专利名称：：一种冰淇淋感官品评方法
技术领域：
：本发明涉及一种冰淇淋感官品评方法，特别是一种高效率、自动化的对冰淇淋产品进行感官品评的方法。冰淇淋是一种以稀奶油为主要原料，加入牛乳、糖类、蛋品、香料、稳定剂等经杀菌后冷冻成为较松软的混合物。它含有优质蛋白质及高糖高脂，另外还含有氨基酸及钙、磷、钾、钠、氯、硫、铁等，具有调节生理机能、保持渗透压和酸碱度的功能。据有关资料显示，按照国际和国家产品标准，一般奶油冰淇淋，其营养成分为牛奶的2.8至3倍，在人体内的消化率可达95%以上，高于肉类、脂肪类的消化率，是一种深受大众喜爱的消暑食品。市场上的冰淇淋产品种类繁多、口味多样，为便于消费者根据不同品味进行选择，需要对不同冰淇淋产品进行评分以进行恰当的分级，从而判定其品质的高低。目前，由感官冰淇淋品评专家对冰淇淋产品进行感官品评，是主要采用的方法，但是，专家的评定结果受到主观因素的影响，随情绪、年龄、性别、识别能力的不同而有所差异，具有较大的不确定性，同时，人工品评过分依赖专家经验，不利于自动化操作的实现。很明显，冰淇淋产品的各项理化指标，例如脂肪、干物质、蛋白等，与冰淇淋产品的感官品评之间存在密切联系。目前，对于冰淇淋产品理化指标和感官品评指标之间的相关性，尚没有定量的分析研究。Kohonen自组织特征映射，通过网络学习、使输出层中枢神经元的权向量逼近输入特征向量，将具有相同或相近特征的输入向量，映射到位置相同或相邻的输出节点，从而实现对输入数据的特征的聚类，提取了某种内在规律性。而BP网络是目前应用最广泛的人工神经网络模型之一，其权值和阈值调整采用反向传播的学习算法，可以实现从输入到输出的任意非线形映射。经过训练的BP网络，对于不是样本集中的输入样本也能给出合适的输出，因此可以对未知样本进行预测。目前，在运用上述模型对食品进行感官品评方面，已有一些研究，但主要应用于酒类、烟类，而冰淇淋产品的原料更多、成分更复杂，且不同品种的风味变化大，人工品评的难度和不确定度更高，上述因素给冰淇淋产品感官品评带来了困难。如何恰当的确定感官品评方法的具体构架，以适应冰淇淋的多重组分、更多参数的情况，是尚需解决的问题。本发明旨在提供一种冰淇淋感官品评方法，由冰淇淋的理化指标判定感官品评结果，减少对冰淇淋品评专家的依赖程度，提高品评效率。为实现上述目的，本发明提供了一种冰淇淋感官品评方法，该方法主要包括Kohonen自组织特征映射聚类和BP网络两个模块，具体包括获取不同品种、原料、生产设备以及生产工艺的冰淇淋产品样本，由冰淇淋品评专家对冰淇淋产品进行感官品评，根据品评得分，把冰淇淋产品划分成合格和不合格两组；并将所得感官品评得分和理化指标等样本数据录入冰淇淋样本数据库，去除错误、不一致或
背景技术：
：
发明内容不完整的冰淇淋产品感官品评得分和理化指标样本数据，并对冰淇淋样本数据库中的冰淇淋产品样本数据进行归一化，从而实现各冰淇淋产品理化指标参数的量纲统一，便于后续处理的进行；构建Kohonen阵列，依据专家经验确定Kohonen阵列的初始领域半径、学习率和学习次数；应用Kohonen自组织特征映射对冰淇淋产品理化指标样本数据进行聚类，完成冰淇淋样本数据库中所有冰淇淋产品样本数据的分类，并建立分类库；对不同类冰淇淋产品的理化指标样本，分别建立对应的BP网络，并依专家经验确定BP网络的系统允许误差限、初始学习率、初始动量系数、初始化网络权重、最大学习次数、误差调整参数；将冰淇淋产品感官品评得分和理化指标等样本数据送入对应的BP网络进行训练，在最大学习次数内达到指定误差精度后停止，否则，更换冰淇淋产品样本数据，重新进行训练，直到算法收敛；测定待评价冰淇淋产品的各项理化指标，并将所得数据输入上述Kohonen阵列，根据冰淇淋产品理化指标进行Kohonen自组织特征提取，确定其所属类别；如果输入的冰淇淋产品理化指标属于未知类，不在已有BP网络中训练过，则以冰淇淋产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练；如果输入的冰淇淋产品理化指标是已知类的样本数据，则根据其类别读取从分类库中读取对应的BP网络，并计算出冰淇淋产品感官品评指标预测值。根据本发明的再一种冰淇淋感官品评方法，其中，品评项目包括色泽、乳香味、特征风味、脂肪感、滑腻感以及口融性。根据本发明的另一种冰淇淋感官品评方法，其中，冰淇淋产品理化指标包括脂肪、蛋白、干物质、蔗糖、总糖、非脂乳固、酸度、细菌总数、大肠菌群、膨胀率、硬度。根据本发明的又一种冰淇淋感官品评方法，其中，BP网络的输入数据是冰淇淋产品的各项理化指标，输出数据是冰淇淋产品感官品评得分。根据本发明的又一种冰淇淋感官品评方法，其中，BP网络的初始学习率为0.36-0.62。根据本发明的又一种冰淇淋感官品评方法，其中，BP网络的初始领域半径为0.37-0.45。根据本发明的又一种冰淇淋感官品评方法，其中，BP网络的学习次数为56。以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，图1是本发明的冰淇淋感官品评方法的流程图。具体实施例方式本发明的冰淇淋感官品评方法主要包括Kohonen自组织特征映射聚类和BP网络两个模块，首先利用Kohonen自组织特征映射将输入冰淇淋产品样本数据进行聚类，将聚类结果保存到Kohonen知识库，然后建立各个聚类子空间的BP网络。下分别对各步骤作具体说明取不同原料、品种、生产设备以及生产工艺的冰淇淋产品，测定其理化指标脂肪、蛋白、干物质、蔗糖、总糖、非脂乳固、酸度、细菌总数、大肠菌群、膨胀率、硬度。同时，组织冰淇淋品评专家对冰淇淋产品进行品评，品评项目包括色泽、乳香味、特征风味、脂肪感、滑腻感和口融性。评分标准见表l，根据得分将冰淇淋产品分成两组合格，即四个感官指标均在3分以上；不合格，即有一个指标为2分或1分。最后将所得样本数据录入冰淇淋样本数据库，针对每个理化指标，选择不同的值，本实施例所选用的范围如下检出限以下、检出限至国标规定最高值、国标规定最高值以上。这样才能确保客观准确的控制冰淇淋产品质量，从而使乳制品质量得到保证。表l冰淇淋产品评分标准l分2分3分4分5分色泽色泽极深或极浅色泽很深或很浅色泽较深或较浅色泽稍深或稍浅呈均匀一致的颜色乳香味乳香味极平淡或极重乳香味很重或很轻乳香味较重或较轻乳香味略重或略轻具有纯正的乳香味，乳香味适中特征风味无特征风味或有异味基本没有特征风味有可感知的特征风味有较浓郁的特征风味有浓郁的特征风味脂肪感非常差较差一般较好非常好滑腻感非常粗糙较粗糙一般较细滑非常细滑口融性非常差较差一般较好非常好运用Matlab完成Kohonen和BP网络的建立，去除错误、不一致或不完整的冰淇淋产品感官品评得分和理化指标等样本数据，并用线性函数对冰淇淋产品的样本数据进行归一化，冰淇淋产品的理化指标是高维向量，且各指标量纲并不相同，在聚类之前必须进行归一化，从而方便后续处理的进行。构建Kohonen网络阵列，依据专家经验确定所述Kohonen网络的初始领域半径、学习率和学习次数，其中，初始学习率为(0.36-0.62)，初始领域半径为0.37-0.45，学习次数为56。应用Kohonen自组织特征映射对冰淇淋产品理化指标数据实现聚类，将各组冰淇淋产品的理化指标样本空间细分为多个子空间，从而完成冰淇淋样本数据库中所有冰淇淋产品的最终分类。对不同类冰淇淋产品各项理化指标样本的各子空间，分别建立对应的BP网络，其输入数据是冰淇淋产品理化指标，输出数据是冰淇淋产品感官品评得分。每个BP网络仅在一个子空间内实现理化指标与感官品评得分之间的映射关系，降低了问题的复杂度，大大提高了网络学习的速度和精度，更利于完成每个输出参数与理化指标之间的函数映射。为克服BP网络学习易陷入局部最小值问题，采用了自适应学习率和带有平滑项的目标函数，使网络收敛效果与推广性能大大改善。BP网络的初始学习率、误差调整参数、初始动量系数、网络结构等参数由专象经验确定，在本实施例中，初始学习率为0.36-0.62，误差为0.001。采用SAS6.0将冰淇淋产品样本数据归一化，并将完成归一化的冰淇淋产品样本数据送入对应的BP网络，按照当前的BP算法进行训练，达到指定误差精度(0.001)后停止。测定待评价冰淇淋产品的多项理化指标，并将所得数据输入上述Kohonen阵列，根据输入的冰淇淋产品理化指标进行Kohonen自组织特征提取，确定其类别。如果输入的冰淇淋产品理化指标属于未知类，不在已有BP网络中训练过，则以该冰淇淋产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练。如果输入冰淇淋产品理化指标是已知类的样本数据，则根据其类别读取从所述分类库中读取对应的所述BP网络，并计算出冰淇淋产品感官品评指标预测值，如果输入冰淇淋产品理化指标与已学样本靠近，则预测结果可信度高；否则，根据样本在原始输入空间中的偏离程度，指出所预测结果的参考价值。表2提供了根据本实施例的冰淇淋产品感官品评方法得到的实验数据，该表将预测数据与专家品评结果进行了对比，可以看出，本方法根据冰淇淋产品理化指标的感官品评预测结果，与冰淇淋产品冰淇淋品评专家的基本相符，在可接受的误差范围内。表2本方法结果与专家品评结果比较<table>tableseeoriginaldocumentpage7</column></row><table>本方法将专家经验分类与由数据驱动的智能等级评定方法相结合，把复杂问题分解，分别送入各自的BP网络求解，最终类的知识都保存在各类的BP网络知识库中。当有新的预测工作要做时，只需根据分类神经网络计算出对应的BP网络，便可利用已训练好的网络映射模型预测出此样本的感官品评指标。如上所述，根据本发明的一种冰淇淋感官品评方法，集成了Kohonen网络、BP网络，对冰淇淋产品进行测试、品评，在得到品评指标和理化指标的基础上，由Kohonen网络自组织特征映射，完成聚类，并用各类冰淇淋产品感官品评得分和理化数据等样本数据分别训练各自对应的BP网络，获取各类冰淇淋产品理化指标与感官品评得分之间的映射关系。该方法充分利用了冰淇淋产品冰淇淋品评专家的经验、减少了人工品评的不确定性、提高了冰淇淋产品感官品评的工作效率和自动化程度，从而便于消费者根据评级结果作出选择。以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合，均应属于本发明保护的范围。权利要求一种冰淇淋感官品评方法，包括冰淇淋品评专家对冰淇淋产品进行感官品评，并测定所述冰淇淋产品的理化指标，将所得感官品评得分和理化指标等样本数据录入冰淇淋样本数据库，去除错误、不一致或不完整的所述冰淇淋产品的感官品评得分和理化指标等样本数据，对所述冰淇淋样本数据库中的所述样本数据进行归一化；构建Kohonen阵列，依据专家经验确定所述Kohonen阵列的初始领域半径、学习率和学习次数；应用Kohonen自组织特征映射对所述冰淇淋产品理化指标进行聚类，完成所述冰淇淋样本数据库中所有冰淇淋产品理化指标的分类，并建立分类库；对不同类冰淇淋产品的所述理化指标，分别建立对应的BP网络，并依专家经验确定所述BP网络的系统允许误差限、初始学习率、初始动量系数、初始化网络权重、最大学习次数、误差调整参数；将所述冰淇淋产品的感官品评得分和理化指标等样本数据送入对应的所述BP网络进行训练，在所述最大学习次数内达到指定误差精度后停止，否则，更换所述冰淇淋产品样本数据，重新进行训练，直到算法收敛；测定待评价冰淇淋产品的所述理化指标，并将所得数据输入所述Kohonen阵列，根据所述冰淇淋产品理化指标进行Kohonen自组织特征提取，确定其所属类别；如果所述冰淇淋产品理化指标属于未知类，不在已有的所述BP网络中训练过，则以所述冰淇淋产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练；如果所述冰淇淋产品理化指标是已知类的样本数据，则根据其类别读取从所述分类库中读取对应的所述BP网络，计算出冰淇淋产品感官品评指标预测值。2.如权利要求1所述的冰淇淋感官品评方法，其中，所述冰淇淋产品感官品评的品评项目包括色泽、乳香味、特征风味、脂肪感、滑腻感以及口融性。3.如权利要求1所述的冰淇淋感官品评方法，其中，所述冰淇淋产品理化指标包括脂肪、蛋白、干物质、蔗糖、总糖、非脂乳固、酸度、细菌总数、大肠菌群、膨胀率、硬度。4.如权利要求1所述的冰淇淋感官品评方法，其中，所述BP网络的输入数据是所述冰淇淋产品理化指标，所述BP网络的输出数据是所述冰淇淋产品感官品评得分。5.如权利要求1所述的冰淇淋感官品评方法，其中，所述BP网络的初始学习率为0.36-0.62。6.如权利要求1所述的冰淇淋感官品评方法，其中，所述BP网络的初始领域半径为0.37-0.45。7.如权利要求1所述的冰淇淋感官品评方法，其中，所述BP网络的学习次数为56。全文摘要本发明提供了一种冰淇淋感官品评方法，该方法包括如下步骤对冰淇淋产品进行理化指标测试，冰淇淋品评专家对冰淇淋产品进行品评，获得的品评得分和理化指标等样本数据输入冰淇淋样本数据库，通过Kohonen聚类对冰淇淋产品理化指标进行分类，并用冰淇淋产品感官品评得分和理化指标等样本数据分别训练各自对应的BP网络，从而建立冰淇淋产品理化指标和感官品评指标的映射关系。该方法可以减少由专家品评的不确定性，提高对冰淇淋评级的自动化程度，方便消费者根据品评结果进行选择。文档编号G01N33/02GK101706487SQ20091025017公开日2010年5月12日申请日期2009年11月30日优先权日2009年11月30日发明者刘卫星,白雪,胡新宇,郭奇慧申请人:内蒙古蒙牛乳业(集团)股份有限公司