本发明涉及食品数据分析技术领域，更具体地，涉及一种基于大数据分析的食品风味评定方法。
背景技术：
食品行业是一个与日常生活息息相关的行业。随时我国经济水平的飞速增长和人民生活水平的日益提高，越来越多人对食品的品质有更高的要求。食品的风味是食品品质的一个重要特征，它正是人们来选择食品的一个非常重要的因素。食品的等级及其价值很大程度上是由食品的风味来决定的。目前广泛运用的食品风味评定方法主要是将食品的气味和味道进行简单的分离和提纯操作后，再依靠人工感官品评的方式对食品风味进行评定。
然而，传统的食品风味检测和评价方法在实用性和泛用性上都有一定的缺陷。日常生活中接触的食物是一类由若干物理成分和化学成份组成的混合物，具有特定的物理、化学性质。依靠人的感觉器官和神经参与来完成食品风味的评定工作，由于受评定人员的心理和生理影响，评定工作无可避免有一定的误差，同时训练一个合格的食品风味评定人员，时间开销和财力花费较大，不利于成本的降低和效率的提高。因此，食品风味评定新技术的开发和研究一直是食品行业研究的热点。
技术实现要素：
本发明的目的在于解决现有技术通过人工对食品风味进行评定所存在不准确、效率不高的技术缺陷，提供了一种基于大数据分析的食品风味评定方法，该方法能够利用食品的气味信息和味道信息进行分析，提升食品风味的评定效果和效率。
为实现以上发明目的，采用的技术方案是：
一种基于大数据分析的食品风味评定方法，包括以下步骤：
s1.从数据库中加载气味信息数据和滋味信息数据并分别对两种数据进行结构化处理，处理成结构化的数据，分别记为气味信息向量和滋味信息向量；
s2.训练线性模型，将已经结构化的气味信息向量及其对应的人工感官评定等级分别作为线性模型的输入和输出，对线性模型进行多次的迭代训练，得到一个训练好的线性模型；
s3.训练深度神经网络模型，将已经结构化的滋味信息向量及其对应的人工感官评定等级分别作为模型的输入和输出，对深度神经网络模型进行多次的迭代训练，得到一个训练好的深度神经网络模型；
s4.评定食品风味等级，对需要进行风味评定的食品的气味信息数据和滋味信息数据进行结构化的处理，将气味信息向量输入到线性模型中，将滋味信息向量输入到深度神经网络模型中，分别得出气味评定等级k1和滋味评定等级k2，综合两个模型中的评定等级，得到最终的食品风味评定等级k，其表达式为
优选地，所述步骤s1得到气味信息向量的具体过程为：根据某种食品的类型，从食品数据库中加载其气味信息数据及对应的人工感官评定等级，对数据进行结构化，得到n维的气味信息向量x(i)＝[x0,x1,...xn]t，label＝人工感官评定等级，形成气味信息训练数据集t1＝{x(i)|i＝1,2,...,m}，其中m为气味信息向量的数量。
优选地，所述步骤s1得到滋味信息向量的具体过程如下：
根据某种食品的类型，从食品数据库中加载其滋味信息数据及其人工感官评定等级，处理成大小为p×q的矩阵z，其中p表示有p组样本数据，q表示每组样本数据有q个特征；
对矩阵z使用主成分分析的方法进行降维，具体地，即计算矩阵z的协方差矩阵，得到大小为q×q的协方差矩阵的特征值和特征向量，按特征值由大到小的排列选取k个特征向量，q>k，得到大小为q×k的矩阵u，将矩阵z和矩阵u相乘可得降维后的大小为p×k的矩阵z0，表达式为z0＝z·u；其中z0的每一行表示原本有q个特征的一组滋味信息数据通过降维压缩成k个特征；
将降维后的滋味信息数据处理成结构化的形式，得到k维的滋味信息向量，x(i)＝[x0,x1,...xk]t，label＝人工感官评定等级，形成滋味信息训练数据集t2＝{x(i)|i＝1,2,...,s}。
优选地，所述步骤s2对线性模型进行训练的具体步骤如下：
s101：将步骤1得到的包含若干气味信息向量的训练数据集t1作为输入，label作为输出结果，输入到基于softmax的线性模型中；线性模型的公式如式(1)：
其中，x(i)＝[x0,x1,...xn]表示第i个输入到模型且维度大小为n的气味信息向量，包含n个气味信息特征，hθ(x(i))表示向量的分类标签，共包含k种分类，即label，p(y＝k|x；θ)样本x的分类为k的概率，并且有
s102：建立线性模型的损失函数，如式(2)：
其中，1{·}是示性函数，取值规则为1{值为真的表达式}＝1；
s103：对线性模型的参数进行初始化，利用梯度下降的方法，调整权重参数，使损失函数最小化；通过梯度下降法更新参数的公式如式(3)：
其中，α表示学习率，决定每次迭代的步长；
反复迭代训练直到收敛到局部最优解；从而得到一个训练好的线性模型。
优选地，所述步骤s3训练深度神经网络模型的具体过程如下：
s201：将得到的包含若干气味信息向量的训练数据集t2作为深度神经网络模型输入层的输入，label作为输出层softmax函数的输出结果，输入到深度神经网络模型中；
s202：选取每一层隐藏层后的激活函数，隐藏层表示为如式(4)的形式：
其中，
选择relu函数作为每个隐藏层后的激活函数，公式如式(5)：
s203：选取softmax函数作为输出层的输出函数；
s204：使用交叉熵损失函数作为网络模型中每一层的损失函数，如式(6)：
s205：对网络模型的参数进行初始化；
s206：利用随机梯度下降的方法，根据反向传播算法，通过首先计算最后一层的误差，然后逐层向上反向求出各层的误差，从而对参数不断进行调整，计算出多层的网络模型的最小损失函数；利用大量数据对网络进行多次训练，通过反复迭代直到收敛到局部最优解；得出一个训练好的网络模型。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于大数据分析的食品风味评定方法，利用食品数据库中已有的气味信息、滋味信息以及两者对应的人工感官评定等级，通过大数据分析的手段，分别训练出一个基于softmax回归的线性模型和一个基于深度神经网络的网络模型，形成一个可以智能地进行食品风味评定的模型。该模型使得新的需要进行食品风味评定食品，在经过简单的提取气味信息和滋味信息的操作后，可以输入到模型，智能地分析出能反映食品品质的食品风味评定等级，不需要专门的食品风味评定人员对食品风味进行人为评定，大幅度节约了人力成本，同时能够极大地缩短食品风味评定的时间，提高效率。
附图说明
图1为方法的流程示意图。
图2为深度神经网络模型的结构示意图。
图3为方法的具体实施示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示，本发明提供了一种基于大数据分析的食品风味评定方法，包括以下步骤：
s1.从数据库中加载气味信息数据和滋味信息数据并分别对两种数据进行结构化处理，处理成结构化的数据，分别记为气味信息向量和滋味信息向量；
s2.训练线性模型，将已经结构化的气味信息向量及其对应的人工感官评定等级分别作为线性模型的输入和输出，对线性模型进行多次的迭代训练，得到一个训练好的线性模型；
s3.训练深度神经网络模型，将已经结构化的滋味信息向量及其对应的人工感官评定等级分别作为模型的输入和输出，对深度神经网络模型进行多次的迭代训练，得到一个训练好的深度神经网络模型；
s4.评定食品风味等级，对需要进行风味评定的食品的气味信息数据和滋味信息数据进行结构化的处理，将气味信息向量输入到线性模型中，将滋味信息向量输入到深度神经网络模型中，分别得出气味评定等级k1和滋味评定等级k2，综合两个模型中的评定等级，得到最终的食品风味评定等级k，其表达式为
本实施例中，所述步骤s1得到气味信息向量的具体过程为：根据某种食品的类型，从食品数据库中加载其气味信息数据及对应的人工感官评定等级，对数据进行结构化，得到n维的气味信息向量x(i)＝[x0,x1,...xn]t，label＝人工感官评定等级，形成气味信息训练数据集t1＝{x(i)|i＝1,2,...,m}，其中m为气味信息向量的数量。
本实施例中，所述步骤s1得到滋味信息向量的具体过程如下：
根据某种食品的类型，从食品数据库中加载其滋味信息数据及其人工感官评定等级，处理成大小为p×q的矩阵z，其中p表示有p组样本数据，q表示每组样本数据有q个特征；
对矩阵z使用主成分分析的方法进行降维，具体地，即计算矩阵z的协方差矩阵，得到大小为q×q的协方差矩阵的特征值和特征向量，按特征值由大到小的排列选取k个特征向量，q>k，得到大小为q×k的矩阵u，将矩阵z和矩阵u相乘可得降维后的大小为p×k的矩阵z0，表达式为z0＝z·u；其中z0的每一行表示原本有q个特征的一组滋味信息数据通过降维压缩成k个特征；
将降维后的滋味信息数据处理成结构化的形式，得到k维的滋味信息向量，x(i)＝[x0,x1,...xk]t，label＝人工感官评定等级，形成滋味信息训练数据集t2＝{x(i)|i＝1,2,...,s}。
本实施例中，所述步骤s2对线性模型进行训练的具体步骤如下：
s101：将步骤1得到的包含若干气味信息向量的训练数据集t1作为输入，label作为输出结果，输入到基于softmax的线性模型中；线性模型的公式如式(1)：
其中，x(i)＝[x0,x1,...xn]表示第i个输入到模型且维度大小为n的气味信息向量，包含n个气味信息特征，hθ(x(i))表示向量的分类标签，共包含k种分类，即label，p(y＝k|x；θ)样本x的分类为k的概率，并且有
s102：建立线性模型的损失函数，如式(2)：
其中，1{·}是示性函数，取值规则为1{值为真的表达式}＝1；
s103：对线性模型的参数进行初始化，利用梯度下降的方法，调整权重参数，使损失函数最小化；通过梯度下降法更新参数的公式如式(3)：
其中，α表示学习率，决定每次迭代的步长；
反复迭代训练直到收敛到局部最优解；从而得到一个训练好的线性模型。
本实施例中，所述的深度神经网络模型的具体结构如图2所示，其结构主要分为输入层、隐藏层、输出层。在深度神经网络中，隐藏层往往会有多层。输入层与隐藏层之间、隐藏层与隐藏层之间、隐藏层与输出层之间均通过全连接的方式一层一层地构建联系，类似于人脑的神经网络。其中，每个隐藏层之后都有一个激活函数，用于提取特征，输出层之后有一个softmax函数对结果进行输出。所述步骤s3训练深度神经网络模型的具体过程如下：
s201：将得到的包含若干气味信息向量的训练数据集t2作为深度神经网络模型输入层的输入，label作为输出层softmax函数的输出结果，输入到深度神经网络模型中；
s202：选取每一层隐藏层后的激活函数，隐藏层表示为如式(4)的形式：
其中，
选择relu函数作为每个隐藏层后的激活函数，公式如式(5)：
s203：选取softmax函数作为输出层的输出函数；
s204：使用交叉熵损失函数作为网络模型中每一层的损失函数，如式(6)：
s205：对网络模型的参数进行初始化；
s206：利用随机梯度下降的方法，根据反向传播算法，通过首先计算最后一层的误差，然后逐层向上反向求出各层的误差，从而对参数不断进行调整，计算出多层的网络模型的最小损失函数；利用大量数据对网络进行多次训练，通过反复迭代直到收敛到局部最优解；得出一个训练好的网络模型。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。