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与流程

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。

技术特征：

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。

技术总结
本发明公开了一种基于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：(1)以蔗糖为参比物，基于浓度建立甜度标尺；(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；(3)基于BP神经网络，构建电子舌响应‑甜度值的关系模型；(4)获得其对应的其他糖类物质的量化甜度值；(5)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；(6)对糖类物质进行浓度预测。本发明的预测方法准确快速。

技术研发人员：杨乾栩,雷声,张伟,赵蔚,谢志强,田孟玉,颜克亮
受保护的技术使用者：云南中烟工业有限责任公司
技术研发日：
技术公布日：2024/1/13