本发明属于味觉预测方法,具体涉及一种基于bp神经网络和电子舌的糖类物质的甜度和浓度的预测方法。
背景技术:
1、许多糖类有令人愉悦的甜味,对人类味觉享受十分重要。针对糖类甜度的评价方法目前主要基于人工感官和电子舌仪器。相对于人工感官而言,电子舌避免了人感官因素的影响,仪器相应灵敏其准确度较高,是一种快速、经济、便捷的感官检测技术。联用bp神经网络和电子舌技术对糖类物质进行甜度评价,并对其浓度进行预测,可以建立客观有效的甜度评价体系,其优点是有效克服了人工感官误差较大,对甜度难以重现的问题;同时可以对浓度进行预测。为此提出本发明。
技术实现思路
1、为了解决人工感官误差较大,对甜度难以重现的问题,本发明提供了一种利用bp神经网络和电子舌的糖类物质甜度评价的方法。
2、为了实现上述目的,本发明提供的技术方案为:
3、一种基于bp神经网络和电子舌的糖类物质的甜度和浓度的预测方法,包括如下步骤:
4、(1)以蔗糖为参比物,基于浓度建立甜度标尺;
5、(2)利用电子舌对参比物蔗糖进行测定,得到标尺浓度区间不同浓度蔗糖的电子舌响应值;
6、(3)基于bp神经网络,以步骤(2)得到不同浓度蔗糖的电子舌响应值为输入层,以步骤(1)中浓度对应的标尺为输出层,构建电子舌响应-甜度值的关系模型;
7、(4)以其他糖类物质的电子舌响应值为输入,基于步骤(3)的关系模型,获得其对应的其他糖类物质的量化甜度值;
8、(5)将步骤(4)获得的量化甜度值作为输入层,步骤(1)的标尺浓度区间内的浓度范围作为输出层,建立糖的量化甜度值与浓度之间的bp神经网络关联预测模型;
9、(6)以其他糖类物质的量化甜度值为输入,通过步骤(5)中的预测模型,对糖类物质进行浓度预测。
10、优选地,所述其他糖类物质为单糖、双糖或代糖;所述单糖包括葡萄糖、果糖;所述双糖包括乳糖、麦芽糖;所述代糖包括木糖、肌糖。
11、优选地,步骤(1)中,以蔗糖为参比物,浓度范围为0-200000mg/l,基于浓度建立甜度标尺为0-8。
12、优选地,步骤(2)电子舌测试过程为:电子舌先在参比液中清洗90s,然后于另两组参比液中分别清洗120s,传感器稳定30s,达到平衡条件后,开始测试,测试时间30s,循环测试五次并舍去首次不稳定数据。
13、优选地,所述参比液为电子舌基质液,其组分为0.045g酒石酸、2.24g氯化钾,用5v/v%乙醇溶解并定容至1l;电子舌甜度值测定选用甜味传感器gl1+蓝色参比电极。
14、优选地,步骤(3)中,基于bp神经网络构建电子舌响应-甜度值的关系模型的建立步骤如下:使用matlab软件对参比物蔗糖不同浓度的电子舌响应值与0-8标尺构建bp神经网络预测模型;bp神经网络隐含层神经元个数为10,输入层为蔗糖不同浓度的电子舌响应值,输出层为0-8标尺范围,定义神经网络循环次数为500,训练目标的最小误差为0.65e-3,设置显示频率为1000,学习速率为0.001,然后将训练好的网络模型对糖类物质进行甜度量化。
15、优选地,步骤(4)以其他糖类物质不同浓度的电子舌样本数据输入到步骤(3)中建立的基于bp神经网络预测模型中,得到其他糖类物质的量化甜度值。
16、优选地,步骤(5)中,基于甜度值与浓度之间构建的bp网络关联预测模型设置参数如下:将其他糖类物质的甜度值作为输入层,输出层为浓度范围,隐含层神经元个数设置为8,神经网络的循环次数为50000,训练目标的最小误差为0.005,设置显示频率为1000,学习速率为0.05,采用levenberg-marquardt算法,对各糖类物质进行浓度的预测。
17、优选地,将其他糖类物质的量化甜度值为输入,通过步骤(5)创建的bp神经网络关联预测模型,得到各糖类物质的浓度预测值。
18、本发明具有以下有益效果:
19、本发明为一种利用bp神经网络和电子舌技术对糖糖类物质的甜度和浓度的预测方法。本发明的方法以蔗糖为参比物,基于浓度建立甜度标尺,对其他各种糖类物质如单糖、双糖或代糖等的甜度及浓度进行预测。本发明的预测方法准确快速,有效克服了人工感官误差较大,对甜度难以重现和浓度不能快速预测的问题。
1.一种基于bp神经网络和电子舌的糖类物质的甜度和浓度的预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的预测方法,其特征在于,所述其他糖类物质为单糖、双糖或代糖;所述单糖包括葡萄糖、果糖;所述双糖包括乳糖、麦芽糖;所述代糖包括木糖、肌糖。
3.根据权利要求1所述的预测方法,其特征在于,步骤(1)中,以蔗糖为参比物,浓度范围为0-200000mg/l,基于浓度建立甜度标尺为0-8。
4.根据权利要求1所述的预测方法,其特征在于,步骤(2)电子舌测试过程为:电子舌先在参比液中清洗90s,然后于另两组参比液中分别清洗120s,传感器稳定30s,达到平衡条件后,开始测试,测试时间30s,循环测试五次并舍去首次不稳定数据。
5.根据权利要求4所述的预测方法,其特征在于,所述参比液为电子舌基质液,其组分为0.045g酒石酸、2.24g氯化钾,用5v/v%乙醇溶解并定容至1l;电子舌甜度值测定选用甜味传感器gl1+蓝色参比电极。
6.根据权利要求1所述的预测方法,其特征在于,步骤(3)中,基于bp神经网络构建电子舌响应-甜度值的关系模型的建立步骤如下:使用matlab软件对参比物蔗糖不同浓度的电子舌响应值与0-8标尺构建bp神经网络预测模型;bp神经网络隐含层神经元个数为10,输入层为蔗糖不同浓度的电子舌响应值,输出层为0-8标尺范围,定义神经网络循环次数为500,训练目标的最小误差为0.65e-3,设置显示频率为1000,学习速率为0.001,然后将训练好的网络模型对糖类物质进行甜度量化。
7.根据权利要求1所述的预测方法,其特征在于,步骤(4)以其他糖类物质不同浓度的电子舌样本数据输入到步骤(3)中建立的基于bp神经网络预测模型中,得到其他糖类物质的量化甜度值。
8.根据权利要求1所述的预测方法,其特征在于,步骤(5)中,基于甜度值与浓度之间构建的bp网络关联预测模型设置参数如下:将其他糖类物质的甜度值作为输入层,输出层为浓度范围,隐含层神经元个数设置为8,神经网络的循环次数为50000,训练目标的最小误差为0.005,设置显示频率为1000,学习速率为0.05,采用levenberg-marquardt算法,对各糖类物质进行浓度的预测。
9.根据权利要求1所述的预测方法,其特征在于,将其他糖类物质的量化甜度值为输入,通过步骤(5)创建的bp神经网络关联预测模型,得到各糖类物质的浓度预测值。