CN111008791A - 基于支持向量机的面包生产建模及决策参数优化方法 - Google Patents

基于支持向量机的面包生产建模及决策参数优化方法 Download PDF

Info

Publication number
CN111008791A
CN111008791A CN201911342055.XA CN201911342055A CN111008791A CN 111008791 A CN111008791 A CN 111008791A CN 201911342055 A CN201911342055 A CN 201911342055A CN 111008791 A CN111008791 A CN 111008791A
Authority
CN
China
Prior art keywords
bread
data
vector machine
support vector
score
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
CN201911342055.XA
Other languages
English (en)
Inventor
胡雅文
周禹彤
陈由甲
张竣尧
赵雪妍
苏远超
姚立忠
李太福
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.)
Chongqing Fengmingshan High School
Chongqing University of Science and Technology
Original Assignee
Chongqing Fengmingshan High School
Chongqing University of Science and 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 Chongqing Fengmingshan High School, Chongqing University of Science and Technology filed Critical Chongqing Fengmingshan High School
Priority to CN201911342055.XA priority Critical patent/CN111008791A/zh
Publication of CN111008791A publication Critical patent/CN111008791A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bakery Products And Manufacturing Methods Therefor (AREA)

Abstract

本发明提供基于支持向量机的面包生产建模及决策参数优化方法。本发明通过建立烘焙口味关于其食材、配比决策变量的复杂系统数学模型，用智能优化方法搜索最佳材料配方，提升消费者口味体验。其实现步骤为：(1)确定制作面包原料组成；(2)确定面包品质评分标准；(3)制作面包；(4)对制作出的面包的品质进行评分；(5)收集面包实验相关数据；(6)训练支持向量机(7)应用支持向量机优化面包配方。本发明通过智能科学方法挖掘面包烘焙过程的生产实绩数据，探求复杂食材、配比潜在的规律，并用智能优化方法搜索最佳的食材、配比，从而满足日益挑剔的消费者口味要求，提高产品品质。

Description

基于支持向量机的面包生产建模及决策参数优化方法
技术领域
本发明涉及面包类食品技术领域，特别涉及基于支持向量机的面包生产建模及决策参数优化方法。
背景技术
常见的烘焙面包面临的挑战主要有：(1)消费升级愈演愈烈，消费者口味挑剔性持续提高，且不同地域有不同偏好；(2)获取各类真实用户反馈和消费场景信息难，比如用户口感的生理反应。这一方面导致难以持续留存消费者，销量增长乏力；另一方面导致食材选择、食材配比、工艺优化和营销设计缺乏目标引导，进而降低经济效益。
在配方研究中，需要观测的面包品质指标很多，包括香味、颜色、口感等感官指标，物性指标，货架期，理化指标等。这种多因素多指标的研究课题若一一采用传统的实验设计方法，如分部实验设计、正交实验设计等，既耗时又耗力，且难以将不同因素、不同指标间复杂关系进行统一。
若能引入人工智能等先进科学技术来促进消费升级，利用面包烘焙制作过程积累的丰富详实的生产实绩数据，通过智能科学方法挖掘面包烘焙过程的生产实绩数据，探求复杂食材、配比、烘焙工艺潜在的规律，并用智能优化方法搜索最佳的食材、配比和烘焙工艺参数，从而满足日益挑剔的消费者口味要求，提高产品品质。
发明内容
鉴于上述问题，本发明的目的是提供基于支持向量机的面包生产建模及决策参数优化，克服现有技术的不足，能够解决面包口感质量不好的问题。
本发明提供基于支持向量机的面包生产建模及决策参数优化，包括以下步骤：
S1设定影响面包口感质量的控制参数和面包品质评分标准；
S2对制作出的面包的品质进行评分；
S3收集已制作出的面包实验数据，所述实验数据包括高筋面粉数据、砂糖数据、盐数据、脱脂奶粉数据、黄油数据、酵母数据、水数据，将所述实验数据分别作为向量机的输入参数X1、X2……X7，以面包烘焙品质得分作为输出参数Y；
S4对实验数据样本进行归一化处理，使数据样本归于[0,1]之间，所述归一化处理的计算公式如下：
Figure BDA0002332528930000021
式中，a、b分别为归一化处理的范围[0,1]内的最小值和最大值，xi为数据集C中第i个数据归一化前的数值，x’i为数据集C中第i个数据归一化后的数值，max(C)表示数据集C中的最大值、min(C)表示数据集C中的最小值；
S5采用归一化处理后的实验数据作为训练集对面包最优配方的向量机模型进行训练，获得训练好的向量机模型；
S6应用向量机优化面包配方，使用训练好的向量机模型得到最优控制参数。
进一步的，所述控制参数包括高筋面粉数据、砂糖数据、盐数据、脱脂奶粉数据、黄油数据、酵母数据、水数据。
进一步的，所述面包品质评分标准包括，面包体积得分满分为35分，表皮色泽得分满分为5分，表皮质地与面包形状得分满分为5分，包芯色泽得分满分为5分，平滑度得分满分为10分，纹理结构得分满分为25分，弹柔性得分满分为10分，口感得分满分为5分，通过以上评分标准对面包打分，总分为100分。
进一步的，进行体积检验时，使用面包体积测定仪进行测量，包括，将待测面包称重，选择与待测面包体积相仿面包模块，放入体积仪底箱中，盖好，从体积仪顶端放入填充物，至标尺零线，盖好顶盖后反复颠倒几次，消除死角空隙，调整填充物加入量至标尺零线，取出面包模块，放入待测面包，拉开插板使填充物自然落下，在标尺上读出填充物的刻度，即为面包的实测体积。
进一步的，将获取到的样本数据分成训练集和测试集，具体为：
将获取到的样本数据按照训练测试比为4:1分成训练集和测试集。
式中，所述支持向量机模型的目标函数为：
Figure BDA0002332528930000031
其特征在于，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(xi)-yi)为任意损失函数；h(xi)为支持向量机模型的预测值；xi为第i个样本数据的特征组成的向量，yi为该样本对应的评分；
进一步的，优化问题的表达式具体为：
Figure BDA0002332528930000032
式中，
Figure BDA0002332528930000041
为期望输出值，yi为实际值，N为样本的个数。
本发明相比现有技术，具有以下有益效果：本发明提出基于支持向量机的面包生产建模及决策参数优化，综合了与面包口感有关的影响因素构建训练数据组并进行建模，并且能够获得全局最优解，所以模型的精度较现有模型有了一定的提高，能够较好的解决其他模型存在的小样本、局部极小点等问题，具有很强的泛化能力，并且通过计算还得出了优化后的面包最佳口感配比，解决了面包口感质量不好的问题。
附图说明
图1为根据本发明实施例的基于支持向量机的面包配方优化方法流程示意图；
图2为本发明实施例的所采用实验面包体积测定仪示意图；
图3为本发明实施例的根据面包实验收集数据所构建模型的训练样本效果图；
图4为本发明实施例的根据面包实验收集数据打乱后的得到的所构建模型的训练样本效果图；
图5为经过支持向量机计算得到优化后的面包最佳口感配比图；
图6为本发明一实施例流程图。
图中，1为顶箱，2为标尺，3为插板，4为底箱，5为支架，6为面包模块。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
实施例1
如图1所示，基于支持向量机的面包生产建模及决策参数优化，包括以下步骤：
步骤一，根据面包的制作工艺选择影响面包口感质量的控制参数，实验所选择的影响因子为高筋面粉、砂糖、盐、脱脂奶粉、黄油、酵母、水。
步骤二，参考中国农业科学院《面包烘焙品质评分标准》，确定面包品质评分标准，如表1所示。
表1
项目分类 满分
体积 35
表皮色泽 5
表皮质地与面包形状 5
包芯色泽 5
平滑度 10
纹理结构 25
弹柔性 10
口感 5
总分 100
使用所确定的面包配方制作面包，其步骤为：原材料预处理→面团→发酵→分割→滚圆→醒发→整形→醒发→烘烤→冷却→包装。
对制作出的面包的品质进行评分。
感官检验：通过视觉、嗅觉、味觉测定。
理化检验：重量：用天平或台秤测量。
体积：将待测面包称重(精确到0.1g)，选择适当体积的面包模块(与待测面包体积相仿)，放入体积仪底箱中，盖好，从体积仪顶端放入填充物，至标尺零线。盖好顶盖后反复颠倒几次，消除死角空隙，调整填充物加入量至标尺零线。取出面包模块，放入待测面包，拉开插板使填充物自然落下，在标尺上读出填充物的刻度，即为面包的实测体积。
实验数据统计，根据面包配方设计出面包质量的影响因子，再使用各因子配比做出的面包实验数据中50组的作为支持向量机的学习样本。另外，将50组训练数据打乱来评价该网络的泛化能力。
实验所选择的影响因子为高筋面粉、砂糖、盐、脱脂奶粉、黄油、酵母、水，以它们作为支持向量机的输入参数X1、X2……X7，以面包烘焙品质得分作为输出参数Y。为提高网络训练效率，先对数据样本进行归一化处理，使数据全部归于[0,1]之间。详细数据见表2。
表2
Figure BDA0002332528930000071
Figure BDA0002332528930000081
通过由上述实验过程所采集的数据，利用Matlab软件，用一定数量的学习样本使用支持向量机进行训练。通过调整核函数参数g和惩罚因子c，使网络误差满足工作需求。然后就可以利用训练好的支持向量机模型优化实验参数，达到产品最佳的效果。
先将惩罚因子c和核函数参数g的取值确定在一定范围，然后利用网格划分搜索方法对c和g进行取值优化。c和g的取值优化过程为把训练集作为原始数据集运用网格划分搜索方法得到不同c值和g值下训练集的预测均方误差mse，然后选取预测均方误差mse为最小的那组c与g为最佳参数。
为了检验拟合数据的精度，首先在50组数据中按实验数据顺序训练数据，然后采用matlab软件进行训练，再将50组实验数据进行打乱进行计算，通过比较来决定哪种模型更好。
依据经验和实验结果对配方中的各项实验参数(X1，X2，…，X7)的取值区间和水平间隔做指定，如表3。
表3
输入参数 参数取值/％ 间隔/％
X1 46-55 1
X2 1-5 1
X3 1-3 1
X4 1-4 1
X5 1-3 1
X6 1-2 1
X7 33-42 1
按照表3的参数取值要求，总共得到参数组合36000组，使用此模型进行全面优化实验。确定所得出的优化后面包的最佳口感质量配比即：高筋面粉52％、砂糖3％、盐1％、脱脂奶粉2％、黄油2％、酵母1％、水36％。
实施例2
如图6所示，本发明提供基于支持向量机的面包生产建模及决策参数优化，包括：
根据面包加工工艺选择影响面包质量口感的控制参数；
参考中国农业科学院《面包烘焙品质评分标准》，确定面包品质评分标准；
使用所确定的面包配方制作面包，其中焙烤时使用下火温度180℃，上火温度200℃焙烤9～13min。
对制作出的面包的品质进行评分，感官检验：通过视觉、嗅觉、味觉测定，理化检验：重量用天平或台秤测量，体积采用面包体积测定仪测定。
收集面包实验相关数据，实验所选择的影响因子为高筋面粉、砂糖、盐、脱脂奶粉、黄油、酵母、水，以它们作为支持向量机的输入参数X1、X2……X7，以面包烘焙品质得分作为输出参数Y。为提高网络训练效率，先对数据样本进行归一化处理，使数据全部归于[0,1]之间。
根据面包配方设计出面包质量的影响因子，再使用各因子配比做出的面包实验数据中50组的作为支持向量机的学习样本。另外，将50组训练数据打乱来评价该网络的泛化能力。
利用随机数函数从总数为n的数据集中取m个数据作为训练集，剩下的(n-m)个
数据作为测试集；
寻找最佳参数:惩罚因子c和RBF核函数中的方差g，训练支持向量机，通过支持向量机回归(SVR)预测面包口味质量评分；
具体如下：采用默认的RBF核函数，利用交叉验证方法进行寻找最佳参数：惩罚因子c和RBF核函数中的方差g；当模型的性能相同时，为了减少计算时间，可以优先选择惩罚因子c较小的参数组合，因为惩罚因子c越大，得到的支持向量数将越多，计算量越大；选择出最佳参数之后，使用支持向量机训练模型函数进行模型训练，创建SVM模型，得到训练集的结果；
存储训练出来预测面包口感质量评分的SVM模型；
为了检验拟合数据的精度，在50组数据中按实验数据顺序训练数据，然后采用支持向量机进行训练，再将50组实验数据进行打乱进行计算，通过比较来决定哪种模型更好。
依据经验和实验结果对配方中的各项实验参数(X1，X2，…，X7)的取值区间和水平间隔做指定。
使用此模型进行全面优化实验，调用经上述实验数据顺序和打乱训练后的两种支持向量机模型，比较后来确定优化后的面包最佳口感配比。
本发明相比现有技术，具有以下有益效果：
本发明提出基于支持向量机的面包生产建模及决策参数优化，综合了与面包口感有关的影响因素构建训练数据组并进行建模，并且能够获得全局最优解，所以模型的精度较现有模型有了一定的提高，能够较好的解决其他模型存在的小样本、局部极小点等问题，具有很强的泛化能力，并且通过计算还得出了优化后的面包最佳口感配比，解决了面包口感质量不好的问题。

Claims (7)

1.基于支持向量机的面包生产建模及决策参数优化方法，其特征在于，包括以下步骤：
S1设定影响面包口感质量的控制参数和面包品质评分标准；
S2对制作出的面包的品质进行评分；
S3收集已制作出的面包实验数据，所述实验数据包括高筋面粉数据、砂糖数据、盐数据、脱脂奶粉数据、黄油数据、酵母数据、水数据，将所述实验数据分别作为向量机的输入参数X1、X2……X7，以面包烘焙品质得分作为输出参数Y；
S4对实验数据样本进行归一化处理，使数据样本归于[0,1]之间，所述归一化处理的计算公式如下：
Figure FDA0002332528920000011
式中，a、b分别为归一化处理的范围[0,1]内的最小值和最大值，xi为数据集C中第i个数据归一化前的数值，x’i为数据集C中第i个数据归一化后的数值，max(C)表示数据集C中的最大值、min(C)表示数据集C中的最小值；
S5采用归一化处理后的实验数据作为训练集对面包最优配方的向量机模型进行训练，获得训练好的向量机模型；
S6应用向量机优化面包配方，使用训练好的向量机模型得到最优控制参数。
2.如权利要求1所述的基于支持向量机的面包生产建模及决策参数优化方法，其特征在于，
所述控制参数包括高筋面粉数据、砂糖数据、盐数据、脱脂奶粉数据、黄油数据、酵母数据、水数据。
3.如权利要求1所述的基于支持向量机的面包生产建模及决策参数优化方法，其特征在于，
所述面包品质评分标准包括，面包体积得分满分为35分，表皮色泽得分满分为5分，表皮质地与面包形状得分满分为5分，包芯色泽得分满分为5分，平滑度得分满分为10分，纹理结构得分满分为25分，弹柔性得分满分为10分，口感得分满分为5分，通过以上评分标准对面包打分，总分为100分。
4.如权利要求1所述的基于支持向量机的面包生产建模及决策参数优化方法，其特征在于，
进行体积检验时，使用面包体积测定仪进行测量，包括，将待测面包称重，选择与待测面包体积相仿面包模块，放入体积仪底箱中，盖好，从体积仪顶端放入填充物，至标尺零线，盖好顶盖后反复颠倒几次，消除死角空隙，调整填充物加入量至标尺零线，取出面包模块，放入待测面包，拉开插板使填充物自然落下，在标尺上读出填充物的刻度，即为面包的实测体积。
5.如权利要求1所述的基于支持向量机的面包生产建模及决策参数优化方法，其特征在于，
将获取到的样本数据分成训练集和测试集，具体为：
将获取到的样本数据按照训练测试比为4:1分成训练集和测试集。
6.如权利要求1所述的基于支持向量机的面包生产建模及决策参数优化方法，其特征在于，
所述支持向量机模型的目标函数为：
Figure FDA0002332528920000031
式中，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(xi)-yi)为任意损失函数；h(xi)为支持向量机模型的预测值；xi为第i个样本数据的特征组成的向量，yi为该样本对应的评分。
7.如权利要求1所述的基于支持向量机的面包生产建模及决策参数优化方法，其特征在于，
优化问题的表达式具体为：
Figure FDA0002332528920000032
式中，
Figure FDA0002332528920000033
为期望输出值，yi为实际值，N为样本的个数。
CN201911342055.XA 2019-12-24 2019-12-24 基于支持向量机的面包生产建模及决策参数优化方法 Pending CN111008791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911342055.XA CN111008791A (zh) 2019-12-24 2019-12-24 基于支持向量机的面包生产建模及决策参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911342055.XA CN111008791A (zh) 2019-12-24 2019-12-24 基于支持向量机的面包生产建模及决策参数优化方法

Publications (1)

Publication Number Publication Date
CN111008791A true CN111008791A (zh) 2020-04-14

Family

ID=70117424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911342055.XA Pending CN111008791A (zh) 2019-12-24 2019-12-24 基于支持向量机的面包生产建模及决策参数优化方法

Country Status (1)

Country Link
CN (1) CN111008791A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639761A (zh) * 2020-05-19 2020-09-08 珠海格力电器股份有限公司 一种基于bp神经网络预测烘烤食品的感官评价方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102880934A (zh) * 2012-09-07 2013-01-16 中国标准化研究院 一种食品企业诚信评价方法
CN106096788A (zh) * 2016-06-21 2016-11-09 重庆科技学院 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统
CN106845136A (zh) * 2017-02-21 2017-06-13 上海大学 一种基于支持向量机的针阀体挤压研磨精度预测方法
CN107316501A (zh) * 2017-06-28 2017-11-03 北京航空航天大学 一种基于网格搜索的支持向量机行程时间预测方法
CN207163362U (zh) * 2017-09-26 2018-03-30 安徽国泰众信检测技术有限公司 一种面包体积测定仪
WO2019088185A1 (ja) * 2017-11-01 2019-05-09 株式会社日立製作所 設計支援装置及び設計支援方法
CN110458362A (zh) * 2019-08-15 2019-11-15 中储粮成都储藏研究院有限公司 基于svm支持向量机模型的粮食品质指标预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102880934A (zh) * 2012-09-07 2013-01-16 中国标准化研究院 一种食品企业诚信评价方法
CN106096788A (zh) * 2016-06-21 2016-11-09 重庆科技学院 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统
CN106845136A (zh) * 2017-02-21 2017-06-13 上海大学 一种基于支持向量机的针阀体挤压研磨精度预测方法
CN107316501A (zh) * 2017-06-28 2017-11-03 北京航空航天大学 一种基于网格搜索的支持向量机行程时间预测方法
CN207163362U (zh) * 2017-09-26 2018-03-30 安徽国泰众信检测技术有限公司 一种面包体积测定仪
WO2019088185A1 (ja) * 2017-11-01 2019-05-09 株式会社日立製作所 設計支援装置及び設計支援方法
CN110458362A (zh) * 2019-08-15 2019-11-15 中储粮成都储藏研究院有限公司 基于svm支持向量机模型的粮食品质指标预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
李鹤等: "苦荞面包配方及工艺参数优化", 《食品研究与开发》 *
李鹤等: "苦荞面包配方及工艺参数优化", 《食品研究与开发》, vol. 37, no. 06, 20 March 2016 (2016-03-20), pages 93 - 95 *
梁慧等: "基于支持向量机回归的洗油乳化配方的研究", 当代化工, vol. 44, no. 9, pages 2106 - 2109 *
陈峰等: "化学计量学方法在食品分析中的应用", 《食品科学技术学报》 *
陈峰等: "化学计量学方法在食品分析中的应用", 《食品科学技术学报》, vol. 35, no. 03, 31 May 2017 (2017-05-31), pages 1 - 15 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639761A (zh) * 2020-05-19 2020-09-08 珠海格力电器股份有限公司 一种基于bp神经网络预测烘烤食品的感官评价方法

Similar Documents

Publication Publication Date Title
CN111125908A (zh) 基于极限学习机的面包生产建模及决策参数优化方法
Etminan et al. Determining the best drought tolerance indices using artificial neural network (ANN): Insight into application of intelligent agriculture in agronomy and plant breeding
KR102015997B1 (ko) 조리 품질의 평가 방법 및 장치
Dragincic et al. Group multi-criteria decision making (GMCDM) approach for selecting the most suitable table grape variety intended for organic viticulture
CN107543838B (zh) 一种稀奶油中掺假植脂奶油的核磁共振检测方法
CN110458362A (zh) 基于svm支持向量机模型的粮食品质指标预测方法
CN111008791A (zh) 基于支持向量机的面包生产建模及决策参数优化方法
Yildiz et al. Optimization of gluten-free cake prepared from chestnut flour and transglutaminase: response surface methodology approach
CN103637800B (zh) 基于八段阻抗模型的人体成分分析的方法
Bourré et al. Effect of adding fermented split yellow pea flour as a partial replacement of wheat flour in bread
Dobraszczyk et al. Rapid Assessment and Prediction of Wheat and Gluten Baking Quality With the 2‐g Direct Drive Mixograph Using Multivariate Statistical Analysis
CN112506977B (zh) 一种区间直觉模糊多属性群体决策供应商选择方法
CN112232595B (zh) 基于ipso-svm模型的储藏小麦品质预测方法
CN103461816A (zh) 一次发酵法制备馒头及馒头和面粉品质的评价方法
CN100482084C (zh) 实验室北方馒头的制作方法
CN108741342A (zh) 一种基于因子分析和概率神经网络的人体体型聚类方法
CN108053418A (zh) 一种动物背景建模方法及装置
JP2016008822A (ja) 体重管理装置、体重管理方法及び体重管理プログラム
Mondal et al. Investigation of the process parameters using response surface methodology on the quality of crustless bread baked in a water‐spraying oven
Mukhopadhyay et al. Neural network modeling and optimization of process parameters for production of chhana cake using genetic algorithm.
Coles Mixing space: affinitive practice and the insurgent potential of food
WO2020173072A1 (zh) 一种基于测量质心无损检测鸡蛋新鲜度的方法
CN108564212A (zh) 一种果品蔬菜生长的影响因素的调控方法和系统
Ingelin et al. Mixograph absorption determination by response surface methodology
Berget et al. Optimal sorting of raw materials for use in different products

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