CN108509601A - 一种基于大数据分析的食品风味评定方法 - Google Patents
一种基于大数据分析的食品风味评定方法 Download PDFInfo
- Publication number
- CN108509601A CN108509601A CN201810284008.3A CN201810284008A CN108509601A CN 108509601 A CN108509601 A CN 108509601A CN 201810284008 A CN201810284008 A CN 201810284008A CN 108509601 A CN108509601 A CN 108509601A
- Authority
- CN
- China
- Prior art keywords
- flavour
- vector
- data
- odiferous
- formula
- 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.)
- Granted
Links
- 239000000796 flavoring agent Substances 0.000 title claims abstract description 79
- 235000019634 flavors Nutrition 0.000 title claims abstract description 79
- 235000013305 food Nutrition 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007405 data analysis Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000001953 sensory effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000003252 repetitive effect Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 2
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000011403 purification operation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据分析的食品风味评定方法,包括以下步骤:S1.从数据库中加载气味信息数据和滋味信息数据并分别对两种数据进行结构化处理,处理成结构化的数据,分别记为气味信息向量和滋味信息向量;S2.训练线性模型;S3.训练深度神经网络模型;S4.评定食品风味等级,对需要进行风味评定的食品的气味信息数据和滋味信息数据进行结构化的处理,将气味信息向量输入到线性模型中,将滋味信息向量输入到深度神经网络模型中,分别得出气味评定等级k1和滋味评定等级k2,综合两个模型中的评定等级,得到最终的食品风味评定等级k。
Description
技术领域
本发明涉及食品数据分析技术领域,更具体地,涉及一种基于大数据分析的食品风味评定方法。
背景技术
食品行业是一个与日常生活息息相关的行业。随时我国经济水平的飞速增长和人民生活水平的日益提高,越来越多人对食品的品质有更高的要求。食品的风味是食品品质的一个重要特征,它正是人们来选择食品的一个非常重要的因素。食品的等级及其价值很大程度上是由食品的风味来决定的。目前广泛运用的食品风味评定方法主要是将食品的气味和味道进行简单的分离和提纯操作后,再依靠人工感官品评的方式对食品风味进行评定。
然而,传统的食品风味检测和评价方法在实用性和泛用性上都有一定的缺陷。日常生活中接触的食物是一类由若干物理成分和化学成份组成的混合物,具有特定的物理、化学性质。依靠人的感觉器官和神经参与来完成食品风味的评定工作,由于受评定人员的心理和生理影响,评定工作无可避免有一定的误差,同时训练一个合格的食品风味评定人员,时间开销和财力花费较大,不利于成本的降低和效率的提高。因此,食品风味评定新技术的开发和研究一直是食品行业研究的热点。
发明内容
本发明的目的在于解决现有技术通过人工对食品风味进行评定所存在不准确、效率不高的技术缺陷,提供了一种基于大数据分析的食品风味评定方法,该方法能够利用食品的气味信息和味道信息进行分析,提升食品风味的评定效果和效率。
为实现以上发明目的,采用的技术方案是:
一种基于大数据分析的食品风味评定方法,包括以下步骤:
S1.从数据库中加载气味信息数据和滋味信息数据并分别对两种数据进行结构化处理,处理成结构化的数据,分别记为气味信息向量和滋味信息向量;
S2.训练线性模型,将已经结构化的气味信息向量及其对应的人工感官评定等级分别作为线性模型的输入和输出,对线性模型进行多次的迭代训练,得到一个训练好的线性模型;
S3.训练深度神经网络模型,将已经结构化的滋味信息向量及其对应的人工感官评定等级分别作为模型的输入和输出,对深度神经网络模型进行多次的迭代训练,得到一个训练好的深度神经网络模型;
S4.评定食品风味等级,对需要进行风味评定的食品的气味信息数据和滋味信息数据进行结构化的处理,将气味信息向量输入到线性模型中,将滋味信息向量输入到深度神经网络模型中,分别得出气味评定等级k1和滋味评定等级k2,综合两个模型中的评定等级,得到最终的食品风味评定等级k,其表达式为θ1和θ2分别表示加权平均的参数,表示向下取整的符号。
优选地,所述步骤S1得到气味信息向量的具体过程为:根据某种食品的类型,从食品数据库中加载其气味信息数据及对应的人工感官评定等级,对数据进行结构化,得到n维的气味信息向量x(i)=[x0,x1,...xn]T,label=人工感官评定等级,形成气味信息训练数据集T1={x(i)|i=1,2,...,m},其中m为气味信息向量的数量。
优选地,所述步骤S1得到滋味信息向量的具体过程如下:
根据某种食品的类型,从食品数据库中加载其滋味信息数据及其人工感官评定等级,处理成大小为p×q的矩阵Z,其中p表示有p组样本数据,q表示每组样本数据有q个特征;
对矩阵Z使用主成分分析的方法进行降维,具体地,即计算矩阵Z的协方差矩阵,得到大小为q×q的协方差矩阵的特征值和特征向量,按特征值由大到小的排列选取k个特征向量,q>k,得到大小为q×k的矩阵U,将矩阵Z和矩阵U相乘可得降维后的大小为p×k的矩阵Z0,表达式为Z0=Z·U;其中Z0的每一行表示原本有q个特征的一组滋味信息数据通过降维压缩成k个特征;
将降维后的滋味信息数据处理成结构化的形式,得到k维的滋味信息向量,x(i)=[x0,x1,...xk]T,label=人工感官评定等级,形成滋味信息训练数据集T2={x(i)|i=1,2,...,s}。
优选地,所述步骤S2对线性模型进行训练的具体步骤如下:
S101:将步骤1得到的包含若干气味信息向量的训练数据集T1作为输入,label作为输出结果,输入到基于softmax的线性模型中;线性模型的公式如式(1):
其中,x(i)=[x0,x1,...xn]表示第i个输入到模型且维度大小为n的气味信息向量,包含n个气味信息特征,hθ(x(i))表示向量的分类标签,共包含k种分类,即label,p(y=k|x;θ)样本x的分类为k的概率,并且有 表示n维的特征权重向量;
S102:建立线性模型的损失函数,如式(2):
其中,1{·}是示性函数,取值规则为1{值为真的表达式}=1;
S103:对线性模型的参数进行初始化,利用梯度下降的方法,调整权重参数,使损失函数最小化;通过梯度下降法更新参数的公式如式(3):
其中,α表示学习率,决定每次迭代的步长;
反复迭代训练直到收敛到局部最优解;从而得到一个训练好的线性模型。
优选地,所述步骤S3训练深度神经网络模型的具体过程如下:
S201:将得到的包含若干气味信息向量的训练数据集T2作为深度神经网络模型输入层的输入,label作为输出层softmax函数的输出结果,输入到深度神经网络模型中;
S202:选取每一层隐藏层后的激活函数,隐藏层表示为如式(4)的形式:
其中,表示上一层的输入向量,表示输出向量,作为下一层隐藏层或者输出层的输入,b表示偏移向量,W表示该隐藏层的权重矩阵,a表示激活函数;
选择ReLU函数作为每个隐藏层后的激活函数,公式如式(5):
S203:选取softmax函数作为输出层的输出函数;
S204:使用交叉熵损失函数作为网络模型中每一层的损失函数,如式(6):
S205:对网络模型的参数进行初始化;
S206:利用随机梯度下降的方法,根据反向传播算法,通过首先计算最后一层的误差,然后逐层向上反向求出各层的误差,从而对参数不断进行调整,计算出多层的网络模型的最小损失函数;利用大量数据对网络进行多次训练,通过反复迭代直到收敛到局部最优解;得出一个训练好的网络模型。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于大数据分析的食品风味评定方法,利用食品数据库中已有的气味信息、滋味信息以及两者对应的人工感官评定等级,通过大数据分析的手段,分别训练出一个基于softmax回归的线性模型和一个基于深度神经网络的网络模型,形成一个可以智能地进行食品风味评定的模型。该模型使得新的需要进行食品风味评定食品,在经过简单的提取气味信息和滋味信息的操作后,可以输入到模型,智能地分析出能反映食品品质的食品风味评定等级,不需要专门的食品风味评定人员对食品风味进行人为评定,大幅度节约了人力成本,同时能够极大地缩短食品风味评定的时间,提高效率。
附图说明
图1为方法的流程示意图。
图2为深度神经网络模型的结构示意图。
图3为方法的具体实施示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示,本发明提供了一种基于大数据分析的食品风味评定方法,包括以下步骤:
S1.从数据库中加载气味信息数据和滋味信息数据并分别对两种数据进行结构化处理,处理成结构化的数据,分别记为气味信息向量和滋味信息向量;
S2.训练线性模型,将已经结构化的气味信息向量及其对应的人工感官评定等级分别作为线性模型的输入和输出,对线性模型进行多次的迭代训练,得到一个训练好的线性模型;
S3.训练深度神经网络模型,将已经结构化的滋味信息向量及其对应的人工感官评定等级分别作为模型的输入和输出,对深度神经网络模型进行多次的迭代训练,得到一个训练好的深度神经网络模型;
S4.评定食品风味等级,对需要进行风味评定的食品的气味信息数据和滋味信息数据进行结构化的处理,将气味信息向量输入到线性模型中,将滋味信息向量输入到深度神经网络模型中,分别得出气味评定等级k1和滋味评定等级k2,综合两个模型中的评定等级,得到最终的食品风味评定等级k,其表达式为θ1和θ2分别表示加权平均的参数,表示向下取整的符号。
本实施例中,所述步骤S1得到气味信息向量的具体过程为:根据某种食品的类型,从食品数据库中加载其气味信息数据及对应的人工感官评定等级,对数据进行结构化,得到n维的气味信息向量x(i)=[x0,x1,...xn]T,label=人工感官评定等级,形成气味信息训练数据集T1={x(i)|i=1,2,...,m},其中m为气味信息向量的数量。
本实施例中,所述步骤S1得到滋味信息向量的具体过程如下:
根据某种食品的类型,从食品数据库中加载其滋味信息数据及其人工感官评定等级,处理成大小为p×q的矩阵Z,其中p表示有p组样本数据,q表示每组样本数据有q个特征;
对矩阵Z使用主成分分析的方法进行降维,具体地,即计算矩阵Z的协方差矩阵,得到大小为q×q的协方差矩阵的特征值和特征向量,按特征值由大到小的排列选取k个特征向量,q>k,得到大小为q×k的矩阵U,将矩阵Z和矩阵U相乘可得降维后的大小为p×k的矩阵Z0,表达式为Z0=Z·U;其中Z0的每一行表示原本有q个特征的一组滋味信息数据通过降维压缩成k个特征;
将降维后的滋味信息数据处理成结构化的形式,得到k维的滋味信息向量,x(i)=[x0,x1,...xk]T,label=人工感官评定等级,形成滋味信息训练数据集T2={x(i)|i=1,2,...,s}。
本实施例中,所述步骤S2对线性模型进行训练的具体步骤如下:
S101:将步骤1得到的包含若干气味信息向量的训练数据集T1作为输入,label作为输出结果,输入到基于softmax的线性模型中;线性模型的公式如式(1):
其中,x(i)=[x0,x1,...xn]表示第i个输入到模型且维度大小为n的气味信息向量,包含n个气味信息特征,hθ(x(i))表示向量的分类标签,共包含k种分类,即label,p(y=k|x;θ)样本x的分类为k的概率,并且有 表示n维的特征权重向量;
S102:建立线性模型的损失函数,如式(2):
其中,1{·}是示性函数,取值规则为1{值为真的表达式}=1;
S103:对线性模型的参数进行初始化,利用梯度下降的方法,调整权重参数,使损失函数最小化;通过梯度下降法更新参数的公式如式(3):
其中,α表示学习率,决定每次迭代的步长;
反复迭代训练直到收敛到局部最优解;从而得到一个训练好的线性模型。
本实施例中,所述的深度神经网络模型的具体结构如图2所示,其结构主要分为输入层、隐藏层、输出层。在深度神经网络中,隐藏层往往会有多层。输入层与隐藏层之间、隐藏层与隐藏层之间、隐藏层与输出层之间均通过全连接的方式一层一层地构建联系,类似于人脑的神经网络。其中,每个隐藏层之后都有一个激活函数,用于提取特征,输出层之后有一个softmax函数对结果进行输出。所述步骤S3训练深度神经网络模型的具体过程如下:
S201:将得到的包含若干气味信息向量的训练数据集T2作为深度神经网络模型输入层的输入,label作为输出层softmax函数的输出结果,输入到深度神经网络模型中;
S202:选取每一层隐藏层后的激活函数,隐藏层表示为如式(4)的形式:
其中,表示上一层的输入向量,表示输出向量,作为下一层隐藏层或者输出层的输入,b表示偏移向量,W表示该隐藏层的权重矩阵,a表示激活函数;
选择ReLU函数作为每个隐藏层后的激活函数,公式如式(5):
S203:选取softmax函数作为输出层的输出函数;
S204:使用交叉熵损失函数作为网络模型中每一层的损失函数,如式(6):
S205:对网络模型的参数进行初始化;
S206:利用随机梯度下降的方法,根据反向传播算法,通过首先计算最后一层的误差,然后逐层向上反向求出各层的误差,从而对参数不断进行调整,计算出多层的网络模型的最小损失函数;利用大量数据对网络进行多次训练,通过反复迭代直到收敛到局部最优解;得出一个训练好的网络模型。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于大数据分析的食品风味评定方法,其特征在于:包括以下步骤:
S1.从数据库中加载气味信息数据和滋味信息数据并分别对两种数据进行结构化处理,处理成结构化的数据,分别记为气味信息向量和滋味信息向量;
S2.训练线性模型,将已经结构化的气味信息向量及其对应的人工感官评定等级分别作为线性模型的输入和输出,对线性模型进行多次的迭代训练,得到一个训练好的线性模型;
S3.训练深度神经网络模型,将已经结构化的滋味信息向量及其对应的人工感官评定等级分别作为模型的输入和输出,对深度神经网络模型进行多次的迭代训练,得到一个训练好的深度神经网络模型;
S4.评定食品风味等级,对需要进行风味评定的食品的气味信息数据和滋味信息数据进行结构化的处理,将气味信息向量输入到线性模型中,将滋味信息向量输入到深度神经网络模型中,分别得出气味评定等级k1和滋味评定等级k2,综合两个模型中的评定等级,得到最终的食品风味评定等级k,其表达式为θ1和θ2分别表示加权平均的参数,表示向下取整的符号。
2.根据权利要求1所述的基于大数据分析的食品风味评定方法,其特征在于:所述步骤S1得到气味信息向量的具体过程为:根据某种食品的类型,从食品数据库中加载其气味信息数据及对应的人工感官评定等级,对数据进行结构化,得到n维的气味信息向量x(i)=[x0,x1,...xn]T,label=人工感官评定等级,形成气味信息训练数据集T1={x(i)|i=1,2,...,m},其中m为气味信息向量的数量。
3.根据权利要求2所述的基于大数据分析的食品风味评定方法,其特征在于:所述步骤S1得到滋味信息向量的具体过程如下:
根据某种食品的类型,从食品数据库中加载其滋味信息数据及其人工感官评定等级,处理成大小为p×q的矩阵Z,其中p表示有p组样本数据,q表示每组样本数据有q个特征;
对矩阵Z使用主成分分析的方法进行降维,具体地,即计算矩阵Z的协方差矩阵,得到大小为q×q的协方差矩阵的特征值和特征向量,按特征值由大到小的排列选取k个特征向量,q>k,得到大小为q×k的矩阵U,将矩阵Z和矩阵U相乘可得降维后的大小为p×k的矩阵Z0,表达式为Z0=Z·U;其中Z0的每一行表示原本有q个特征的一组滋味信息数据通过降维压缩成k个特征;
将降维后的滋味信息数据处理成结构化的形式,得到k维的滋味信息向量,x(i)=[x0,x1,...xk]T,label=人工感官评定等级,形成滋味信息训练数据集T2={x(i)|i=1,2,...,s}。
4.根据权利要求3所述的基于大数据分析的食品风味评定方法,其特征在于:所述步骤S2对线性模型进行训练的具体步骤如下:
S101:将步骤1得到的包含若干气味信息向量的训练数据集T1作为输入,label作为输出结果,输入到基于softmax的线性模型中;线性模型的公式如式(1):
其中,x(i)=[x0,x1,...xn]表示第i个输入到模型且维度大小为n的气味信息向量,包含n个气味信息特征,hθ(x(i))表示向量的分类标签,共包含k种分类,即label,p(y=k|x;θ)样本x的分类为k的概率,并且有 表示n维的特征权重向量;
S102:建立线性模型的损失函数,如式(2):
其中,1{·}是示性函数,取值规则为1{值为真的表达式}=1;
S103:对线性模型的参数进行初始化,利用梯度下降的方法,调整权重参数,使损失函数最小化;通过梯度下降法更新参数的公式如式(3):
其中,α表示学习率,决定每次迭代的步长;
反复迭代训练直到收敛到局部最优解;从而得到一个训练好的线性模型。
5.根据权利要求3所述的基于大数据分析的食品风味评定方法,其特征在于:所述步骤S3训练深度神经网络模型的具体过程如下:
S201:将得到的包含若干气味信息向量的训练数据集T2作为深度神经网络模型输入层的输入,label作为输出层softmax函数的输出结果,输入到深度神经网络模型中;
S202:选取每一层隐藏层后的激活函数,隐藏层表示为如式(4)的形式:
其中,表示上一层的输入向量,表示输出向量,作为下一层隐藏层或者输出层的输入,b表示偏移向量,W表示该隐藏层的权重矩阵,a表示激活函数;
选择ReLU函数作为每个隐藏层后的激活函数,公式如式(5):
S203:选取softmax函数作为输出层的输出函数;
S204:使用交叉熵损失函数作为网络模型中每一层的损失函数,如式(6):
S205:对网络模型的参数进行初始化;
S206:利用随机梯度下降的方法,根据反向传播算法,通过首先计算最后一层的误差,然后逐层向上反向求出各层的误差,从而对参数不断进行调整,计算出多层的网络模型的最小损失函数;利用大量数据对网络进行多次训练,通过反复迭代直到收敛到局部最优解;得出一个训练好的网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284008.3A CN108509601B (zh) | 2018-04-02 | 2018-04-02 | 一种基于大数据分析的食品风味评定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284008.3A CN108509601B (zh) | 2018-04-02 | 2018-04-02 | 一种基于大数据分析的食品风味评定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108509601A true CN108509601A (zh) | 2018-09-07 |
CN108509601B CN108509601B (zh) | 2022-04-12 |
Family
ID=63379930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810284008.3A Expired - Fee Related CN108509601B (zh) | 2018-04-02 | 2018-04-02 | 一种基于大数据分析的食品风味评定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108509601B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109287687A (zh) * | 2018-09-29 | 2019-02-01 | 广东科学技术职业学院 | 一种基于深度学习的智能烘烤装置以及方法 |
CN109889525A (zh) * | 2019-02-26 | 2019-06-14 | 北京智芯微电子科技有限公司 | 多通信协议智能感知方法 |
CN110264451A (zh) * | 2019-06-18 | 2019-09-20 | 江苏省产品质量监督检验研究院 | 一种多功能营养保健食品检测系统及方法 |
CN113837554A (zh) * | 2021-08-30 | 2021-12-24 | 中华人民共和国青岛海关 | 基于多模态关键信息匹配的食品安全风险识别方法及系统 |
CN114631133A (zh) * | 2019-05-17 | 2022-06-14 | 诺特可特拉华有限责任公司 | 使用人工智能模拟目标食品的方法 |
US11982661B1 (en) | 2023-05-30 | 2024-05-14 | NotCo Delaware, LLC | Sensory transformer method of generating ingredients and formulas |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411905B1 (en) * | 2000-07-18 | 2002-06-25 | The Governors Of The University Of Alberta | Method and apparatus for estimating odor concentration using an electronic nose |
EP1406184A1 (en) * | 2001-05-29 | 2004-04-07 | Matsushita Electric Industrial Co., Ltd. | Actual cooking result management method, content management method, server, and cooking apparatus |
CN102222164A (zh) * | 2011-05-30 | 2011-10-19 | 中国标准化研究院 | 一种食品感官质量评价方法及系统 |
CN102323385A (zh) * | 2011-06-03 | 2012-01-18 | 上海应用技术学院 | 一种挥发性风味物质嗅觉阈值的测定方法及其应用 |
CN103472197A (zh) * | 2013-09-10 | 2013-12-25 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
US20140289012A1 (en) * | 2013-03-19 | 2014-09-25 | Enterra Solutions, Llc | Aggregated sensory profile generation, analytics, and insights |
US20150106306A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a neuroscience-inspired artificial neural network with visualization of neural pathways |
CN105608339A (zh) * | 2016-03-09 | 2016-05-25 | 上海应用技术学院 | 一种鸡精调味料风味质量控制方法及系统 |
US20170011164A1 (en) * | 2015-07-06 | 2017-01-12 | International Business Machines Corporation | Modeling for flavor profiles |
CN106529746A (zh) * | 2016-12-29 | 2017-03-22 | 南京恩瑞特实业有限公司 | 基于动力和热力因子的空气质量动态融合统计预报方法 |
-
2018
- 2018-04-02 CN CN201810284008.3A patent/CN108509601B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411905B1 (en) * | 2000-07-18 | 2002-06-25 | The Governors Of The University Of Alberta | Method and apparatus for estimating odor concentration using an electronic nose |
EP1406184A1 (en) * | 2001-05-29 | 2004-04-07 | Matsushita Electric Industrial Co., Ltd. | Actual cooking result management method, content management method, server, and cooking apparatus |
CN102222164A (zh) * | 2011-05-30 | 2011-10-19 | 中国标准化研究院 | 一种食品感官质量评价方法及系统 |
CN102323385A (zh) * | 2011-06-03 | 2012-01-18 | 上海应用技术学院 | 一种挥发性风味物质嗅觉阈值的测定方法及其应用 |
US20140289012A1 (en) * | 2013-03-19 | 2014-09-25 | Enterra Solutions, Llc | Aggregated sensory profile generation, analytics, and insights |
CN103472197A (zh) * | 2013-09-10 | 2013-12-25 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
US20150106306A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a neuroscience-inspired artificial neural network with visualization of neural pathways |
US20170011164A1 (en) * | 2015-07-06 | 2017-01-12 | International Business Machines Corporation | Modeling for flavor profiles |
CN105608339A (zh) * | 2016-03-09 | 2016-05-25 | 上海应用技术学院 | 一种鸡精调味料风味质量控制方法及系统 |
CN106529746A (zh) * | 2016-12-29 | 2017-03-22 | 南京恩瑞特实业有限公司 | 基于动力和热力因子的空气质量动态融合统计预报方法 |
Non-Patent Citations (2)
Title |
---|
小羽: "机器学习:线性模型之softmax回归", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/29955235知乎》 * |
赵杰文等: "遗传算法优化BP及RBF神经网络用于苹果气味分类", 《食品科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109287687A (zh) * | 2018-09-29 | 2019-02-01 | 广东科学技术职业学院 | 一种基于深度学习的智能烘烤装置以及方法 |
CN109287687B (zh) * | 2018-09-29 | 2021-04-13 | 广东科学技术职业学院 | 一种基于深度学习的智能烘烤装置以及方法 |
CN109889525A (zh) * | 2019-02-26 | 2019-06-14 | 北京智芯微电子科技有限公司 | 多通信协议智能感知方法 |
CN114631133A (zh) * | 2019-05-17 | 2022-06-14 | 诺特可特拉华有限责任公司 | 使用人工智能模拟目标食品的方法 |
CN114631133B (zh) * | 2019-05-17 | 2023-12-29 | 诺特可特拉华有限责任公司 | 使用人工智能模拟目标食品的方法 |
CN110264451A (zh) * | 2019-06-18 | 2019-09-20 | 江苏省产品质量监督检验研究院 | 一种多功能营养保健食品检测系统及方法 |
CN113837554A (zh) * | 2021-08-30 | 2021-12-24 | 中华人民共和国青岛海关 | 基于多模态关键信息匹配的食品安全风险识别方法及系统 |
CN113837554B (zh) * | 2021-08-30 | 2023-07-21 | 中华人民共和国青岛海关 | 基于多模态关键信息匹配的食品安全风险识别方法及系统 |
US11982661B1 (en) | 2023-05-30 | 2024-05-14 | NotCo Delaware, LLC | Sensory transformer method of generating ingredients and formulas |
Also Published As
Publication number | Publication date |
---|---|
CN108509601B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509601A (zh) | 一种基于大数据分析的食品风味评定方法 | |
CN109543737B (zh) | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 | |
Xu et al. | Application of self-organizing competitive neural network in fault diagnosis of suck rod pumping system | |
CN107066616A (zh) | 用于账号处理的方法、装置及电子设备 | |
CN106202891B (zh) | 一种面向医疗质量评价的大数据挖掘方法 | |
CN107609708A (zh) | 一种基于手机游戏商店的用户流失预测方法及系统 | |
CN108830417B (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN107067341B (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
CN106682217A (zh) | 一种基于自动信息筛选学习的企业二级行业分类方法 | |
CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN108229659A (zh) | 基于深度学习的钢琴单键音识别方法 | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
CN106769051B (zh) | 一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 | |
CN109061426A (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
CN109872247A (zh) | 一种泵组特性曲线拟合方法 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN111415099A (zh) | 一种基于多分类BP-Adaboost的贫困生认定方法 | |
CN103902798B (zh) | 数据预处理方法 | |
CN109685321A (zh) | 基于数据挖掘的事件风险预警方法、电子设备及介质 | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
CN107766560A (zh) | 客服服务流程的评价方法和系统 | |
CN104143117B (zh) | 一种电网特殊负荷与日负荷之间的相关系数提取方法 | |
CN110726813B (zh) | 基于双层集成神经网络的电子鼻预测方法 | |
CN109669017A (zh) | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220412 |