人工神经网络在食品研究中的应用.pdf

《人工神经网络在食品研究中的应用.pdf》由会员分享，可在线阅读，更多相关《人工神经网络在食品研究中的应用.pdf（3页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、人工神经网络在食品研究中的应用人工神经网络在食品研究中的应用摘要：人工神经网络在模式识别、数据处理、自动控制和预测中广泛应用，其优势在于对不确定性系统的控制和预测。食品工业所涉及的食品加工过程、品质控制以及成分分析往往是属于非线性和非稳态的系统， 应用人工神经网络能够促进食品工业的发展。 论述了人工神经网络的原理及其在食品研究中的应用，并对目前人工神经网络在实际应用中存在的问题、发展方向及前景进行了展望。关键词：人工神经网络；食品；应用人工神经网络Artificial Neural Network，ANN是近年来迅速兴起的一种非线性科学， 其力图模拟人脑的一些基本特性如自组织性、 自学习性、

2、自适应性、容错性等，利用对象的外部特性来建立内部的动态模型，是一门集优化、控制、预测、反馈于一体的应用技术科学。人工神经网络在人工智能领域发展较快，但在食品研究领域的应用较少，仍处于初步阶段。本文简单介绍了人工神经网络的基本原理， 对其在食品研究领域应用的最新进展进行了探讨，在此基础上对人工神经网络在食品工业中的应用前景进行了展望。1、人工神经网络概述人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络，是理论化的人脑神经网络的数学模型，其力图模拟人脑的一些基本特性如自组织性、自学习性、自适应性、容错性等，利用对象的外部特性来建立内部的动态模型。作为一种黑箱

3、理论，ANN 的实质是一种输入转化成输出的数学表达式，这种数学关系由网络的结构来确定，网络结构根据具体问题进行设计和训练。与其它电脑程序不同，ANN 主要是通过对一系列样本的“学习训练”而不是通过编程来解决预测、评估或识别等问题，因此，适合模拟机理不明确的过程。 人工神经网络学习训练的目的是使网络模型准确地描述实际对象输入与输出变量间的映射关系，并对所需变量做出预测，因此必须利用一个或多个代表对象特性的样本数据集对 ANN 进行训练。人工神经网络由按层排列的神经元组成，接收输入信号的单元称输入层，输出信号的单元称输出层，不直接与输入输出发生联系的单元层称隐含层或中间层，利用ANN 可以实现从输

4、入到输出之间的非线性映射。ANN 非常突出的优点是可以有效地对模型不确定的数据进行大规模非线性自适应信息处理，训练好的 ANN 能直接进行推理，在处理规律不明显、变量多的问题时具有特别的优越性。2、人工神经网络在食品研究中的应用2.1 水果分级和分类杨宝华等人利用 BP 神经网络研究了西瓜种仁质量的预测。根据园艺试验田多年跟踪测量西瓜生长指标，随机抽取每年的部分数据来预测种仁质量，输出层节点代表种仁质量。其设计的神经网络的预测模型确定输入层为 4 个神经元，计算隐层神经元数确定为 4，输出因子为1 个，所以确定输出层为 1 个神经元。设定最大的迭代次数为 100 次，系统全局误差小于 0.00

5、1。经过 6 次训练后，网络的目标误差到达要求，用训练好的网络预测输入向量，仿真输出结果。将预测值与待预测目标值比较，计算相对误差，结果相对误差在 20%上下波动。考虑到样本的数据较少，还有数据测量的偏差，这个误差是可以接受的。BP 网络经有效训练后应用于西瓜仁质量预测，具有较高的预测精度和良好的泛化能力。Kondo 等人通过机器视觉系统采集“Izokan”甜橙图像，以图像红色分量 R与绿色分量 G 的比率、果形指数、质量和果面粗糙度为输入，以糖酸含量为输出，建立“Izokan”甜橙糖酸度神经网络模型。试验结果说明，糖酸含量的实际值与预测值间相关系数都不高于 0.84。应义斌等人以外表色泽与固

6、酸比为柑橘成熟度指标， 建立柑橘成熟度的机器视觉检测系统，柑橘成熟度的判别准确率到达 91.67%；以色度值在图像中出现的频率作为柑橘成熟度的依据， 通过神经网络映射柑橘是否成熟的正确判断率为77.80%。2.2 粮食含水量的检测玉米干燥过程具有不确定性、时变性和非线性等特点。针对这些特点，刘春山等人提出了玉米干燥过程含水量的新型实时多步预测方法。基于 Jordan 神经网络， 构造了具有多作用因素输入和玉米含水量动态时间序列反馈的实时动态建模预测模型。 从得到的数据中取 30 组变化稳定的数据及与其对应的输入变量值，进行了网络训练及预测。前 25 组用于训练，后 5 组用于预测。其中，网络输

7、入层第 1 部分输入为入料含水量、入料温度、热风流量、热风温度、热风湿度和物料的流量等 6 个变量；第 2 部分输入为最近 1h 玉米干燥历史数据。网络的输出为下一段时间的含水量预报值。网络结构为 3 层 Jordan 网络，其中输入层为 6个神经元，隐含层为 12 个神经元，输出层为玉米含水量数值，从而实现了对于玉米干燥过程含水量的时间序列的实时多步预测，预测精度较高。2.3 液体食品的检测酒陈化的机制至今仍未完全清楚，环境条件、桶的使用、桶的质量和陈化前酒的质量等都会影响陈化的结果。这个建模过程是非常复杂，高度非线性，且对最终产品的质量评定缺乏客观的指标。Raptis 等人以陈化的葡萄酒为

8、研究对象，分别建立其风味及口感与各因素的联系。 以橡木桶的使用次数、使用长度和葡萄酒的年份作为输入，风味或口感作为神经网络输出，风味与口感由专家进行打分得到。对风味与口感分别取 140 组样品训练，以 20 组未知样本进行验证，ANN 所得结果与专家的评分十分相近。3、结论与展望食品工业过程属于非线形、非稳态系统，由于ANN 对非线性系统具有较强处理能力，使其在食品研究中的应用越来越受关注。然而，ANN 在食品工业中的实际应用仍有许多问题有待解决，如：训练样本数据的选择、神经网络类型的选择、网络权值只收敛到局部极值而非全局极值等。因此，近年来针对 ANN 的一些固有缺陷，出现了混合神经网络，以及神经网络与遗传算法、 模拟退火算法相结合等方法， 增强了系统的准确预测和在线控制，使仿真系统具有较好的鲁棒性。随着ANN 技术在食品研究中的不断发展和完善，其在食品工业中的应用将越来越广泛。学习文档 仅供参考