CN111639761A - 一种基于bp神经网络预测烘烤食品的感官评价方法 - Google Patents
一种基于bp神经网络预测烘烤食品的感官评价方法 Download PDFInfo
- Publication number
- CN111639761A CN111639761A CN202010426553.9A CN202010426553A CN111639761A CN 111639761 A CN111639761 A CN 111639761A CN 202010426553 A CN202010426553 A CN 202010426553A CN 111639761 A CN111639761 A CN 111639761A
- Authority
- CN
- China
- Prior art keywords
- scores
- sensory
- neural network
- baked
- cooking
- 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
Links
- 230000001953 sensory effect Effects 0.000 title claims abstract description 72
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 235000013305 food Nutrition 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000010411 cooking Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000002932 luster Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 235000005955 light diet Nutrition 0.000 claims description 2
- 235000015173 baked goods and baking mixes Nutrition 0.000 claims 8
- 230000002349 favourable effect Effects 0.000 claims 1
- 238000010025 steaming Methods 0.000 abstract description 11
- 238000000034 method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009246 food effect Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102220016830 rs11568528 Human genes 0.000 description 1
- 102220215553 rs139765650 Human genes 0.000 description 1
- 102220124982 rs140149764 Human genes 0.000 description 1
- 102220110177 rs142129056 Human genes 0.000 description 1
- 102220048977 rs144067344 Human genes 0.000 description 1
- 102220271096 rs1555462505 Human genes 0.000 description 1
- 102220112772 rs180778332 Human genes 0.000 description 1
- 102220037545 rs187184327 Human genes 0.000 description 1
- 102220168578 rs199904091 Human genes 0.000 description 1
- 102220175917 rs375609763 Human genes 0.000 description 1
- 102220080889 rs549894501 Human genes 0.000 description 1
- 102220047008 rs587776405 Human genes 0.000 description 1
- 102220024548 rs62636518 Human genes 0.000 description 1
- 102220191467 rs763708665 Human genes 0.000 description 1
- 102220145643 rs781319494 Human genes 0.000 description 1
- 102220126301 rs782402689 Human genes 0.000 description 1
- 102220065847 rs794726907 Human genes 0.000 description 1
- 102220120883 rs886042682 Human genes 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Immunology (AREA)
- Pure & Applied Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
一种基于BP神经网络预测烘烤食品的感官评价方法，包括：S1、对烘烤食品在不同烹饪条件下分别进行烘烤；S2、对烘烤后的食品进行模糊感官评价，形成模糊感官评分；S3、创建烘烤食品的不同烹饪条件和模糊感官评分的数据集；S4、以烘烤食品数据集的不同烹饪条件数据为输入层，模糊感官评分为输出层，构建基于BP算法的人工神经网络学习模型，并进行训练至人工神经网络学习模型稳定；S5、以未知烘烤食品的不同烹饪条件数据为输入层，根据人工神经网络学习模型预测该未知烘烤食品的模糊感官评分。本发明够通过烹饪参数预测食物的烹饪效果，该模型预测准确率较高，可以方便的为用户提供烹饪条件参考，预测蒸烤一体机的烹饪效果。
Description
技术领域
本发明属于食品评价方法领域，尤其涉及一种基于BP神经网络预测烘烤食品的感官评价方法。
背景技术
蒸烤一体机作为一种销量快速增长的烹饪电器，受到了消费者的欢迎。蒸烤一体机在烹饪过程中通常以设置时间、温度、湿度等参数作为烘烤条件，但这些参数条件通常以高、中、低档划分，在设置这些烹饪参数时，用户往往不知道这些参数所预期的烹饪效果，所以用户会对于这些参数的设置显得不知所措。由于这些烹饪参数和烹饪效果之间的数学关系并不特别明显，因此很难用数学公式进行预测。
神经网络作为一种数学建模方法，对于输入值和输出值之间的函数关系并无太大要求，因此可以用于蒸烤一体机烹饪效果的预测。
本发明以蒸烤一体机为载体，通过对烘烤食品的模糊感官评分进行测定，建立人工神经网络的模糊感官评分预测模型，实现通过烹饪时间、烹饪温度、烹饪湿度等烹饪参数来预测感官评分的目的。
发明内容
本发明目的在于提供一种基于BP神经网络预测烘烤食品的感官评价方法,以解决用户在使用蒸烤一体机设置烘烤参数时，无法把握参数所预期的烹饪效果，以达到提高食物烘烤的品质，了解蒸烤机性能的技术问题。
为实现上述目的，本发明的基于BP神经网络预测烘烤食品的感官评价方法的具体技术方案如下：
一种基于BP神经网络预测烘烤食品的感官评价方法，包括：
S1、对烘烤食品在不同烹饪条件下分别进行烘烤；
S2、对烘烤后的食品进行模糊感官评价，形成模糊感官评分；
S3、创建烘烤食品的不同烹饪条件和模糊感官评分的数据集；
S4、以烘烤食品数据集的不同烹饪条件数据为输入层，模糊感官评分为输出层，构建基于BP算法的人工神经网络学习模型，并进行训练至人工神经网络学习模型稳定；
S5、以未知烘烤食品的不同烹饪条件数据为输入层，根据人工神经网络学习模型预测该未知烘烤食品的模糊感官评分。
进一步，步骤S1中包括：选取的烘烤食品样品要求无损伤，且大小、形状相近，并设定与样品数量对应的烹饪条件作为试验组。
进一步，烹饪条件包括烹饪温度、烹饪时间、烹饪湿度，烹饪温度设定范围为150℃-180℃，烹饪时间设定范围为20分钟-40分钟，烹饪湿度档位分为一挡、二挡、三挡。
进一步，步骤S2中包括：评定小组由至少5位食品相关专业师生组成，对烘烤后的食品进行评定,要求评定小组成员在评定前24小时内不吸烟、不饮酒，清淡饮食，不能食用辛辣、带有刺激性的食物，每次评定完一个样品，漱口后再对下一个样品进行评定。
进一步，步骤S2中包括：建立因素集、评语集，确定烘烤食品各感官指标的的权重，每个感官因素的每个评语的评价人数除以总评价人数得到每个烘烤样品的模糊矩阵，建立每个烘烤食品感官指标的综合评分数据集，分别将分赋值于评语集，再将综合评价结果的各个值分别乘以其对应的等级分值，并进行求和，得出每个样品的模糊感官综合评分。
进一步，步骤S4中包括：使用SPSS统计分析软件创建数据集，使用多层感知器模块建立神经网络模型；选择70％的样本集形成训练集，其余30％的样本集形成检验集，隐藏层最小单元为1，最大单元为50；使用批次训练类型，调整的共轭梯度优化算法；在输出选项中，选ROC曲线图、预测-实测图和预测变量重要性作为模型评估依据。
进一步，步骤S4中包括：以检验集对人工神经网络模型进行测试，比较烘烤样品感官品质评分的预测值和实测值，当达到训练误差时，人工神经网络模型稳定结束训练，反之将烘烤样品对应的样本集数据加入到训练集进行训练，优化人工神经网络模型。
进一步，步骤S5中：BP神经网络结构输入层包括3个输入因子，隐藏层为1个，包含2个隐单元。
进一步，至少选取29个海绵蛋糕作为样品，并设定至少29组与海绵蛋糕数量对应的烹饪条件作为试验组。
本发明的一种基于BP神经网络预测烘烤食品的感官评价方法具有以下优点：能够通过烹饪参数预测食物的烹饪效果，该模型预测准确率较高，可以方便的为用户提供烹饪条件的参考，提高食物的烘烤品质，预测蒸烤一体机的烹饪效果，更好的了解蒸烤机的性能。
具体实施方式
为了更好地了解本发明的目的、方案及功能，下面结合实施例对本发明一种基于BP神经网络预测烘烤食品的感官评价方法做进一步详细的描述，以令本领域技术人员参照说明书文字能够据以实施。
本发明以烘烤海绵蛋糕为例，提供了一种预测烘烤食物品质的预测方法，包括下述步骤：
S1、对海绵蛋糕的在不同烹饪条件下进行烘烤：
对海绵蛋糕进行取样，选取不少于29个无损伤，大小、形状相近的海绵蛋糕样品。
以烹饪温度、烹饪时间、烹饪湿度作为烘烤参数，设定不少于29组、与海绵蛋糕数量对应的试验组作为烘烤条件，其中烹饪温度取值范围为150℃-180℃，烹饪时间取值范围为20分钟-40分钟，烹饪湿度分为1、2、3三个档位，海绵蛋糕的各组烘烤条件设定参见表1。
表1海绵蛋糕的29组烘烤条件
S2、对海绵蛋糕进行模糊感官评价，形成模糊感官评分：
由不少于5位食品相关专业师生组成感官评定小组，通过视觉、嗅觉、触觉、味觉等感官条件对烘烤后的29个海绵蛋糕进行评定,要求评定小组成员在评定前24小时内不吸烟、不饮酒，清淡饮食，不能食用辛辣、带有刺激性的食物，每次评定完一个样品，漱口后再对下一个样品进行评定，评分标准参见表2。
表2海绵蛋糕感官评分标准
建立模糊数学模型：
建立因素集，U＝{色泽，外观，内部结构，弹韧性，气味滋味}；
建立评语集＝{优，良，中，差}；
根据每个因素的每一种评语的人员除以总的评定人员，建立模糊感官评价矩阵，参见表3；
表3模糊感官评价矩阵
将表3中每个海绵蛋糕样品感官因素各个等级评价人数除以总评价人数得到模糊矩阵，模糊矩阵用R表示。以第一个海绵蛋糕样品为例：色泽评价结果有0人选优，4人选良，1人选中，0人选差，则R色泽＝(0，4，1，0)，同理，R外观＝(0，3，2，0)，R内部结构＝(0，5，0，0)，R弹韧性＝(0，3，2，0)，R气味滋味＝(0，4，1，0)；
权重采用强制决定法，确定海绵蛋糕各感官指标的的权重X＝{0.20，0.20，0.20，0.20，0.20}，即色泽0.20，外观0.20，内部结构0.20，弹韧性0.20，气味滋味0.20；
得到R1矩阵如下：(同理可得其他样品2-29的模糊矩阵Rt)
建立模糊关系综合评判集，用K表示海绵蛋糕感官指标综合评判的结果，根据模糊变化原理，可知K＝X×R，对应第t号海绵蛋糕样品评价结果为Kt＝X×Rt，以第一个海绵蛋糕样品为例，其综合评价的结果如下：
同理可得1-29号样品感官综合评价集分别为：
K1＝{0，0.76，0.24，0}，K2＝{0.04，0.88，0.08，0}，K3＝{0.56，0.44，0，0}，K4＝{0.08，0.64，0.28，0}，K5＝{0.36，0.24，0.40，0}，K6＝{0，0.68，0.32，0}，K7＝{0.16，0.56，0.28，0}，K8＝{0.2，0.8，0，0}，K9＝{0.56，0.44，0，0}，K10＝{0.04，0.52，0.04，0.4}，K11＝{0，0，0.52，0.48}，K12＝{0，0.12，0.44，0.44}，K13＝{0.56，0.44，0，0}，K14＝{0.56，0.44，0，0}，K15＝{0，0.44，0.24，0.32}，K16＝{0，0，0.4，0.6}，K17＝{0.12，0.88，0，0}，K18＝{0.48，0.52，0，0}，K19＝{0.4，0.52，0.08，0}，K20＝{0.08，0.16，0.24，0.52}，K21＝{0.56，0.44，0，0}，K22＝{0.32，0.64，0.04，0}，K23＝{0.04，0.96，0，0}，K24＝{0，0.08，0.84，0.08}，K25＝{0.72，0.16，0.12，0}，K26＝{0.08，0.28，0.44，0.2}，K27＝{0.56，0.36，0.08，0}，K28＝{0，0.60，0.40，0}，K29＝{0，0.36，0.64，0}；
根据海绵蛋糕评价评语集，分别将90、80、70、60分赋值于优、良、中、差4个等级，再将综合评价结果的各个值分别乘以其对应的等级分值，并进行求和，得出每个样品的模糊感官综合评分。以第一个海绵蛋糕样品为例：K1＝{0，0.76，0.24，0}，模糊感官评分＝90×0+80×0.76+70×0.24+60×0＝77.6，同理，各个样品最终感官综合得分结果参见表4；
表4海绵蛋糕的29个综合感官得分结果
S3、创建海绵蛋糕的烹饪时间、烹饪温度、烹饪湿度和模糊感官评分的数据集：优选使用SPSS统计分析软件(统计产品与服务解决方案)。
S4、以海绵蛋糕数据集的烹饪时间、烹饪温度、烹饪湿度数据为输入层，所对应的模糊感官评分为输出层，构建基于BP算法的人工神经网络学习模型，并进行训练至人工神经网络学习模型稳定：
采用SPSS17.0建立神经网络模型。对于BP神经网络模型构建，使用多层感知器模块构建网络模型，模型参数如下：样本拆分，按照训练集与检验集7∶3的比例，防止过度拟合；网络结构体系采取自动选择，隐藏层最小单元为1，最大单元为50；使用批次训练类型，调整的共轭梯度优化算法；在输出选项中，选ROC曲线图、预测-实测图和预测变量重要性作为模型评估依据。
以检测集对人工神经网络模型进行测试，比较海绵蛋糕感官品质评分的预测值和实测值，当达到训练误差时，人工神经网络模型稳定结束训练，反之将海绵蛋糕对应的样本集数据加入到训练样本集进行训练，优化人工神经网络模型。
数据处理：试验所得数据由SPSS软件处理。
S5、以未知海绵蛋糕的烹饪时间、烹饪温度、烹饪湿度数据为输入层，根据人工神经网络学习模型预测该未知海绵蛋糕的模糊感官评分：
以影响感官评分的3个因素数据作为神经网络的输入，对应的感官模糊数学评价数据作为网络的输出，将29个海绵蛋糕的感官和烹饪参数作为数据集，进行神经网络模型训练。最终BP神经网络结构为，输入层包括3个输入因子，隐藏层为1个，包含2个隐单元。
训练结果参加表5，该模型预测的感官评分值与实际值之间相对误差基本都在10％以内，可见该模型预测准确率较高，可用于海绵蛋糕的模糊感官评分预测。
表5BP人工神经网络拟合结果
本发明能够通过烹饪参数预测食物的烹饪效果，该模型预测准确率较高，可以方便的为用户提供烹饪条件的参考，提高食物的烘烤品质，预测蒸烤一体机的烹饪效果，更好的了解蒸烤机的性能。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (9)
1.一种基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，包括如下步骤：
S1、对烘烤食品在不同烹饪条件下分别进行烘烤；
S2、对烘烤后的食品进行模糊感官评价，形成模糊感官评分；
S3、创建烘烤食品的不同烹饪条件和模糊感官评分的数据集；
S4、以烘烤食品数据集的不同烹饪条件数据为输入层，模糊感官评分为输出层，构建基于BP算法的人工神经网络学习模型，并进行训练至人工神经网络学习模型稳定；
S5、以未知烘烤食品的不同烹饪条件数据为输入层，根据人工神经网络学习模型预测该未知烘烤食品的模糊感官评分。
2.根据权利要求1所述的基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，步骤S1中包括：
选取的烘烤食品样品要求无损伤，且大小、形状相近，并设定与样品数量对应的烹饪条件作为试验组。
3.根据权利要求1所述的基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，步骤S1中：
烹饪条件包括烹饪温度、烹饪时间、烹饪湿度，烹饪温度设定范围为150℃-180℃，烹饪时间设定范围为20分钟-40分钟，烹饪湿度档位分为一挡、二挡、三挡。
4.根据权利要求1所述的基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，步骤S2中包括：
评定小组由至少5位食品相关专业师生组成，对烘烤后的食品进行评定,要求评定小组成员在评定前24小时内不吸烟、不饮酒，清淡饮食，不能食用辛辣、带有刺激性的食物，每次评定完一个样品，漱口后再对下一个样品进行评定。
5.根据权利要求1所述的基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，步骤S2中包括：
建立因素集，U＝{色泽，外观，内部结构，弹韧性，气味滋味}；
建立评语集＝{优，良，中，差}；
每个感官因素的每个评语的评价人数除以总评价人数得到每个烘烤样品的模糊矩阵，模糊矩阵用R表示，即：
R色泽＝(优评人数，良评人数，中评人数，差评人数)；
R外观＝(优评人数，良评人数，中评人数，差评人数)；
R内部结构＝(优评人数，良评人数，中评人数，差评人数)；
R弹韧性＝(优评人数，良评人数，中评人数，差评人数)；
R气味滋味＝(优评人数，良评人数，中评人数，差评人数)；
确定烘烤食品各感官指标的的权重X＝{0.20，0.20，0.20，0.20，0.20}，即色泽0.20，外观0.20，内部结构0.20，弹韧性0.20，气味滋味0.20；
得出每个烘烤样品的R矩阵如下：
建立每个烘烤食品感官指标的综合评分数据集，用K表示，则：
K＝X×R＝{五个因素优评总和×0.2，五个因素良评总和×0.2，五个因素中评总和×0.2，五个因素差评总和×0.2}；
分别将90、80、70、60分赋值于评语集的优、良、中、差4个等级，再将综合评价结果的各个值分别乘以其对应的等级分值，并进行求和，得出每个样品的模糊感官综合评分，即：
模糊感官评分＝五个因素优评总和×0.2×90+五个因素良评总和×0.2×80+五个因素中评总和×0.2×70+五个因素差评总和×0.2×60。
6.根据权利要求1所述的基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，步骤S4中包括：
使用SPSS统计分析软件创建数据集，使用多层感知器模块建立神经网络模型；
选择70％的样本集形成训练集，其余30％的样本集形成检验集，隐藏层最小单元为1，最大单元为50；
使用批次训练类型，调整的共轭梯度优化算法；
在输出选项中，选ROC曲线图、预测-实测图和预测变量重要性作为模型评估依据。
7.根据权利要求6所述的基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，步骤S4中包括：
以检验集对人工神经网络模型进行测试，比较烘烤样品感官品质评分的预测值和实测值，当达到训练误差时，人工神经网络模型稳定结束训练，反之将烘烤样品对应的样本集数据加入到训练集进行训练，优化人工神经网络模型。
8.根据权利要求7所述的基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，步骤S5中：
BP神经网络结构输入层包括3个输入因子，隐藏层为1个，包含2个隐单元。
9.根据权利要求2所述的基于BP神经网络预测烘烤食品的感官评价方法，其特征在于，至少选取29个海绵蛋糕作为样品，并设定至少29组与海绵蛋糕数量对应的烹饪条件作为试验组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426553.9A CN111639761A (zh) | 2020-05-19 | 2020-05-19 | 一种基于bp神经网络预测烘烤食品的感官评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426553.9A CN111639761A (zh) | 2020-05-19 | 2020-05-19 | 一种基于bp神经网络预测烘烤食品的感官评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111639761A true CN111639761A (zh) | 2020-09-08 |
Family
ID=72332049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010426553.9A Pending CN111639761A (zh) | 2020-05-19 | 2020-05-19 | 一种基于bp神经网络预测烘烤食品的感官评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111639761A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112198285A (zh) * | 2020-10-10 | 2021-01-08 | 四川大学 | 一种基于模糊数学法进行赶黄草茶感官评价的方法 |
| CN112348232A (zh) * | 2020-10-15 | 2021-02-09 | 上海交通大学 | 一种基于bp神经网络预测食品感官鲜味强度的方法 |
| CN113406958A (zh) * | 2021-05-31 | 2021-09-17 | 杭州电子科技大学 | 一种多嗅觉机器人协同的气味源定位方法 |
| CN114868897A (zh) * | 2022-03-14 | 2022-08-09 | 江南大学 | 一种牛油渣美拉德反应产物的牛肉风味改善方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101241118A (zh) * | 2008-03-20 | 2008-08-13 | 上海理工大学 | 基于bp神经网络预测熏煮香肠质构感官评定的方法 |
| CN101793886A (zh) * | 2010-03-24 | 2010-08-04 | 北京林业大学 | 一种基于bp神经网络预测发酵酸乳感官评定方法 |
| CN102539326A (zh) * | 2012-01-13 | 2012-07-04 | 江苏大学 | 茶叶汤色品质的量化评价方法 |
| JP2018018354A (ja) * | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
| CN110169430A (zh) * | 2019-05-23 | 2019-08-27 | 西昌学院 | 一种马铃薯全粉蛋糕及其制备方法 |
| CN111008791A (zh) * | 2019-12-24 | 2020-04-14 | 重庆科技学院 | 基于支持向量机的面包生产建模及决策参数优化方法 |
| CN111125908A (zh) * | 2019-12-24 | 2020-05-08 | 重庆科技学院 | 基于极限学习机的面包生产建模及决策参数优化方法 |
-
2020
- 2020-05-19 CN CN202010426553.9A patent/CN111639761A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101241118A (zh) * | 2008-03-20 | 2008-08-13 | 上海理工大学 | 基于bp神经网络预测熏煮香肠质构感官评定的方法 |
| CN101793886A (zh) * | 2010-03-24 | 2010-08-04 | 北京林业大学 | 一种基于bp神经网络预测发酵酸乳感官评定方法 |
| CN102539326A (zh) * | 2012-01-13 | 2012-07-04 | 江苏大学 | 茶叶汤色品质的量化评价方法 |
| JP2018018354A (ja) * | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
| CN110169430A (zh) * | 2019-05-23 | 2019-08-27 | 西昌学院 | 一种马铃薯全粉蛋糕及其制备方法 |
| CN111008791A (zh) * | 2019-12-24 | 2020-04-14 | 重庆科技学院 | 基于支持向量机的面包生产建模及决策参数优化方法 |
| CN111125908A (zh) * | 2019-12-24 | 2020-05-08 | 重庆科技学院 | 基于极限学习机的面包生产建模及决策参数优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王维民等: "马尾藻纤维脆片加工工艺的研究", 《食品工业科技》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112198285A (zh) * | 2020-10-10 | 2021-01-08 | 四川大学 | 一种基于模糊数学法进行赶黄草茶感官评价的方法 |
| CN112348232A (zh) * | 2020-10-15 | 2021-02-09 | 上海交通大学 | 一种基于bp神经网络预测食品感官鲜味强度的方法 |
| CN113406958A (zh) * | 2021-05-31 | 2021-09-17 | 杭州电子科技大学 | 一种多嗅觉机器人协同的气味源定位方法 |
| CN114868897A (zh) * | 2022-03-14 | 2022-08-09 | 江南大学 | 一种牛油渣美拉德反应产物的牛肉风味改善方法 |
| CN114868897B (zh) * | 2022-03-14 | 2023-10-27 | 江南大学 | 一种牛油渣美拉德反应产物的牛肉风味改善方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639761A (zh) | 一种基于bp神经网络预测烘烤食品的感官评价方法 | |
| CN110782971A (zh) | 一种膳食推荐方法及系统 | |
| CN107665254A (zh) | 一种基于深度学习的菜谱推荐方法 | |
| 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 | |
| CN112786154A (zh) | 食谱推荐方法、装置、电子设备和存储介质 | |
| CN111554379A (zh) | 一种健康食材食谱推荐方法、设备及计算机可读存储介质 | |
| Lu et al. | Dietary behavior in relation to socioeconomic characteristics and self-perceived health status | |
| Singh et al. | Fuzzy logic sensory evaluation of cupcakes developed from the mahua flower (Madhuca longifolia) | |
| Gélinas et al. | A finer screening of wheat cultivars based on comparison of the baking potential of whole‐grain flour and white flour | |
| CN116108246A (zh) | 考虑用户偏好一致性的语义非对称相似性推荐系统 | |
| Conrad et al. | Quality of popular diet patterns in the United States: evaluating the effect of substitutions for foods high in added sugar, sodium, saturated fat, and refined grains | |
| Setser | Sensory evaluation | |
| CN116183843A (zh) | 一种番茄果实口感评价方法 | |
| CN116682533A (zh) | 基于机器学习的肾病患者营养管理方法及系统 | |
| CN111291951B (zh) | 一种微波炉的烹调性能测定方法 | |
| Grafenauer et al. | Development and validation of a Food Choices Score for use in weight-loss interventions | |
| Arambepola | Abdominal obesity and its association with selected risk factors of coronary heart disease in an adult population in the district of Colombo | |
| Falciglia et al. | Assessing dietary variety in children: development and validation of a predictive equation | |
| Pouliou et al. | Robust screening of cake product characteristics by the Taguchi method | |
| Omid et al. | Modeling thermal conductivity of Iranian flat bread using artificial neural networks | |
| CN112493436A (zh) | 一种加工甘薯脆片适宜性的筛选方法 | |
| European Food Safety Authority | Results on acrylamide levels in food from monitoring year 2008 | |
| CN115530773B (zh) | 一种基于病人摄入饮食的心血管疾病评估预防系统 | |
| Sayas-Barberá et al. | Food science for high school students: a university-high school collaborative project | |
| Prinyawiwatkul et al. | Applications of discriminant and logistic regression analysis for consumer acceptance and consumer‐oriented product optimization study |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200908 |
|
| RJ01 | Rejection of invention patent application after publication |