肖立中，費玉剛，田懷香，張雅敬，李文舉，王廣仲

(1.上海應(yīng)用技術(shù)大學(xué) 計算機科學(xué)與信息工程學(xué)院，上海 201418；2.上海應(yīng)用技術(shù)大學(xué)香料香精技術(shù)與工程學(xué)院，上海 201418)

基于BP神經(jīng)網(wǎng)絡(luò)的雞精貨架期模型研究

肖立中1，費玉剛1，田懷香2，張雅敬2，李文舉1，王廣仲1

(1.上海應(yīng)用技術(shù)大學(xué) 計算機科學(xué)與信息工程學(xué)院，上海 201418；2.上海應(yīng)用技術(shù)大學(xué)香料香精技術(shù)與工程學(xué)院，上海 201418)

雞精貨架期是雞精質(zhì)量評價的重要指標(biāo)，對雞精存儲和品質(zhì)控制具有重要意義。為了快速、準確地識別雞精的貨架期，提出了基于BP神經(jīng)網(wǎng)絡(luò)的雞精貨架期模型。結(jié)合GC-MS和人工感官評價獲取了雞精的貨架期數(shù)據(jù)，針對眾多的GC-MS數(shù)據(jù)，通過計算擬合決定系數(shù)和歸一化對數(shù)據(jù)進行了特征選擇和預(yù)處理。通過BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)和網(wǎng)絡(luò)函數(shù)的優(yōu)化，得到了高質(zhì)量的模型。經(jīng)過與化學(xué)動力學(xué)模型的比較實驗表明提出的模型準確有效。

雞精；貨架期；BP神經(jīng)網(wǎng)絡(luò)；化學(xué)動力學(xué)模型

貨架期是指食品可以被接受并滿足顧客質(zhì)量要求的時間長度[1]。當(dāng)食品經(jīng)過一段時間儲藏后，它的一種或幾種品質(zhì)屬性達到了不理想的狀態(tài)，這種狀態(tài)下它已經(jīng)不適合放到貨架上銷售，即到達了該食品的貨架期[2]。實際生活中，由于儲存環(huán)境不同，對食品實際貨架期影響較大，如何準確地獲得食品的貨架期，已成為當(dāng)前研究的熱點之一。

雞精是一種改善食品風(fēng)味的配料[3]，具有雞肉鮮香、營養(yǎng)安全、口感復(fù)合化和用途廣泛等優(yōu)點，受到廣大消費者的歡迎。目前判斷雞精是否過期的手段一般為人工感官評價[4]，感官評價能夠直接獲取樣本風(fēng)味的各個指標(biāo)，但是評價主觀性較強，易受到評價人員自身心理和身體狀況的影響，重復(fù)性差且品評有時會讓評定人員感到惡心并對身體造成一定傷害[5]。

本文通過對雞精GC-MS數(shù)據(jù)進行特征選擇處理，將雞精的醇類、酮類、醛類理化指標(biāo)值及溫度作為BP神經(jīng)網(wǎng)絡(luò)的輸入，實際的貨架期作為BP神經(jīng)網(wǎng)絡(luò)的輸出，設(shè)定隱含層節(jié)點，經(jīng)過訓(xùn)練，構(gòu)造出最佳的BP神經(jīng)網(wǎng)絡(luò)模型。通過此模型來獲取雞精的實際貨架期，為雞精企業(yè)獲得雞精貨架期提供了技術(shù)手段。

1 實驗準備和數(shù)據(jù)處理

1.1 材料、儀器設(shè)備和實驗條件

1.1.1 實驗材料

市場上普通的100 g太太樂雞精1袋。

1.1.2 儀器設(shè)備

BS124S電子天平、GC-MS、HH-S型恒溫水浴鍋、氣相色譜瓶、萃取裝置、液體容器。

1.1.3 實驗條件

每份取7 g雞精樣品放進含有7 g水的氣相色譜瓶，形成雞精水溶液，分別置于室溫和29，37，50 ℃環(huán)境中進行實驗，每隔7天進行人工感官評價及GC-MS的數(shù)據(jù)測定。

1.2 人工感官評定方法及結(jié)果

1.2.1 感官評價方法

食品感官評價的規(guī)則包括GB 10220-1988《感官分析方法總論》、GB/T 12310-12316-1990《感官分析的各種方法》等，綜合制定出評定標(biāo)準，見表1。

表1 感官評定標(biāo)準Table 1 Sensory evaluation criteria

1.2.2 感官評價結(jié)果

在符合感官評價的環(huán)境中，每次讓9個人依次對不同溫度下的樣品進行感官評價，依據(jù)綜合評價得分篩選實驗中雞精實際貨架期。為保證質(zhì)量可靠，將綜合評價分低于5分的視為貨架期結(jié)束，得到室溫和29 ℃環(huán)境下的雞精實際貨架期為91天，37 ℃的貨架期為63天，50 ℃的貨架期為28天。

綜合評價分=(雞肉味+腥味+脂肪香+辛香味+鮮味+可接受度-哈敗味)/7 。

公式(1)

1.3 不同溫度下雞精各理化指標(biāo)的實際貨架期

實驗通過GC-MS一共檢測到了84種化學(xué)物質(zhì)成分，通過分析將這84種化學(xué)物質(zhì)成分歸納為9大類，分別是：烷類、烯類、醇類、醛類、含硫化合物、雜環(huán)化合物、酮類、芳香族化合物及其他。再將這9大類理化值分別與其貨架期進行一元線性回歸擬合，比較擬合決定系數(shù)，得到只有醇類、醛類、酮類在不同溫度下擬合決定系數(shù)都大于0.5，所以選擇這3類來進行模型預(yù)測。結(jié)合人工感官評價值，得到醇類、醛類、酮類在室溫、29 ℃條件下實際貨架期為91天，37 ℃下為63天，50 ℃下為28天，見表2。

表2 貨架期實驗數(shù)據(jù)Table 2 The shelf life test data

由表2可知，實驗一共獲得36組有效數(shù)據(jù)：室溫下11組，29 ℃下11組，37 ℃下9組，50 ℃下5組。抽取其中的6組作為驗證組：室溫下第21天、77天，29 ℃下第42天、49天，37 ℃下第63天，50 ℃下第28天，用以檢驗?zāi)Ｐ偷恼_率，其余29組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。

2 化學(xué)動力學(xué)模型的構(gòu)建

基于化學(xué)動力學(xué)模型的出發(fā)點：食品品質(zhì)指標(biāo)的變化大多是由化學(xué)反應(yīng)引起的，其變化速率會受到環(huán)境因素的影響，比如溫度、濕度、氣體環(huán)境等[6,7]。基于該理論得到一級化學(xué)動力學(xué)模型公式為：

lnW0-lnWt=kt。式中：k=Aexp(-Ea/(RT))。

公式(2)

于是得到雞精貨架期動力學(xué)模型為：

公式(3)

式中：A為指前因子或稱為阿倫尼烏斯常數(shù)；Ea為反應(yīng)活化能，單位J/mol；R為氣體常數(shù)，為8.314 J/(mol·K)；T為絕對溫度；W為理化指標(biāo)值；tHJY為雞精貨架期一級化學(xué)動力學(xué)模型。

模型參數(shù)的確定如下：

由公式(2)得到醇類、醛類、酮類在室溫和29，37，50 ℃環(huán)境下分別與雞精貨架期進行擬合后產(chǎn)生的斜率k值，見表3。

表3 擬合斜率k值Table 3 Fitting slope k value

在已知k和T的情況下，可以對表3中的反應(yīng)速率常數(shù)取其負自然對數(shù)，與絕對溫度的倒數(shù)進行線性擬合，畫出擬合線性圖，見圖1。

圖1 擬合線性圖

其中活化能Ea通過方程的斜率乘以8.314可以獲得，A通過方程的截距獲得。將計算所得活化能Ea及方程常數(shù)A代入公式(3)得出基于醇類、醛類、酮類系數(shù)的雞精貨架期動力學(xué)模型分別為：

公式(4)

式中：tCH為基于醇類的雞精貨架期；tQH為基于醛類的雞精貨架期；tTH為基于酮類的雞精貨架期。

3 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種按照逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，一般由輸入層、隱含層和輸出層構(gòu)成[8]。近年來，一些國內(nèi)外學(xué)者利用BP人工神經(jīng)網(wǎng)絡(luò)自身的優(yōu)點在農(nóng)業(yè)、機械等預(yù)測領(lǐng)域的成功應(yīng)用，為解決食品貯藏品質(zhì)問題提供了可行性參考[9]。

3.1 模型的構(gòu)建

3.1.1 網(wǎng)絡(luò)結(jié)構(gòu)的選擇

一個3層BP神經(jīng)網(wǎng)絡(luò)可以完成任意的從n維到m維映射[10]，故本文采用3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，輸入層包括4個部分組成，分別為醇類、醛類、酮類、溫度，輸出層則為雞精的實際貨架期，其結(jié)構(gòu)見圖2。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.1.2 隱含層節(jié)點數(shù)的確定

BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)對BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度有較大的影響：節(jié)點數(shù)太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練的次數(shù)，訓(xùn)練的精度也受到影響；節(jié)點數(shù)太多，訓(xùn)練時間增加，網(wǎng)絡(luò)容易過度擬合[11]。選擇最佳的隱含層節(jié)點數(shù)公式為：

公式(5)

式中:N為輸入節(jié)點數(shù)；M為輸出節(jié)點數(shù)；l為隱含層節(jié)點數(shù)；a為1～10的常數(shù)。則隱含層節(jié)點數(shù)為3～12個，計算出每一個節(jié)點數(shù)誤差，根據(jù)誤差率變化，選擇出最合適的節(jié)點數(shù),見圖3。

圖3 誤差率變化

由圖3可知，當(dāng)隱含層節(jié)點數(shù)為9時，誤差率最低且收斂的速度較快，所以選擇隱含層節(jié)點數(shù)為9。

3.1.3 網(wǎng)絡(luò)函數(shù)的選擇

BP神經(jīng)網(wǎng)絡(luò)中涉及函數(shù)有傳遞函數(shù)、訓(xùn)練函數(shù)、學(xué)習(xí)函數(shù)、網(wǎng)絡(luò)性能函數(shù)、仿真函數(shù)等。

其中傳遞函數(shù)又稱激活函數(shù)，必須是連續(xù)可微的。常用S型的對數(shù)或正切函數(shù)或線性函數(shù)。對數(shù)logsig 函數(shù)的特點是將(-∞，+∞)范圍的數(shù)據(jù)被映射到(0,1)中;正切tansig則將數(shù)據(jù)映射到(-1，1);purelin函數(shù)的輸入、輸出值為任意值。由于本文將輸入?yún)?shù)歸一化至(0,1)區(qū)間內(nèi),且為保證BP神經(jīng)網(wǎng)絡(luò)模型的線性，因此隱含層傳遞函數(shù)均選取logsig,輸出層傳遞函數(shù)則使用purelin。

訓(xùn)練函數(shù)、學(xué)習(xí)函數(shù)的選擇，因為trainlm 具有收斂快、誤差小、訓(xùn)練效果最優(yōu)的特點，因此本文采用trainlm 作為訓(xùn)練函數(shù)；為避免BP神經(jīng)網(wǎng)絡(luò)在批處理訓(xùn)練時會陷入局部最小，且提高網(wǎng)絡(luò)訓(xùn)練速度，采用附加動量法構(gòu)建 BP神經(jīng)網(wǎng)絡(luò)，因此選取 learngdm為學(xué)習(xí)函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)性能函數(shù)、仿真函數(shù)一般設(shè)置為模型默認參數(shù)，網(wǎng)絡(luò)性能函數(shù)為mse，仿真函數(shù)為sim。

3.2 模型的實現(xiàn)

3.2.1 數(shù)據(jù)歸一化處理

因本文輸入層參數(shù)為醇類、醛類、酮類、溫度，輸出層參數(shù)為雞精的貨架期，輸入、輸出層參數(shù)具有不同的量綱,為減少貨架期模型的誤判概率[12]，需要對數(shù)據(jù)進行歸一化處理，即把所有的數(shù)據(jù)都轉(zhuǎn)化為(0,1)之間的數(shù)。數(shù)據(jù)歸一化處理方法為：

x'k=(xk-xmin)/(xmax-xmin)

公式(6)

式中：xmin為數(shù)據(jù)序列中的最小值；xmax為數(shù)據(jù)序列中的最大值；xk為原來的數(shù)據(jù)；x'k為歸一化后的數(shù)據(jù)。

3.2.2 網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置:動量常數(shù)采用函數(shù)默認值為0.9，學(xué)習(xí)速率為0.1，網(wǎng)絡(luò)性能目標(biāo)誤差為0.0001，訓(xùn)練的最大步數(shù)為10000[13]。將模型構(gòu)建數(shù)據(jù)輸入設(shè)定好的網(wǎng)絡(luò)模型中，經(jīng)12次訓(xùn)練后網(wǎng)絡(luò)性能誤差為0.000092，滿足誤差設(shè)定要求停止訓(xùn)練。得到網(wǎng)絡(luò)的權(quán)值及閾值為：

輸入層閾值:θj=[4.9026-4.0461 2.3454-1.2832-1.0659 2.1891 2.7088-4.2059-4.6714]T，

輸出層閾值:θk=-1.10972。

輸入層權(quán)值:

輸出層權(quán)值:ωjk=[0.5956-1.9149 0.1627 0.1584-2.3860 1.0612 1.3043 1.4590-0.9025]T。

4 驗證結(jié)果及分析

將6組驗證數(shù)據(jù)的醇類、醛類、酮類理化指標(biāo)值及相應(yīng)絕對溫度分別代入公式(4)中，計算出實際貨架期，然后選擇其中與原貨架期相差最小的作為化學(xué)動力學(xué)模型實際貨架期值；進行BP模型驗證之前，需要將檢驗輸入數(shù)據(jù)歸一化，然后再將得到的數(shù)據(jù)反歸一化，從而得到BP神經(jīng)網(wǎng)絡(luò)實際貨架期值，見表4。

表4 模型預(yù)測值與試驗測定值誤差分析Table 4 Error analysis of model prediction value and experimental measurement values

由表4可知，將化學(xué)動力學(xué)模型與BP神經(jīng)網(wǎng)絡(luò)模型比較，前者平均誤差約為12.75%，后者平均誤差約為7.35%，即化學(xué)動力學(xué)模型精度約為87.25%，BP神經(jīng)網(wǎng)絡(luò)模型精度約為92.65%。比較表明：基于BP神經(jīng)網(wǎng)絡(luò)的雞精貨架期模型準確有效。

5 結(jié)束語

本文通過采用傳統(tǒng)的化學(xué)動力學(xué)方法和人工智能的BP神經(jīng)網(wǎng)絡(luò)的方法研究雞精的貨架期，可以明顯看出BP神經(jīng)網(wǎng)絡(luò)模型方法比較精確，可以很好地適用于食品貨架期的研究。但是我們也能夠看到其中的不足，當(dāng)溫度比較高且貨架期時間比較短時，誤差會明顯變大，原因可能是樣品實驗次數(shù)較少，高溫下獲取有用數(shù)據(jù)不足等。如果增加樣品數(shù)且縮短在高溫的環(huán)境下檢測一下樣品的時間間隔，可能會提高BP神經(jīng)網(wǎng)絡(luò)模型的精度。

[1]Cadwallader R,Hugoweenen K.Freshness and shelf life of foods[M].Washington,DC:American Chemical Society,2003.

[2]David Kilcast,Persis Subramaniam.The stability and shelf-life of food[M].Sawston,Cambrige:Woodhead Publishing Limited,2000.

[3]朱妞,訾榮祿.淺議味精與雞精[J].中國調(diào)味品,2013,38(1):3-4.

[4]田懷香,肖作兵,徐霞,等.基于電子舌的雞肉香精風(fēng)味改進研究[J].中國調(diào)味品,2011,36(3):113-116.

[5]黃富軍,楚炎沛.感官評價在調(diào)味品中的應(yīng)用和注意事項[J].中國調(diào)味品,2013,38(6):115-117.

[6]佟懿,謝晶,肖紅,等.基于電子鼻的帶魚貨架期預(yù)測模型[J].農(nóng)業(yè)工程學(xué)報,2010,26(2):356-360．

[7]顧海寧,李強,李文釗,等.冷卻豬肉貯存中的品質(zhì)變化及貨架期預(yù)測[J].現(xiàn)代食品科技,2013,29(11):2621-2626．

[8]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)測速凍水餃變溫冷藏貨架期[J].農(nóng)業(yè)工程學(xué)報,2012,28(22):276-281．

[9]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)測模型[J].農(nóng)業(yè)機械學(xué)報,2015,46(10):328-334.

[10]Robert H N.Theory of the back propagation neural network[C].International Joint Conference on Neural Networks,1989．

[11]王小川,史峰,郁磊,等.MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京:北京航空學(xué)院出版社,2010.

[12]孫增輝,張蕾.BP人工神經(jīng)網(wǎng)絡(luò)在酥性餅干貨架期壽命預(yù)測中的應(yīng)用[J].包裝工程,2011,31(3):16-20．

[13]潘昊,陳杰,鐘洛.BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與樣本訓(xùn)練參數(shù)選取的初步探討[J].湖北工學(xué)院學(xué)報,1997,12(3):1-4．

Research on Model for Chicken Essence's Shelf Life Based on BP Neural Network

XIAO Li-zhong1, FEI Yu-gang1, TIAN Huai-xiang2, ZHANG Ya-jing2，LI Wen-ju1， WANG Guang-zhong1

(1.School of Computer Science and Information Engineering,Shanghai Institute of Technology,Shanghai 201418, China；2.School of Perfume and Aroma Technology and Engineering,Shanghai Institute of Technology, Shanghai 201418, China)

The shelf life of chicken essence is an important index for quality evaluation and it is also be regarded as a significant factor for storage and quality control. In this paper, a model for shelf life of chicken essence based on BP neural network has been put forward for a quick and easy recognition for the shelf life. Obtain the shelf life data of chicken essence through the combination of GC-MS and manual sensory evaluation. As for the numerous GC-MS data, feature selections and pretreatments of the data are conducted by fitting coefficient of determination and normalization. High-quality model is obtained through BP neural network structure, parameters and the optimization of network function. The model presented in the paper is indicated to be accurate and effective upon comparative experiment with a chemical kinetics model.

chicken essence;shelf life;BP neural network;chemical kinetics model

2017-02-07

上海應(yīng)用技術(shù)學(xué)院協(xié)同創(chuàng)新基金——跨學(xué)科、多領(lǐng)域合作研究專項(XTCX2015-13)；2015年度“創(chuàng)新行動計劃”地方院校能力建設(shè)項目(15590503500)

肖立中(1981-)，男，山東壽光人，副教授，博士，研究方向：風(fēng)味識別、軟件工程; 費玉剛(1990-)，男，江蘇泰州人，碩士，研究方向：香料香精的數(shù)據(jù)挖掘。

TS264.3

A

10.3969/j.issn.1000-9973.2017.07.004

1000-9973(2017)07-0016-04