CN109272213A - 一种基于味觉数字化的菜品还原方法 - Google Patents

Abstract

本发明公开了一种基于味觉数字化的菜品还原方法，本发明先将原菜品分解得到单个味觉点，首先根据单个味觉点自行组合得到复合味觉点，然后利用单个味觉点和复合味觉点还原得到目标菜品，并采用二层次综合评价模型分析方法评价目标菜品的还原程度，以循环调整得到与原菜品几乎相同的菜品；本发明旨在分解原菜品并还原得到与原菜品味道相同或近似的目标菜品，从而实现菜品的工业化生产，具有较好的实用性。本发明通过采用二层次综合评价模型分析方法综合考虑了评判的多因素，有效实现了复杂系统的综合评判。

Description

一种基于味觉数字化的菜品还原方法

技术领域

本发明属于食品生产的技术领域，具体涉及一种基于味觉数字化的菜品还原方法。

背景技术

味觉是指食物在人的口腔内对味觉器官化学感受系统的刺激并产生的一种感觉。我们平常尝到的各种味道，都是不同味觉混合的结果。餐厅营业的决定性因素是菜品的味道，而传统的中餐烹饪是需要依靠厨师高超的技艺才能烹饪出好的菜品味道；而且对于同一厨师往往不能完全把握菜品的味道一致，从而导致了菜品的水准波动。另一方面，一个高级厨师的培养需要大量的实践和耐心，成本较高，而且餐厅在聘用厨师的成本也与日俱增。随着经济的发展，人们生活水平的升高，对于美食的标准要求越来越挑剔，同时餐厅工业化菜品生产也成为了当今的研究热点，把握风味质量的同时兼顾投入成本，通过对高级菜品的分解后复合得到符合工业化生产的需求，通过标准化产品不再依赖厨师的技艺是当今科技的追求。

发明内容

本发明的目的在于提供一种基于味觉数字化的菜品还原方法，旨在分解原菜品并还原得到与原菜品味道相同或近似的目标菜品，从而实现菜品的工业化生产，具有较好的实用性。本发明先将原菜品分解得到单个味觉点，首先根据单个味觉点自行组合得到复合味觉点，然后利用单个味觉点和复合味觉点还原得到目标菜品，并采用二层次综合评价模型分析方法评价目标菜品的还原程度，以循环调整得到与原菜品几乎相同的菜品；本发明旨在分解原菜品并还原得到与原菜品味道相同或近似的目标菜品，从而实现菜品的工业化生产，具有较好的实用性。

本发明通过以下技术方案实现：一种基于味觉数字化的菜品还原方法，主要包括以下步骤：

步骤S101：通过人工样本统计的方法得到原菜品的单个味觉点；然后采用人工样本统计的方法确定单个味觉点的浓度等级；

步骤S102：根据步骤S101中单个味觉点组合得到目标菜品的复合味觉点，公式如下：

w_j＝K·T′＝k₁t₁ ⁱ+k₂t₂ ⁱ+k₃t₃ ⁱ+…+k_jt_j ⁱ

其中，k_i∈{0,1}，i＝1,2,3...n，j＝1,2,3...J,且k_i＝0表示形成复合味觉点w_j中没有第i 个单个味觉点，k_i＝1表示形成复合味觉点w_j中有第i个单个味觉点，t_j ⁱ分别对应第j个单个味觉点的浓度等级，J表示复合味觉点的最大种类数；

步骤S103：根据步骤S101中的单个味觉点和步骤S102中的复合味觉点还原得到目标菜品，利用F模糊综合评判法评判目标菜品是否与原菜品相同；采用二层次综合评价模型分析方法评价目标菜品；若还原的目标菜品与原菜品的味觉指标不同，则重新返回步骤S101 处理，否则输出配合成功的结果。

为了更好的实现本发明，进一步的，通过F算子语义及其运算方法确定步骤S101中人工样本统计如下：

A^ti＝|a₁ ^tia₂ ^tia₃ ^ti.........a_j ^ti]，a_j ^ti∈{0，1}，j＝1，2,3.....n (1)

其中表示第j个人认为该菜品有t_i种味觉，表示第j个人认为该菜品没有单个味觉点t_i；且若a^ti小于设定阈值a，则认为没有单个味觉点t_i，否则认为有单个味觉点t_i。

为了更好的实现本发明，进一步的，在原菜品的基础配方的基础上通过人工样本统计的方法得到原菜品的单个味觉点；假设单个味觉味点为m+n个；假设根据菜品的基础配方确定含有单个味觉点为m个；x_i∈T，i＝1，2，,…m，记为X₁＝[x₁,x₂,…x_m]；通过人工样本统计方法获得原菜品的单个味觉点为n个，则x_i∈T，i＝m+1，m+2，…m+n，根据排列组合知识可知，其组合方式有：

将上述组合方式分别记为因此可以知道单个味觉点的组合方式有：

为了更好的实现本发明，进一步的，所述步骤S101中单个味觉点的浓度等级有5级，且按照浓度从低到高依次有无、微、中、有、特五种等级；所述浓度等级的浓度为味觉点材料中主要成分的含量；所述步骤S102中组成复合味觉点的单个味觉点的种类数2≦J≦7。

为了更好的实现本发明，进一步的，所述步骤S103主要包括以下步骤：

步骤S1031：首先因素分类：将因素U＝{u₁,u₂,…,u_n}按设定属性分为s类：U＝{u_i1,u_i2,…,u_in}, 其中，i＝1,2,…,s；它们满足条件：

n₁+n₂+...+n_s＝n；

U₁∪U₂∪…U_s＝U；

步骤S1032：建立因素类权重集和因素权重集：设第i类因素U_i的权重为a_i(i＝1,2,…,s)，则因素类权重集A＝(a₁,a₂,…,a_s)；设第i类中的第j个元素u_ij的权重为a_ij，则因素权重集为A_i＝(a_i1,a_i2,...,a_in)(i＝1,2,…,s)；

步骤S1033：建立评判集V＝{v₁,v₂,…,v_n}；

步骤S1034：对每一类的各个因素进行综合评判，设在一层一级综合评判的单因素评判矩阵为：

设在一层F综合评判中采用评判模型M(∧,∨)，则对第i类因素的F综合评判矩阵B_i为：

步骤S1035：由一层一级F综合评判矩阵得到二层F综合评判的单因素类评判矩阵R为：

设在二层综合F评判中采用F综合评判模型M(·,+)，于是，二层F综合评判矩阵B为：

为了更好的实现本发明，进一步的，采用F分布的偏大型抛物分布法建立隶属度函数：

其中a、b分别表示隶属度函数的隶属度值等于0和等于1的分界值；k为常数值；x(x∈U)表示味觉；A(x)表示味觉x的隶属度。

为了更好的实现本发明，进一步的，所述为a为0.3、b为0.6，k为2。

为了更好的实现本发明，进一步的，所述步骤S1031中首先得出还原的目标菜品中的复合味觉点和基本的单个味觉点，得出模糊综合评价指标集： U＝[T,W]＝[t₁,t₂,…t_i,w₁,w₂,…w_j]＝[u₁,u₂,…,u_i,u_i+1,u_i+2,…,u_i+j]；然后分为单个味觉点U₁和复合味觉点U2两类；U₁＝[u₁,u₂,…,u_i]，U₂＝[u_i+1,u_i+2,…,u_i+j]；

步骤S1032中通过主观赋权法中的专家经验法构建模糊综合评价指标集即味觉点指标集的权重集，为了保证权重的一致性，每级指标的权重之和为1，U₁的权重则U₁的各个味觉点权重为：i＝1,2，…n；U₁的权重则U₂的各个味觉点权重为：j＝1,2，…n。

为了更好的实现本发明，进一步的，步骤S1033中构建评价集：

其中，0表示利用F综合评判法基于味觉的菜品组合模型不能有效还原菜品味道，1则表示利用F综合评判法基于味觉的菜品组合能够有效还原菜品味道。

为了更好的实现本发明，进一步的，步骤S1034中根据隶属度函数和专家经验法分别建立单个味觉点和复合味觉点的一层一级综合评判的单因素评判矩阵R1和R2；

其中，r_ij ¹∈r₁且r_ij ¹∈[0，1]，i值对应第i个单个味觉点，j值对应第j个专家的意见，值越接近1表示第j个专家认为该道菜品越存在对应的第i个单个味觉点，越接近0表示专家认为该道菜品越不存在对应的第i个单个味觉点；

其中，且i值即矩阵r²对应第i个单个味觉点， j值对应第j个专家的意见，值越接近1表示专家认为该道菜品越存在对应的第i个复合味觉点，越接近0表示专家认为该道菜品越不存在对应的第i个复合味觉点。

基于味觉的菜品组合方法，即利用味觉对菜品进行组合还原以达到厨师的标准，本发明所建立的模型主要基于味觉进行菜品组合，不考虑菜品不同原材料对成品的影响(毛羽扬.味觉变化对菜肴调味的影响[J].中国调味品,1996(11):5-9.)；本发明的菜品材料是相对固定的。

该过程基本上可以分为四个主要步骤：

1.根据实际要求，确定菜品(主要考虑到区域性以及不同口味的人对于菜品味道的习惯)；

2.确定菜品的单个味觉点及其浓度；

3.确定菜品的复合味觉点及其组成方式；

4.利用单个味觉点和复合味觉点进行菜品组合还原；

5.评判基于味觉的菜品组合是否符合顶级厨师的标准，此过程为一个循环过程，当最终得出的菜品组合不符合顶级厨师的标准(即为无效组合)时，返回第2步，重新执行步骤；当最终得出的菜品组合符合顶级厨师的标准(即为有效组合)时，可以输出结果，此时可以认为菜品还原前后是一致的。

1.1单个味觉点

对于基于味觉的菜品组合方法的第一步，首先是要确定菜品组合的单个味觉点，但是不同的菜品是有着不同的单个味觉点的，因此我们要从所有的单个味觉点中选择正确的用于该道菜品组合的单个味觉点，即图1中的单个味觉点分解，通过调查分析我们可以知道所有的单个味觉点主要包括：咸、麻、辣、鲜、香、酸、甜、葱、姜、蒜、冲、烟香、陈皮、酱香、麻酱、香糟、苦、辛香味、腥等，为了便于分析，依次将其记为 T＝{t₁,t₂,t₃,t₄,t₅,t₆,t₇,t₈,t₉,t₁₀,t₁₁,t₁₂,t₁₃,t₁₄,t₁₅,t₁₆,t₁₇,t₁₈,t₁₉}。

为了确定组合菜品的单个味觉点，我们首先要进行大量的实验即主要通过人的味觉感知以及厨师的经验确定菜品的单个味觉点。同时，人的味觉感知以及厨师的经验都是从人的主观意念出发的，属于主观层面，因此存在许多不确定性，也就是说，这种方法只能确定组成菜品的单个味觉点的大致范围，这隶属于模糊数学中的模糊语言与模糊推理即F语言与F推理知识。

在此，我们首先要知道模糊算子即F算子的知识，F算子主要包括语气算子、F化算子、判定化算子等。如通过人的味觉感知以及厨师的经验确定某道菜品应该有、大概有、多伴有、好像是、大约是某种味道即某种味觉，这就是需要通过F算子进行确定。

假设有10个人(包括厨师)针对某道菜品的某个味觉点做出评价，以确定该菜品是否有该种味觉，这可以通过F算子语义及其运算方法进行确定，表示如下：

其中表示第j个人认为该菜品有t_i种味觉，表示第j个人认为该菜品没有t_i种味觉。

为了最终确定该菜品是否有t_i味觉，我们采用多数投票表决法，如下所示：

于是，我们设定阈值a，当时，我们认为该菜品没有t_i味觉，当时，我们认为该菜品有t_i味觉。

假设根据人的味觉感知以及厨师的经验能够初步确定组成菜品的单个味觉点有10个 (共有19个)，其表示为x_i∈T(i＝1,2,...,10)。同时，假设能够确定菜品一定含有的单个味觉点有7个x_i∈T(i＝1,2,...,7)，记为X₁(X₁＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇])，对于其他单个味觉点 x_i∈T(i＝8,9,10)，根据排列组合知识可知，其组合方式有：

将上述组合方式分别记为因此可以知道单个味觉点的组合方式有：

如上述7种组合方式，最终的菜品的单个味觉点的组合方式X则属于7种组合方式中的一种。

在初步确定单个味觉点的组合方式以后，我们还需要知道组成菜品的单个味觉点的浓度，对于组成单个味觉点的浓度等级是有要求的。在此之前，首先我们根据人对单个味觉点的接受程度、感知程度以及相应的参考资料将人对于各个单个味觉点的接受能力主要分成五种等级，对于具体的等级以及等级对应的造成该味觉点浓度的原材料量，在人为设定的情况下，进行了大量细致的实验。

调查实验时味觉浓度感知方法采用溶液滴定法，即直接将溶解的溶液滴入舌头感知味觉点浓度(杜锋,雷鸣.味觉识别及其应用[J].中国调味品,2003(1):32-36.)。例如测量味觉点麻和酸的浓度时，分别将花椒油或柠檬酸加入100ml蒸馏水中，然后滴入舌头感知味觉变化(程玉来,宋春玲,于金跃.口感酸度分级的初步研究[J].中国调味品.2016,03(41).)。在定级时，分别测量1g、2g、3g、4g…(以1g为间隔)味觉点材料对应的导致味觉的成分(对不同的原材料可适当调整测量间隔)。以上测量的是产生某类味觉点的主要成分的浓度，在实际中餐生产中，需要通过不同的原材料进行转化，转化方法以该类味觉点的主要成分为标准，首先确定提供味觉点的材料，比如麻对应的花椒、酸对应的食用醋，随后确定一定味觉点材料中的导致味觉的核心要素含量，如花椒对应的花椒油树脂含量、食用醋对应的柠檬酸含量，然后根据不同的浓度等级使用不同量的花椒和食醋(张凤芳,马力.花椒麻度量化分级及麻味食品生产工艺研究[J].中国调味品.2015,09(45))。

确定组成菜品的单个味觉点之后，可以根据区域性以及个人性口味的不同适当地调整单个味觉点的浓度以达到最佳菜品的最佳味道(李金红.复合调味品的调配[J].中国调味品, 2006(4):28-31.)。在调整单个味觉点浓度的时候，因为人的行为存在诸多变化因素，为了有效地获得合适的单个味觉点浓度，我们可以采用模糊控制理论的知识即F控制。

模糊控制系统的架构包含了五个主要部分(杨纶标,高英仪.模糊数学:原理及应用[J]. 2003.)，即:定义变量、模糊化、知识库、逻辑判断及反模糊化，接下来将对每一部分做简单的说明：

定义变量也就是决定味觉点的浓度变化范围。

模糊化将味觉点浓度输入值以适当的比例转换到论域的数值，利用口语化变量来描述测量物理量的过程，根据适合的语言值(linguistic value)求该值相对的隶属度，此口语化变量称为模糊子集合(fuzzy subsets)。

知识库包括数据库(database)与规则库(rule base)两部分，其中数据库提供处理模糊数据的相关定义；而规则库则藉由一群语言控制规则描述控制目标和策略。

逻辑判断模仿人类下判断时的模糊概念，运用模糊逻辑和模糊推论法进行推论，得到模糊控制讯号。

反模糊化解模糊化(defuzzify)：将推论所得到的模糊值转换为明确的控制讯号，作为模糊控制的输入值即味觉点浓度。

1.2复合味觉点

当以上前置知识即单个味觉点获得以后，我们就可以进行基于味觉的菜品组合方法中的第二步即确定菜品中的复合味觉点，在此之前，我们需要知道的是菜品中的全部复合味觉点。通过分析以及专家经验，复合味觉点是由单个味觉点进行一定的适配调整获得的。从数学角度来看，这属于线性组合知识，即复合味觉点是由多个单个味觉点线性组合而成的，同时在组成复合味觉点的过程中，还要考虑单个味觉点的浓度等级，具体等级见表1。

基于上述内容，我们建立用于组成复合味觉点的线性多元函数模型，其目的主要是通过选择正确的单个基本味觉点按照一定的浓度等级线性组成复合味觉点，具体公式如下：

其中，k_i∈{0,1}(i＝1,2,...,19)且k_i＝0表示形成复合味觉点w_j的单个味觉点没有第i个，k_i＝1 表示形成复合味觉点w_j的单个味觉点有第i个，分别对应第j个单个味觉点的五种浓度等级，J表示复合味觉点的最大种类数。

根据模型以及排列组合的知识可以知道，当我们不考虑单个味觉点浓度对于复合味觉点的影响时，单个味觉点组合成复合味觉点的方式共有：

但是在实际生产生活中，复合味觉点的种类是远远小于524268种，基于此，我们以实际情况为例，在限制组成复合味觉点的单个味觉点的个数的基础上，从比较常见的复合味觉点出发，研究分析了2～7种单个味觉点组合成复合味觉点的情况。

经过大量的实例调查、查阅文献以及咨询专家的意见情况下，通过模型的建立与实例数据分析，随后对多个复合味觉点进行筛选，我们可以初步得出现实生活中中餐的复合味觉点及其对应的组成该复合味觉点的单个味觉点的种类，如表2所示。

表1味觉点浓度测试数据

表2基本复合味觉点及其组成

通过表2可以知道，组成复合味觉点的单个味觉点的个数至少有2个(如咸鲜味等)，至多有7个(如怪味、鱼香味等)，为了便于记忆以及之后的理解分析，我们依次将复合味觉点——麻辣味到咸鲜味表示为W＝{w1,w2,w3,w4,w5,w6,w7,w8,w9,w10,w11,w12,w13,w14,w15,w16,w17,w18,w19,w20,w21,w22}。

如单个味觉点的确定过程一样，接下来，我们要根据人的味觉感知以及厨师的经验确定菜品中的复合味觉点，同时，利用F控制调配组成复合味觉点的单个味觉点的浓度等级以最终确定合理的复合味觉点浓度等级。

1.3菜品还原与评判

在基于味觉的菜品组合方法的第一步和第二步，即在菜品的单个味觉点和复合味觉点基本确定后，我们需要利用味觉进行菜品还原，即基于味觉的菜品组合方法的第三步，此步只需要人为操作而不需要建模分析。为了评判基于味觉的菜品组合方法是否适用于实际案例即是否能够还原菜品味道，我们需要建立评判模型评价方法的有效性。

显而易见地，为了从味觉和原材料去还原一道菜的味道，以使其达到厨师级别的色香味俱全。本模型主要考虑色香味中味的还原，经过综合考虑，我们决定采用模糊数学中的模糊综合评判方法即F综合评判。

在建立模糊综合评判模型之前，我们首先要了解模糊模式识别即F模式识别。在日常生活和实际问题中，有些模式界限时明确的，如识别英文字母、阿拉伯数字；而有些模式界限是不明确的，如识别一个人的“高”、“矮”、“胖”、“瘦”。我们把这种界限不明确的模式称为F模式，相应的识别问题称为F模式识别问题。在食品加工工业中，就将某一道菜通过调味料和原材料进行还原的过程而言，其界限也是模糊的，因为调味料和原材料的细微差别也可能导致菜的味道发生不可预知的变化，如一道菜咸味、辣味等过重或过轻都是可以认为超越菜的味道的基本界限的，但是界限是不明确的，这是由于地区差异和个人口味的不同导致的，我们只能设定范围，此范围内的味觉或者说味道满足大多数人的口味，如图2所示，各个基本味觉点是否在界限范围内最终会导致菜品味道是否纯正。

F模式识别问题一般分为两类：一类是模式库是模糊的，而待识别对象是分明的，要用 F模式识别的直接方法解决；另一类模式库和待识别对象都是模糊的，要用F模糊识别的间接方法来解决。在利用调味料以及原材料对某一道菜进行还原的过程中，调味料和原材料可以视为F模式识别问题中的模式库，由于调味料和原材料的多样性，比如调味料的浓度和原材料之间的相互替代，导致该模式库是模糊的，但是待识别对象也就是最终菜的味道是明确的即能接受和不能接受或者说好吃或者不好吃。

利用F模糊综合评判法的进行基于味觉的菜品组合方法的一般应用步骤为：

1.抽选识别对象即菜品的味觉特性指标：在影响对象U的各因素中，抽选与F模式识别问题有显著关系的各种特性指标，并测出识别对象U各特性指标的具体数据，写出识别对象U的特性指标U＝{u1,u2,…,un}；

2.利用实际数据选择和构造符合基于味觉进行菜品组合的F模式的隶属函数；

3.根据隶属度函数计算味觉隶属度值即Z值，主要用于判断味觉的程度是否复合菜品味道；

4.建立模糊综合评判模型，得出综合评判矩阵；

5.利用Z值和最大隶属度原则进行识别判断最终菜品是否符合实际情况。

输入参数：形成味觉的调味料特性指标U＝{u1,u2,…,un}；

输出参数：基于味觉的菜品组合是否符合实际情况的指标Z∈[0,1]。

同时在建立模型之前，我们还需要了解多种不同的定义，并针对基于味觉的菜品组合进行简要分析。

定义1：设在论域U上给定了一个映射

A:U→[0,1]

则称A为U上的模糊集(F集)，A(u)称为A的隶属函数(或称为u对A的隶属度)。[0,1]表示隶属程度，0表示完全论域U上的某一元素u完全不隶属于A,1表示元素u完全隶属于 A。

应用模糊数学方法的关键在于建立符合实际情况的F模式的隶属度函数。确定隶属度函数的方法有很多种，包括直觉法、推理法、F统计法、三分法、二元对比排序法、F分布、人工神经网络法及群智能算法等，我们需要根据实际情况选择适合的隶属度函数。

通过分析，本模型采用F分布的偏大型抛物分布法，则隶属度函数可以表示为：

其中a、d、b、c分别表示隶属度函数的隶属度为0下界值、为0上界值、为1下界值、为1上界值；k为一个常数值；x(x∈U)表示味觉；A(x)表示味觉x的隶属度。

为了解释清楚中间型抛物型隶属度函数，我们通过数据，画出部分示意图以作简要说明；如图3所示，将味觉隶属度值位于红线即隶属度分界线上方的味觉认为是菜品中的味觉，反之将味觉隶属度值位于红线即隶属度分界线下方的味觉认为不是菜品中的味觉。

模糊综合评价法即F模糊综合评判法是一种基于模糊数学的综合评价方法(李仁杰,刘峰,辛明颖.模糊算子的优化选取[J].东北农业大学学报,2001(3):299-302.)。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决(诸静.模糊控制原理与应用[M]. 机械工业出版社,2005.)。下面我们首先介绍模糊综合评判法中涉及的模糊理论知识，随后再根据菜品味觉实例建立我们的模型。

F综合评判的基本思想是利用F映射和最大隶属度原则，考虑与被评判事物相关的各个因素，对其做出合理的综合评价。

定义2：综合评判三要素：

1.因素集：U＝{u₁,u₂,…,u_m}，设与被评判对象相关的因素有m个；

2.评语集：V＝{v₁,v₂,…,v_n}，设所有可能出现的评语有n个；

3.单因素判断，即对单个因素u_i(i＝1,2,..,m)的评判，得到V上的F集(r_i1,r_i2,…,r_in),所以它是从U到V的一个F映射

f:F(U)→F(V)

其中，因素集U既是前面提到的调味料特性指标集合；针对评语集V，根据实际情况，我们将其设为评价味觉程度的评语集(味觉的轻重程度，是否予以接受)；

单因素判断主要是因素集U与评语集V之间的一个映射关系(F变换)，用于形成V上的F集。

于是根据F映射可以确定一个F关系R,称为评判矩阵

其中，r_ij(i＝1,2,...,m；j＝1,2,...,n)表示映射后的值。

同时由于各因素地位未必相等，于是我们考虑通过各因素进行加权的方式对因素影响比例进行调整。用U上的F集A＝(a₁,a₂,…,a_n)表示各因素的权重分配，最终利用权重集A与评判矩阵R的合成，得出综合评判集B＝(b₁,b₂,…,b_n)，其函数表示为：

其中，

显而易见，通过F关系合成运算所得的结果b_j就是在全面考虑各种因素时，u_i的评价对评语v_j的隶属程度，也就是在考虑u_i在总评价中的影响程度a_i时对r_ij所进行的调整。最后，通过F关系合成运算对各个调整后的隶属程度进行综合处理，得出合理的综合评价结果(陈守煜.模糊识别,决策与聚类理论模型[J].模糊系统与数学,1991(2):83-91.)。

然而，在对复杂系统进行综合评判时，由于评判因素很多，而每个因素都要赋予一定的权重，则必然存以下问题：1.难以恰当分配权重；2.得不到有意义的评判结果。若因素项数大于10，则其中会有很多因素的权重小于0.1，从而导致“∧”运算后，微小的权重会“淹没”多数评价因素值，这样就无法求出解答。本文的模型便属于这一种类型，因而我们采用多层次综合评判模型(张铁男,李晶蕾.对多级模糊综合评价方法的应用研究[J].哈尔滨工程大学学报,2002,23(3):132-135)。

进行多层次F综合评判的步骤如下：

1.因素分类

将因素U＝{u₁,u₂,…,u_n}按某种属性分为s类：U＝{u_i1,u_i2,…,u_in},其中，i＝1,2,…,s.它们满足条件：

4)n₁+n₂+...+n_s＝n

5)U₁∪U₂∪…U_s＝U

6)

2.建立权重集

1)因素类权重集

设第i类因素U_i的权重为a_i(i＝1,2,…,s)，则因素类权重集A＝(a₁,a₂,...,a_s)

2)因素权重集

设第i类中的第j个元素u_ij的权重为a_ij，则因素权重集为

A_i＝(a_i1,a_i2,...,a_in)(i＝1,2,…,s)

3.建立评判集

V＝{v₁,v₂,…,v_n}

4.一层综合评判

对每一类的各个因素进行综合评判，设在一层一级综合评判的单因素评判矩阵为

设在一层F综合评判中采用评判模型M(∧,∨),则对第i类因素的F综合评判矩阵B_i为：

5.二层综合评判

首先由一层一级F综合评判矩阵得到二层F综合评判的单因素类评判矩阵R为：

设在二层综合F评判中采用F综合评判模型M(·,+)，于是，二层F综合评判矩阵B为

二层F综合评判示意如图4所示。

本发明的有益效果：

(1)本发明先将原菜品分解得到单个味觉点，首先根据单个味觉点自行组合得到复合味觉点，然后利用单个味觉点和复合味觉点还原得到目标菜品，并采用二层次综合评价模型分析方法评价目标菜品的还原程度，以循环调整得到与原菜品几乎相同的菜品；本发明旨在分解原菜品并还原得到与原菜品味道相同或近似的目标菜品，从而实现菜品的工业化生产，具有较好的实用性。

(2)本发明主要通过模糊数学中的模糊语言与模糊推理有效提高数据处理的精确性，同时结合多元线性回归、模糊综合评判法等方法，为本发明加入了客观属性，有效避免了主观的偏差性错误，具有较好的实用性。

(3)本发明从模糊数学的角度详细剖析了基于味觉的菜品组合方法，为利用单个味觉点和复合味觉点进行基于味觉的菜品组合提供了合理的评估过程，在实现菜品工业化生产的同时，确保了菜品味道的纯正；

(4)本发明得到的目标菜品，一次性下锅加热制熟即可，不分入料先后顺序，不添加油料和调味品，不再依赖厨师技艺，实际烹饪中能完全取代厨师的操作，有利于降低中餐业用工成本，有利于全世界推广中餐文化，具有较高的社会经济价值。

附图说明

图1为本发明的流程图；

图2为味觉界限图；

图3为味觉隶属度示意图；

图4为二层模糊综合评判法示意图。

具体实施方式

实施例1：

一种基于味觉数字化的菜品还原方法，如图1所示，主要包括以下步骤：

步骤S101：通过人工样本统计的方法得到原菜品的单个味觉点；然后采用人工样本统计的方法确定单个味觉点的浓度等级；

步骤S102：根据步骤S101中单个味觉点组合得到目标菜品的复合味觉点，公式如下：

w_j＝K·T′＝k₁t₁ ⁱ+k₂t₂ ⁱ+k₃t₃ ⁱ+...+k_jt_j ⁱ

其中，k_i∈{0,1}，i＝1,2,3...n，j＝1,2,3...J,且k_i＝0表示形成复合味觉点w_j中没有第i 个单个味觉点，k_i＝1表示形成复合味觉点w_j中有第i个单个味觉点，t_j ⁱ分别对应第j个单个味觉点的浓度等级，J表示复合味觉点的最大种类数；

步骤S103：根据步骤S101中的单个味觉点和步骤S102中的复合味觉点还原得到目标菜品，利用F模糊综合评判法评判目标菜品是否与原菜品相同；采用二层次综合评价模型分析方法评价目标菜品；若还原的目标菜品与原菜品的味觉指标不同，则重新返回步骤S101处理，否则输出配合成功的结果。

本发明先将原菜品分解得到单个味觉点，首先根据单个味觉点自行组合得到复合味觉点，然后利用单个味觉点和复合味觉点还原得到目标菜品，并采用二层次综合评价模型分析方法评价目标菜品的还原程度，以循环调整得到与原菜品几乎相同的菜品；本发明旨在分解原菜品并还原得到与原菜品味道相同或近似的目标菜品，从而实现菜品的工业化生产，具有较好的实用性。

实施例2：

本实施例是在实施例1的基础上进行优化，过F算子语义及其运算方法确定步骤S101 中人工样本统计如下：

A^ti＝|a₁ ^tia₂ ^tia₃ ^ti.........a_j ^ti]，a_j ^ti∈{0，1}，j＝1，2,3.....n

其中表示第j个人认为该菜品有t_i种味觉，表示第j个人认为该菜品没有单个味觉点t_i；且若a^ti小于设定阈值a，则认为没有单个味觉点t_i，否则认为有单个味觉点t_i。

在原菜品的基础配方的基础上通过人工样本统计的方法得到原菜品的单个味觉点；假设单个味觉味点为m+n个；假设根据菜品的基础配方确定含有单个味觉点为m个； x_i∈T，i＝1，2，,…m，记为X₁＝[x₁,x₂,…x_m]；通过人工样本统计方法获得原菜品的单个味觉点为n个，则x_i∈T，i＝m+1，m+2，…m+n，根据排列组合知识可知，其组合方式有：

将上述组合方式分别记为因此可以知道单个味觉点的组合方式有：

本发明通过人工样本统计的方法进行收集数据，提高了数据的精确性，而且可以根据实际情况人工样本的容量来设定阈值以提高数据处理的灵活性，具有较好的实用性。本发明主要通过模糊数学中的模糊语言与模糊推理有效提高数据处理的精确性，同时结合多元线性回归、模糊综合评判法等方法，为本发明加入了客观属性，有效避免了主观的偏差性错误，具有较好的实用性。

本实施例的其他部分与实施例1相同，故不再赘述。

实施例3：

本实施例是在实施例1的基础上进行优化，如表1、表2所示，所述步骤S101中单个味觉点的浓度等级有5级，且按照浓度从低到高依次有无、微、中、有、特五种等级；所述浓度等级的浓度为味觉点材料中主要成分的含量；所述步骤S102中组成复合味觉点的单个味觉点的种类数大于等于2且小于等于7。

通过表2可以知道，组成复合味觉点的单个味觉点的个数至少有2个(如咸鲜味等)，至多有7个(如怪味、鱼香味等)，为了便于记忆以及之后的理解分析，我们依次将复合味觉点——麻辣味到咸鲜味表示为W＝{w₁,w₂,w₃,w₄,w₅,w₆,w₇,w₈,w₉,w₁₀,w₁₁,w₁₂,w₁₃,w₁₄,w₁₅,w₁₆,w₁₇,w₁₈,w₁₉,w₂₀,w₂₁,w₂₂}。

本实施例的其他部分与实施例1相同，故不再赘述。

实施例4：

本实施例是在实施例1-3任一项的基础上进行优化，如图4所示，所述步骤S103主要包括以下步骤：

步骤S1031：首先因素分类：将因素U＝{u₁,u₂,…,u_n}按设定属性分为s类：U＝{u_i1,u_i2,…,u_in}, 其中，i＝1,2,…,s；它们满足条件：

7)n₁+n₂+...+n_s＝n；

8)U₁∪U₂∪…U_s＝U；

9)

步骤S1032：建立因素类权重集和因素权重集：设第i类因素U_i的权重为a_i(i＝1,2,…,s)，则因素类权重集A＝(a₁,a₂,...,a_s)；设第i类中的第j个元素u_ij的权重为a_ij，则因素权重集为 A_i＝(a_i1,a_i2,...,a_in)(i＝1,2,…,s)；

步骤S1033：建立评判集V＝{v₁,v₂,…,v_n}；

步骤S1034：对每一类的各个因素进行综合评判，设在一层一级综合评判的单因素评判矩阵为：

设在一层F综合评判中采用评判模型M(∧,∨)，则对第i类因素的F综合评判矩阵B_i为：

步骤S1035：由一层一级F综合评判矩阵得到二层F综合评判的单因素类评判矩阵R为：

设在二层综合F评判中采用F综合评判模型M(·,+)，于是，二层F综合评判矩阵B为：

采用F分布的偏大型抛物分布法建立隶属度函数：

如图3所示，其中a、b分别表示隶属度函数的隶属度为0下界值、为1下界值；k为常数值；x(x∈U)表示味觉；A(x)表示味觉x的隶属度。

本发明主要通过模糊数学中的模糊语言与模糊推理有效提高数据处理的精确性，同时结合多元线性回归、模糊综合评判法等方法，为本发明加入了客观属性，有效避免了主观的偏差性错误，具有较好的实用性。本发明从模糊数学的角度详细剖析了基于味觉的菜品组合方法，为利用单个味觉点和复合味觉点进行基于味觉的菜品组合提供了合理的评估过程，在实现菜品工业化生产的同时，确保了菜品味道的纯正。

本实施例的其他部分与上述实施例1或2或3相同，故不再赘述。

实施例5：

一种基于味觉数字化的菜品还原方法，选定原菜品为宫保鸡丁，分解得到单个味觉点包括辣、麻、咸、酸、甜，复合味觉点包括糊辣味和荔枝味，我们建立利用基于二级综合评判方法的模糊识别方法进行基于味觉的菜品组合方法模型，具体步骤如下：

步骤S101：确定宫保鸡丁中的单个味觉点，表示为T＝[t₁,t₂,t₃,t₄,t₅,t₆,t₇,t₈,t₉,t₁₀,t₁₁, t₁₂,t₁₃,t₁₄,t₁₅,t₁₆,t₁₇,t₁₈,t₁₉](t_i∈[0,1])且t_i越接近1表示第i个单个味觉点越在菜品中的味道越明显，t_i越接近0表示第i个单个味觉点越在菜品中的味道越不明显；

步骤S102：确定宫保鸡丁中的复合味觉点，表示为W＝{w₁,w₂,w₃,w₄,w₅,w₆,w₇,w₈,w₉,w₁₀,w₁₁,w₁₂,w₁₃,w₁₄,w₁₅,w₁₆,w₁₇,w₁₈,w₁₉,w₂₀,w₂₁,w₂₂}(w_i∈[0,1])且w_i越接近1表示第i个单个味觉点越在菜品中的味道越明显，w_i越接近0表示第i个单个味觉点越在菜品中的味道越不明显；

步骤S103：利用确定出的单个味觉点集合和复合味觉点集合进行基于味觉的菜品组合还原；判断基于味觉的菜品组合方法是否有效以进行循环调整，达到还原菜品味道的目的，其步骤主要包括：

1)抽选识别对象即菜品的味觉特性指标即通过人的味觉判断还原后的菜品中的单个味觉点和复合味觉点。随后，对于单个味觉点和复合味觉点还需要赋予二者相应的权重，最后，对于还原后的菜品味道，还需要给出相应的评价，这一步类似于模糊综合评价指标集、权重集以及评价集的构建，如下所示：

首先明确评价指标应为某道菜品中所有的味觉点，包括单个基本味觉点共和复合味觉点，为了比较清晰地表示味觉点，我们不仅考虑所有单个味觉点还考虑所有复合味觉点且将两个集合组合为模糊综合评价指标集，如下所示：

U＝[T,W]

＝[t₁,t₂,t₃,t₄,t₅,t₆,t₇,t₈,t₉,t₁₀,t₁₁,t₁₂,t₁₃,t₁₄,t₁₅,t₁₆,t₁₇,t₁₈,t₁₉,w₁,w₂,w₃,w₄,w₅,w₆,w₇,w₈,

w₉,w₁₀,w₁₁,w₁₂,w₁₃,w₁₄,w₁₅,w₁₆,w₁₇,w₁₈,w₁₉,w₂₀,w₂₁,w₂₂]

＝[u₁,u₂,u₃,u₄,u₅,u₆,u₇,u₈,u₉,u₁₀,u₁₁,u₁₂,u₁₃,u₁₄,u₁₅,u₁₆,u₁₇,u₁₈,u₁₉,u₂₀,u₂₁,

u₂₂,u₂₃,u₂₄,u₂₅,u₂₆,u₂₇,u₂₈,u₂₉,u₃₀,u₃₁,u₃₂,u₃₃,u₃₄,u₃₅,u₃₆,u₃₇,u₃₈,u₃₉,u₄₀,u₄₁]

则模糊综合评价指标集U可以根据味觉点的种类分为两类即将单个味觉点——U₁＝[u₁, u₂,…,u₁₉]分为一类，将复合味觉点——U₂＝[u₂₀,u₂₁,….,u₄₁]分为另一类。

2)权重集的构建

通过主观赋权法中的专家经验法构建模糊综合评价指标集即味觉点指标集的权重集，为了保证权重的一致性，每级指标的权重之和必须为1，具体细节如下：

第一类味觉点即单个味觉点模糊综合评价指标集U₁权重:

则第一类味觉点即单个味觉点模糊综合评价指标集U₁中各个味觉点权重：

第二类味觉点即复合味觉点模糊综合评价指标集U₂权重:

则第一类味觉点即复合味觉点模糊综合评价指标集U₂中各个味觉点权重：

如上所述，单个味觉点集合的权重和复合味觉点集合的权重之和为其中单个味觉点集合中各个味觉点的权重之和为单个味觉点集合中各个味觉点的权重之和为

3)评价集的构建

基于味觉的菜品组合的目的是通过味觉分解和组合已到达尽可能还原菜品的味道，因此评价集可以表示：

其中，0表示利用F综合评判法基于味觉的菜品组合模型不能有效还原菜品味道，1则表示利用F综合评判法基于味觉的菜品组合能够有效还原菜品味道。

a.隶属度函数的构建

我们采用F分布的偏大型抛物分布法建立隶属度函数：

其中，a＝0.3；b＝0.6；k＝2。

b.建立一层综合评判

首先根据隶属度函数和专家经验法(5个专家)分别建立第一类味觉点即单个味觉点和第二类味觉点即复合味觉点的一层一级综合评判的单因素评判矩阵R₁和R₂，如下所示：

其中，且i值即矩阵r₁对应第i个单个味觉点， j值对应第j个专家的意见越接近1表示专家认为改到菜品越存在对应的第i个味觉点，越接近0表示专家认为改到菜品越不存在对应的第i个味觉点。

其中，且i值即矩阵r₂对应第i个单个味觉点，j 值对应第j个专家的意见越接近1表示专家认为改到菜品越存在对应的第i个味觉点，越接近0表示专家认为改到菜品越不存在对应的第i个味觉点。

于是在一层F综合评判中，第一类和第二类因素的模糊综合评判矩阵为

c.建立二层综合评判

于是根据最大隶属度原则和评价函数，可以得出：

V(B)＝[1 1 1 1 1]

即五个专家均认同以宫保鸡丁为例的基于味觉的菜品组合方法能有有效还原菜品。

综上所述，我们可以认为基于味觉的菜品组合能够有效还原菜品。本发明先将原菜品分解得到单个味觉点，然后根据单个味觉点自行组合得到复合味觉点，然后综合单个味觉点和复合味觉点还原得到目菜品，通过采用二层次综合评价模型分析方法评价目标菜品，循环调整得到与原菜品几乎相同的菜品；旨在分解原菜品并还原得到与原菜品味道相同或近似的目标菜品，从而实现菜品的工业化生产，具有较好的实用性。

本发明得到的目标菜品，一次性下锅加热制熟即可，不分入料先后顺序，不添加油料和调味品，不再依赖厨师技艺，实际烹饪中能完全取代厨师的操作，有利于降低中餐业用工成本，有利于全世界推广中餐文化，具有较高的社会经济价值。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (10)

1.一种基于味觉数字化的菜品还原方法，其特征在于，主要包括以下步骤：

步骤S101：通过人工样本统计的方法得到原菜品的单个味觉点；然后采用人工样本统计的方法确定单个味觉点的浓度等级；

步骤S102：根据步骤S101中单个味觉点组合得到目标菜品的复合味觉点，公式如下：

w_j＝K·T′＝k₁t₁ ⁱ+k₂t₂ ⁱ+k₃t₃ ⁱ+…+k_jt_j ⁱ

其中，k_i∈{0,1}，i＝1,2,3…n，j＝1,2,3...J,且k_i＝0表示形成复合味觉点w_j中没有第i个单个味觉点，k_i＝1表示形成复合味觉点w_j中有第i个单个味觉点，t_j ⁱ分别对应第j个单个味觉点的浓度等级，J表示复合味觉点的最大种类数；

步骤S103：根据步骤S101中的单个味觉点和步骤S102中的复合味觉点还原得到目标菜品，利用F模糊综合评判法评判目标菜品是否与原菜品相同；采用二层次综合评价模型分析方法评价目标菜品；若还原的目标菜品与原菜品的味觉指标不同，则重新返回步骤S101处理，否则输出配合成功的结果。

2.根据权利要求1所述的一种基于味觉数字化的菜品还原方法，其特征在于，通过F算子语义及其运算方法确定步骤S101中人工样本统计如下：

a_j ^ti∈{0，1}，j＝1，2,3.....n

其中表示第j个人认为该菜品有t_i种味觉，表示第j个人认为该菜品没有单个味觉点t_i；且若a^ti小于设定阈值a，则认为没有单个味觉点t_i，否则认为有单个味觉点t_i。

3.根据权利要求2所述的一种基于味觉数字化的菜品还原方法，其特征在于，在原菜品的基础配方的基础上通过人工样本统计的方法得到原菜品的单个味觉点；假设单个味觉味点为m+n个；假设根据菜品的基础配方确定含有单个味觉点为m个；x_i∈T，i＝1，2，,…m，记为X₁＝[x₁,x₂,…x_m]；通过人工样本统计方法获得原菜品的单个味觉点为n个，则x_i∈T，i＝m+1，m+2，…m+n，根据排列组合知识可知，其组合方式有：

将上述组合方式分别记为因此可以知道单个味觉点的组合方式有：

4.根据权利要求1所述的一种基于味觉数字化的菜品还原方法，其特征在于，所述步骤S101中单个味觉点的浓度等级有5级，且按照浓度从低到高依次有无、微、中、有、特五种等级；所述浓度等级的浓度为味觉点材料中主要成分的含量；所述步骤S102中组成复合味觉点的单个味觉点的种类数大于等于2且小于等于7。

5.根据权利要求1-4任一项所述的一种基于味觉数字化的菜品还原方法，其特征在于，所述步骤S103主要包括以下步骤：

步骤S1031：首先因素分类：将因素U＝{u₁,u₂,…,u_n}按设定属性分为s类：U＝{u_i1,u_i2,…,u_in},其中，i＝1,2,…,s；它们满足条件：

1)n₁+n₂+...+n_s＝n；

2)U₁∪U₂∪…U_s＝U；

3)

步骤S1032：建立因素类权重集和因素权重集：设第i类因素U_i的权重为a_i(i＝1,2,…,s)，则因素类权重集A＝(a₁,a₂,…,a_s)；设第i类中的第j个元素u_ij的权重为a_ij，则因素权重集为A_i＝(a_i1,a_i2,…,a_in)(i＝1,2,…,s)；

步骤S1033：建立评判集V＝{v₁,v₂,…,v_n}；

步骤S1034：对每一类的各个因素进行综合评判，设在一层一级综合评判的单因素评判矩阵为：

设在一层F综合评判中采用评判模型M(∧,∨)，则对第i类因素的F综合评判矩阵B_i为：

步骤S1035：由一层一级F综合评判矩阵得到二层F综合评判的单因素类评判矩阵R为：

设在二层综合F评判中采用F综合评判模型M(·,+)，于是，二层F综合评判矩阵B为：

6.根据权利要求5所述的一种基于味觉数字化的菜品还原方法，其特征在于，采用F分布的偏大型抛物分布法建立隶属度函数：

其中a、b分别表示隶属度函数的隶属度值等于0和等于1的分界值；k为常数值；x(x∈U)表示味觉；A(x)表示味觉x的隶属度。

7.根据权利要求6所述的一种基于味觉数字化的菜品还原方法，其特征在于，所述为a为0.3、b为0.6，k为2。

8.根据权利要求6所述的一种基于味觉数字化的菜品还原方法，其特征在于，所述步骤S1031中首先得出还原的目标菜品中的复合味觉点和基本的单个味觉点，得出模糊综合评价指标集：U＝[T,W]＝[t₁,t₂,…t_i,w₁,w₂,…w_j]＝[u₁,u₂,…,u_i,u_i+1,u_i+2,…,u_i+j]；然后分为单个味觉点U₁和复合味觉点U₂两类；U₁＝[u₁,u₂,…,u_i]，U₂＝[u_i+1,u_i+2,…,u_i+j]；

步骤S1032中通过主观赋权法中的专家经验法构建模糊综合评价指标集即味觉点指标集的权重集，为了保证权重的一致性，每级指标的权重之和为1，U₁的权重则U₁的各个味觉点权重为：i＝1,2，…n；U₁的权重则U₂的各个味觉点权重为：j＝1,2，…n。

9.根据权利要求8所述的一种基于味觉数字化的菜品还原方法，其特征在于，步骤S1033中构建评价集：

其中，0表示利用F综合评判法基于味觉的菜品组合模型不能有效还原菜品味道，1则表示利用F综合评判法基于味觉的菜品组合能够有效还原菜品味道。

10.根据权利要求9所述的一种基于味觉数字化的菜品还原方法，其特征在于，步骤S1034中根据隶属度函数和专家经验法分别建立单个味觉点和复合味觉点的一层一级综合评判的单因素评判矩阵R₁和R₂以及隶属度矩阵r₁和r₂；

其中，r_ij ¹∈r₁且r_ij ¹∈[0，1]，i值对应第i个单个味觉点，j值对应第j个专家的意见，值越接近1表示第j个专家认为该道菜品越存在对应的第i个单个味觉点，越接近0表示专家认为该道菜品越不存在对应的第i个单个味觉点；

其中，且i值即矩阵r²对应第i个单个味觉点，j值对应第j个专家的意见，值越接近1表示专家认为该道菜品越存在对应的第i个复合味觉点，越接近0表示专家认为该道菜品越不存在对应的第i个复合味觉点。