CN109754167A - 一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法 - Google Patents
一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法 Download PDFInfo
- Publication number
- CN109754167A CN109754167A CN201811576262.7A CN201811576262A CN109754167A CN 109754167 A CN109754167 A CN 109754167A CN 201811576262 A CN201811576262 A CN 201811576262A CN 109754167 A CN109754167 A CN 109754167A
- Authority
- CN
- China
- Prior art keywords
- indicate
- score
- grey
- viscosity
- color
- 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.)
- Withdrawn
Links
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于灰色关联‑层次分析法的河蚌肉超高压嫩化工艺优化方法,依次操作步骤为,建立感官评价标准表格、建立具有一致性的判断矩阵、建立Box‑Behnken试验因素水平表、建立感官评定结果表格、数据处理、计算灰色关联系数计算出产品的灰色关联度、灰色关联度方差分析,最后利用回归模型对河蚌肉超高压嫩化工艺进行优化。本发明使用更加科学的方法,利用算法公式对河蚌肉的超高压嫩化工艺进行优化,更加准确的得到嫩化河蚌肉的加压条件,实现机器自动化对河蚌肉进行嫩化,有效的解决河蚌肉肉质硬、口感粗、嫩度差的问题。
Description
技术领域
本发明属于肉质嫩化技术领域,具体涉及一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法。
背景技术
目前,国内外研究肉嫩度的评价方法主要有:剪切力值法、多光谱图像纹理技术、机器视觉评价法、近红外光谱检测技术等。其中剪切力法,即使用剪切仪检测牛肉嫩度,这种方法对肉有破坏作用,操作时间长,不适合工厂在线生产中应用。超高压处理能改善肉质嫩度、色泽、提高肉的保水性、改善肉的质地;同时能改善肉的组织结构、提高肉的嫩度等。
河蚌是我国常见的一种淡水软体动物,富含多种营养成分。取珍珠后的蚌肉除少部分用于制作饲料外,大部分都作为废弃物用作肥料,浪费十分严重,而且造成环境污染。由于河蚌肉肉质硬、口感粗、嫩度差,这些问题在一定程度上使蚌肉精深加工受到限制。通过食品工艺技术改变蚌肉的嫩度,提升蚌肉系列产品的开发研制,是解决这些问题的主要途径之一。
目前,很多学者已经将模糊评价、统计分析、人工智能等技术用于工艺方案的优化,如神经网络法、响应曲面法、退火算法、蚁群算法、层次分析法等方法,这些方法常用于食品工艺参数优化,并取得了一些效果。
发明内容
本发明的目的在于提供一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,以解决上述背景技术中提出的河蚌肉肉质硬、口感粗、嫩度差的问题。
为实现上述目的,本发明采用了如下技术方案:
一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,包括如下步骤:
S1、选择身体健康品评者,经过专业感官评定实验培训,组成感官评定小组;按照基本的感官评定实验要求,对超高压嫩化后河蚌肉的色泽、气味、黏度和弹性进行感官评定,建立感官评价标准;
S2、按照层次分析法的基本原理,将色泽、气味、黏度和弹性四个评价指标来构造判断矩阵,并计算出该判断矩阵的最大特征值及该特征值对应的特征向量;
色泽、气味、黏度和弹性四个评价指标见表1:
表1:色泽、气味、黏度和弹性四个评价指标
标度 | 前一个因素比后一个因素的重要程度 |
1 | 同样重要 |
3 | 稍微重要 |
5 | 明显重要 |
7 | 极其重要 |
9 | 强烈重要 |
2、4、6、8 | 两相邻判断的中间值 |
判断矩阵见表2:
表2:判断矩阵
色泽 | 气味 | 黏度 | 弹性 | |
色泽 | A<sub>11</sub> | A<sub>12</sub> | A<sub>13</sub> | A<sub>14</sub> |
气味 | A<sub>21</sub> | A<sub>22</sub> | A<sub>23</sub> | A<sub>24</sub> |
黏度 | A<sub>31</sub> | A<sub>32</sub> | A<sub>33</sub> | A<sub>34</sub> |
弹性 | A<sub>41</sub> | A<sub>42</sub> | A<sub>43</sub> | A<sub>44</sub> |
S3、若判断矩阵的检测系数CR<0.1,则该判断矩阵通过一致性检验,同时将归一化后的特征向量W1、W2、W3和W4分别作为色泽、气味、黏度和弹性在感官评定体系中的权重值并建立权重集W=[W1W2W3W4],若判断矩阵不具有一致性,则要重新构造;
S4、在单因素试验基础上进行响应面试验设计,构建如表3所示的各试验因素水平及编码,按照给定的压力强度、CaCl2浓度和保压时间三个操作要素对河蚌肉进行处理,由此得到15组经过超高压嫩化处理后的产品,并且按照步骤S1中给出的感官评定标准,由感官品评者分别对超高压处理后的河蚌肉进行感官评定,构建评定结果,评定结果如表4所示的;
表3:各试验因素水平及编码
表4:评定结果
S5、将15组产品的感官评价结果按照优、良、中和差的降序分别赋值计算出各自的得分xi=(xi1,xi2,xi3,xi4),为了保证数据的等效性和同序性,使得所有得分在0-1的范围内,按照公式一对xi进行离差标准化处理,得出15组产品的感官评价得分的标准化值yi=(yi1,yi2,yi3,yi4);
公式一如下:
15组处理样本的标准化处理后的感官评定得分见表5:
表5:15组处理样本的感官评定得分
S6、选择序列x0=(1,1,1,1)作为灰色关联分析的参考序列,以标准化处理后的每组产品的四个评价指标数据作为灰色关联分析的比较列,根据公式二计算出每组产品色泽、气味、黏度和弹性四个指标的灰色相关系数εi=(εi1,εi2,εi3,εi4),见下面的表6;
公式二如下:
表6:每组产品色泽、气味、黏度和弹性四个指标的灰色相关系数
S7、将计算出的每组产品四个评价指标的灰色关联系数εi分别带入公式三计算出每组产品的灰色关联度ri,计算结果见表6;
公式三如下:
ri=∑εi(k)×w(k)(k=1~4;i=1~15)
S8、将15组产品的灰色关联度ri进行方差分析并得到回归模型,对模型进行优化,得到超高压嫩化河蚌肉感官评价最佳工艺条件。
在整个感官评定系统中,得分越高说明该组产品具有较高的品质,因此,色泽、气味、黏度和弹性四个方面的得分都具有望大特性,标准化处理后的数据值越接近1,该组产品相对应的指标性能就越高,因此,在S6中,选择序列x0=(1,1,1,1)作为灰色关联分析的参考序列,以标准化处理后的每组产品的四个评价指标数据作为灰色关联分析的比较列,来计算每组产品色泽、气味、黏度和弹性四个指标的灰色相关系数。
所述步骤S2的判断矩阵(表2)中各值含义为:A12表示色泽相对于气味的重要性且A12=1/A21,A13表示色泽相对于黏度的重要性且A13=1/A31,A14表示色泽相对于弹性的重要性且A14=1/A41,A21表示气味相对于色泽的重要性且A21=1/A12,A23表示气味相对于黏度的重要性且A23=1/A32,A24表示气味相对于弹性的重要性且A24=1/A42,A31表示黏度相对于色泽的重要性且A31=1/A13,A32表示黏度相对于气味的重要性且A32=1/A23,A34表示黏度相对于弹性的重要性且A34=1/A43,A41表示弹性相对于色泽的重要性且A41=1/A14,A42表示弹性相对于气味的重要性且A42=1/A24,A43表示弹性相对于黏度的重要性且A43=1/A34,其取值方法按照四个评价指标(表1)所示。
所述步骤S4的评定结果(表4)中,S11、S12、S13和S14分别代表品评者对第一组产品根据步骤S1中感官评定标准中色泽评价标准分别给予优、良、中、差不同等级评价的人数,Q11、Q12、Q13和Q14分别代表品评者对第一组产品根据步骤S1中感官评定标准中气味评价标准分别给予优、良、中、差不同等级评价的人数,N11、N12、N13和N14分别代表品评者对第一组产品根据步骤S1中感官评定标准中黏度评价标准分别给予优、良、中、差不同等级评价的人数,T11、T12、T13和T14分别代表品评者对第一组产品根据步骤S1中感官评定标准中弹性评价标准分别给予优、良、中、差不同等级评价的人数。表4中其余数据含义与此类似。
优选的,所述步骤S5的公式一中,xi(k)表示处理前的原始数据序列,其中xi1表示每组产品的色泽得分,xi2表示每组产品的气味得分,xi3表示每组产品的黏度得分,xi4表示每组产品的弹性得分;yi(k)表示标准化处理后的数据序列,其中yi1表示每组产品标准化后的色泽得分,yi2表示每组产品标准化后的气味得分,yi3表示每组产品标准化后的黏度得分,yi4表示每组产品标准化后的弹性得分;min(xi(k))=(min(x1),min(x2),min(x3),min(x4))表示原始数据序列的最小值,其中min(x1)表示15组产品中色泽得分最小值,min(x2)表示15组产品中气味得分最小值,min(x3)表示15组产品中黏度得分最小值,min(x4)表示15组产品中弹性得分最小值;max(xi(k))=(max(x1),max(x2),max(x3),max(x4))表示原始数据序列的最大值,其中max(x1)表示15组产品中色泽得分最大值,max(x2)表示15组产品中气味得分最大值,max(x3)表示15组产品中黏度得分最大值,max(x4)表示15组产品中弹性得分最大值。
步骤S5的感官评定得分(表5)中,x11、x12、x13和x14分别表示第一组产品四个评价指标的最终得分,得分栏其余组别数据含义与此类似,且公式一中xi(k)表示处理前的原始数据序列,其中xi1表示每组产品的色泽得分,xi2表示每组产品的气味得分,xi3表示每组产品的黏度得分,xi4表示每组产品的弹性得分;yi(k)表示标准化处理后的数据序列,其中yi1表示每组产品标准化后的色泽得分,yi2表示每组产品标准化后的气味得分,yi3表示每组产品标准化后的黏度得分,yi4表示每组产品标准化后的弹性得分;min(xi(k))=(min(x1),min(x2),min(x3),min(x4))表示原始数据序列的最小值,其中min(x1)表示15组产品中色泽得分最小值,min(x2)表示15组产品中气味得分最小值,min(x3)表示15组产品中黏度得分最小值,min(x4)表示15组产品中弹性得分最小值;max(xi(k))=(max(x1),max(x2),max(x3),max(x4))表示原始数据序列的最大值,其中max(x1)表示15组产品中色泽得分最大值,max(x2)表示15组产品中气味得分最大值,max(x3)表示15组产品中黏度得分最大值,max(x4)表示15组产品中弹性得分最大值。
优选的,所述步骤S6的公式二中,εi(k)=(εi1,εi2,εi3,εi4)表示比较列与参考列在k点的灰色关联系数,其中:εi1表示每组产品在色泽上比较列与参考列的灰色关联系数,εi2表示每组产品在气味上比较列与参考列的灰色关联系数,εi3表示每组产品在黏度上比较列与参考列的灰色关联系数,εi4表示每组产品在弹性上比较列与参考列的灰色关联系数;△i=(△i1,△i2,△i3,△i4)表示比较列与参考列的偏差序列,其中:△i1表示每组产品在色泽上与参考列的偏差值,△i2表示每组产品在气味上与参考列的偏差值,△i3表示每组产品在黏度上与参考列的偏差值,△i4表示每组产品在弹性上与参考列的偏差值;min(△i(min))表示偏差数据序列△i的两极最小值;max(△i(max))表示偏差数据序列△i的两极最大值;ρ表示分辨系数,其中ρ取值在0-1之间。
优选的,所述步骤S7的公式三中,ri表示每组产品的灰色关联度;εi表示每组产品的四个评价指标的灰色关联系数组成的矩阵;w表示四个评价指标的权重集,且w为步骤S2中根据层次分析法计算出来的四个评价标准在评价体系中的权重集。
与现有技术相比,本发明所述一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,在使用上更加科学,利用算法公式对河蚌肉的超高压嫩化工艺进行优化,更加准确的得到嫩化河蚌肉的加压条件,实现机器自动化地对河蚌肉进行嫩化,有效解决了河蚌肉肉质硬、口感粗、嫩度差的问题,提高了河蚌肉的嫩化工艺的工作质量和效率,安全稳定,适用范围广,有利于推广和普及。
附图说明
图1为本发明的操作步骤流程图。
具体实施方式
下面将结合说明书附图1,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,具体包括如下步骤:
S1、选择身体健康品评者,经过专业感官评定实验培训,组成感官评定小组;按照基本的感官评定实验要求,对超高压嫩化后河蚌肉的色泽、气味、黏度和弹性进行感官评定,建立感官评价标准。
S2、按照层次分析法的基本原理,将色泽,气味,黏度和弹性四个评价指标(见表1)构造判断矩阵(表2),计算出该判断矩阵的最大特征值及该特征值对应的特征向量。
表1:色泽、气味、黏度和弹性四个评价指标
标度 | 前一个因素比后一个因素的重要程度 |
1 | 同样重要 |
3 | 稍微重要 |
5 | 明显重要 |
7 | 极其重要 |
9 | 强烈重要 |
2、4、6、8 | 两相邻判断的中间值 |
表2:判断矩阵
色泽 | 气味 | 黏度 | 弹性 | |
色泽 | A<sub>11</sub> | A<sub>12</sub> | A<sub>13</sub> | A<sub>14</sub> |
气味 | A<sub>21</sub> | A<sub>22</sub> | A<sub>23</sub> | A<sub>24</sub> |
黏度 | A<sub>31</sub> | A<sub>32</sub> | A<sub>33</sub> | A<sub>34</sub> |
弹性 | A<sub>41</sub> | A<sub>42</sub> | A<sub>43</sub> | A<sub>44</sub> |
其中判断矩阵(表2)中各值含义为:A12表示色泽相对于气味的重要性且A12=1/A21,A13表示色泽相对于黏度的重要性且A13=1/A31,A14表示色泽相对于弹性的重要性且A14=1/A41,A21表示气味相对于色泽的重要性且A21=1/A12,A23表示气味相对于黏度的重要性且A23=1/A32,A24表示气味相对于弹性的重要性且A24=1/A42,A31表示黏度相对于色泽的重要性且A31=1/A13,A32表示黏度相对于气味的重要性且A32=1/A23,A34表示黏度相对于弹性的重要性且A34=1/A43,A41表示弹性相对于色泽的重要性且A41=1/A14,A42表示弹性相对于气味的重要性且A42=1/A24,A43表示弹性相对于黏度的重要性且A43=1/A34,其取值方法按照表1所示。
S3、若判断矩阵的检测系数CR<0.1,则该判断矩阵通过一致性检验,同时将归一化后的特征向量W1、W2、W3和W4分别作为色泽、气味、黏度和弹性在感官评定体系中的权重值并建立权重集W=[W1W2W3W4],若判断矩阵不具有一致性,则要重新构造;
S4、在单因素试验基础上进行响应面试验设计,构建各试验因素水平及编码表格(见表3),按照给定的压力强度、CaCl2浓度和保压时间三个操作要素对河蚌肉进行处理,由此得到了15组经过超高压嫩化处理后的产品,并且按照步骤S1中给出的感官评定标准,由感官品评者分别对超高压处理后的河蚌肉进行感官评定,构建评定结果(见表4);
表3:各试验因素水平及编码
表4:评定结果
其中表4中S11、S12、S13和S14分别代表品评者对第一组产品根据步骤S1中感官评定标准中色泽评价标准分别给予优、良、中、差不同等级评价的人数,Q11、Q12、Q13和Q14分别代表品评者对第一组产品根据步骤S1中感官评定标准中气味评价标准分别给予优、良、中、差不同等级评价的人数,N11、N12、N13和N14分别代表品评者对第一组产品根据步骤S1中感官评定标准中黏度评价标准分别给予优、良、中、差不同等级评价的人数,T11、T12、T13和T14分别代表品评者对第一组产品根据步骤S1中感官评定标准中弹性评价标准分别给予优、良、中、差不同等级评价的人数,表4中其余数据含义与此类似;
S5、将15组产品的感官评价结果按照优、良、中和差的降序分别赋值计算出各自的得分,构建15组处理样本的感官评定得分(见表5),为了保证数据的等效性和同序性,按照公式一对得分进行离差标准化处理,结果如表5中的标准化处理栏所示。
公式一如下:
表5
其中:x11、x12、x13和x14分别表示第一组产品四个评价指标的最终得分,得分栏其余数据含义与此类同,且公式一中xi(k)表示处理前的原始数据序列;yi(k)表示标准化处理后的数据序列;min(xi(k))表示原始数据序列的最小值;max(xi(k))表示原始数据序列的最大值。
S6、在整个感官评定系统中,得分越高说明该组产品具有较高的品质,因此,色泽、气味、黏度和弹性四个方面的得分都具有望大特性,标准化处理后的数据值越接近1,该组产品相对应的指标性能就越高。因此选择序列x0=(1,1,1,1)作为灰色关联分析的参考序列,以标准化处理后的每组产品的四个评价指标数据作为灰色关联分析的比较列,根据公式二计算出每组产品色泽、气味、黏度和弹性四个指标的灰色相关系数(见表6),公式二如下;
其中,公式二中εi(k)表示比较列与参考列在k点的灰色关联系数;△i表示比较列与参考列的偏差序列;min(△i(min))表示偏差数据序列的两极最小值;max(△i(max))表示偏差数据序列的两极最大值;ρ表示分辨系数;其中ρ取值在0-1之间,当≤0.5463时分辨力最好,本实施例中取值0.5。
表6
S7、将表6中的灰色关联系数带入公式三计算出每组产品的灰色关联度,计算结果如表6中灰色关联度一栏所示,公式三如下;
ri=∑εi(k)×w(k)(k=1~4;i=1~15)
公式三中,ri表示每组产品的灰色关联度;εi表示每组产品的四个评价指标的灰色关联系数组成的矩阵;w表示四个评价指标的权重集,且w为步骤S2中根据层次分析法计算出来的四个评价标准在评价体系中的权重集。
S8、将15组产品的灰色关联度进行方差分析并得到回归模型,对模型进行优化,得到超高压嫩化河蚌肉感官评价最佳工艺条件。
实施例2
一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,包括如下步骤:
S1、建立感官评价标准表格:参考Sallam的方法,选择身体健康品评者10名(6男4女),经过感官评定实验培训,组成感官评定小组;按照基本的感官评定实验要求,对超高压嫩化后河蚌肉的色泽、气味、黏度和弹性进行感官评定,感官评价标准表见表7。
表7:感官评价标准
S2、建立判断矩阵:按照层次分析法的基本原理,将色泽,气味,黏度和弹性四个评价指标按照1-9标度法构造处判断矩阵,判断矩阵如下:
判断矩阵
S3、S2中判断矩阵的检测系数CR=0.0161<0.1,说明建立的判断矩阵具有一致性,色泽、气味、黏度和弹性四个评价指标在超高压处理河蚌肉感官评价体系中的权值分别为:0.46、0.14、0.17和0.23。由此建立的灰色关联系数转换为灰色关联度过程中四个评价指标的权重集为w=[0.46 0.14 0.17 0.23]。
S4、建立Box-Behnken试验因素水平表;在单因素试验基础上进行响应面试验设计,对各试验因素水平及编码绘制表格:
Box-Behnken试验因素水平表
按照表中给定的压力强度、CaCl2浓度和保压时间三个操作要素对河蚌肉进行处理,由此得到了15组经过超高压嫩化处理后的产品。
建立感官评定结果表格:按照感官评价标准表格中给出的感官评定标准,由10名感官品评者分别对超高压处理后的河蚌肉进行感官评定;感官评定结果见下表:
感官评定结果
S5、数据处理:将评定等级按照优、良、中和差降序分别赋值95分、80分、65分和50分,15组处理样本的感官评定得分如感官评定结果表格中得分一栏所示,对感官评定得分在进行灰色关联分析之前,为了保证数据的等效性和同序性,按照公式一进行离差标准化处理;
公式一如下:
式中:xi(k)----处理前的原始数据序列;
yi(k)-----标准化处理后数据的序列;
min(xi(k))----原始数据序列的最小值;
max(xi(k))----原始数据序列的最大值。
数据处理结果见下表:
S6、灰色关联系数:在具有望大特性的数据序列中,通常选择各指标数据里的最大值组成序列作为灰色关联分析的参考序列,在整个感官评定系统中,得分越高说明该组产品具有较高的品质,因此色泽、气味、黏度和弹性四个方面的得分都具有望大特性,标准化处理后的数据值越接近1,该组产品相对应的指标性能就越高,选择序列x0=(1,1,1,1)作为灰色关联分析的参考序列,以标准化处理后的每组产品的四个评价指标数据作为灰色关联分析的比较列xi,根据公式二计算出每组产品色泽、气味、黏度和弹性四个指标的灰色相关系数;
公式二如下:
式中:εi(k)----比较列xi(k)与参考列x0(k)在k点的灰色关联系数;
△i----比较列xi(k)与参考列x0(k)的偏差数据序列;
min(△i(min))----偏差数据序列△i的两极最小值;
max(△i(max))----偏差数据序列△i的两极最大值;
ρ----分辨系数,一般在0-1之间,当≤0.5463时分辨力最好,本例中取值0.5;
灰色关联系数及灰色关联度见下表:
S7、灰色关联度:将灰色关联系数带入公式三计算出每组产品的灰色关联度,结果如灰色关联系数一栏所示;
公式三如下:
ri=∑εi(k)×w(k)(k=1~4;i=1~15)
式中:ri----每组产品的灰色关联度;
εi-----每组产品的四个评价指标的灰色关联系数组成的矩阵;
w----四个评价指标的权重集;
从而可得第13组产品的灰色关联度最高为0.968,第15组产品的灰色关联度最小为0.333,说明经过超高压处理的河蚌肉从色泽、气味、黏度和弹性四个方面进行感官评价,第13组产品综合得分最高,品质最优,第15组产品的品质最差;
S8、灰色关联度方差分析及工艺优化:对灰色关联度进行方差分析,结果所示:
灰色关联度方差分析结果
由表可知,该回归模型P<0.0001,模型达到极显著水平;失拟项P=0.9463>0.05,失拟不显著;R2=0.9767,表明利用该模型得到的各组产品灰色关联度的预测值与实测值之间的拟合度较高;RAdj 2=0.9467,表明94.67%的灰色关联度变异分布在回归方程的3个自变量中,仅有5.3%的变异不能由该模型解释;
利用该回归模型对经超高压处理河蚌肉的感官评价进行优化,将方差分析中的不显著项剔除,得到模型的回归拟合方程为
Y=0.73+0.13X1+0.079X2+0.076X3+0.73X1X3+0.056X2X3-0.2X1 2
对模型进行优化,得到超高压嫩化河蚌肉感官评价最佳工艺条件是:压力强度378.12Mpa、CaCl2浓度0.28mol/L、保压时间14.61min,此条件下河蚌肉的感官评分灰色关联度为0.974。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,其特征在于,包括如下步骤:
S1、选择身体健康品评者,经过专业感官评定实验培训,组成感官评定小组;按照基本的感官评定实验要求,对超高压嫩化后河蚌肉的色泽、气味、黏度和弹性进行感官评定,建立感官评价标准;
S2、按照层次分析法的基本原理,将色泽、气味、黏度和弹性四个评价指标来构造判断矩阵,并计算出该判断矩阵的最大特征值及该特征值对应的特征向量;
色泽、气味、黏度和弹性四个评价指标见表1:
表1:色泽、气味、黏度和弹性四个评价指标
判断矩阵见表2:
表2:判断矩阵
S3、若判断矩阵的检测系数CR<0.1,则该判断矩阵通过一致性检验,同时将归一化后的特征向量W1、W2、W3和W4分别作为色泽、气味、黏度和弹性在感官评定体系中的权重值并建立权重集W=[W1 W2 W3 W4],若判断矩阵不具有一致性,则要重新构造;
S4、在单因素试验基础上进行响应面试验设计,构建如表3所示的各试验因素水平及编码,按照给定的压力强度、CaCl2浓度和保压时间三个操作要素对河蚌肉进行处理,由此得到15组经过超高压嫩化处理后的产品,并且按照步骤S1中给出的感官评定标准,由感官品评者分别对超高压处理后的河蚌肉进行感官评定,构建评定结果,如表4所示的;
表3:各试验因素水平及编码
表4:评定结果
S5、将15组产品的感官评价结果按照优、良、中和差的降序分别赋值计算出各自的得分xi=(xi1,xi2,xi3,xi4),为了保证数据的等效性和同序性,使得所有得分在0-1的范围内,按照公式一对xi进行离差标准化处理,得出15组产品的感官评价得分的标准化值yi=(yi1,yi2,yi3,yi4);
公式一如下:
S6、选择序列x0=(1,1,1,1)作为灰色关联分析的参考序列,以标准化处理后的每组产品的四个评价指标数据作为灰色关联分析的比较列,根据公式二计算出每组产品色泽、气味、黏度和弹性四个指标的灰色相关系数εi=(εi1,εi2,εi3,εi4);
公式二如下:
S7、将计算出的每组产品四个评价指标的灰色关联系数εi分别带入公式三计算出每组产品的灰色关联度ri;
公式三如下:
ri=∑εi(k)×w(k) (k=1~4;i=1~15)
S8、将15组产品的灰色关联度ri进行方差分析并得到回归模型,对模型进行优化,得到超高压嫩化河蚌肉感官评价最佳工艺条件。
2.根据权利要求1所述的一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,其特征在于:所述步骤S5的公式一中,xi(k)表示处理前的原始数据序列,其中xi1表示每组产品的色泽得分,xi2表示每组产品的气味得分,xi3表示每组产品的黏度得分,xi4表示每组产品的弹性得分;yi(k)表示标准化处理后的数据序列,其中yi1表示每组产品标准化后的色泽得分,yi2表示每组产品标准化后的气味得分,yi3表示每组产品标准化后的黏度得分,yi4表示每组产品标准化后的弹性得分;
min(xi(k))=(min(x1),min(x2),min(x3),min(x4))表示原始数据序列的最小值,其中min(x1)表示15组产品中色泽得分最小值,min(x2)表示15组产品中气味得分最小值,min(x3)表示15组产品中黏度得分最小值,min(x4)表示15组产品中弹性得分最小值;
max(xi(k))=(max(x1),max(x2),max(x3),max(x4))表示原始数据序列的最大值,其中max(x1)表示15组产品中色泽得分最大值,max(x2)表示15组产品中气味得分最大值,max(x3)表示15组产品中黏度得分最大值,max(x4)表示15组产品中弹性得分最大值。
3.根据权利要求1所述的一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,其特征在于:所述步骤S6的公式二中,εi(k)=(εi1,εi2,εi3,εi4)表示比较列与参考列在k点的灰色关联系数,其中:εi1表示每组产品在色泽上比较列与参考列的灰色关联系数,εi2表示每组产品在气味上比较列与参考列的灰色关联系数,εi3表示每组产品在黏度上比较列与参考列的灰色关联系数,εi4表示每组产品在弹性上比较列与参考列的灰色关联系数;△i=(△i1,△i2,△i3,△i4)表示比较列与参考列的偏差序列,其中:△i1表示每组产品在色泽上与参考列的偏差值,△i2表示每组产品在气味上与参考列的偏差值,△i3表示每组产品在黏度上与参考列的偏差值,△i4表示每组产品在弹性上与参考列的偏差值;min(△i(min))表示偏差数据序列△i的两极最小值;max(△i(max))表示偏差数据序列△i的两极最大值;ρ表示分辨系数;其中ρ取值在0-1之间。
4.根据权利要求1所述的一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法,其特征在于:所述步骤S7的公式三中,ri表示每组产品的灰色关联度;εi表示每组产品的四个评价指标的灰色关联系数组成的矩阵;w表示四个评价指标的权重集,且w为步骤S2中根据层次分析法计算出来的四个评价标准在评价体系中的权重集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811576262.7A CN109754167A (zh) | 2018-12-22 | 2018-12-22 | 一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811576262.7A CN109754167A (zh) | 2018-12-22 | 2018-12-22 | 一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109754167A true CN109754167A (zh) | 2019-05-14 |
Family
ID=66402920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811576262.7A Withdrawn CN109754167A (zh) | 2018-12-22 | 2018-12-22 | 一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754167A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035970A (zh) * | 2020-08-19 | 2020-12-04 | 江苏科技大学 | 一种基于船用柴油机关键性能的参数优化方法 |
CN113110366A (zh) * | 2021-06-10 | 2021-07-13 | 浙江大胜达包装股份有限公司 | 一种瓦楞纸生产工艺控制的无线物联网系统及其方法 |
-
2018
- 2018-12-22 CN CN201811576262.7A patent/CN109754167A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035970A (zh) * | 2020-08-19 | 2020-12-04 | 江苏科技大学 | 一种基于船用柴油机关键性能的参数优化方法 |
CN113110366A (zh) * | 2021-06-10 | 2021-07-13 | 浙江大胜达包装股份有限公司 | 一种瓦楞纸生产工艺控制的无线物联网系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pavli et al. | Effect of Lactobacillus plantarum L125 strain with probiotic potential on physicochemical, microbiological and sensorial characteristics of dry-fermented sausages | |
CN111007040B (zh) | 大米食味品质近红外光谱快速评价方法 | |
Jahns et al. | Measuring image analysis attributes and modelling fuzzy consumer aspects for tomato quality grading | |
Parr et al. | Evaluation of French and New Zealand Sauvignon wines by experienced French wine assessors | |
Petropoulos et al. | Fuzzy logic tool for wine quality classification | |
CN109754167A (zh) | 一种基于灰色关联-层次分析法的河蚌肉超高压嫩化工艺优化方法 | |
CN102930249A (zh) | 基于颜色和模型的农田害虫识别和计数方法 | |
Lundqvist et al. | The face of wrath: The role of features and configurations in conveying social threat | |
CN110046645A (zh) | 一种基于主成分分析与bp神经网络的藻类水华预测方法 | |
CN100421823C (zh) | 一种猪肉颜色质量等级的划分方法 | |
CN103034872A (zh) | 基于颜色和模糊聚类算法的农田害虫识别方法 | |
CN103439271A (zh) | 一种猪肉成熟状况的可视化检测方法 | |
Junges et al. | Green analytical methodology for grape juice classification using FTIR spectroscopy combined with chemometrics | |
Liu et al. | Grading tobacco leaves based on image processing and generalized regression neural network | |
CN111950882B (zh) | 一种基于综合感官分析的酒样分级方法 | |
CN109272213A (zh) | 一种基于味觉数字化的菜品还原方法 | |
CN105488609A (zh) | 葡萄病虫害防控效果评估方法及系统 | |
Yu et al. | Nondestructive testing of external defects on Nanguo pear | |
Tu et al. | A study of broccoli grading system based on machine vision and neural networks | |
CN107301422A (zh) | 一种基于颜色特征和Hu矩的竹条颜色分类方法和系统 | |
Wang et al. | Research on wood species recognition method based on hyperspectral image texture features | |
He et al. | CMENet: A Cross-Modal Enhancement Network for Tobacco Leaf Grading | |
Nguyen | Evaluation of coastal sandy land in thanh hoa province for agricultural development with case study of Quang Xuong district | |
Tkachenko et al. | Influence of viticultural practices on the sensory characteristics of wine grape varieties | |
CN116777178B (zh) | 一种果蔬汁生产的质量控制方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190514 |