本发明涉及预测果汁综合品质领域。更具体地说，本发明涉及一种基于苹果原料指标预测果汁综合品质的方法。
背景技术：
：苹果作为四大水果之首，是蔷薇科苹果属植物的果实，含有丰富的酚类物质、抗坏血酸、糖和有机酸等营养成分和功能性成分。目前，苹果除用作鲜食外，主要加工方式为制作鲜榨汁。近年来，苹果鲜榨汁作为一种营养丰富的果汁，保留了苹果新鲜风味，而日益受到消费者关注。果汁综合评分依据为果汁的感官品质、理化营养及加工品质等方面。这些品质指标主要由原料加工适宜性决定，但目前，我国苹果品种鲜榨汁加工适宜性不明确，缺乏加工专用品种。为获得高品质的苹果果汁，从苹果原料特性出发，构建苹果原料与果汁品质的关联关系，进而通过原料指标对制品品质进行预测，有利于苹果果汁产业的快速发展。现有的少数苹果原料特性与果汁品质关联方法多利用判别函数、线性回归等线性模型定性或定量关联苹果原料特性与鲜榨汁品质，苹果原料特征指标筛选不全面、存在果汁品质评价不合理、模型关联性差等问题，预测准确率较低。人工神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型，由大量的人工神经元联结进行计算是一种非线性统计性数据建模工具，用于对函数进行估计或近似。bp人工神经网络是一种按误差逆传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络模型之一，可实现输入到输出的定性或定量预测。近年来bp神经网络模型在加工业领域的应用日渐增多，包括识别、分类与分级、加工过程仿真与控制、单一指标值预测等，取得了一定的效果，如何全面准确筛选苹果原料特征指标，结合人工神经网络提高预测苹果果汁综合品质准确率，是目前急需解决的问题。技术实现要素：本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。本发明还有一个目的是提供一种基于苹果原料指标预测果汁综合品质的方法，能够全面准确筛选苹果原料特征指标，结合人工神经网络提高预测苹果果汁综合品质准确率。为了实现根据本发明的这些目的和其它优点，提供了一种基于苹果原料指标预测果汁综合品质的方法，包括：s1、选定苹果原料，测定原料指标数据后加工苹果原料得果汁；s2、确定果汁核心指标，建立果汁核心指标与综合品质的对应关系，确定果汁综合品质；s3、根据果汁综合品质确定原料核心指标；s4、记录原料核心指标数据、及果汁综合品质形成样本集，选定一定比例的样本集数据形成训练样本集；s5、以训练样本集的原料核心指标数据为输入层，果汁综合品质为输出层，构建基于bp算法的人工神经网络学习模型，并训练至人工神经网络学习模型稳定；s6、以未知苹果的原料核心指标数据为输入层，根据人工神经网络学习模型预测该未知苹果的果汁综合品质。优选的是，步骤s2中确定果汁核心指标具体为：测定果汁指标数据，利用因子分析法确定果汁核心指标。优选的是，步骤s3中果汁综合品质为果汁综合评分或果汁品质等级中的一种；当果汁综合品质为果汁综合评分时，确定果汁综合品质具体为：运用层次分析法确定果汁核心指标权重，建立果汁综合评价模型进而得到果汁综合评分；当果汁综合品质为果汁品质等级时，确定果汁综合品质具体为：确定果汁综合评分，将果汁综合评分分为3-5个果汁品质等级，并确定每个苹果原料对应的果汁品质等级，且对应该品质等级的等级概率为1，其余品质等级的等级概率为0。优选的是，步骤s4中根据果汁综合品质确定原料核心指标具体为：对每一项原料指标与果汁综合品质对应的果汁核心指标进行相关性分析，去除相关系数低于预设的相关系数阈值的原料指标。优选的是，用于形成样本集的原料均为苹果主产各省份对应的主栽苹果种类，按照早熟、中熟、晚熟将苹果原料分为三类，步骤s1中选定苹果原料的个数不少于30个，且至少包含早熟、中熟、晚熟三类中的各一种。优选的是，步骤s2中果汁指标数据包括可溶性固形物、可滴定酸、粗纤维、粗蛋白、vc、还原糖、总糖含量，及果汁l*值，果汁a*值，果汁b*值，出汁率，浊度。优选的是，步骤s1中原料指标数据对应原料指标包括基础指标、理化指标和加工指标，基础指标包括质量，体积，密度，果皮l*值，果皮a*值，果皮b*值，果肉l*值，果肉a*值，果肉b*值，ph值、含水率、及可溶性固形物；理化指标包括粗纤维、粗蛋白、vc、还原糖、总糖、可滴定酸、氨基酸、叶绿素、及类胡萝卜素含量；加工指标果形指数，果核比例，果皮硬度，及果肉硬度。优选的是，步骤s4中选择70-85％的样本集数据形成训练样本集。优选的是，步骤s4中剩余的样本集数据形成检测样本集；步骤s5还包括：以检测样本集对人工神经网络模型进行测试，比较苹果果汁的果汁综合评分的预测值和实测值，符合预设的阈值，则人工神经网络模型稳定，反之将该苹果对应的样本集数据加入到训练样本集进行训练，优化人工神经网络模型。优选的是，步骤s5中训练次数为500-5000次，学习率为0.1-0.5，动量为0.1-0.8，误差值为0.001-0.1。本发明至少包括以下有益效果：第一、采用先记录后筛选的原则，利用因子分析法确定果汁核心指标，利用果汁核心指标与原料指标进行相关性分析，筛选出全面的原料核心指标，同时根据果汁核心指标数据利用层次分析法确定果汁的核心指标权重，得到果汁综合评分作为果汁综合品质，或者进一步将果汁综合评分分为3-5个品质等级，以品质等级作为综合品质，提高果汁综合品质、及原料核心指标间关系建立的合理性；第二、苹果原料选择时选择苹果主产各省份对应的主栽苹果种类，按照早熟、中熟、晚熟将苹果原料分为三类，且确保形成一个样本集的苹果原料至少包括上述三类每类中的一种，以实现较少样本总数、较少样本种类即可构建稳定的人工神经网络学习模型；第三、运用人工神经网络构建人工神经网络学习模型，依据模型快速、高精度地预测苹果果汁综合评分，无需事先确定输入输出之间映射关系，即可获得苹果原料与苹果果汁综合品质的关联，且关联性好，依据该人工神经网络学习模型，可筛选适合加工成苹果果汁的苹果品种，且预测准确率高，从源头上提升了苹果果汁的综合品质，能够极大地促进了苹果果汁产业的发展。本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。具体实施方式下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。构建样本集时，所选苹果原料均为苹果主产各省份对应的主栽苹果种类，并按照早熟、中熟、晚熟将苹果原料分为三类，具体有：早熟：山东泰山早霞、陕西秦阳等，中熟：陕西黄元帅、河南华玉等，晚熟：辽宁长富二号/华富、山东国光、甘肃秦冠、甘肃花牛、新疆富士、宁夏乔纳金等；每个苹果的一种原料指标对应一个原料指标数据；每个苹果果汁的一种果汁指标对应一个果汁指标数据；<实施例1>基于苹果原料指标预测果汁综合品质的方法，包括以下步骤：s1、选定苹果原料：具体为选定果实成熟期取样，无机械损伤、无病虫害的苹果原料33个，其中，早熟、中熟、和晚熟品种各11个，部分品种名称、产地见表1。表1部分苹果品种名称及产地序号名称产地序号名称产地1辽宁华红辽宁葫芦岛6辽宁秋锦辽宁葫芦岛2辽宁金冠辽宁葫芦岛7辽宁华金辽宁葫芦岛3辽宁寒富辽宁葫芦岛8烟富6号山东青岛4陕西青苹陕西咸阳9甘肃花牛甘肃平波5陕西长密欧陕西咸阳10陕西瑞阳陕西咸阳测定原料指标数据，其中，原料指标数据对应的原料指标包括基础指标、理化指标和加工指标，基础指标包括质量，体积，密度，果皮l*值，果皮a*值，果皮b*值，果肉l*值，果肉a*值，果肉b*值，ph值、含水率、及可溶性固形物；理化指标包括粗纤维、粗蛋白、vc、还原糖、总糖、可滴定酸、氨基酸、叶绿素、及类胡萝卜素含量；加工指标果形指数，果核比例，果皮硬度，及果肉硬度。s2、果汁综合品质为果汁综合评分，确定果汁综合评分；以相同工艺和参数分别加工苹果原料得果汁，测定果汁的果汁指标数据，果汁指标数据包括可溶性固形物、可滴定酸、粗纤维、粗蛋白、vc、还原糖、总糖含量，及果汁l*值，果汁a*值，果汁b*值，出汁率，浊度；对果汁的上述13项指标利用因子分析法，设定输出绝对值数据大于0.5的数据，结果见表2所示。表2果汁指标因子分析旋转成分矩阵pc1pc2pc3pc4pc5可溶性固形物0.625可滴定酸0.837粗纤维粗蛋白vc0.856还原糖0.7810.847总糖含量0.9290.848总酚含量0.978l*0.978-0.943a*0.9590.520b*0.961-0.593出汁率浊度0.885累计贡献率(％)31.74753.56378.29169.77784.434注：pc1—pc5分别表示第1至第5个主因子根据表2可知，筛选每个因子中权重值较高的指标作为各因子的代表性指标，故筛选出总酚含量、l*值、可滴定酸、浊度和vc为果汁核心指标，并记录各果汁核心指标对应的果汁核心指标数据；运用层次分析法建立y-p判断矩阵，对矩阵特征向量归一化处理后得到果汁核心指标权重；建立果汁综合评价模型进而得到果汁综合评分，每个果汁对应的果汁综合评分为：y(综合得分)＝总酚含量×0.416+l*值×0.027+可滴定酸含量×0.164+浊度0.092+vc含量×0.060。s3、确定原料核心指标，具体为：将25项原料指标与果汁核心指标进行相关性分析，结果如表3所示：表3原料指标与果汁核心指标相关性分析总酚l*值可滴定酸浊度vc质量-0.277-0.2610.268-0.250-0.099体积-0.259-0.2610.215-0.269-0.128密度-0.1010.0770.345*0.1140.188果形指数-0.072-0.247-0.025-0.0030.291果核比例-0.455**0.2260.513**0.151-0.191果皮l*值0.269-0.029-0.327-0.0950.282果皮a*值-0.244-0.2150.270-0.070-0.246果皮b*值-0.118-0.3030.1970.065-0.122果肉l*值0.1960.000-0.066-0.0480.342果肉a*值-0.347-0.0780.325-0.035-0.368果肉b*值0.2840.016-0.186-0.0640.368果皮硬度-0.0620.3670.0650.4160.027果肉硬度0.0160.4480.0310.1280.002ph0.090-0.604-0.0980.1800.127可滴定酸0.0140.7970.889-0.072-0.019可溶性固形物-0.0420.3620.1440.0840.082含水率-0.075-0.307-0.020-0.074-0.145粗纤维0.1260.035-0.0010.1510.022粗蛋白-0.0550.420-0.045-0.136-0.197vc0.0030.164-0.0330.1120.165还原糖-0.2660.0250.131-0.092-0.118总糖-0.2660.0250.131-0.092-0.118氨基酸-0.277-0.2610.268-0.250-0.099叶绿素-0.259-0.2610.215-0.269-0.128类胡萝卜素-0.1010.0770.3450.1140.188去除相关系数低于预设的相关系数阈值的原料指标，得到密度、果核比例、果肉l*值、果皮硬度、果肉硬度、ph、可滴定酸、可溶性固形物、含水率、粗蛋白10项指标作为苹果原料的原料核心指标，并记录各原料核心指标对应的原料核心指标数据；s4、记录原料核心指标数据、及果汁综合评分形成样本集，选定24个样本集数据形成训练样本集；剩余的9个样本集数据形成检测样本集；s5、利用数据统计软件，以训练样本集的原料核心指标数据为输入层，以训练样本集的果汁综合评分为输出层，构建基于bp算法的人工神经网络学习模型，模型最优隐含层数由软件自动生成，其中，训练次数为1000次，学习率为0.1，动量为0.2，误差值为0.001；s6、以9个检测样本集的原料核心指标数据为输入层，以训练样本集的果汁综合评分为输出层，对构建的人工神经网络学习模型进行准确性检测，比较苹果果汁的果汁综合评分的预测值和实测值，预测结果如表4所示，预设的阈值是相对误差绝对值小于8％；表4神经网络预测结果序号名称产地实际得分预测得分相对误差(％)1辽宁华红辽宁葫芦岛0.6220.613-1.4472辽宁金冠辽宁葫芦岛0.7420.712-4.0433辽宁寒富辽宁葫芦岛0.4430.401-9.4814陕西青苹陕西咸阳0.6540.650-0.6125陕西长密欧陕西咸阳0.6110.609-0.3276辽宁秋锦辽宁葫芦岛0.6440.625-2.9507辽宁华金辽宁葫芦岛0.5930.581-2.0248烟富6号山东青岛0.5140.5547.7829甘肃花牛甘肃平波0.6510.6987.220根据表4可知，有8个检测样本集预测准确，预测准确率为88.89％；将不符合预设阈值的对应的样本集数据加入到训练样本集进行训练，优化人工神经网络模型，构架新的人工神经网络学习模型。<实施例2>基于苹果原料指标预测苹果果汁综合品质的方法，包括以下步骤：确定综合品质为果汁品质等级，根据实施例1得到对应的果汁综合评分；根据每个果汁对应的果汁综合评分将对应苹果原料分为5个品质等级，且该苹果原料对应其品质等级的等级概率为1，其余品质等级的等级概率为0，具体为：果汁综合评分≥0.8的为一级，0.7≤果汁综合评分＜0.8为二级，0.6≤果汁综合评分＜0.7为三级，0.5≤果汁综合评分＜0.6为四级，果汁综合评分＜0.5为五级，结果见表5；表5苹果原料对应果汁综合评分及品质等级名称得分等级名称得分等级辽宁华红0.622三河北富士0.481五辽宁华金0.593四山西半坡秦冠0.489五烟富6号0.514四山东新红星0.643三陕西青苹0.654三甘肃花牛0.651三陕西瑞阳0.832一辽宁秋锦0.644三山西半坡富士0.756二山东红星0.552四辽宁华月0.523四辽宁新红星0.632三辽宁金冠0.742二辽宁寒富0.443五辽宁乔纳金0.452五甘肃富士0.541四山东富士(淄博)0.351五辽宁华富0.546四新疆富士0.559四甘肃秦冠0.453五甘肃金冠0.512四陕西秦红0.643三山东金冠(泰安)0.693三山东富士(栖霞)0.453五陕西长密欧0.611三山东金冠(淄博)0.417五陕西富士0.732二泰山红将军0.477五山东国光0.664三辽宁长富2号0.456五山西坡顶富士0.593四s4、记录原料核心指标数据、及果汁综合品质(原料品质等级、及对应概率)形成样本集，选定24个样本集数据形成训练样本集；剩余的9个样本集数据形成检测样本集；s5、利用数据统计计算软件，以训练样本集的原料核心指标数据为输入层，以训练样本集的果汁对应每个品质等级的等级概率为输出层，确定输出层的个数为品质等级数，即为5个，构建基于bp算法的人工神经网络学习模型，并进行训练至人工神经网络学习模型稳定，其中，训练次数为1000次，学习率为0.1，动量为0.1，误差值为0.001；s6、以9个检测样本集的原料核心指标数据为输入层，以检测样本集的果汁对应每个果汁品质等级的等级概率为输出层，确定输出层的个数为品质等级数，对构建的人工神经网络学习模型进行准确性检测，比较苹果果汁的果汁品质等级的预测等级和实测等级，预测结果如表6所示，预测准确率为100％。表6神经网络预测结果尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。当前第1页12