黃幸幸 - 陳 明,2 ,2 葛 艷,2 ,2 王文娟,2 -,2

(1. 上海海洋大學(xué)信息學(xué)院，上海 201306；2. 農(nóng)業(yè)部漁業(yè)信息重點(diǎn)實(shí)驗(yàn)室，上海 201306)

南美白對(duì)蝦貨架期預(yù)測(cè)指標(biāo)選擇及模型研究

黃幸幸1HUANGXing-xing1陳 明1,2CHENMing1,2葛 艷1,2GEYan1,2王文娟1,2WANGWen-juan1,2

(1. 上海海洋大學(xué)信息學(xué)院，上海 201306；2. 農(nóng)業(yè)部漁業(yè)信息重點(diǎn)實(shí)驗(yàn)室，上海 201306)

為研究南美白對(duì)蝦品質(zhì)指標(biāo)與貨架期之間的關(guān)系及南美白對(duì)蝦在貯藏過(guò)程中的品質(zhì)變化過(guò)程，精確預(yù)測(cè)其剩余貨架期，通過(guò)檢測(cè)277，272.2，255 K溫度下南美白對(duì)蝦的感官指標(biāo)、理化指標(biāo)和微生物指標(biāo)，分別針對(duì)南美白對(duì)蝦品質(zhì)檢測(cè)的綜合指標(biāo)和部分關(guān)鍵指標(biāo)，以支持向量機(jī)模型和BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，建立南美白對(duì)蝦貨架期預(yù)測(cè)模型。結(jié)果表明：基于綜合指標(biāo)構(gòu)建的貨架期預(yù)測(cè)模型的預(yù)測(cè)精度(支持向量機(jī)為97.71%，BP為91.41%)比基于關(guān)鍵指標(biāo)的(支持向量機(jī)為84.08%，BP為83.76%)高；基于支持向量機(jī)的預(yù)測(cè)模型的預(yù)測(cè)精度(關(guān)鍵指標(biāo)為84.08%，綜合指標(biāo)為97.71%)比BP預(yù)測(cè)模型的(關(guān)鍵指標(biāo)為83.76%，綜合指標(biāo)為91.41%)高；基于綜合指標(biāo)的支持向量機(jī)預(yù)測(cè)模型的預(yù)測(cè)精度是4種模型中最高的，為97.71%。該結(jié)論也可為支持向量機(jī)方法和預(yù)測(cè)指標(biāo)選擇在其他食品領(lǐng)域貨架期的應(yīng)用研究提供一定的參考。

南美白對(duì)蝦；貨架期；預(yù)測(cè)指標(biāo)；支持向量機(jī)；BP神經(jīng)網(wǎng)絡(luò)

南美白對(duì)蝦因富含有人體必需的蛋白質(zhì)、維生素、礦物質(zhì)，并且低脂肪、低碳水化合物，而使消費(fèi)者的需求量逐漸增加，同時(shí)對(duì)其新鮮度以及品質(zhì)的要求也越來(lái)越高。貨架期是消費(fèi)者了解食品品質(zhì)、保障食品安全的重要依據(jù)之一[1]。南美白對(duì)蝦的貨架期是指南美白對(duì)蝦從加工或包裝結(jié)束后進(jìn)入流通過(guò)程中能夠保證其安全可食用，保持理想的感官、理化和微生物特性的時(shí)間長(zhǎng)度[2]?？焖僭u(píng)估南美白對(duì)蝦的新鮮度及準(zhǔn)確預(yù)測(cè)其剩余貨架期在實(shí)際應(yīng)用中具有重要意義。

現(xiàn)階段國(guó)內(nèi)外關(guān)于生鮮食品貨架期預(yù)測(cè)的研究主要是基于動(dòng)力學(xué)方法來(lái)構(gòu)建預(yù)測(cè)模型，如化學(xué)動(dòng)力學(xué)法[3-5]、微生物動(dòng)力學(xué)法[6-8]等。從上述文獻(xiàn)的分析可得，傳統(tǒng)動(dòng)力學(xué)方法大多是從食品品質(zhì)變化的機(jī)理建立模型的，但由于現(xiàn)有條件的限制，在水產(chǎn)品品質(zhì)變化過(guò)程中尚且存在一些未知的機(jī)理及規(guī)律，這對(duì)模型的可信度及精度存在影響[1]。同時(shí)，這些研究大多選取某一種特定品質(zhì)指標(biāo)(如菌落總數(shù)、特定腐敗菌或揮發(fā)性鹽基氮)作為模型的參數(shù)，但沒(méi)有相關(guān)論證表明其他品質(zhì)指標(biāo)與食品貨架期預(yù)測(cè)模型構(gòu)建之間沒(méi)有關(guān)聯(lián)。目前關(guān)于南美白對(duì)蝦貨架期的研究多采用動(dòng)力學(xué)模型，但預(yù)測(cè)結(jié)果并不是很理想[3,8]，急需構(gòu)建一種預(yù)測(cè)指標(biāo)更精確、模型精度更高的貨架期預(yù)測(cè)模型。

國(guó)外有學(xué)者嘗試采用人工智能方法來(lái)研究南美白對(duì)蝦品質(zhì)變化過(guò)程，如Ahmad I等[9]采用基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)方法研究了凍結(jié)率、解凍速率、存儲(chǔ)時(shí)間、冷凍蝦的長(zhǎng)度、寬度和厚度對(duì)冷凍蝦仁的色差和紋理特性的影響，試驗(yàn)結(jié)果表明所選擇的輸入變量可以成功地預(yù)測(cè)冷凍蝦仁的色差和紋理特性。這為基于人工智能的南美白對(duì)蝦貨架期預(yù)測(cè)提供了理論基礎(chǔ)?；谌斯ぶ悄艿呢浖芷陬A(yù)測(cè)模型構(gòu)建方法已經(jīng)在其他食品領(lǐng)域有較多的運(yùn)用，預(yù)測(cè)結(jié)果比同等條件下的動(dòng)力學(xué)模型精度更高[10-13]。

選擇南美白對(duì)蝦品質(zhì)檢測(cè)的關(guān)鍵指標(biāo)(溫度、TVB-N值和菌落總數(shù)，下文均簡(jiǎn)稱為南美白對(duì)蝦關(guān)鍵指標(biāo))和綜合指標(biāo)(溫度、感官評(píng)分、色差值、TVB-N值、pH值和菌落總數(shù)，下文均簡(jiǎn)稱為南美白對(duì)蝦綜合指標(biāo))作為建立貨架期預(yù)測(cè)模型的輸入?yún)?shù)，選擇支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)方法來(lái)構(gòu)建南美白對(duì)蝦貨架期預(yù)測(cè)模型，研究南美白對(duì)蝦品質(zhì)指標(biāo)的選擇對(duì)預(yù)測(cè)模型精度的影響，旨在建立更高精度的貨架期預(yù)測(cè)模型。

1 材料與方法

1.1 材料與儀器

1.1.1 試驗(yàn)材料

南美白對(duì)蝦：同產(chǎn)地、同批次、外觀相近的鮮活南美白對(duì)蝦,購(gòu)自上海市浦東新區(qū)臨港新城古棕路菜市場(chǎng)。

1.1.2 主要儀器設(shè)備

電子天平：JT202N型，上海精天電子儀器有限公司；

智能溫度記錄儀：YB-HY001-00型，青島海爾特種電器有限公司；

酸度計(jì)：PB-10型，德國(guó)賽多利斯集團(tuán)；

全自動(dòng)色差計(jì)：SC-80型，北京康光儀器有限公司；

醫(yī)用低溫箱：MDF-U541型，三洋電機(jī)株式會(huì)社；

電熱恒溫鼓風(fēng)干燥箱：DHG-9143BS-II型，上海新苗醫(yī)療器械制造有限公司；

自動(dòng)定氮儀：FOSS 2300型，丹麥Foss Tecator公司；

質(zhì)構(gòu)分析儀：TA-XT2i型，英國(guó)Stable Micro System公司。

1.2 方法

將試驗(yàn)?zāi)厦腊讓?duì)蝦60只流水洗凈后，加冰使其猝死，隨機(jī)分成3組(每組20只)分別在277，272.2，255 K環(huán)境下貯藏，定期檢測(cè)每個(gè)貯藏溫度每組樣品的感官評(píng)分、色差值、TVB-N值、pH值和菌落總數(shù)，直到貨架期終止。

1.2.1 感官評(píng)分 從組織、氣味以及色澤3個(gè)方面對(duì)其進(jìn)行打分，分值為0(完全腐敗)到9(非常新鮮)，其評(píng)分標(biāo)準(zhǔn)是參考食品感官鑒別手冊(cè)[14]。

1.2.2 色差分析 采用SC-80型全自動(dòng)色差計(jì)進(jìn)行色度分析。

1.2.3 TVB-N值的測(cè)定 按GB/T 5009.44—2003執(zhí)行。

1.2.4 pH值的測(cè)定 根據(jù)GB/T 5009.45—2003方法處理后用酸度計(jì)測(cè)定。

1.2.5 菌落總數(shù)值的測(cè)定 按GB/T 4789.20—2003執(zhí)行。

1.3 預(yù)測(cè)模型的建立

1.3.1 模型參數(shù)的選擇 現(xiàn)有的關(guān)于南美白對(duì)蝦貨架期預(yù)測(cè)的研究大部分聚焦在南美白對(duì)蝦關(guān)鍵指標(biāo)上，如溫度、菌落總數(shù)和TVB-N值[3,8]。但除了菌落總數(shù)和TVB-N值，反映南美白對(duì)蝦品質(zhì)變化的指標(biāo)還有許多，如蝦體的感官評(píng)分、色差值(L*、a*和b*)、pH值等[15]9。而且目前還沒(méi)有研究表明這些指標(biāo)與南美白對(duì)蝦貨架期品質(zhì)之間的關(guān)系，即這些指標(biāo)作為模型輸入?yún)?shù)時(shí)對(duì)最終模型精度的影響有待研究。

因此，本試驗(yàn)將分別選取關(guān)鍵指標(biāo)(溫度、菌落總數(shù)和TVB- N值)和綜合指標(biāo)(溫度、感官評(píng)分、色差值、TVB-N值、pH值和菌落總數(shù))作為表征南美白對(duì)蝦品質(zhì)的指標(biāo)，并將它們作為預(yù)測(cè)模型的輸入?yún)?shù)，南美白對(duì)蝦的剩余貨架期作為實(shí)際輸出參數(shù)，來(lái)研究其對(duì)南美白對(duì)蝦貨架期預(yù)測(cè)模型精度的影響。

1.3.2 預(yù)測(cè)模型的建立

(1) 基于支持向量機(jī)的南美白對(duì)蝦貨架期預(yù)測(cè)模型。針對(duì)模式識(shí)別相關(guān)問(wèn)題，相關(guān)學(xué)者專家在統(tǒng)計(jì)學(xué)習(xí)理論中的 VC維理論以及結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的基礎(chǔ)上提出了支持向量機(jī)算法(Support Vector Machine，SVM)[16]。其中，支持向量回歸算法(Support Vector Regression，SVR)可以解決線性或非線性回歸問(wèn)題，進(jìn)行時(shí)間序列預(yù)測(cè)或非線性建模與預(yù)測(cè)[17]。由于支持向量機(jī)具有樣本數(shù)據(jù)少、不依賴于經(jīng)驗(yàn)、全局最優(yōu)及良好的泛化性能等優(yōu)點(diǎn)，因此在眾多領(lǐng)域上得到應(yīng)用[18][19]18-30。

非線性支持向量機(jī)回歸預(yù)測(cè)模型可用下列方程表示：

(1)

式中：

φ(x)——非線性映射函數(shù)；

K(xi,x)——核函數(shù)；

b——閾值。

從已有的研究[18][19]13結(jié)果來(lái)看，高斯核函數(shù)是最常用的核函數(shù)，且在大多數(shù)情況下都獲得了很好的預(yù)測(cè)效果，所以本試驗(yàn)也選擇高斯函數(shù)作為核函數(shù)。

圖1為根據(jù)支持向量機(jī)回歸算法建立的南美白對(duì)蝦貨架期預(yù)測(cè)模型。其中，輸入?yún)?shù)(x1,x2,…,xn)就是與南美白對(duì)蝦品質(zhì)變化相關(guān)的指標(biāo)，輸出參數(shù)(y)為南美白對(duì)蝦的剩余貨架期。

根據(jù)以上原理，對(duì)應(yīng)圖1所示的模型，分別構(gòu)建基于南美白對(duì)蝦關(guān)鍵指標(biāo)的SVM模型和基于南美白對(duì)蝦綜合指標(biāo)的SVM模型。這2種模型的區(qū)別在于模型的輸入?yún)?shù)不同：基于南美白對(duì)蝦關(guān)鍵指標(biāo)的SVM模型的輸入?yún)?shù)為溫度、菌落總數(shù)和TVB-N值，而基于南美白對(duì)蝦綜合指標(biāo)的SVM模型的輸入?yún)?shù)為溫度、感官評(píng)分、色差值、TVB-N值、pH值和菌落總數(shù)。在Matlab環(huán)境下，對(duì)建立的基于SVM的預(yù)測(cè)模型進(jìn)行試驗(yàn)。

圖1 基于SVM的南美白對(duì)蝦貨架期預(yù)測(cè)模型結(jié)構(gòu)Figure 1 Structure of the prediction model of shelf-life of Penaeus Vannamei based on SVM

(2) 基于BP神經(jīng)網(wǎng)絡(luò)的南美白對(duì)蝦貨架期預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)又稱多層前饋式誤差反傳神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層和若干隱含層組成。它可以很好地解決各個(gè)指標(biāo)間的非線性關(guān)系，常用于構(gòu)建預(yù)測(cè)模型，現(xiàn)已廣泛應(yīng)用于食品貨架期預(yù)測(cè)研究[10-13]。

3層 BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力比較強(qiáng)[10]，因此選擇3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，含有1個(gè)輸入層、1個(gè)輸出層和 1個(gè)隱含層，結(jié)構(gòu)見圖2。xi(x1,x2,…,xn)為模型的輸入層節(jié)點(diǎn)，其中，基于南美白對(duì)蝦關(guān)鍵指標(biāo)的BP網(wǎng)絡(luò)模型的輸入數(shù)據(jù)為溫度、菌落總數(shù)和TVB-N值，而基于南美白對(duì)蝦綜合指標(biāo)的BP網(wǎng)絡(luò)模型的輸入數(shù)據(jù)為溫度、感官評(píng)分、色差值、TVB-N值、pH值和菌落總數(shù)；y為模型的輸出層節(jié)點(diǎn)，指剩余貨架期。

隱含層節(jié)點(diǎn)數(shù)的計(jì)算公式：

n=(n1+n0)1/2+a，

(2)

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的南美白對(duì)蝦貨架期預(yù)測(cè)模型Figure 2 Prediction model of shelf-life of Penaeus Vannamei based on BP neural network

式中：

n0——輸入層節(jié)點(diǎn)數(shù)；

n1——輸出層節(jié)點(diǎn)數(shù)；

a——1～10的常數(shù)。

根據(jù)式(2)計(jì)算結(jié)果，對(duì)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)在3～12下的性能進(jìn)行測(cè)試，結(jié)果表明隱含層節(jié)點(diǎn)數(shù)為10時(shí)網(wǎng)絡(luò)收斂速度最快，故2種模型中隱含層節(jié)點(diǎn)數(shù)都為10。

2 結(jié)果與分析

2.1 試驗(yàn)測(cè)定數(shù)據(jù)

由于不同貯藏溫度下南美白對(duì)蝦品質(zhì)變化速率不同，所以對(duì)277 K貯藏下的南美白對(duì)蝦每天檢測(cè)一次指標(biāo)，272.2 K貯藏下的南美白對(duì)蝦每2 d檢測(cè)一次指標(biāo)，255 K貯藏下的南美白對(duì)蝦每7 d檢測(cè)一次指標(biāo)，分別取平均值。根據(jù)GB 2733—2015，對(duì)蝦的TVB-N值超過(guò)30 mg/100 g 時(shí)，蝦是不可食用的，即貨架期終止。因此，把南美白對(duì)蝦剩余貨架期定義為當(dāng)前檢測(cè)指標(biāo)日期和南美白對(duì)蝦貨架期終止日期的時(shí)間間隔。3組南美白對(duì)蝦的各指標(biāo)數(shù)據(jù)見表1。與文獻(xiàn)[3]和[15]12-22中的南美白對(duì)蝦品質(zhì)指標(biāo)數(shù)據(jù)對(duì)比，發(fā)現(xiàn)試驗(yàn)所得數(shù)據(jù)與其比較吻合，基本可以支撐本試驗(yàn)理論研究。試驗(yàn)共獲得20組數(shù)據(jù)，隨機(jī)選取第3、7、12和17組數(shù)據(jù)作為測(cè)試集，剩下的16組數(shù)據(jù)作為訓(xùn)練集。

表1 南美白對(duì)蝦的指標(biāo)數(shù)據(jù)Table 1 Indexes values for Penaeus Vannamei

由于本試驗(yàn)所選取的模型輸入?yún)?shù)和輸出參數(shù)有不同的量綱，為減少貨架期預(yù)測(cè)模型的誤判概率，需對(duì)以上數(shù)據(jù)進(jìn)行歸一化處理[11]：

(3)

式中：

p′——?dú)w一化數(shù)據(jù)；

p——原始數(shù)據(jù)；

pmin——原始數(shù)據(jù)最小值；

pmax——原始數(shù)據(jù)最大值。

2.2 南美白對(duì)蝦貨架期預(yù)測(cè)模型預(yù)測(cè)結(jié)果

2.2.1 基于SVM模型的南美白對(duì)蝦貨架期預(yù)測(cè)結(jié)果 首先利用交叉驗(yàn)證尋找模型最優(yōu)懲罰參數(shù)c和核函數(shù)參數(shù)g。交叉驗(yàn)證后得到基于南美白對(duì)蝦關(guān)鍵指標(biāo)的SVM模型的最優(yōu)懲罰參數(shù)c為20，g為0.471；基于南美白對(duì)蝦綜合指標(biāo)的SVM模型的最優(yōu)懲罰參數(shù)c為20，g為0.3。然后分別利用得到的最優(yōu)參數(shù)對(duì)前面選定的4組測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試和預(yù)測(cè)，其預(yù)測(cè)結(jié)果見圖3。

由圖3可知，基于綜合指標(biāo)的SVM預(yù)測(cè)模型中每一組測(cè)試數(shù)據(jù)預(yù)測(cè)值與實(shí)際值之間的偏差都比基于關(guān)鍵指標(biāo)的SVM預(yù)測(cè)模型的??；基于關(guān)鍵指標(biāo)的SVM預(yù)測(cè)模型的相關(guān)系數(shù)R約為0.995 74，MSE約為0.427%，而基于綜合指標(biāo)的SVM預(yù)測(cè)模型的相關(guān)系數(shù)R約為0.999 77，MSE約為0.052%，其整體預(yù)測(cè)效果更好。

圖3 基于SVM模型的南美白對(duì)蝦貨架期預(yù)測(cè)結(jié)果圖Figure 3 Prediction of Penaeus Vannamei shelf -life based on SVM model

2.2.2 基于BP網(wǎng)絡(luò)的南美白對(duì)蝦貨架期預(yù)測(cè)結(jié)果 通過(guò)訓(xùn)練，最終在2種模型的網(wǎng)絡(luò)訓(xùn)練中動(dòng)量常數(shù)都取為0.9，學(xué)習(xí)速率取為0.05，訓(xùn)練的最大步數(shù)設(shè)為10 000，網(wǎng)絡(luò)性能目標(biāo)誤差為0.001，隱含層和輸出層采用Sigmoid傳輸函數(shù)，訓(xùn)練函數(shù)選取trainlm函數(shù)，學(xué)習(xí)函數(shù)選取learngdm 函數(shù)，將樣本數(shù)據(jù)對(duì)生成的BP網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練并測(cè)試。基于南美白對(duì)蝦關(guān)鍵指標(biāo)的BP網(wǎng)絡(luò)模型經(jīng)過(guò)12次訓(xùn)練滿足性能誤差條件停止訓(xùn)練，基于南美白對(duì)蝦綜合指標(biāo)的BP網(wǎng)絡(luò)模型經(jīng)過(guò)10次訓(xùn)練停止訓(xùn)練。將選定的4組測(cè)試數(shù)據(jù)分別代入2個(gè)模型進(jìn)行預(yù)測(cè)，得到的測(cè)試結(jié)果見圖4。

圖4 基于BP網(wǎng)絡(luò)的南美白對(duì)蝦貨架期預(yù)測(cè)結(jié)果圖Figure 4 Prediction of Penaeus Vannamei shelf -life based on BP model

由圖4可知，基于綜合指標(biāo)的BP預(yù)測(cè)模型要比基于關(guān)鍵指標(biāo)的BP預(yù)測(cè)模型整體預(yù)測(cè)效果好，其每組測(cè)試數(shù)據(jù)預(yù)測(cè)值與實(shí)際值之間的偏差更??；但與圖3(b)基于綜合指標(biāo)的SVM預(yù)測(cè)模型相比，圖4(b)基于綜合指標(biāo)的BP預(yù)測(cè)模型每組測(cè)試數(shù)據(jù)的預(yù)測(cè)值與實(shí)際值之間的偏差要大一點(diǎn)，其預(yù)測(cè)效果沒(méi)有基于綜合指標(biāo)的SVM預(yù)測(cè)模型好。

2.3 預(yù)測(cè)結(jié)果分析

將每一種模型預(yù)測(cè)到的值反歸一化后，可得所預(yù)測(cè)的貨架期，反歸一化的計(jì)算公式：

p1=p′(pmax-pmin)+pmin，

(4)

式中：

p1——反歸一化的預(yù)測(cè)值；

p′——?dú)w一化數(shù)據(jù)；

pmin——原始數(shù)據(jù)最小值；

pmax——原始數(shù)據(jù)最大值。

根據(jù)式(4)計(jì)算，基于SVM和BP神經(jīng)網(wǎng)絡(luò)的南美白對(duì)蝦貨架期預(yù)測(cè)模型所預(yù)測(cè)的貨架期與實(shí)際貨架期的比較見表2、3。

表2 基于SVM預(yù)測(cè)模型的預(yù)測(cè)貨架期與 實(shí)際貨架期的比較Table 2 Comparison between the predicted shelf life based on SVM model and the actual

表3 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)貨架期 與實(shí)際貨架期的比較Table 3 Comparison between the predicted shelf life based on BP model and the actual

由表2可知，基于關(guān)鍵指標(biāo)的SVM模型的平均相對(duì)誤差為15.92%，基于綜合指標(biāo)的SVM模型的平均相對(duì)誤差為2.29%，基于關(guān)鍵指標(biāo)的BP網(wǎng)絡(luò)模型的平均相對(duì)誤差為16.24%，基于綜合指標(biāo)的BP網(wǎng)絡(luò)模型的平均相對(duì)誤差為8.59%。

從參數(shù)的選擇來(lái)看，不管是采用支持向量機(jī)方法還是BP神經(jīng)網(wǎng)絡(luò)方法，基于綜合指標(biāo)構(gòu)建的模型都比基于關(guān)鍵指標(biāo)的精度高。這說(shuō)明，影響南美白對(duì)蝦品質(zhì)變化的各個(gè)指標(biāo)與其貨架期都是相關(guān)的，影響著貨架期預(yù)測(cè)模型的精度。因此，在預(yù)測(cè)貨架期時(shí)，應(yīng)綜合考慮南美白對(duì)蝦所有的品質(zhì)指標(biāo)變化情況，包括感官指標(biāo)、理化指標(biāo)和微生物指標(biāo)。

從同等條件下的SVM模型和BP網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果來(lái)看，基于SVM的南美白對(duì)蝦貨架期預(yù)測(cè)模型的精度更高一點(diǎn)，預(yù)測(cè)結(jié)果更接近真實(shí)貨架期情況。這是由于本試驗(yàn)?zāi)Ｐ退?xùn)練的樣本數(shù)據(jù)比較少，而支持向量機(jī)算法相對(duì)于BP網(wǎng)絡(luò)更適合解決小樣本問(wèn)題[20-22]。

綜合4種模型的預(yù)測(cè)結(jié)果對(duì)比分析，發(fā)現(xiàn)基于綜合指標(biāo)的SVM模型的精度是最高的，誤差在5%以內(nèi)，最大相對(duì)誤差為5.1%，平均相對(duì)誤差為2.29%，預(yù)測(cè)精度為97.71%。而同等條件下的BP模型的平均相對(duì)誤差為8.59%，傳統(tǒng)動(dòng)力學(xué)模型的平均相對(duì)誤差一般為10%左右[3,8]。這表明，采用SVM方法來(lái)分析南美白對(duì)蝦的品質(zhì)變化過(guò)程，并選取溫度、感官指標(biāo)、色差值、TVB-N值、pH值和菌落總數(shù)作為模型的輸入?yún)?shù)，從而預(yù)測(cè)南美白對(duì)蝦的剩余貨架期是可行的，且預(yù)測(cè)精度要高于傳統(tǒng)的動(dòng)力學(xué)方法。

3 結(jié)論

本試驗(yàn)分析了不同溫度環(huán)境下貯藏的南美白對(duì)蝦的品質(zhì)變化過(guò)程，采取南美白對(duì)蝦品質(zhì)檢測(cè)的綜合指標(biāo)和部分關(guān)鍵指標(biāo)，基于支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)方法，建立了南美白對(duì)蝦貨架期預(yù)測(cè)模型。試驗(yàn)結(jié)果表明，南美白對(duì)蝦的各個(gè)品質(zhì)指標(biāo)與其貨架期都是相關(guān)的，將南美白對(duì)蝦的綜合指標(biāo)(溫度、感官指標(biāo)、色差值、TVB-N值、pH值和菌落總數(shù))作為模型輸入?yún)?shù)得到的預(yù)測(cè)結(jié)果精度更高。同等條件下支持向量機(jī)模型預(yù)測(cè)的精度比BP神經(jīng)網(wǎng)絡(luò)的高，這說(shuō)明在小樣本的非線性問(wèn)題解決時(shí)應(yīng)采用支持向量機(jī)方法。此外，基于綜合指標(biāo)的SVM預(yù)測(cè)模型的精度可達(dá)97.71%，高于同等條件下的BP模型(91.41%)和動(dòng)力學(xué)模型(約90%[3,8])。以上結(jié)論可以為支持向量機(jī)方法以及預(yù)測(cè)指標(biāo)選擇在其他食品領(lǐng)域貨架期的應(yīng)用研究提供一定的參考。但以上研究是基于恒溫貯藏條件下南美白對(duì)蝦剩余貨架期的預(yù)測(cè)，對(duì)于波動(dòng)溫度條件下貯藏的研究不一定適用，故下一步工作將研究變溫條件下貯藏的南美白對(duì)蝦剩余貨架期的預(yù)測(cè)。

[1] 陳曉宇, 朱志強(qiáng), 張小栓, 等. 食品貨架期預(yù)測(cè)研究進(jìn)展與趨勢(shì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(8): 192-199.

[2] KILCAST D, SUBRAMANIAM P. The stability and shelf-life of food[M]. Abington: Woodhead Publishing Limited, 2000: 2, 70-73.

[3] 林進(jìn), 楊瑞金, 張文斌, 等. 動(dòng)力學(xué)模型預(yù)測(cè)即時(shí)南美白對(duì)蝦貨架壽命[J]. 食品科學(xué), 2009, 30(22): 361-365.

[4] 于濱, 王喜波. 雞蛋貯藏過(guò)程中品質(zhì)變化的動(dòng)力學(xué)模型[J]. 農(nóng)業(yè)工程報(bào), 2012, 28(15): 276-280.

[5] 張利平, 謝晶. Arrhenius方程結(jié)合特征指標(biāo)在蔬菜貨架期預(yù)測(cè)中的應(yīng)用[J]. 食品與機(jī)械, 2012, 28(5): 163-168.

[6] 邢少華, 張小栓, 馬常陽(yáng), 等. 波動(dòng)溫度下羅非魚微生物生長(zhǎng)動(dòng)力學(xué)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(7): 194-198.

[7] TOMACA A, MASCHERONIB R H, YEANNES M I. Mode-ling the effect of gamma irradiation on the inactivation and growth kinetics of psychrotrophic bacteria in squid tings during refrigerated storage. Shelf-life predictions[J]. Journal of Food Engineering, 2013, 117(2): 211-216.

[8] 王歡, 謝超, 孫媛. 凡納濱對(duì)蝦即時(shí)蝦仁在常溫保藏中的貨架期預(yù)測(cè)及品質(zhì)分析[J]. 海洋與湖沼, 2013, 44(4): 1 095-1 102.

[9] AHMAD I, JEENANUNTA C, CHANVARASUTH P, et al. Prediction of physical quality parameters of frozen shrimp (Litopenaeus vannamei): an artificial neural networks and genetic algorithm approach[J]. Food Bioprocess Technol, 2014, 7: 1 433-1 444.

[10] 潘治利, 黃忠民, 王娜, 等. BP神經(jīng)網(wǎng)絡(luò)結(jié)合有效積溫預(yù)測(cè)速凍水餃變溫冷藏貨架期[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(22): 276-281.

[11] 劉雪, 李亞妹, 劉嬌, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的鮮雞蛋貨架期預(yù)測(cè)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(10): 328-334.

[12] MI Chun-qiao, YANG Jian-yu, LI Shao-ming, et al. Prediction of accumulated temperature in vegetation period using artificial neuralnetwork[J].Mathematical and Computer Modelling, 2010, 51(11/12): 1 453-1 460.

[13] 曾祥燕, 趙良忠, 孫文兵, 等. 基于PCA和BP神經(jīng)網(wǎng)絡(luò)的葡萄酒品質(zhì)預(yù)測(cè)模型[J]. 食品與機(jī)械, 2014, 30(1): 40-44.

[14] 傅德成, 劉明堂. 食品感官鑒別手冊(cè)[M]. 北京: 中國(guó)輕工出版社, 1991: 52-53.

[15] 李蕾蕾. 南美白對(duì)蝦低溫貯藏過(guò)程中的菌相變化及貨架期預(yù)測(cè)模型的建立[D]. 天津: 天津商業(yè)大學(xué), 2014.

[16] VAPNIK V N.數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[M]. 張學(xué)工, 譯. 北京: 科學(xué)出版社, 2000: 71-74.

[17] 陳金鳳. 支持向量機(jī)回歸算法的研究與應(yīng)用[D]. 無(wú)錫: 江南大學(xué), 2008: 4-14.

[18] 王定成, 方延健 , 高理富, 等. 支持向量機(jī)回歸在線建模及應(yīng)用[J]. 控制與決策, 2003, 18(1): 89-91.

[19] 王芳. 基于支持向量機(jī)的滬深300指數(shù)回歸預(yù)測(cè)[D]. 濟(jì)南: 山東大學(xué), 2015.

[20] 侯偉真. 求解支持向量機(jī)的若干優(yōu)化算法的研究[D]. 青島: 山東科技大學(xué), 2007: 4-6.

[21] 劉靜, 管驍, 易翠平. 近紅外光譜技術(shù)結(jié)合支持向量機(jī)對(duì)食用醋品牌溯源的研究[J]. 食品與機(jī)械, 2016, 32(1): 38-50.

[22] 劉洋, 王濤, 左月明. 基于支持向量機(jī)野生蘑菇近紅外識(shí)別模型[J]. 食品與機(jī)械, 2016, 32(4): 92-112.

基金項(xiàng)目：“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目課題(編號(hào)：2015BAD16B07)；重慶市社會(huì)民生科技創(chuàng)新專項(xiàng)項(xiàng)目(編號(hào)：cstc2015shmszx80004)；重慶市社會(huì)事業(yè)與民生保障科技創(chuàng)新專項(xiàng)項(xiàng)目(編號(hào)：cstc2016shms-ztzx80005)

作者簡(jiǎn)介：王文軍，男，西南大學(xué)在讀碩士研究生。

通信作者：曾凱芳(1972—)，女，西南大學(xué)教授，博士。 E-mail:zengkaifang@163.com

收稿日期：2017—01—19

The prediction index and model of the shelf-life of Penaeus Vannamei

(1.CollegeofInformation,ShanghaiOceanUniversity,Shanghai201306,China;2.KeyLaboratoryofFisheriesInformationMinistryofAgriculture,Shanghai201306,China)

In order to precisely predict the remaining shelf life ofPenaeusVannamei, the relationship between quality indexes and remaining shelf life and the quality change process of it during the storage process were studied. The sensory and physical-chemical indexes, and microorganisms ofP.Vannameiat 277 K, 272.2 K and 255 K were first tested in this study. Then, the prediction models of the shelf life ofP.vannameiwere established for the comprehensive and some key indexes of its quality, and this were based on both the support vector machine and the BP neural network models. The results showed that the prediction accuracies of the shelf-life prediction models based on the comprehensive indexes ofP.Vannamei(97.71% for SVM model and 91.41% for BP model) were higher than those of the prediction models based on several key indexes (84.08% for SVM model and 83.76% for BP model). Meanwhile, the prediction accuracies of the prediction models based on support vector machine (84.08% for key indexes and 97.71% for comprehensive indexes) were higher than those of BP prediction models (83.76% for key indexes and 91.41% for comprehensive indexes). Moreover, the prediction accuracy of the support vector machine (SVM) model based on the comprehensive indexes was 97.71%, which were the highest among the four models. The conclusion also provided a reference for the application of support vector machine and selection of prediction indexes in the shelf-life of other food fields.

PenaeusVannamei; shelf-life; prediction indexes; supp-ort vector machines; BP neural network

10.13652/j.issn.1003-5788.2017.04.021

湖南省食品科學(xué)與工程類專業(yè)大學(xué)生創(chuàng)新訓(xùn)練中心建設(shè)項(xiàng)目(編號(hào)：湘教通[2014]272號(hào))；湖南省普通高校學(xué)科帶頭人培養(yǎng)對(duì)象資助項(xiàng)目(編號(hào)：湘教辦通[2014]209號(hào))；首批湖南省高等學(xué)?！?011 協(xié)同創(chuàng)新中心”糧油深加工與品質(zhì)控制湖南省協(xié)同創(chuàng)新中心建設(shè)項(xiàng)目(編號(hào)：湘教通〔2013〕448 號(hào))

李立華，女，中南林業(yè)科技大學(xué)在讀碩士研究生。

周文化(1969-)，男，中南林業(yè)科技大學(xué)教授，博士。 E-mail:zhouwenhua@126.com

2017-02-19