1、人工神經網絡在食品研究中的應用 摘要：人工神經網絡在模式識別、數據處理、自動控制和預測中廣泛應用，其優 勢在于對不確定性系統的控制和預測。 食品工業所涉及的食品加工過程、 品質控 制以及成分分析往往是屬于非線性和非穩態的系統， 應用人工神經網絡能夠促進 食品工業的開展。 論述了人工神經網絡的原理及其在食品研究中的應用， 并對目 前人工神經網絡在實際應用中存在的問題、開展方向及前景進行了展望。 關鍵詞：人工神經網絡；食品；應用人工神經網絡 Artificial Neural Network ，ANN 是近年來迅速興起的一種 非線性科學，其力圖模擬人腦的一些根本特性如自組織性、 自學習性、自適應性

2、、 容錯性等，利用對象的外部特性來建立內部的動態模型，是一門集優化、控制、 預測、反應于一體的應用技術科學。 人工神經網絡在人工智能領域開展較快， 但 在食品研究領域的應用較少， 仍處于初步階段。 本文簡單介紹了人工神經網絡的 根本原理， 對其在食品研究領域應用的最新進展進行了探討， 在此根底上對人工 神經網絡在食品工業中的應用前景進行了展望。1、人工神經網絡概述 人工神經網絡是在人類對其大腦神經網絡認識理解的根底上人工構造的能 夠實現某種功能的神經網絡， 是理論化的人腦神經網絡的數學模型， 其力圖模擬 人腦的一些根本特性如自組織性、自學習性、自適應性、容錯性等，利用對象的 外部特性來建立內部

3、的動態模型。作為一種黑箱理論， ANN 的實質是一種輸入 轉化成輸出的數學表達式， 這種數學關系由網絡的結構來確定， 網絡結構根據具 體問題進行設計和訓練。與其它電腦程序不同， ANN 主要是通過對一系列樣本 的“學習訓練而不是通過編程來解決預測、評估或識別等問題，因此，適合模 擬機理不明確的過程。 人工神經網絡學習訓練的目的是使網絡模型準確地描述實 際對象輸入與輸出變量間的映射關系， 并對所需變量做出預測， 因此必須利用一 個或多個代表對象特性的樣本數據集對 ANN 進行訓練。人工神經網絡由按層排 列的神經元組成， 接收輸入信號的單元稱輸入層， 輸出信號的單元稱輸出層， 不 直接與輸入輸出發

4、生聯系的單元層稱隱含層或中間層，利用 ANN 可以實現從輸 入到輸出之間的非線性映射。 ANN 非常突出的優點是可以有效地對模型不確定 的數據進行大規模非線性自適應信息處理，訓練好的 ANN 能直接進行推理，在 處理規律不明顯、變量多的問題時具有特別的優越性。2、人工神經網絡在食品研究中的應用2.1 水果分級和分類楊寶華等人利用 BP 神經網絡研究了西瓜種仁質量的預測。根據園藝試驗田 多年跟蹤測量西瓜生長指標， 隨機抽取每年的局部數據來預測種仁質量， 輸出層 節點代表種仁質量。 其設計的神經網絡的預測模型確定輸入層為 4 個神經元，計 算隱層神經元數確定為 4，輸出因子為 1個，所以確定輸出層

5、為 1 個神經元。設 定最大的迭代次數為 100 次，系統全局誤差小于 0.001。經過 6次訓練后，網絡 的目標誤差到達要求， 用訓練好的網絡預測輸入向量， 仿真輸出結果。 將預測值 與待預測目標值比擬， 計算相對誤差， 結果相對誤差在 20%上下波動。 考慮到樣 本的數據較少，還有數據測量的偏差，這個誤差是可以接受的。 BP 網絡經有效 訓練后應用于西瓜仁質量預測，具有較高的預測精度和良好的泛化能力。Kondo等人通過機器視覺系統采集“ Izokan甜橙圖像，以圖像紅色分量 R 與綠色分量 G 的比率、果形指數、質量和果面粗糙度為輸入，以糖酸含量為輸 出，建立“ Izokan甜橙糖酸度神經

6、網絡模型。試驗結果說明，糖酸含量的實際 值與預測值間相關系數都不高于 0.84。應義斌等人以外表色澤與固酸比為柑橘成熟度指標， 建立柑橘成熟度的機器 視覺檢測系統，柑橘成熟度的判別準確率到達91.67%；以色度值在圖像中出現的頻率作為柑橘成熟度的依據， 通過神經網絡映射柑橘是否成熟的正確判斷率為 77.80%。2.2 糧食含水量的檢測玉米枯燥過程具有不確定性、 時變性和非線性等特點。 針對這些特點， 劉春 山等人提出了玉米枯燥過程含水量的新型實時多步預測方法。基于Jordan神經網絡，構造了具有多作用因素輸入和玉米含水量動態時間序列反應的實時動態建 模預測模型。從得到的數據中取 30 組變化穩

7、定的數據及與其對應的輸入變量值， 進行了網絡訓練及預測。前 25 組用于訓練，后 5 組用于預測。其中，網絡輸入 層第 1 局部輸入為入料含水量、入料溫度、熱風流量、熱風溫度、熱風濕度和物 料的流量等6個變量；第2局部輸入為最近1h玉米枯燥歷史數據。網絡的輸出 為下一段時間的含水量預報值。網絡結構為 3 層 Jordan 網絡，其中輸入層為 6 個神經元，隱含層為 12 個神經元，輸出層為玉米含水量數值，從而實現了對于 玉米枯燥過程含水量的時間序列的實時多步預測，預測精度較高。2.3 液體食品的檢測酒陳化的機制至今仍未完全清楚， 環境條件、 桶的使用、桶的質量和陳化前 酒的質量等都會影響陳化的

8、結果。 這個建模過程是非常復雜， 高度非線性， 且對 最終產品的質量評定缺乏客觀的指標。 Raptis 等人以陳化的葡萄酒為研究對象， 分別建立其風味及口感與各因素的聯系。 以橡木桶的使用次數、 使用長度和葡萄 酒的年份作為輸入，風味或口感作為神經網絡輸出，風味與口感由專家進行 打分得到。對風味與口感分別取 140組樣品訓練，以 20 組未知樣本進行驗證， ANN 所得結果與專家的評分十分相近。3、結論與展望食品工業過程屬于非線形、非穩態系統，由于 ANN 對非線性系統具有較強 處理能力，使其在食品研究中的應用越來越受關注。然而， ANN 在食品工業中 的實際應用仍有許多問題有待解決， 如：訓練樣本數據的選擇、 神經網絡類型的 選擇、網絡權值只收斂到局部極值而非全局極值等。因此，近