CN107194512A - 鸡精的货架期预测方法 - Google Patents

鸡精的货架期预测方法 Download PDF

Info

Publication number
CN107194512A
CN107194512A CN201710378236.2A CN201710378236A CN107194512A CN 107194512 A CN107194512 A CN 107194512A CN 201710378236 A CN201710378236 A CN 201710378236A CN 107194512 A CN107194512 A CN 107194512A
Authority
CN
China
Prior art keywords
chickens
extract
shelf life
value
physical
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
Application number
CN201710378236.2A
Other languages
English (en)
Inventor
肖立中
费玉刚
王广仲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Technology
Original Assignee
Shanghai Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Technology filed Critical Shanghai Institute of Technology
Priority to CN201710378236.2A priority Critical patent/CN107194512A/zh
Publication of CN107194512A publication Critical patent/CN107194512A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Immunology (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Biochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Analytical Chemistry (AREA)
  • Hematology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Cell Biology (AREA)
  • Biotechnology (AREA)
  • Microbiology (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Toxicology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种鸡精的货架期预测方法，获取不同温度下GC‑MS检测分析的鸡精理化指标数据；设置人工感官评价值，得到不同温度下具有相同理化指标值的鸡精的有效货架期；对满足有效货架期且具有相同鸡精理化指标值的鸡精理化指标数据进行归类处理后得到N个类别，将所述N个类别作为待选择特征变量；对鸡精的待选择特征变量作降维处理，筛选出实验用特征变量；去除实验用特征变量中的奇异值，并用数据挖掘中的填充值替代去除的奇异值，得到学习集数据；基于随机森林算法根据学习集数据构建鸡精货架期预测模型。本发明利用随机森林算法对学习集数据进行模型构建，通过构建的模型完成对鸡精货架期的预测，减少人为干预，结果准确，预测效率高。

Description

鸡精的货架期预测方法
技术领域
本发明涉及香料香精技术领域，具体地，涉及鸡精的货架期预测方法。
背景技术
鸡精是常见的厨房调味配料，目前判断鸡精的货架期的方式主要是人工感官评价，但是超出货架期的鸡精，在重复品评时会对评价人员的身心造成一定的不良影响。并且人工品评的方式，主观性强，品评的结果不够客观和准确，且整体过程效率低下，不易于对大量产品的评定。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种鸡精的货架期预测方法。
第一方面，根据本发明提供的鸡精的货架期预测方法，包括：
获取不同温度下GC-MS检测分析的鸡精理化指标数据；
设置人工感官评价值，根据所述人工感官评价值得到不同温度下具有相同理化指标值的鸡精的有效货架期；
对满足有效货架期且具有相同鸡精理化指标值的鸡精理化指标数据进行归类处理后得到N个类别，将所述N个类别作为待选择特征变量；其中，N为大于0的整数；
对所述鸡精的待选择特征变量作降维处理，筛选出实验用特征变量；
去除实验用特征变量中的奇异值，并用数据挖掘中的填充值替代去除的奇异值，得到学习集数据；
基于随机森林算法根据学习集数据构建鸡精货架期预测模型。
可选地，所述获取不同温度下GC-MS检测分析的鸡精理化指标数据，包括：
称取设定质量的鸡精调味样品放入GC-MS样品瓶中，加入等质量的去离子水，得到鸡精溶液；
在所述鸡精溶液中加入设定的含量的2-辛醇内标后放入恒温水浴锅中进行搅拌萃取，得到鸡精待测样品；
采用GC-MS对所述鸡精待测样品进行分析，采集得到鸡精理化指标数据，所述鸡精理化指标数据中包含多项理化指标值。
可选地，所述设置人工感官评价值，根据所述人工感官评价值得到不同温度下具有相同理化指标值的鸡精的有效货架期，包括：
通过人工感官评价值的计算公式来计算鸡精的货架期，计算公式如下：
人工感官评价值＝(鸡肉味+腥味+脂肪香+辛香味+鲜味+可接受度-哈败味)/7；
若所述人工感官评价值分数小于5，则认为鸡精的货架期结束；若所述人工感官评价值分数大于等于5，则认为鸡精在有效货架期内。
可选地，所述对满足有效货架期且具有相同鸡精理化指标值的鸡精理化指标数据进行归类处理，包括：
选择多个不同温度下的具有相同理化指标值的鸡精样品，将所述鸡精样品的理化指标数据进行归类，归类后得到N个类别，将所述N个类别的鸡精样品的作为待选择特征变量；所述多个不同温度包括：25℃、29℃和37℃。
可选地，所述对所述鸡精的待选择特征变量作降维处理，筛选出实验用特征变量，包括：
利用一元线性回归的方法进行特征变量的选择，降低待选择特征变量的维度，筛选出实验用特征变量；其中，将多个不同温度下拟合决定系数均大于设定值0.7的待选择特征变量作为实验用特征变量。
可选地，所述去除实验用特征变量中的奇异值，包括：
使用数据挖掘中的偏差法找出奇异值，所述奇异值是指：在同一温度下，某一理化指标值与前后两个理化指标值之间的差值大于等于设定值的情况。
可选地，所述用数据挖掘中的填充值替代去除的奇异值，包括：
采用数据挖掘中的以下任一填充值替代去除的奇异值：
人工填写的数值；
全局常量值；
属性平均值；
同一温度的所有鸡精样本对应的平均值；
通过贝叶斯形式化方法得到的数值。
可选地，基于随机森林算法根据学习集数据构建鸡精货架期预测模型，包括：
从所述根据学习集数据中选取样本集，假设选取的样本集中包含有X个样例，通过有放回抽样的方式抽取M个样例，得到一个大小为M的训练集，所述X和M为大于0的整数，且X的值大于等于M的值；
根据每个训练集生成决策树，得到M个决策树，假设每个训练集的特征空间共有D个特征，则在每一轮生成决策树的过程中，从D个特征中随机选择其中的d个特征，D为大于1的整数，d为大于0的整数，且d<D；
根据随机选取d个特征生成M个新的决策树，其中，所述M个新的决策树之间相互独立；
通过所述M个新的决策树来预测鸡精的货架期。
可选地，还包括：
从已知实际货架有效期的鸡精样品中随机选取鸡精样品作为待预测的鸡精样品集；
通过所述鸡精货架期预测模型对所述待预测的鸡精样品集的货架期进行预测，输出模型判别结果；
比较鸡精样品的实际货架期和模型判别结果，验证所述鸡精货架期预测模型的预测精度。
本发明利用随机森林算法对学习集数据进行模型构建，通过构建的模型完成对鸡精货架期的预测，减少人为干预，结果准确，预测效率高。经检验，应用本发明中鸡精的货架期预测方法预测精度能够达到91.28％，因此，能够有效的预测鸡精食品的实际货架期，减少因为实际货架期与标签保质期不一致而造成的经济损失。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例一提供的鸡精的货架期预测方法的流程图；
图2为预测鸡精货架期的方法的残差平方的均值与决策树特征个数关系图；
图3为预测鸡精货架期的方法的模型残差平法与决策树数量关系图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1为本发明实施例一提供的鸡精的货架期预测方法的流程图，如图1所示的方法，包括：
S101、获取不同温度下GC-MS检测分析的鸡精理化指标数据。
本实施例中，基于气相色谱-质谱连用仪(Gas Chromatograph-MassSpectrometer，GC-MS)检测分析鸡精的理化指标数据。
S102、设置人工感官评价值，根据所述人工感官评价值得到不同温度下具有相同理化指标值的鸡精的有效货架期。
本实施例中，通过设定人工感官评价值来判断鸡精的有效货架期，即通过定量化的方式得到鸡精的有效货架期。
S103、对满足有效货架期且具有相同鸡精理化指标值的鸡精理化指标数据进行归类处理后得到N个类别，将所述N个类别作为待选择特征变量；其中，N为大于0的整数。
本实施例中，选择不同温度下的相同GC-MS理化指标值进行归类，作为待选择特征变量。
S104、对所述鸡精的待选择特征变量作降维处理，筛选出实验用特征变量。
本实施例中，为了计算方便，以及减小模型的计算量，对所述鸡精的待选择特征变量作降维处理。
S105、去除实验用特征变量中的奇异值，并用数据挖掘中的填充值替代去除的奇异值，得到学习集数据。
本实施例中，为了进一步地提供模型的预测精度，剔除掉与前后值差别偏大的奇异值。
S106、基于随机森林算法根据学习集数据构建鸡精货架期预测模型。
本实施例中，通过随机森林算法基于构建的学习集数据构建鸡精货架期预测模型，所述鸡精货架期预测模型能够有效的预测鸡精食品的实际货架期。
本发明利用随机森林算法对学习集数据进行模型构建，通过构建的模型完成对鸡精货架期的预测，减少人为干预，结果准确，预测效率高。
下面结合附图和具体实施例对本发明的技术方案做更加详细的说明。
所述S101可以包括：
S1011、称取7.000g鸡精调味料样品，倒入GC-MS样品瓶中，再分别加入7.000g去离子水，用移液枪加入100μL4.3mg/L的2-辛醇内标，加入转子，将针头老化20min，后插入样品瓶中，将样品瓶分别放入磁力恒温水浴锅为25℃、29℃和37℃环境中搅拌萃取30min。
S1012、采用GC-MS对鸡精调味料样品进行分析，采集鸡精各理化指标值。
具体地，萃取条件为萃取头型号：CAR/PDMS 75μm；萃取温度：65℃；萃取时间：30min；平衡时间：15min；解析时间：5min。
色谱条件为色谱柱：HP-INNOWAX(60m×0.25mm×0.25μm)；进样口温度：250℃；程序升温：40℃保持6min，3℃每分钟升至100℃,5℃每分钟升至230℃保持10min；载气：氦气；流量：1mL/min；进样方式：不分流进样。
质谱条件为离子源：EI；电离能：70eV；离子源温度：230℃；四级杆温度：150℃；发射电流：35μA；扫描速度：1.9scans/s；质量扫描范围：50～550amu。
待样品或样品顶空物和所有聚合物涂层的纤维之间扩散达到平衡后，立即将进样头转移进GC的进样口，进行加热解吸，通过色谱柱进行分离。将分离好的样品通过质谱仪进一步鉴定其主要成分。
S1013、进行人工感官评价，记录感官评价数据。
所述S102可以包括：制定评定标准。食品感官评价的规则包括《感官分析方法总论》(GB 10220-1988)、《感官分析的各种方法》(GB/T 12310-12316-1990)等，制定出评定标准。依据综合评价分(综合评价公式＝(鸡肉味+腥味+脂肪香+辛香味+鲜味+可接受度-哈败味)/7)，将分数低于5分的视为货架期结束，得到不同温度下鸡精实际货架期。鸡精实际货架期为25℃、29℃实际货架期为91天，37℃实际货架期为63天。
表1人工感官评定标准
表2综合感官值
具体地，从31组实验数据中随机选择其中的5组为验证数据分别是25℃两组为第35天、77天，29℃两组为第21天、49天，37℃一组为第28天，剩下的26组为训练数据。
表3实验数据
所述S103可以包括：选择25℃、29℃和37℃温度下的共有的GC-MS理化指标值，进行归类作为待选择特征变量。
所述S104可以包括：使用一元线性回归的方法将待选择特征变量与货架期进行拟合，将三种温度下拟合决定系数不能同时满足大于0.7的特征变量删除，剩下的为实验特征变量。
具体地，GC-MS一共检测到了五十多种化学物质，为了便于研究，选择三种温度环境下共有的39种化学物质进行实验研究。最终归纳为6个大类，分别是：醇类、醛类、含硫化合物、杂环化合物、酮类、芳香族化合物。将这6大类分别在不同温度下与其货架期进行线性拟合，比较拟合相关系数，来筛选特征向量，将拟合系数低于0.7的删去。发现醇类、醛类、含硫化合物、杂环化合物这4大类的理化指标值在不同温度下拟合度都比较高，所以选择这4类来做模型预测。
表4拟合决定系数
所述S105可以包括：
S1051、使用数据挖掘中的基于偏差法找出奇异值。即如果在同一温度下，某值点与前后两个值点之间偏离太大，将其找出来并修正，从而使得训练样本集具有较高的质量。
S1052、使用数据挖掘中的填补空缺值。具体方法有：
a、人工填写缺失值。
b、全局常量值填充缺失值。
c、使用属性的平均值填充缺失值。
d、使用与给类型属同一温度的所有样本的平均值填充缺失值。
e、使用贝叶斯形式化方法填充缺失值。
本发明采用使用与给类型属同一温度的所有样本的平均值填充缺失值，即采用同一温度下缺失值前后值得均值，以不同温度下的同一位置平均值为辅助，从而提高模型的精度。
所述S106可以包括：
S1061、从所述根据学习集数据中选取样本集，假设选取的样本集中包含有X个样例，通过有放回抽样的方式抽取M个样例，得到一个大小为M的训练集，所述X和M为大于0的整数，且X的值大于等于M的值；
S1062、根据每个训练集生成决策树，得到M个决策树，假设每个训练集的特征空间共有D个特征，则在每一轮生成决策树的过程中，从D个特征中随机选择其中的d个特征，D为大于1的整数，d为大于0的整数，且d<D；
S1063、根据随机选取d个特征生成M个新的决策树，其中，所述M个新的决策树之间相互独立；
S1064、通过所述M个新的决策树来预测鸡精的货架期。
由于生成的M个新决策树之间是相互独立的，即每个新决策树的重要性是相等的，因而在将它们进行组合时，无需考虑他们的权值，或者可以认为他们具有相同的权值。对于分类问题，最终的分类结果使用所有的决策树投票来确定最终分类结果；对于回归问题，使用所有决策时输出的均值来作为最终的输出结果。
表5学习集数据
选择随机森林模型参数。随机森林模型有2个比较重要的可调参数：一个是ntree森林中树的数目，另一个是mtry每个节点处候选特征的个数。ntree的设置相对较简单,只要让ntree的值足够大，以保证RF收敛即可；而参数mtry为在各节点处候选的特征个数,mtry是RF唯一的一个较敏感参数,调整mtry的取值，模型的准确率变化较为明显。通过在仿真实验中，固定的取值,调节的取值,观察误差的变化。假设ntree取足够大时，取mtry值为(1,2,3,4,5)，模型的残差平法的均值随mtry的变化如图2。可以看出，在mtry＝2时误差值最小，所以选择mtry＝2。而假设ntree＝2000时，mtry＝2，如图3。可以看出,当决策树数量大概大于1200之后，模型误差趋于稳定，所以可以将模型中的决策树数量大致确定为1200左右，以此来达到最优模型。
此时当ntree＝1200,mtry＝2时，可以得出，当最优模型时，变量的解释率达到93.66％，而模型的残差平方的均值为45.74。可见效果比较好。
将5组验证数据分别代入训练所得RF模型中，得到预测的鸡精货架期如表7所示。
表6随机森林模型预测值与试验测定值误差分析
可以计算出随机森林预测模型的平均误差为8.72％，预测精度为91.28％，能够很好的预测鸡精货架期。为鸡精生产企业提供鸡精货架期的决策支持。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
本发明采用数据挖掘中的随机森林方法，它能处理很高维度的数据，并且不用做特征选择；训练速度比较快，实现比较简单；数据量不需要很大；筛选出实验所用的特征值，减少了人为主观性，降低了算法计算的复杂度。
本发明采用综合人工感官的方法，筛选出实际货架期，摒弃了后期鸡精变质对模型精度造成的损失。
本发明采用数据挖掘的基于偏差法和填充值方法，对特征数据进行了预处理，提高了模型的精度。
本发明提供的一种预测鸡精货架期的方法，采用随机森林预测的方法，通过减少人为参与，进而减少了人为感官的主观性，提高了检测准确性，并且减少了因为人工评鉴对人身体造成的伤害。
本发明提供的一种预测鸡精货架期的方法，比常用的化学动力学方法更加精确。
本发明采用随机森林预测的方法，从原始训练集中随机抽取训练集，和决策树的特征选择上随机抽取部分特征生成决策树。各决策树之间的相互独立性。因为相互独立，故而在决策树的生成过程可以并行进行，大大提高了算法的时间效率。
本发明有利于准确的对鸡精的食用安全性进行判别和货架期预测。减少了企业因为无法准确知道鸡精实际货架期而造成的经济损失。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种鸡精的货架期预测方法，其特征在于，包括：
获取不同温度下GC-MS检测分析的鸡精理化指标数据；
设置人工感官评价值，根据所述人工感官评价值得到不同温度下具有相同理化指标值的鸡精的有效货架期；
对满足有效货架期且具有相同鸡精理化指标值的鸡精理化指标数据进行归类处理后得到N个类别，将所述N个类别作为待选择特征变量；其中，N为大于0的整数；
对所述鸡精的待选择特征变量作降维处理，筛选出实验用特征变量；
去除实验用特征变量中的奇异值，并用数据挖掘中的填充值替代去除的奇异值，得到学习集数据；
基于随机森林算法根据学习集数据构建鸡精货架期预测模型。
2.根据权利要求1所述的鸡精的货架期预测方法，其特征在于，所述获取不同温度下GC-MS检测分析的鸡精理化指标数据，包括：
称取设定质量的鸡精调味样品放入GC-MS样品瓶中，加入等质量的去离子水，得到鸡精溶液；
在所述鸡精溶液中加入设定的含量的2-辛醇内标后放入恒温水浴锅中进行搅拌萃取，得到鸡精待测样品；
采用GC-MS对所述鸡精待测样品进行分析，采集得到鸡精理化指标数据，所述鸡精理化指标数据中包含多项理化指标值。
3.根据权利要求1所述的鸡精的货架期预测方法，其特征在于，所述设置人工感官评价值，根据所述人工感官评价值得到不同温度下具有相同理化指标值的鸡精的有效货架期，包括：
通过人工感官评价值的计算公式来计算鸡精的货架期，计算公式如下：
人工感官评价值＝(鸡肉味+腥味+脂肪香+辛香味+鲜味+可接受度-哈败味)/7；
若所述人工感官评价值分数小于5，则认为鸡精的货架期结束；若所述人工感官评价值分数大于等于5，则认为鸡精在有效货架期内。
4.根据权利要求1所述的鸡精的货架期预测方法，其特征在于，所述对满足有效货架期且具有相同鸡精理化指标值的鸡精理化指标数据进行归类处理，包括：
选择多个不同温度下的具有相同理化指标值的鸡精样品，将所述鸡精样品的理化指标数据进行归类，归类后得到N个类别，将所述N个类别的鸡精样品的作为待选择特征变量；所述多个不同温度包括：25℃、29℃和37℃。
5.根据权利要求1或4所述的鸡精的货架期预测方法，其特征在于，所述对所述鸡精的待选择特征变量作降维处理，筛选出实验用特征变量，包括：
利用一元线性回归的方法进行特征变量的选择，降低待选择特征变量的维度，筛选出实验用特征变量；其中，将多个不同温度下拟合决定系数均大于设定值0.7的待选择特征变量作为实验用特征变量。
6.根据权利要求1所述的鸡精的货架期预测方法，其特征在于，所述去除实验用特征变量中的奇异值，包括：
使用数据挖掘中的偏差法找出奇异值，所述奇异值是指：在同一温度下，某一理化指标值与前后两个理化指标值之间的差值大于等于设定值的情况。
7.根据权利要求1所述的鸡精的货架期预测方法，其特征在于，所述用数据挖掘中的填充值替代去除的奇异值，包括：
采用数据挖掘中的以下任一填充值替代去除的奇异值：
人工填写的数值；
全局常量值；
属性平均值；
同一温度的所有鸡精样本对应的平均值；
通过贝叶斯形式化方法得到的数值。
8.根据权利要求1所述的鸡精的货架期预测方法，其特征在于，基于随机森林算法根据学习集数据构建鸡精货架期预测模型，包括：
从所述根据学习集数据中选取样本集，假设选取的样本集中包含有X个样例，通过有放回抽样的方式抽取M个样例，得到一个大小为M的训练集，所述X和M为大于0的整数，且X的值大于等于M的值；
根据每个训练集生成决策树，得到M个决策树，假设每个训练集的特征空间共有D个特征，则在每一轮生成决策树的过程中，从D个特征中随机选择其中的d个特征，D为大于1的整数，d为大于0的整数，且d<D；
根据随机选取d个特征生成M个新的决策树，其中，所述M个新的决策树之间相互独立；
通过所述M个新的决策树来预测鸡精的货架期。
9.根据权利要求1所述的鸡精的货架期预测方法，其特征在于，还包括：
从已知实际货架有效期的鸡精样品中随机选取鸡精样品作为待预测的鸡精样品集；
通过所述鸡精货架期预测模型对所述待预测的鸡精样品集的货架期进行预测，输出模型判别结果；
比较鸡精样品的实际货架期和模型判别结果，验证所述鸡精货架期预测模型的预测精度。
CN201710378236.2A 2017-05-24 2017-05-24 鸡精的货架期预测方法 Pending CN107194512A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710378236.2A CN107194512A (zh) 2017-05-24 2017-05-24 鸡精的货架期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710378236.2A CN107194512A (zh) 2017-05-24 2017-05-24 鸡精的货架期预测方法

Publications (1)

Publication Number Publication Date
CN107194512A true CN107194512A (zh) 2017-09-22

Family

ID=59875036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710378236.2A Pending CN107194512A (zh) 2017-05-24 2017-05-24 鸡精的货架期预测方法

Country Status (1)

Country Link
CN (1) CN107194512A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109164180A (zh) * 2018-08-30 2019-01-08 北京工商大学 基于决策树提取特征判别马苏里拉奶酪身份标识的方法
CN111767958A (zh) * 2020-07-01 2020-10-13 武汉楚精灵医疗科技有限公司 基于随机森林算法的肠镜退镜时间的实时监测方法
CN111768389A (zh) * 2020-07-01 2020-10-13 武汉楚精灵医疗科技有限公司 基于卷积神经网络和随机森林的消化道操作自动计时方法
CN112539989A (zh) * 2020-12-09 2021-03-23 天津春发生物科技集团有限公司 一种鸡脂粉状产品感官货架期的预判方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102651116A (zh) * 2012-03-31 2012-08-29 上海市电力公司 一种电力负荷数据精细化处理方法
CN103678659A (zh) * 2013-12-24 2014-03-26 焦点科技股份有限公司 一种基于随机森林算法的电子商务网站欺诈用户识别方法及系统
CN104063632A (zh) * 2014-06-27 2014-09-24 南京理工大学 基于回归森林模型的蛋白质序列二硫键连接模式的预测方法
CN106557810A (zh) * 2016-11-16 2017-04-05 上海应用技术大学 一种鸡精货架期的bp神经网络预测模型建立方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102651116A (zh) * 2012-03-31 2012-08-29 上海市电力公司 一种电力负荷数据精细化处理方法
CN103678659A (zh) * 2013-12-24 2014-03-26 焦点科技股份有限公司 一种基于随机森林算法的电子商务网站欺诈用户识别方法及系统
CN104063632A (zh) * 2014-06-27 2014-09-24 南京理工大学 基于回归森林模型的蛋白质序列二硫键连接模式的预测方法
CN106557810A (zh) * 2016-11-16 2017-04-05 上海应用技术大学 一种鸡精货架期的bp神经网络预测模型建立方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘淼: "智能人工味觉分析方法在几种食品质量检验中的应用研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
田怀香 等: "基于GC-MS和GC-O的调味品鸡精特征风味物质研究", 《现代食品科技》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109164180A (zh) * 2018-08-30 2019-01-08 北京工商大学 基于决策树提取特征判别马苏里拉奶酪身份标识的方法
CN109164180B (zh) * 2018-08-30 2021-06-04 北京工商大学 基于决策树提取特征判别马苏里拉奶酪身份标识的方法
CN111767958A (zh) * 2020-07-01 2020-10-13 武汉楚精灵医疗科技有限公司 基于随机森林算法的肠镜退镜时间的实时监测方法
CN111768389A (zh) * 2020-07-01 2020-10-13 武汉楚精灵医疗科技有限公司 基于卷积神经网络和随机森林的消化道操作自动计时方法
CN112539989A (zh) * 2020-12-09 2021-03-23 天津春发生物科技集团有限公司 一种鸡脂粉状产品感官货架期的预判方法
CN112539989B (zh) * 2020-12-09 2022-06-10 天津春发生物科技集团有限公司 一种鸡脂粉状产品感官货架期的预判方法

Similar Documents

Publication Publication Date Title
CN107194512A (zh) 鸡精的货架期预测方法
Zhang et al. Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection
Longobardi et al. Classification of olive oils according to geographical origin by using 1H NMR fingerprinting combined with multivariate analysis
Ren et al. Multi-variable selection strategy based on near-infrared spectra for the rapid description of dianhong black tea quality
De Deurwaerder et al. Causes and consequences of pronounced variation in the isotope composition of plant xylem water
CN102692488A (zh) 基于电子鼻技术的金华火腿分级与鉴别方法
Bi et al. Effects of different cooking methods on volatile flavor compounds of chicken breast
CN104316635A (zh) 水果风味品质的快速鉴别方法
CN106950241B (zh) 一种预测茶油中其他掺杂油种类及含量的方法
CN102338780B (zh) 一种卷烟品牌判别方法
CN109959765B (zh) 三文鱼新鲜度检测系统及方法
Masi et al. PTR‐TOF‐MS analysis of volatile compounds in olive fruits
CN106053653A (zh) 一种辣椒油风味特征指标化合物的分析鉴定方法
CN106950293A (zh) 一种中药鸡汤的香气差异比较方法
CN103399050B (zh) 一种基于口感信息快速评定人参掺假西洋参的方法
CN106404884A (zh) 一种利用hs‐imr‐ms快速评价挥发性烟用香精香料质量一致性的方法
CN106557810A (zh) 一种鸡精货架期的bp神经网络预测模型建立方法
Marcheafave et al. The main effects of elevated CO2 and soil-water deficiency on 1H NMR-based metabolic fingerprints of Coffea arabica beans by factorial and mixture design
CN112116964A (zh) 一种快速判断水果产地的检测方法
CN108802253A (zh) 一种奇楠沉香与惠安系普通沉香的鉴别方法
CN108414471A (zh) 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法
Ge et al. Characteristic flavor compounds in Guizhou green tea and the environmental factors influencing their formation: Investigation using stable isotopes, electronic nose, and headspace-gas chromatography ion migration spectrometry
CN109781870B (zh) 一种鉴别烤烟香型的方法
Selvanarayanan et al. Using Hierarchical Agglomerative Clustering in E-Nose for Coffee Aroma Profiling: Identification, Quantification, and Disease Detection.
De Deurwaerder et al. Diurnal variation in the isotope composition of plant xylem water biases the depth of root-water uptake estimates

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170922