变量的模糊子集个数为s_o，模糊集合为B＝{B₁,B₂,...,B_So}，输出变量n_o的论域中的元素n_oj(论域中的第j个元素，j＝1,2,…；j∈Z⁺正整数)在模糊子集B_r(r＝1,2,…，So)上的隶属度为

5)将输入输出变量的模糊集合A_m和B分别看作论域，论域看做模糊集合，则元素A_mk在模糊子集x_mj上的隶属度为元素B_r在模糊子集n_oj上的隶属度为

6)确定采用的模糊推理机制，包括模糊命题连接词“与”和“或”的具体形式、定义模糊推理算子的具体形式；在本发明中，定义“与”为取小，“或”为取大，采用“取大-取小”模糊推理算法。

7)利用输入、输出数据对，通过矩阵的半张量积运算，建立输入变量与输出变量的模糊关系矩阵，步骤为：

①将获取的数据分别进行模糊化，第i组(i＝1,2,…，N；i∈Z⁺正整数)数据转化为列向量表示形式：

其中，是第i组数据的第m个输入变量的值，是第i组数据的输出变量的值；

②第i组数据的输入、输出关系矩阵可以表示为：

第i组数据的输入关系矩阵：

第i组数据的输出关系矩阵：

其中代表半张量积运算，例如的计算过程为：

是s₁行1列的列向量，是s₂行1列的列向量，根据半张量积运算的条件1×q＝s₁，q＝s₁，则其中X_s是布尔乘积，I_q是q行q列的单位矩阵；

③第i组数据的模糊关系矩阵为：

④得到每组数据的模糊关系矩阵后，总的模糊关系矩阵可表示为：

i＝1,2,…，N；i∈Z⁺正整数；

⑤微生物生长预测模型的输入向量记为R_In，则输出向量R_Out可表示为：

8)选用合适的解模糊方法，进行解模糊，在本发明中，建立的模型只有单个输出变量，选用重心法解模糊方法进行解模糊；

9)将模糊量转换为精确值输出，得到微生物数量的预测值。

下面利用本发明提供的方法，结合汉堡用猪肉的斩切过程，建立猪肉中李斯特氏菌的生长预测模型。

步骤一：确定所研究的食品产品及需要预测的微生物危害对象，梳理食品的生产流通流程，了解影响微生物动态生长的环境因素。

本步骤中，确定所研究食品产品为汉堡用猪肉，需要预测的微生物危害对象为李斯特氏菌，影响李斯特氏菌动态声场的环境因素包括温度、pH值以及NaCl浓度。

步骤二：获取试验数据或实际检测历史记录。

本步骤中，从ComBase数据库获取猪肉中李斯特氏菌生长试验数据，设定环境因素的取值范围为：温度t_p∈[0,40℃]，pH值h_p∈[4.5,7.5],NaCl浓度s_p∈[1％,3.5％]。某固定条件下猪肉中李斯特氏菌随时间生长的检测数据如表1所示。

表1固定条件下猪肉中的李斯特氏菌生长试验数据

注：固定条件包括温度6℃、pH值6.3、NaCl浓度1％。

考虑温度、pH值、NaCl浓度等环境因素，整理数据库文件，得到包含N条记录的数据集，如表2所示。

表2输入输出数据集

步骤三：确定预测模型的输入变量与输出变量；

本步骤中，在每一条数据记录中，将流程中的3个环境因素温度t_p，pH值h_p，NaCl浓度s_p、流程过程中检测时间点距初始时间点的时长δ_p作为输入变量，将在各时间点检测到的食品中微生物的浓度作为输出变量n_o，流程开始时食品中微生物的初始浓度是δ_p＝0时n_o的值。微生物浓度与环境因素的模糊关系模型可表示为n_o＝fuzzy(t_p,h_p,s_p,δ_p)；

步骤四：为输入变量与输出变量分别选择合适的模糊子集和隶属度函数。

本步骤中，根据输入变量、输出变量的取值范围,以及生产流通过程中对环境因素的处理习惯和经验知识，每个变量的模糊子集均选择三个：低、中、高，隶属度函数均选择为三角形隶属度函数。

步骤五：将输入变量、输出变量分别与其对应的模糊集合置换，形成模糊集合在变量上的隶属度函数

步骤六：在微生物生长预测模型中，定义“与”为取小，“或”为取大，采用“取大-取小”模糊推理算法。

步骤七：建立输入变量与输出变量的模糊关系矩阵。

本步骤中，利用输入、输出数据对，通过矩阵的半张量积运算，建立输入变量与输出变量的模糊关系矩阵，步骤如下：

①将获取的数据分别进行模糊化，第i组数据转化为列向量表示形式:

其中，是第i组数据的温度值，是第i组数据的pH值，是第i组数据的NaCl浓度值，是测量第i组数据距试验开始时刻的时长，是第i组数据的微生物浓度值。

②第i组数据的输入、输出关系矩阵可以表示为：

输入关系矩阵：

输出关系矩阵：

③第i组数据的模糊关系矩阵为：

④得到每组数据的模糊关系矩阵后，总的模糊关系矩阵可表示为：

⑤模型的输入向量记为R_In，则输出向量R_Out可表示为：

步骤八：选用重心法解模糊方法，进行解模糊，将模糊量转换为精确微生物浓度值输出。重心法解模糊方法的公式为：

步骤九：得到微生物数量的预测值。

当然，上述说明并非对本发明的限制，本发明也不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也属于本发明的保护范围。

Claims (3)

1.一种生产流通过程中食品所含微生物的生长预测方法，其特征在于：包括以下步骤：

(1)确定所研究的食品产品及需要预测的微生物危害对象，梳理食品的生产流通流程，了解影响微生物动态生长的环境因素；

(2)获取食品中微生物的初始数量n_os、环境因素x_m、流程过程中食品微生物数量n_op和流程结束时食品中微生物的数量n_oo；

(3)确定预测模型的输入变量与输出变量，输入变量包括环境因素x_m、流程过程中检测时间点距初始时间点的时长δ_p，所述输出变量为在各时间点检测到的食品中微生物的数量n_o；

(4)为输入变量与输出变量分别选择合适的模糊子集和隶属度函数；

(5)将输入变量、输出变量分别与其对应的模糊集合置换，形成模糊集合在变量上的隶属度函数；

(6)定义“与”为取小，“或”为取大，采用“取大-取小”模糊推理算法；

(7)建立输入变量与输出变量的模糊关系矩阵；

(8)选用重心法解模糊方法进行解模糊；

(9)得到微生物数量的预测值；

所述步骤(4)包括：

(41)记第m个输入变量的论域输出变量的论域为均为有序集；

(42)记第m个输入变量的模糊子集个数为s_m，模糊集合为A_m＝{A_m1,A_m2,...,A_mk,...,A_mSm},k＝1.2,...,s_m；输出变量的模糊子集个数为s_o，模糊集合为B＝{B₁,B₂,...,B_So}；

(43)输入变量x_m的论域中的元素x_mj在模糊子集A_mk上的隶属度为所述j为论域中的第j个元素，j＝1,2,…；j∈Z⁺；输出变量n_o的论域中的元素n_oj在模糊子集B_r(r＝1,2,…，s_o)上的隶属度为所述j为论域中的第j个元素，j＝1,2,…；j∈Z⁺；

所述步骤(5)为：

(51)将输入变量的模糊集合A_m和输出变量的模糊集合B分别记作论域，论域分别记作模糊集合；

(52)元素A_mk在模糊子集x_mj上的隶属度为元素B_r在模糊子集n_oj上的隶属度为

所述步骤(5)中的

所述步骤(7)是这样实现的：

(71)将获取的数据分别进行模糊化，第i组(i＝1,2,…，N；i∈Z⁺正整数)数据转化为列向量表示形式：

(72)第i组数据的输入变量与输出变量的关系矩阵表示为：第i组数据的输入关系矩阵：第i组数据的输出关系矩阵：

(73)第i组数据的模糊关系矩阵为：

(74)得到每组数据的模糊关系矩阵后，总的模糊关系矩阵表示为：

(75)微生物生长预测模型的输入向量记为R_In，则输出向量R_Out表示为：

2.如权利要求1所述的一种生产流通过程中食品所含微生物的生长预测方法，其特征在于：所述食品中微生物的初始数量n_os是δ_p＝0时n_op的值。

3.如权利要求1所述的一种生产流通过程中食品所含微生物的生长预测方法，其特征在于：所述步骤(8)中重心法解模糊方法的公式为