曹冬梅 張東杰 鹿保鑫 翟愛華

(黑龍江八一農墾大學食品學院，大慶 163319)

大米在儲藏過程中，因為沒有谷殼的保護，胚乳直接暴露在空氣中，極易受濕、熱、蟲、霉的影響而變質，不僅影響了大米的食味品質。而且關系到大米儲藏的安全。因此如何準確、快速地預測和監(jiān)控大米質量指標對大米儲藏和品質影響具有十分重要的意義。

人工神經網絡(ANN，Artificial Neural Networks)是一種應用類似于大腦神經突觸聯(lián)接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。由大量的節(jié)點(或稱神經元)相互聯(lián)接構成。每個節(jié)點代表一種特定的輸出函數，稱為激勵函數(activation function)。每2個節(jié)點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近［1］。因此具有強大的信息處理能力，在進行數值的監(jiān)控、預測方面更具有明顯的優(yōu)勢。

通過檢測大米樣本的脂肪酸值、還原糖、黏度，并以其檢測值作為訓練樣本，建立基于反向傳播算法的人工神經網絡(BP網絡)的大米儲藏品質模型，實現(xiàn)準確、快速預測與監(jiān)控大米的品質隨時間變化的規(guī)律，保證大米的食用品質和安全性。

1 人工神經網絡及BP算法

人工神經網絡是由人工建立的以有向圖為拓撲結構的動態(tài)系統(tǒng)，通過分析連續(xù)或斷續(xù)輸入的狀態(tài)響應來進行信息處理。其實質是輸入轉化成輸出的一種數學表達式，這種數學關系由網絡的結構來確定［2］，ANN所包含的大量神經元可分為輸入層、隱層和輸出層的多層結構。輸入、輸出層為單層，神經元數(也稱節(jié)點數)分別由輸入、輸出變量的數目確定;隱層可以是單層也可以是多層。隱層層數與各隱層節(jié)點數的確定比較復雜，一般應以獲得最優(yōu)網絡性能為目標，根據所研究的具體問題，按經驗或作嘗試比較確定。誤差反向傳播網絡(Back Propagation，BP網絡)是人工神經網絡的重要模型之一，基本的BP網絡拓撲結構見圖1。

圖1 BP網絡拓樸結構

ANN是一種新型的黑箱方法，與傳統(tǒng)的線性或非線性回歸方法相比，它具有以下優(yōu)點［3］:ANN具有學習能力;ANN是一個復雜非線性系統(tǒng)，對于非線性系統(tǒng)具有較好的處理能力，包括模擬、優(yōu)化和控制;ANN是一種并行運算系統(tǒng)，與串行運算相比具有較高的運算速度，響應時間較短，可以滿足在線模擬、在線優(yōu)化、自適應控制的需要。

2 大米儲藏品質的人工神經網絡模型

2.1 網絡模型的建立和訓練

對來自黑龍江省大型米業(yè)集團的同一批次的5個樣本稻米在實驗室室溫下避光儲藏360 d，按照國標方法(LS/T 6101—2002谷物黏度測定、GB/T 5009.7—2003食品中還原糖的測定、GB/T 15684—1995谷物制品脂肪酸值測定法)每隔15天檢測其脂肪酸值，還原糖和黏度值，見表1。

2.2 樣本數據預處理

將表1中的檢測值數據作為樣本的訓練數據，進行歸一化處理，即通過變換處理將網絡的輸入、輸出數據限制在［0，1］或［－1，1］區(qū)間內。從而使網絡訓練一開始就給各輸入分量以同等重要的地位。處理后的數據見表1(歸一化處理后數據)。

表1 實驗室儲藏大米的脂肪酸值、還原糖和黏度檢測值和歸一化處理后數據樣本

3 結果與分析

對表1的24個樣本(黏度值選擇12個樣本)進行訓練BP網絡，該BP網絡采用輸入層為3個結點，輸出層為1個結點，而隱含層有8個結點。取學習率為0.1，取動量系數為0.6，初始權值為0.3。輸入 BP神經網絡，對其進行學習訓練，迭代計算，直到輸出的誤差足夠小，能對24個樣本(黏度值12個樣本)進行正確選擇，將已知數據代入模型進行學習與訓練，結果見圖2、圖5、圖8。

3.1 脂肪酸

由圖2可知，所設計的大米脂肪酸值神經網絡模型用實測的24組樣本數據進行訓練，當步長達到103次的時候，輸出層的均方誤差就達到了4.23×10－6，滿足訓練參數中要求的目標誤差要求。利用模型得到大米脂肪酸值的預測值與實測值的結果如圖3、圖4所示。

圖2 脂肪酸值的訓練誤差曲線

圖3 脂肪酸值的預測值與實測值的擬合曲線

圖4 脂肪酸值的預測值與實際值的絕對誤差曲線

由圖3、圖4可知，應用神經網絡模型預測數據與實測數據的對比來看，BP神經網絡檢測性能較好，絕對誤差在±0.004之間，誤差較小，BP神經網絡模型的預測效果好。為了進一步驗證預測模型的有效性，對5個樣本稻米進一步儲藏，每15 d檢測其脂肪酸值與建立的神經網絡預測值進行比較分析，見表2。

表2 脂肪酸值的預測值與實測值

由表2可知，平均相對誤差為0.17%，小于0.01，故模型可以用來預測大米在儲藏時脂肪酸值隨時間變化的規(guī)律。

3.2 還原糖

由圖5中可知，所設計的大米還原糖神經網絡模型用實測的24組樣本數據進行訓練，在經過152步以后，輸出層的均方誤差就達到了4.51×10－5，滿足訓練參數中要求的目標誤差要求。利用模型得到大米還原糖的預測值與實測值的結果如圖6、圖7所示。

圖5 還原糖的訓練誤差曲線

由圖6、圖7可知，應用神經網絡模型預測數據與實測數據的對比來看，BP神經網絡檢測絕對誤差在±0.015之間，誤差較小，BP神經網絡模型的預測效果好。為了進一步驗證預測模型的有效性，對5個樣本稻米進一步儲藏，每15 d檢測其還原糖與建立的神經網絡預測值進行比較分析，見表3。

圖6 還原糖的預測值與實測值的擬合曲線

圖7 還原糖的預測值與實際值的絕對誤差曲線

表3 BP神經網絡的預測結果

由表3可知，平均相對誤差為0.17%，小于0.01，故模型可以用來預測大米在儲藏時還原糖含量隨時間變化的規(guī)律。

3.3 黏度

從圖8中可以看出，在經過90步以后，輸出層的均方誤差就達到了1.54×10－8，滿足訓練參數中要求的目標誤差要求。利用模型得到大米黏度的預測值與實測值的結果如圖9、圖10所示。

由圖9、圖10可知，應用神經網絡模型預測數據與實測數據的絕對誤差在－0.000 25～0.000 2之間，預測效果好。為了進一步驗證預測模型的有效性，對5個樣本稻米進一步儲藏，每15 d檢測其黏度值與建立的神經網絡預測值進行比較分析，見表4。

由表4可以看出，平均相對誤差為0.24%，小于0.01，故模型可以用來預測大米在儲藏時黏度隨時間變化的規(guī)律。

圖8 黏度的訓練誤差曲線

圖9 黏度的預測值與實測值的擬合曲線

圖10 黏度的預測值與實際值的絕對誤差曲線

表4 BP神經網絡的預測結果

4 結論

基于BP人工神經網絡建立了大米儲藏品質的預測模型，用該模型預測大米的脂肪酸值、還原糖含量和黏度隨時間變化的規(guī)律，通過實測值與預測值的對比驗證，確定了預測模型的有效性。利用該模型可以快速、準確監(jiān)控大米品質的變化情況，在品質發(fā)生劣變之前采取有效措施，保證大米的食用品質和安全性。

［1］張青貴.人工神經網絡導論［M］.北京:中國水利水電出版社，2004:11－13

［2］Hecht－ Nielsen R.Theory of Back propagation Neural Networks［M］.Proc.IEEE IJCNN，1989:593 －603

［3］羅鑫，沈大中，馮冬青.神經網絡算法在暖通空調控制中的應用［J］.微計算機信息(測控自動化)，2009，25(1):26－28

［4］李季，蒲彪.人工神經網絡在食品微生物發(fā)酵中的應用［J］.食品研究與開發(fā)，2009，30(4):171 －173

［5］Eberhart R C，Dobbins RW.Neural Network PC Tools［M］.Academic Press，1990，35 －58

［6］Gironif，Poggio T.Representation properties of network:kolmogorov’s theorem is irrelevant［J］.Neural Computation，1989(1):465－469

［7］TakefuJi Y，Lee k C.A parallel algorithm for tiling problems［J］.IEEE Trans.Neural Networks，1990，1(1):143 －145

［8］Klopf A H.The hedonistic neuron:a theory of memory，learning，and intelligence［M］.Hemisp － here，Washington，DC，1982

［9］McAvoy T J，Wang N S，Naidu S，etal.Interpreting biosensor data via backpropagation［M］.International Joint Conference on Neural Networks，1989(1):227 －233

［10］Psaltis D，Sideris A，Yamamura A A.A multilayered neural network controller［J］.IEEE Co － ntrol Systems Magazine，1988，8(2):17 －21

［11］孫永海，萬鵬，于春生.基于BP神經網絡的大米含水量近紅外檢測方法［J］.中國糧油學報，2008，23(6):193－197

［12］汪小芳.基于人工神經網絡利用機械特性檢測蘋果品質方法的研究［D］.華中農業(yè)大學，2006

［13］聞新著.MATLAB神經網絡仿真與應用［M］.科學出版社，2003(7):258－284

［14］錢永中.應用于農藥殘留對人體暴露評估的蒙特卡洛方法及其進展［J］.農業(yè)質量標準，2007(5):43－46

［15］劉瀟威.農產品中重金屬風險評估的研究進展［J］.農業(yè)環(huán)境科學學報，2007，26(1):15 －18.