本发明涉及苹果加工相关领域。更具体地说，本发明涉及基于苹果原料指标预测干制品综合品质的方法。
背景技术：
苹果居世界四大水果之首，我国是世界上最大的苹果生产国和消费国，我国苹果种植广泛且品种也较丰富。苹果除用作鲜食外，还可以榨成汁和制成干制品，但目前鲜食供应已饱和，加工转化发展动力不足，亟需多元化加工技术。苹果干制品作为一种新型的休闲食品，其美味健康，可以丰富苹果加工产业，带动原料加工转化，具有较好的发展前景。目前对制品综合品质评价的研究多采用层次分析、灰色关联等方法单独分析，例如吴厚玖等人运用百分法判别甜橙品种加工适宜性的定量评价方法，汪永洋等人基于葡萄品质表观特性预测鲜食葡萄感官品质，此类方法仅可以评价所研究品种的加工特性，无法预测未知原料样品的加工性能。现有的关联原料特性与制品品质的方法也仅利用判别函数、线性回归等线性模型，例如宋洁等人运用极差变换法处理指标数据，得到猪肉涮食的质量评价结果，此类模型无法处理指标间复杂的非线性对应关系，存在局限性、适用范围小，预测未知样品加工性能准确率低的问题。因此需探寻一种快捷、准确的苹果干制品综合品质预测方法，从源头原料上筛选适宜制干的品种，生产出高品质的干制品，优化苹果产业结构，促进我国苹果产业发展，增加农业效益，提高农民收入。
技术实现要素：
本发明的一个目的是提供一种基于苹果原料指标预测干制品综合品质的方法，其无需事先确定输入输出之间映射关系，预测速度快、精度高。
为了实现根据本发明的这些目的和其它优点，提供了基于苹果原料指标预测干制品综合品质的方法，包括：
确定干制品评价指标，建立所述干制品评价指标与综合品质的对应关系；
确定与所述干制品评价指标相关的苹果原料评价指标；
获取训练样本的苹果原料评价指标数据，并获取训练样本的干制品评价指标数据，计算各训练样本的品质等级或评分，以训练样本的苹果原料评价指标数据为输入层，以品质等级为输出层，训练获得神经网络学习模型；
利用所述神经网络学习模型和待测干制品的苹果原料评价指标数据，预测待测干制品的综合品质。
优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，确定干制品评价指标的方法包括：选取若干用于评价干制品品质的初始干制品评价指标，对若干初始干制品评价指标利用因子分析法进行分析，选取特征值大于1的因子，并将能分别代表各因子的各初始干制品评价指标作为干制品评价指标。
优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，综合品质定义为干制品评价指标的加权平均值。优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，根据层次分析法确定干制品评价指标的权值。
优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，所述干制品评价指标包括色泽指标、质地指标和风味指标，用色泽指标、质地指标和风味指标定义综合品质。
优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，确定与所述干制品评价指标相关的苹果原料评价指标的方法包括：选取若干用于评价苹果原料的初始苹果原料评价指标，对初始苹果原料评价指标与干制品评价指标进行相关性分析，选取相关系数高于设定值的初始苹果原料评价指标作为苹果原料评价指标。
优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，还包括：
选取验证样本，获取验证样本的苹果原料评价指标数据，利用神经网络学习模型预测验证样本的品质等级，若正确率低于90％，则增加训练样本，更新神经网络学习模型，或者提高设定值，更新苹果原料评价指标，并重新训练获得神经网络学习模型。
优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，所述神经网络学习模型的训练参数如下：最大循环次数为1000～20000，学习率为0.1～1，动量因子为0.1～0.5，误差值为0.00005～0.1。
优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，初始干制品评价指标至少包括感官类指标、加工类指标和营养类指标，初始干制品评价指标的数量不少于17种。
优选的是，所述的基于苹果原料指标预测干制品综合品质的方法，初始苹果原料评价指标至少包括物理类指标、感官类指标、加工类指标和营养类指标，初始苹果原料评价指标的数量不少于15种。
本发明至少包括以下有益效果：
本发明运用人工神经网络建立苹果干制品综合品质的快速预测模型，可筛选适合加工成苹果干的苹果品种，从源头上提升苹果干制品的品质，能够极大地促进苹果干制品产业的发展。本发明从苹果原料特性出发，发现苹果原料与干制品综合评分或品质等级的关联，构建模型，依据模型快速、高精度地预测干制品综合品质，无需事先确定输入输出之间映射关系，并且使用综合评分时，能客观定量的反映苹果原料的差异，使用品质等级时，能够直观定性的反映苹果原料的差异。
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。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
在一种技术方案中，基于苹果原料指标预测干制品综合品质的方法，包括：
确定干制品评价指标，建立所述干制品评价指标与综合品质的对应关系；
确定与所述干制品评价指标相关的苹果原料评价指标；
获取训练样本的苹果原料评价指标数据，并获取训练样本的干制品评价指标数据，计算各训练样本的综合品质，以训练样本的苹果原料评价指标数据为输入层，以综合品质为输出层，训练获得神经网络学习模型；
利用所述神经网络学习模型和待测干制品的苹果原料评价指标数据，预测待测干制品的综合品质。
在上述技术方案中，干制品的品质主要考虑其感官品质、加工品质与营养品质，感官品质包括色泽品质(l*、a*、b*值)、质构品质(硬度、脆度)、膨化度，加工品质包括出品率、复水比、水分含量，营养品质包括可溶性固形物、可滴定酸、总酚含量、果胶含量、可溶性糖、糖酸比、粗蛋白、粗纤维。从以上这些品质指标中选取若干指标作为干制品评价指标。综合品质为反映干制品品质的质量，比如可以为干制品品质等级或干制品综合评分，品质等级或综合评分根据干制品评价指标确定，比如根据经验或统计方法建立单一或多个干制品评价指标与品质等级或综合评分的数学关系，使得能够根据干制品评价指标确定品质等级或综合评分。苹果原料评价指标主要考虑物理品质、感官品质、加工品质和营养品质，如质量、体积、密度、果形指数、皮l*值、肉l*值、可滴定酸、可溶性糖、粗纤维、粗蛋白、多酚、果胶、多酚氧化酶活性、微量元素等，根据经验或统计方法，从这些品质指标中选取与干制品评价指标相关性较大的若干指标作为苹果原料评价指标。从全国各地选取训练样本，获取上述步骤确定的苹果原料评价指标数据和以及相应的综合品质。以苹果原料评价指标数据为神经网络的输入层，以综合品质为输出层，训练获得神经网络学习模型，对于待测样品，输入苹果原料评价指标数据，即可得到预测的综合品质。这里的干制品为常规方法获得，例如一种制备方法包括清洗，去梗、去核，去皮，切片，预干燥，热风烘干，另一种制备方法包括清洗，去梗、去核，去皮，切片，预干燥，热风预干、均湿、压差闪蒸。可以看出，本技术方案可以根据苹果原料来预测干制品的品质，无需事先确定输入输出之间映射关系，过程简单，耗时短。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，确定干制品评价指标的方法包括：选取若干用于评价干制品品质的初始干制品评价指标，对若干初始干制品评价指标利用因子分析法进行分析，选取特征值大于1的因子，并将能分别代表各因子的各初始干制品评价指标作为干制品评价指标。本技术方案提供了一种确定干制品评价指标的方法，首先选取初始干制品评价指标，初始干制品评价指标需要覆盖感官品质指标、加工品质指标与营养品质指标，并且每类指标需要选取多种类型，对初始干制品评价用因子分析法进行分析，如建立因子分析旋转成分矩阵，选取所有特征值大于1的因子，然后找出各因子对应的代表性初始干制品评价指标，将这些初始干制品评价指标组合为干制品评价指标。这样，通过精简得到的干制品评价指标能够更好地确定干制品的等级，并降低后续计算量。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，综合品质定义为干制品评价指标的加权平均值。本技术方案利用干制品评价指标的加权平均值来定义综合品质，权值可由经验或统计方法确定，该方法确定的综合品质较客观、准确，利用加权平均值可以进一步将干制品分等级，或者直接将加权平均值用作综合评分。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，根据层次分析法确定干制品评价指标的权值。本技术方案提供了权值的确定方法，即采用层次分析法，如建立判断矩阵，相比于经验，层次分析法更准确。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，所述干制品评价指标包括色泽指标、质地指标和风味指标，用色泽指标、质地指标和风味指标定义综合品质。这里，提供了利用感官品质确定综合品质的方式，可以根据经验将色泽、质地和风味进行分级，每级均确定一个分数范围，然后根据主观感受对干制品的色泽、质地和风味进行打分，将分数之和作为最终得分，然后进一步可以将最终得分作为综合评分，或者利用最终得分对干制品分为多个品质等级。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，确定与所述干制品评价指标相关的苹果原料评价指标的方法包括：选取若干用于评价苹果原料的初始苹果原料评价指标，对初始苹果原料评价指标与干制品评价指标进行相关性分析，选取相关系数高于设定值的初始苹果原料评价指标作为苹果原料评价指标。本技术方案提供了确定苹果原料评价指标的方法，初始苹果原料评价指标需要覆盖描述物理品质、感官品质、加工品质和营养品质的指标，并且每类指标需要选取多种类型，对初始苹果原料评价指标与干制品评价指标进行相关性分析，如采用spss软件进行分析，选取相关系数大于设定值的初始苹果原料评价指标，组合为苹果原料评价指标，设定值根据经验确定，通过相关性分析得到的苹果原料评价指标能够较好地反应干制品评价指标，进而能够提高预测的准确率。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，还包括：
选取验证样本，获取验证样本的苹果原料评价指标数据，利用神经网络学习模型预测验证样本的综合品质，若正确率低于90％，则增加训练样本，更新神经网络学习模型，或者提高设定值，更新苹果原料评价指标，并重新训练获得神经网络学习模型。本技术方案通过设定正确率指标来优化神经网络学习模型，当正确率低于90％，则增加训练样本，对神经网络进行更新，或精简苹果原料评价指标，使得苹果原料评价指标更能反映综合品质。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，所述神经网络学习模型的训练参数如下：最大循环次数为1000～20000，学习率为0.1～1，动量因子为0.1～0.5，误差值为0.00005～0.1。本技术方案提供了训练参数，该训练参数能够较好地适应干制品综合品质的预测。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，初始干制品评价指标至少包括感官类指标、加工类指标和营养类指标，初始干制品评价指标的数量不少于17种。这里，提供了优选的初始干制品评价指标的选择方式和数量，感官类指标如l*值、a*值、b*值，加工类指标如复水比、出品率、水分含量、膨化度，营养类指标如ph、可滴定酸、可溶性固形物、总酚、果胶、可溶性糖、粗纤维、粗蛋白、糖酸比，能够较好地反映综合品质。
在另一种技术方案中，所述的基于苹果原料指标预测干制品综合品质的方法，初始苹果原料评价指标至少包括物理类指标、感官类指标、加工类指标和营养类指标，初始苹果原料评价指标的数量不少于15种。这里，提供了优选的初始苹果原料评价指标的选择方式和数量，物理类指标如质量、体积、密度、果形指数、果核比例、果皮硬度、果肉硬度，感官类指标如l*值(皮)、a*值(皮)、b*值(皮)、l*值(肉)、a*值(肉)、b*值(肉)，加工类指标如含水率，营养类指标如ph、可滴定酸、可溶性固形物、粗纤维、粗蛋白、vc、还原糖、总糖，能够较好地反映干制品综合品质。
实施例1
(1)选择苹果样品
选取来自全国各地的34个苹果品种作为实验原料，部分品种名称、产地见表1。果实成熟期取样，无机械损伤、无病虫害。
表1部分苹果品种名称及产地
(2)确定苹果干制品品质等级
干制品综合品质主要考虑其感官品质、加工品质与营养品质，感官品质包括色泽品质(l*、a*、b*值)、质构品质(硬度、脆度)、膨化度，加工品质包括出品率、复水比、水分含量，营养品质包括可溶性固形物、可滴定酸、总酚含量、果胶含量、可溶性糖、糖酸比、粗蛋白、粗纤维，共计17项指标(初始干制品评价指标)。对干制品17项指标进行降维(因子分析)，可得到6个因子，可占全部信息的77％，结果见表2。由表2可知，前6个因子的特征值大于1，累计方差贡献率为77.402％。因子1主要综合了可滴定酸和糖酸比的信息，两者表现出极显著相关性(r＝-0.849)，且可滴定酸的权重值更高，因此筛选可滴定酸作为因子1的代表性指标。因子2主要综合了b*值、脆度和总酚的信息，其中脆度与总酚含量显著相关(r＝0.426)，与b*值极显著相关(r＝-0.472)，且脆度是衡量苹果干制品加工品质的重要感官指标，因此筛选脆度作为因子2的代表性指标。因子4主要综合了l*值、a*值的信息，l*值代表明暗程度，a*值代表红绿程度，均体现干制品色泽品质，并表现出极显著相关性(r＝-0.865)，此处筛选权重值较高的l*值作为因子4的代表性指标。同时，因子3、因子5和因子6中膨化度、可溶性糖和粗蛋白的权重值明显高于其他指标，因此分别筛选膨化度、可溶性糖和粗蛋白作为因子3、因子5和因子6的代表性指标。综上，17项品质指标中筛选出可滴定酸、脆度、膨化度、l*值、可溶性糖和粗蛋白作为干制品评价指标。
表2干制品指标因子分析旋转成分矩阵
注：pc1—pc6分别表示第1至第6个主因子
根据筛选得到的6项干制品评价指标对干制品综合品质的重要程度，采用1-9标度法建立y-p判断矩阵(表3)，其一致性比率(consistencyratio，cr)为0.03，小于0.1，认为判断矩阵一致性可接受，对矩阵特征向量归一化处理后得到干制品评价指标的权重。因此苹果干制品品质综合评价模型可表示为y得分＝l*值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。
表3判断矩阵y-p
注：y代表干制品综合品质，p代表干制品评价指标，p1—p6分别表示干制品的l*值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白
根据构建的苹果干制品品质综合评价模型，计算34个苹果干制品样本品质综合评分，并对其进行分级，得分0.7-0.8为一级，0.6-0.7为二级，0.5-0.6为三级，0.4-0.5为四级，小于0.4为五级，结果见表4。
表4干制品综合品质排序与得分
(3)筛选苹果原料评价指标
对干制品评价指标与初始苹果原料评价指标(表5第一列)进行相关性分析，结果如表5所示。得到果形指数、果肉a*值、ph值、可滴定酸含量、vc含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标作为苹果原料评价指标。
表5初始苹果原料评价指标与干制品评价指标相关性分析
(4)构建学习模型
本研究从34个苹果样本中随机筛选29个样本建立学习模型，剩余5个样本进行干制品品质等级预测。其中模型输入层为苹果果实果形指数、果肉a*值、ph值等12项苹果原料评价指标值，模型输出层为苹果果实对应的干制品品质等级。模型最优隐含层数由软件自动生成，层数为9个。其余各训练参数选择如下：最大循环次数5000，学习率0.3，动量因子0.2，误差值0.001。
(5)验证预测样本
应用学习模型，对5个品种苹果的干制品品质等级预测，结果如表6所示。
表6神经网络预测结果
实施例2
(1)选择苹果样品
选取来自全国各地的34个苹果品种作为实验原料，部分品种名称、产地见表7。果实成熟期取样，无机械损伤、无病虫害。
表7部分苹果品种名称及产地
(2)确定苹果干制品综合评分
干制品感官得分主要考虑其色泽、质地、风味得分，感官评价表如表8所示，综合评分如表9所示。
表8苹果干制品感官评价表
表9苹果干制品综合评分
(3)筛选苹果原料评价指标
将干制品色泽得分、质地得分、风味得分分别与初始苹果原料评价指标(表10第1列)进行相关性分析，如表10所示，筛选出苹果原料评价指标为果皮l*值、果肉a*值、果肉b*值、ph、可滴定酸、可溶性固形物、粗纤维、vc、还原糖、镁。
表10苹果原料评价指标与干制品评价指标相关性分析
(4)构建学习模型
本研究从34个苹果样本中随机筛选28个样本建立学习模型，剩余6个样本进行干制品综合评分预测。其中模型输入层为苹果果实果皮l*值、果肉a*值、果肉b*值、ph、可滴定酸、可溶性固形物、粗纤维、vc、还原糖、镁10项苹果原料评价指标值，模型输出层为苹果果实对应的干制品综合评分。模型最优隐含层层数为9个。其余各训练参数选择如下：最大循环次数8000，学习率0.2，动量因子0.1，误差值0.01。
(5)验证预测样本
应用学习模型，预测5个品种苹果的干制品的综合评分，结果如表11所示。
表11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实施例。