CN111125908A - 基于极限学习机的面包生产建模及决策参数优化方法 - Google Patents

Abstract

本发明提供基于极限学习机的面包生产建模及决策参数优化。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：确定制作面包原料组成；确定面包品质评分标准；制作面包；对制作出的面包的品质进行评分；收集面包实验相关数据；训练极限学习机应用极限学习机优化面包配方。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

基于极限学习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，特别涉及基于极限学习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

针对现有技术的不足，能够解决面包鉴于上述问题，本发明的目的是提供基于极限学习机的面包生产建模及决策参数优化，克服口感质量不好的问题。

本发明提供基于极限学习机的面包生产建模及决策参数优化方法，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极限学习机的输入参数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：

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极限学习机模型进行训练，获得训练好的极限学习机模型；

S6应用极限学习机优化面包配方，使用训练好的极限学习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。

进一步的，极限学习机网络包括三层结构，分别为输入层、隐层和输出层；

选取影响面包口感质量的影响因子作为神经网络的输入，影响因素的个数为输入层神经元个数，选取面包口感质量评分作为神经网络的输出，评分为输出层神经元个数，隐层激励函数为

其中x为隐层神经元的输入。

进一步的，训练极限学习机面包口感质量评分模型，将训练样本输入极限学习机面包口感质量评分模型进行训练学习，求出输出权值矩阵β。

进一步的，将测试样本输入训练好的极限学习机面包口感质量评分模型得到输出值，将其反归一化处理后得到预测值，将预测值和实际预测值进行比较计算，验证评价面包口感质量评分模型。

进一步的，极限学习机面包口感质量评分模型学习过程包括以下步骤：

面包口感质量评分模型测试样本数据为{(xi,ti)|i＝1,2,…,N}，N为测试样本个数，极限学习机表述为

其中j＝1,2,…,N，

为隐层节点的个数，β_i＝(β_i1,β_i2,…,β_im)^T为输出神经元与第i个隐层节点的输出权值，w_i＝(w_i1,w_i2,…,w_iN)^T为输入神经元与第i个隐层节点的输入权值，b_i为第i个隐层节点的阈值，随机赋值权值向量w_i和阈值b_i；

ti与t_j表示相同的含义。

进一步的，计算训练样本数据的隐层输出矩阵H_tr，其中

求解Htr的广义逆Moore—Penrose矩阵

计算输出权值矩阵

其中

T_tr＝(t₁,t₂,…,t_N)^T。

进一步的，优化问题的表达式具体为：

式中，

为期望输出值，y_i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：

本发明提出基于极限学习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。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。

然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明

图1为根据本发明实施例的基于极限学习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ELM神经网络模型结构示意图；

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(1)；

图5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(2)；

图6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(3)；

图7为经过极限学习机计算得到优化后的面包最佳口感配比图。

图8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。基于极限学习机的面包生产建模及决策参数优化，如图1所示，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，以它们作为极限学习机的输入参数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

通过由上述实验过程所采集的数据，利用Matlab神经网络工具箱，使用ELM算法训练数据。通过调整隐含层的神经元数和训练次数，使网络误差满足工作需求，得到输入层、隐含层和输出层的权系数及各个节点的阈值。然后就可以利用训练好的神经网络优化实验参数，达到产品最佳的效果。

整理试验数据,修正数据中明显的错误,并将试验数据作为样本集,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；

确定极限学习机网络结构；极限学习机作为一种单隐层前馈神经网络，有三层，分别为输入层、隐层和输出层；选取影响面包口感质量的影响因子作为神经网络的输入，影响因素的个数为输入层神经元个数。选取面包口感质量评分作为神经网络的输出，评分为输出层神经元个数，隐层激励函数为

其中x为隐层神经元的输入；

利用训练集建立并训练神经网络,建立模型。

查看所建的模型能否正确地拟合训练集,若模型能够成功地拟合训练集,则进行第4步,若不能,则重新设定隐含层节点个数,重新训练模型。

利用测试集验证极限学习机神经网络预测模型,若模型能够对测试集的性能正确地预测,则说明模型具有良好的泛化能力和较高的预测精度,模型可用,反之则表示模型的泛化能力差,预测精度低,需要重新调整模型参数,重新进行上一步。

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。利用Matlab调用经上述全部打乱后的三种ELM神经网络模型，在使用3种模型计算后，得到了不同的全局最优解，但是经比较后发现泛化能力更好的第2次打乱后得到的模型计算出的结果得分更高，所以可以确定所得出的配比为优化后的面包最佳口感配比。

最终得到了最优原料组合，得到了最佳口感质量配比，即：高筋面粉55％、砂糖1％、盐1％、脱脂奶粉1％、黄油1％、酵母1％、水33％。

实施例2：

如图8所示本发明提供基于极限学习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，以它们作为极限学习机的输入参数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作为BP神经网络的学习样本。另外，将50组实验数据随机打乱建立模型来评价该网络的泛化能力。

ELM神经网络模型的建立流程如下：

(1)整理试验数据,修正数据中明显的错误,并将试验数据作为样本集,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；

(2)利用训练集建立并训练神经网络,建立模型。

(3)查看所建的模型能否正确地拟合训练集,若模型能够成功地拟合训练集,则进行第4步,若不能,则重新设定隐含层节点个数,重新训练模型。

(4)利用测试集验证极限学习机神经网络预测模型,若模型能够对测试集的性能正确地预测,则说明模型具有良好的泛化能力和较高的预测精度,模型可用,反之则表示模型的泛化能力差,预测精度低,需要重新调整模型参数,重新进行第3步。

极限学习机面包口感质量评分模型学习过程包括以下步骤：

面包口感质量评分模型测试样本数据为{(xi,ti)|i＝1,2,…,N}，N为测试样本个数，极限学习机表述为

其中j＝1,2,…,N，

为隐层节点的个数，β_i＝(β_i1,β_i2,…,β_im)^T为输出神经元与第i个隐层节点的输出权值，w_i＝(w_i1,w_i2,…,w_iN)^T为输入神经元与第i个隐层节点的输入权值，b_i为第i个隐层节点的阈值。随机赋值权值向量w_i和阈值b_i。

计算训练样本数据的隐层输出矩阵H_tr，其中

求解Htr的广义逆Moore—Penrose矩阵

计算输出权值矩阵

其中

T_tr＝(t₁,t₂,…,t_N)^T。

面包口感配方优化；将测试样本输入训练好的极限学习机面包口感质量配方优化模型得到输出值，将其反归一化处理后即可得到输入值，将输出值和实际输出值进行比较计算，从而验证面包口感质量配方优化模型，过程包括以下步骤：

输入测试样本面包配方数据，计算测试样本的隐层输出矩阵H_te；

计算测试样本的极限学习机输出T_te＝H_teβ；

将极限学习机的输出T_te利用mapminmax函数反归一化，得到评分预测值；

将预测值与测试样本的实际值进行比较，计算相对误差和绝对误差，对极限学习机面包口感质量配方优化模型进行验证。

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，调用经上述打乱训练后的三种极限学习机模型，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：

本发明提出基于极限学习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 (11)

1.基于极限学习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极限学习机的输入参数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：

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极限学习机模型进行训练，获得训练好的极限学习机模型；

S6应用极限学习机优化面包配方，使用训练好的极限学习机模型得到最优控制参数。

2.如权利要求1所述的基于极限学习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所述的基于极限学习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述的基于极限学习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所述的基于极限学习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所述的基于极限学习机的面包生产建模及决策参数优化方法，其特征在于，

极限学习机网络包括三层结构，分别为输入层、隐层和输出层；

选取影响面包口感质量的影响因子作为神经网络的输入，影响因素的个数为输入层神经元个数，选取面包口感质量评分作为神经网络的输出，评分为输出层神经元个数，隐层激励函数为

其中x为隐层神经元的输入。

7.如权利要求1所述的基于极限学习机的面包生产建模及决策参数优化方法，其特征在于，

训练极限学习机面包口感质量评分模型，将训练样本输入极限学习机面包口感质量评分模型进行训练学习，求出输出权值矩阵β。

8.如权利要求1所述的基于极限学习机的面包生产建模及决策参数优化方法，其特征在于，

将测试样本输入训练好的极限学习机面包口感质量评分模型得到输出值，将其反归一化处理后得到预测值，将预测值和实际预测值进行比较计算，验证评价面包口感质量评分模型。

9.如权利要求1所述的基于极限学习机的面包生产建模及决策参数优化方法，其特征在于，

极限学习机面包口感质量评分模型学习过程包括以下步骤：

面包口感质量评分模型测试样本数据为{(xi,ti)|i＝1,2,…,N}，N为测试样本个数，极限学习机表述为

其中j＝1,2,…,N，

为隐层节点的个数，β_i＝(β_i1,β_i2,…,β_im)^T为输出神经元与第i个隐层节点的输出权值，w_i＝(w_i1,w_i2,…,w_iN)^T为输入神经元与第i个隐层节点的输入权值，b_i为第i个隐层节点的阈值，随机赋值权值向量w_i和阈值b_i。

10.如权利要求1所述的基于极限学习机的面包生产建模及决策参数优化方法，其特征在于，

计算训练样本数据的隐层输出矩阵H_tr，其中

求解Htr的广义逆Moore—Penrose矩阵

计算输出权值矩阵

其中

T_tr＝(t₁,t₂,…,t_N)^T。

11.如权利要求1所述的基于极限学习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：

式中，

为期望输出值，y_i为实际值，N为样本的个数。

Images