亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于自組織映射模型對(duì)香腸產(chǎn)品喜好度的預(yù)測(cè)

        2020-02-08 14:49:22劉宇佳張書艷
        食品科學(xué) 2020年1期
        關(guān)鍵詞:模型

        劉宇佳,朱 杰,張書艷,李 琳

        (東莞理工學(xué)院化學(xué)工程與能源技術(shù)學(xué)院,食品營(yíng)養(yǎng)健康工程與智能化加工研究中心,廣東 東莞 523808)

        感官評(píng)定是一門包括測(cè)量、分析以及解釋由食品與其他物質(zhì)相互作用所引發(fā)的、最終通過(guò)參評(píng)人的視覺(jué)、嗅覺(jué)、味覺(jué)及觸覺(jué)等進(jìn)行評(píng)價(jià)的科學(xué)[1]。通常需要完整的評(píng)定程序與評(píng)價(jià)體系,對(duì)參評(píng)人也具有非常嚴(yán)格的要求,才能得到較為真實(shí)的評(píng)價(jià)結(jié)果。感官評(píng)定可以很好地彌補(bǔ)化學(xué)或物理檢測(cè)過(guò)程中無(wú)法解釋的感官狀況,因此在食品行業(yè)中起到不可替代的作用[2]。產(chǎn)品喜好度是新型食品產(chǎn)品進(jìn)入市場(chǎng)前的一個(gè)重要參數(shù),對(duì)于新產(chǎn)品研發(fā)、原料替代、產(chǎn)品更新以及市場(chǎng)預(yù)期具有決定性作用,是影響消費(fèi)者對(duì)產(chǎn)品購(gòu)買意向的關(guān)鍵因素[3-4],感官評(píng)定是產(chǎn)品喜好度的主要評(píng)價(jià)方法。然而,食品的感官評(píng)定結(jié)果容易受到環(huán)境因素、品評(píng)過(guò)程以及參評(píng)人狀態(tài)等諸多因素的影響[5]。另外,我國(guó)很多中、小食品企業(yè)不具備完整的評(píng)價(jià)體系與實(shí)施條件,嚴(yán)重阻礙了產(chǎn)品創(chuàng)新與市場(chǎng)開發(fā)能力。

        食品體系具有多樣性與復(fù)雜性的特點(diǎn),原料與加工方式對(duì)產(chǎn)品的特性都具有顯著影響??茖W(xué)的產(chǎn)品評(píng)價(jià)有助于新產(chǎn)品的開發(fā)與市場(chǎng)推廣,是食品研發(fā)領(lǐng)域的一個(gè)重要環(huán)節(jié)[6]。食品產(chǎn)品喜好度的預(yù)測(cè)涉及到食品物性學(xué)、統(tǒng)計(jì)學(xué)以及消費(fèi)心理學(xué)等諸多學(xué)科,具有非常廣闊的研究?jī)?nèi)容與發(fā)展空間[7-8]。自組織映射(self-organizing maps,SOM)是一種無(wú)導(dǎo)師學(xué)習(xí)信息處理算法[9],目前廣泛應(yīng)用于水文土壤分類[10-11]、植物群落分布[12]、森林健康評(píng)估[13]等具有空間拓?fù)湫再|(zhì)的圖像化處理研究,同時(shí)在食品加工工藝條件優(yōu)化[14]、檢測(cè)檢驗(yàn)新方法[15-16]以及農(nóng)產(chǎn)品原料溯源[17-19]等應(yīng)用中也有出色表現(xiàn)。因其具有良好的非線性映射特征逼近能力,在食品品種分類方面也取得了良好的效果[20-22],但該技術(shù)對(duì)食品喜好度預(yù)測(cè)的應(yīng)用國(guó)內(nèi)外鮮見(jiàn)相關(guān)報(bào)道。

        本研究通過(guò)采集9 種原料香腸的質(zhì)構(gòu)參數(shù)與顏色信息,基于感官評(píng)定結(jié)果,結(jié)合相關(guān)性和主成分分析(principal component analysis,PCA)建立SOM網(wǎng)絡(luò)模型,將十維特征值映射到二維平面,對(duì)香腸產(chǎn)品的喜好度進(jìn)行預(yù)測(cè),建立一種準(zhǔn)確高效的食品喜好度預(yù)測(cè)方法,為食品新產(chǎn)品研發(fā)與市場(chǎng)開發(fā)提供數(shù)據(jù)參考。

        1 材料與方法

        1.1 材料與試劑

        魚肉、雞肉與豬肉購(gòu)買于東莞市松山湖農(nóng)貿(mào)市場(chǎng);食鹽 廣東鹽業(yè)有限公司;白砂糖 東莞市東糖集團(tuán)有限公司。

        1.2 儀器與設(shè)備

        TA.XT Plus質(zhì)構(gòu)儀 英國(guó)Stable Micro Systems 公司;Hunter Lab比色計(jì) 上海精密科學(xué)儀器有限公司。

        1.3 方法

        1.3.1 香腸樣品的制備

        實(shí)驗(yàn)香腸由9 種原料(魚肉、雞肉與豬肉各3 種)共制備99 個(gè)樣品,樣品編號(hào)與原料信息如表1所示。魚肉香腸樣品通過(guò)調(diào)控擂潰時(shí)間(20、30、40 min)、食鹽添加量(1%、2%、3%,以魚肉質(zhì)量計(jì))、擂潰溫度(5、10、20 ℃)與烘烤時(shí)間(32、34、36 h)4 個(gè)因素共制備39 個(gè)樣品;雞肉與豬肉香腸樣品分別經(jīng)調(diào)控鹽糖質(zhì)量比(1∶1、1∶2、1∶3)、烘烤時(shí)間(32、34、36 h)與烘烤溫度(45、55、60 ℃)3 個(gè)因素共制備60 組樣品。

        表 1 香腸樣品分類編號(hào)與基本信息Table 1 Meat sources of sausage samples

        1.3.2 感官評(píng)定分析

        感官評(píng)定方法依據(jù)GB/T 29605ü 2013《感官分析 食品感官質(zhì)量控制導(dǎo)則》[23]與GB/T 22210ü 2008《肉與肉制品 感官評(píng)定規(guī)范》[24]作為實(shí)施指導(dǎo)標(biāo)準(zhǔn),每個(gè)樣品由10 位評(píng)分員在設(shè)置小隔間的感官實(shí)驗(yàn)室獨(dú)立完成;燈光采取自然光為主,日光燈輔助的形式;每個(gè)產(chǎn)品用3 位隨機(jī)數(shù)字編號(hào),置于白色塑料盤中;每次評(píng)定于上午10∶00開始,規(guī)定時(shí)間段內(nèi)完成,每天完成1 種產(chǎn)品(表1),共9 d完成所有評(píng)定。評(píng)分員分別對(duì)香腸的色澤、外觀、風(fēng)味、口感以及總體接受度5 項(xiàng)指標(biāo)評(píng)分,采用10 分制,評(píng)定標(biāo)準(zhǔn)如圖2所示。累加各項(xiàng)指標(biāo)分值計(jì)算總分,每個(gè)樣品盲評(píng)3 次,結(jié)果取平均值。共得到594 個(gè)得分結(jié)果作為輸入目標(biāo)進(jìn)行預(yù)測(cè)比較。同時(shí)為判斷所建立模型的預(yù)測(cè)準(zhǔn)確率,將總評(píng)分預(yù)先分級(jí),其中總分高于35 分為1級(jí)、30~35 分為2級(jí)、25~30 分為3級(jí)、20~25 分 為4級(jí)、低于20 分為5級(jí)。

        表 2 感官評(píng)定評(píng)分標(biāo)準(zhǔn)Table 2 Criteria for sensory evaluation

        1.3.3 質(zhì)構(gòu)分析

        參考文獻(xiàn)[ 2 5 ] 的方法, 將香腸樣品切成2.0 cmh 2.0 cmh 2.0 cm的方塊,采用TA.XT Plus質(zhì)構(gòu)儀測(cè)定香腸樣品質(zhì)構(gòu)參數(shù)。測(cè)試條件:使用柱形P/50探針,測(cè)前速率2 mm/s,測(cè)試速率1 mm/s,測(cè)后速率5 mm/s, 壓縮比50%。通過(guò)Texture Expert軟件計(jì)算得到硬度、彈性、黏聚性、膠著性、咀嚼性和回復(fù)性。

        1.3.4 顏色數(shù)字化

        通過(guò)Hunter Lab比色計(jì)測(cè)量香腸樣品顏色[26]。使用CIE Lab顏色模型對(duì)香腸樣品顏色進(jìn)行數(shù)字化,每個(gè)樣品分別隨機(jī)選取20 個(gè)點(diǎn)進(jìn)行檢測(cè),去除明顯誤差值并計(jì)算平均值。樣品白度(W)按式(1)計(jì)算。

        1.3.5 模型性能評(píng)價(jià)

        考察預(yù)測(cè)準(zhǔn)確率與泛化能力用于評(píng)價(jià)構(gòu)建模型的性能。準(zhǔn)確率表示模型預(yù)測(cè)結(jié)果的準(zhǔn)確程度,泛化能力以預(yù)測(cè)集與真實(shí)值均方根誤差(root mean squared error,RMSE)表示,分別按式(2)、(3)計(jì)算。

        式中: 為預(yù)測(cè)值;yi為真實(shí)值;n為樣品數(shù)。

        1.4 數(shù)據(jù)處理與分析

        采用Excel 2016軟件進(jìn)行數(shù)據(jù)整理、線性回歸分析與RMSE計(jì)算;采用SPSS 19.0軟件因子分析模塊進(jìn)行PCA;采用MATLAB R2010b軟件中SOM模塊進(jìn)行判別分類與預(yù)測(cè)。

        2 結(jié)果與分析

        2.1 9 種香腸感官評(píng)定各指標(biāo)評(píng)分與總分的相關(guān)性分析結(jié)果

        圖 1 9 種香腸感官評(píng)定各指標(biāo)評(píng)分與總分的線性回歸分析Fig. 1 Linear regression analysis of individual sensory attributes against total sensory score

        通過(guò)計(jì)算得到香腸色澤、外觀、風(fēng)味、口感及總體可接受度評(píng)分與感官評(píng)定總分的線性回歸方程分別為:y=0.086+3.807x(R2=0.186 1)、y=0.234-0.706x(R2=0.709 6)、y=0.185+0.512x(R2=0.589 2)、y=0.259-2.268x(R2=0.845 8)、y=0.232-1.260x(R2=0.818 0)。由圖1A~E可知,在5 項(xiàng)感官指標(biāo)中,色澤評(píng)分與感官評(píng)定總分的線性相關(guān)性最低 (R2=0.186 1),其次是風(fēng)味評(píng)分(R2=0.589 2)。所測(cè)樣品中魚肉腸肉質(zhì)白皙細(xì)膩,雞肉腸經(jīng)過(guò)烘烤后顏色略黃,豬肉腸因其含有較多的血紅蛋白和大量的Fe2+,經(jīng)烘制后進(jìn)一步被氧化,從而具有較深的紅褐色與特殊的香味[27],導(dǎo)致3 種不同肉類香腸產(chǎn)品在色澤與風(fēng)味上產(chǎn)生較大差異。較低的相關(guān)性表明,色澤與風(fēng)味指標(biāo)對(duì)于總分貢獻(xiàn)率較低,同時(shí)也體現(xiàn)出不同種類香腸產(chǎn)品的喜好度也存在差異。外觀、口感與總體可接受度3 項(xiàng)指標(biāo)與總分均表現(xiàn)出良好的正相關(guān)線性關(guān)系,表明這3 項(xiàng)指標(biāo)在香腸總體感官評(píng)定過(guò)程中具有趨同性,對(duì)總分具有較高的貢獻(xiàn)率。由圖1F可知,9 種香腸樣品的總分為15~35 分,具有較大的分?jǐn)?shù)分布區(qū)間,因此將感官評(píng)定總分作為香腸品質(zhì)參數(shù)的輸出目標(biāo)值是合理的。

        表 3 質(zhì)構(gòu)參數(shù)、顏色信息與感官評(píng)定總分的線性回歸方程與相關(guān)系數(shù)Table 3 Linear regression equations and correlation coefficients of texture and color parameters against total sensory score

        以感官評(píng)定總分為基礎(chǔ)進(jìn)一步分析質(zhì)構(gòu)參數(shù)、顏色信息與總分的線性關(guān)系。由表3可知,質(zhì)構(gòu)參數(shù)、顏色信息與感官評(píng)分總分的線性關(guān)系均不明顯,尤其是質(zhì)構(gòu)參數(shù)與總分決定系數(shù)(R2)均小于0.1,表明通過(guò)線性回歸方程無(wú)法直觀體現(xiàn)質(zhì)構(gòu)和顏色指標(biāo)與感官評(píng)定的內(nèi)在關(guān)系,因此需要采取更為有效的數(shù)據(jù)預(yù)處理方法。本研究將所得到的感官評(píng)定與儀器測(cè)定結(jié)果組合為包含16h 99 個(gè)數(shù)據(jù)的二維矩陣,進(jìn)一步提取有效數(shù)據(jù),增加有效信息量的權(quán)重。

        2.2 PCA結(jié)果

        圖 2 感官評(píng)定與儀器測(cè)定結(jié)果的PCAFig. 2 PCA plot of sensory evaluation and instrumental measurement results

        PCA是一種有效的數(shù)據(jù)挖掘手段,可將龐大的無(wú)規(guī)律數(shù)據(jù)進(jìn)行優(yōu)化,從而體現(xiàn)各指標(biāo)之間的相關(guān)性。相較于線性回歸方程,PCA法將原始的16h 99維矩陣信息映射到二維象限中,所有參數(shù)歸一于X、Y軸為±1的坐標(biāo)系中,更直觀、簡(jiǎn)明地發(fā)掘各參數(shù)指標(biāo)間的內(nèi)在關(guān)系。由圖2可知,第1主成分與第2主成分貢獻(xiàn)率分別為54.42%與44.26%,總和達(dá)到98.68%,說(shuō)明2 個(gè)主成分可以有效表達(dá)原始數(shù)據(jù)的特征。感官評(píng)分、質(zhì)構(gòu)參數(shù)與顏色信息的分布呈現(xiàn)區(qū)域化,感官評(píng)分主要分布在X軸上方,其中口感與總分最接近,表明二者的相關(guān)性最強(qiáng),這與線性回歸方程相關(guān)性結(jié)果一致。質(zhì)構(gòu)參數(shù)主要分布在X軸附近,并且更趨近于直徑為1的圓形邊緣,說(shuō)明質(zhì)構(gòu)參數(shù)對(duì)于目標(biāo)整體特征具有較大的貢獻(xiàn)率。同時(shí),回復(fù)性、彈性與黏聚性分布在X軸負(fù)軸,3 個(gè)參數(shù)都描述了與香腸彈性相關(guān)的信息;硬度、咀嚼性以及膠著性分布在X軸正軸,體現(xiàn)了香腸與硬度相關(guān)的信息,符合香腸在實(shí)際咀嚼過(guò)程中的參數(shù)分類情況。另外,顏色信息主要分布在Y軸負(fù)軸,表明顏色信息對(duì)總分的貢獻(xiàn)較小,這與線性回歸分析中色澤評(píng)分與總分的線性關(guān)系較低一致。

        PCA是一種將高維度變量數(shù)通過(guò)相關(guān)性轉(zhuǎn)化為低維度變量數(shù)的統(tǒng)計(jì)分析方法,當(dāng)輸入數(shù)據(jù)的線性程度不高時(shí),應(yīng)用PCA方法會(huì)出現(xiàn)提取特征能力不足的缺點(diǎn)[28]。分析結(jié)果雖然能夠進(jìn)一步闡述各個(gè)參數(shù)間的相互關(guān)系,但仍無(wú)法準(zhǔn)確構(gòu)建儀器分析結(jié)果與感官評(píng)價(jià)的內(nèi)在關(guān)系模型。食品樣品具有復(fù)雜性與多樣性的特點(diǎn),很難得到準(zhǔn)確的線性關(guān)系,因此PCA方法對(duì)于食品體系中提取特征變量后的數(shù)據(jù)分類具有局限性,需要選用其他方法優(yōu)化。本研究進(jìn)一步采用非線性的SOM模型,進(jìn)一步建立更為準(zhǔn)確、優(yōu)化的預(yù)測(cè)分類模型。

        2.3 SOM模型的建立與結(jié)果預(yù)測(cè)

        SOM模型通過(guò)對(duì)客觀事物的觀察、分析與比較自主尋找樣本屬性,提取事物的內(nèi)在規(guī)律,并對(duì)其特征進(jìn)行正確自主分類。因其算法是通過(guò)對(duì)輸入?yún)?shù)的反復(fù)學(xué)習(xí),捕捉模式特點(diǎn),在競(jìng)爭(zhēng)層將分類結(jié)果表現(xiàn)出來(lái),分類結(jié)果與網(wǎng)絡(luò)的初始狀態(tài)無(wú)關(guān),具有較強(qiáng)的保持拓?fù)浣Y(jié)構(gòu)不變的能力,因此特別適用于具有復(fù)雜多樣性特點(diǎn)的食品體系。本研究建立由儀器測(cè)定的質(zhì)構(gòu)參數(shù)與顏色信息組成的10h 99二維矩陣作為輸入層,設(shè)置競(jìng)爭(zhēng)層為6、輸出層為36的SOM網(wǎng)絡(luò),最終只有1 個(gè)神經(jīng)元在競(jìng)爭(zhēng)層中獲勝以適應(yīng)當(dāng)前的輸入樣本。模型結(jié)構(gòu)如圖3所示。

        圖 3 SOM模型結(jié)構(gòu)圖Fig. 3 Structure diagram of SOM model

        利用訓(xùn)練函數(shù)train和仿真函數(shù)sim進(jìn)行仿真預(yù)測(cè)分類,在網(wǎng)絡(luò)輸出誤差小于收斂誤差臨界值時(shí)完成訓(xùn)練目標(biāo),形成模型預(yù)測(cè)的拓?fù)浣Y(jié)構(gòu)。由圖4A可知,網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元分類具有明顯的傾向性,右上角神經(jīng)元顏色較深,顯示出拓?fù)浣Y(jié)構(gòu)的權(quán)重,表明具有更多的預(yù)測(cè)特征性;圖4C為各變量參數(shù)對(duì)于總矩陣的權(quán)重貢獻(xiàn)度,顏色越深表明貢獻(xiàn)度越大。進(jìn)一步計(jì)算分類數(shù)量(圖4B),有38 個(gè)樣本被集中分布在拓?fù)渖窠?jīng)圖的右上角,為第1類;56 個(gè)樣本分布在中部,為第2類;其余5 個(gè)樣本分布在左下角,為第3類;結(jié)果表明通過(guò)對(duì)輸入信息的自組織學(xué)習(xí),模型成功對(duì)所有樣本進(jìn)行了分類預(yù)測(cè)。

        圖 4 SOM模型預(yù)測(cè)的拓?fù)浣Y(jié)構(gòu)Fig. 4 Topological structure predicted by SOM model

        圖 5 SOM模型中香腸樣品的預(yù)測(cè)值分布(A)及其 與實(shí)際值的均方差(B)Fig. 5 SOM model predicted results of sausage samples (A) and RMSE between the predicted and actual values (B)

        對(duì)模型預(yù)測(cè)優(yōu)劣的評(píng)價(jià)主要依據(jù)鑒別的準(zhǔn)確率。通過(guò)計(jì)算真實(shí)集與預(yù)測(cè)集的RMSE,研究建立的模型是否有效逼近真實(shí)樣品所蘊(yùn)含的規(guī)律,具有很強(qiáng)的逼近能力與良好的泛化能力[29]。將感官評(píng)定總分的分級(jí)值與模型預(yù)測(cè)值進(jìn)行比較,由圖5A可知,可以發(fā)現(xiàn)所有樣品均獲得準(zhǔn)確預(yù)測(cè),都分布在各分級(jí)值附近,并且各樣品間具有明顯間隔,鑒別準(zhǔn)確率為100%,說(shuō)明所建立的模型具有良好的鑒別能力,能夠?qū)ο隳c產(chǎn)品的喜好度進(jìn)行有效的準(zhǔn)確預(yù)測(cè)。圖5B為所有香腸樣品實(shí)際值與預(yù)測(cè)值的均方差,可以觀察每個(gè)樣品的預(yù)測(cè)值與實(shí)際值的誤差。最后計(jì)算得到預(yù)測(cè)集RMSE為0.118 4,表明模型已有效逼近樣本的內(nèi)在規(guī)律,具有良好的泛化能力。

        3 結(jié) 論

        通過(guò)采集99 個(gè)香腸制品的質(zhì)構(gòu)參數(shù)與顏色信息,結(jié)合相關(guān)性和PCA建立SOM模型,對(duì)香腸產(chǎn)品的喜好度進(jìn)行預(yù)測(cè)。結(jié)果表明,線性回歸方程無(wú)法完整體現(xiàn)各儀器參數(shù)與感官評(píng)定總分的相關(guān)性,進(jìn)一步結(jié)合PCA分析,探討了感官評(píng)定指標(biāo)、質(zhì)構(gòu)參數(shù)與顏色信息的關(guān)聯(lián)性,消除冗余性數(shù)據(jù),并建立競(jìng)爭(zhēng)層為6、輸出層為36的SOM模型。通過(guò)對(duì)香腸樣本特征值的提取與分類預(yù)測(cè),模型預(yù)測(cè)準(zhǔn)確率為100%,鑒別結(jié)果準(zhǔn)確,此時(shí)預(yù)測(cè)集RMSE為0.118 4,模型具有良好的泛化能力?;赟OM模型可對(duì)香腸產(chǎn)品喜好度進(jìn)行有效預(yù)測(cè),為新型食品的研發(fā)及其市場(chǎng)喜好預(yù)期提供科學(xué)依據(jù)。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機(jī)模型
        提煉模型 突破難點(diǎn)
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達(dá)及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        3D打印中的模型分割與打包
        欧美精品一区二区蜜臀亚洲| 日本高清色一区二区三区 | 中文字幕亚洲入口久久| 麻豆精品在线视频观看| 91三级在线观看免费| 一二三四区中文字幕在线| 欧美最猛黑人xxxx| 亚洲无亚洲人成网站77777| av潮喷大喷水系列无码| 国产成人无码A区在线观| 亚洲AV无码一区二区三区少妇av| 亚洲av永久一区二区三区| 国产精品永久在线观看| 国产成人亚洲综合色婷婷| 无码夜色一区二区三区| 最新国产精品亚洲二区| 97国产精品麻豆性色| 国产尤物自拍视频在线观看| 友田真希中文字幕亚洲| 中文字幕一区二区三区乱码| 日日摸夜夜添夜夜添无码免费视频 | 高h小月被几个老头调教| 成人欧美一区二区三区1314| 国产啪精品视频网给免丝袜 | 欧美日本国产va高清cabal| 精品久久久久一区二区国产| 精品人妻一区二区三区蜜臀在线 | 欧美成人家庭影院| 午夜福利92国语| 久久亚洲av成人无码软件| 久久综合这里只有精品| 国产精品一区二区三区四区亚洲| 玩弄放荡人妇系列av在线网站| 国产精品香蕉在线观看| av毛片在线播放网址| 网站在线观看视频一区二区| 欧美精品亚洲精品日韩专区| 亚洲综合久久成人a片| 日韩熟妇精品视频一区二区| 久久久成人av毛片免费观看| 香蕉视频在线观看亚洲|