專利名稱：：一種建立奶茶粉產品感官品評專家系統的方法
技術領域：
：本發(fā)明涉及一種建立奶茶粉產品感官品評專家系統的方法，特別是一種建立高效率、自動化的奶茶粉產品感官品評專家系統的方法。
背景技術：
：隨著人民生活水平的不斷提高，食品感官評價日益受到重視。人們對于食品的要求已不僅僅滿足于量的方面，而更注重質的方面。為適應市場這一轉變，生產者需要在新品開發(fā)、工藝改進、降低成本、品質保證和產品優(yōu)化等多方面開展工作，而感官評價正是為這些工作服務的有效工具之一，是商業(yè)決策的有力支持。奶茶粉作為一種嗜好性沖調乳制品，除了理化指標和微生物指標外，感官指標也是決定其質量的重要內容。從國內外目前發(fā)展狀況來看，還沒有一種可靠的儀器能完全代替人類所特有的感覺器官對食品感官評定所起的作用。國內對奶茶粉的感官評定大多采用整體評分檢驗法，這使得評價結果的準確性由于評價指標太單一而受到很大的影響。國外對奶茶粉感官的評價方法的研究較多，但目前也沒有形成完整的體系。在新品開發(fā)時，為了滿足消費者的各種需求和嗜好，提高企業(yè)經濟效益，提高改善原有的生產工藝，消費者評價和專業(yè)品評員的評價都是必要的，即在新產品的小試階段，需要由消費者對產品的嗜好性做出檢驗，同時，需要專業(yè)品評員對產品各項指標進行評價。由感官品評專家對奶茶粉產品進行感官品評，是目前主要采用的方法，但是，專家的評定結果受到主觀因素的影響，隨情緒、年齡、性別、識別能力的不同而有所差異，具有較大的不確定性，同時，人工品評過分依賴專家經驗，不利于實現自動化操作。很明顯，奶茶粉產品的各項理化指標，例如脂肪、干物質、蛋白等，與奶茶粉產品的感官品評之間存在密切聯系。目前，對于奶茶粉產品理化指標和感官品評指標之間的相關性，尚沒有定量的分析研允。Kohonen自組織特征映射，通過網絡學習、使輸出層中樞神經元的權向量逼近輸入特征向量，將具有相同或相近特征的輸入向量，映射到位置相同或相鄰的輸出節(jié)點，從而實現對輸入數據的特征的聚類，提取了某種內在規(guī)律性。而BP網絡是目前應用最廣泛的人工神經網絡模型之一，其權值和閾值調整采用反向傳播的學習算法，可以實現從輸入到輸出的任意非線形映射。經過訓練的BP網絡，對于不是樣本集中的輸入樣本也能給出合適的輸出，因此可以對未知樣本進行預測。目前，在運用上述模型建立食品感官品評系統方面，已有一些研究，但主要應用于酒類、煙類，而奶茶粉產品的成分更加復雜，且風味不象煙、酒類那樣突出和典型，人工品評的難度和不確定度更大。因牧場的地理位置、飼養(yǎng)條件、飼料種類、奶牛品種以及季節(jié)等因素的不同，原奶品質具有很大差異，由此導致奶茶粉產品的滋氣味差別很大，上述因素給建立奶茶粉產品感官品評專家系統帶來了困難。目前，在奶茶粉產品感官品評應用方面，還沒有相關的方法或者系統。
發(fā)明內容本發(fā)明旨在提供一種建立奶茶粉產品感官品評專家系統的方法，由奶茶粉產品理化指標判定感官品評，減少人工品評的不確定度，提高奶茶粉產品感官品評效率和自動化程度。為實現上述目的，本發(fā)明提供了一種建立奶茶粉產品感官品評專家系統的方法，該系統主要包括Kohonen自組織特征映射聚類和BP網絡兩個模塊，包括獲取各個產地、各類飼養(yǎng)條件、各種奶牛品種和不同季節(jié)的奶茶粉產品樣本，組織品評專家對奶茶粉產品進行感官品評，品評項目包括整體風味、乳香味、咸味、茶味。根據品評得分，把奶茶粉產品劃分成合格和不合格兩組；并將所得感官品評得分和理化指標等樣本數據錄入數據庫；去除錯誤、不一致或不完整的奶茶粉產品感官品評得分和理化指標樣本數據，并對數據庫中的奶茶粉產品樣本數據進行歸一化，從而實現各奶茶粉產品理化指標參數的量綱統一，便于后續(xù)處理的進行；構建Kohonen陣列，依據專家經驗確定Kohonen陣列的初始領域半徑、學習率和學習次數；應用Kohonen自組織特征映射對奶茶粉產品理化指標樣本數據進行聚類，完成數據庫中所有奶茶粉產品樣本數據的分類，并建立分類庫；對不同類奶茶粉產品的理化指標樣本，分別建立對應的BP網絡，并依專家經驗確定BP網絡的系統允許誤差限、初始學習率、初始動量系數、初始化網絡權重、最大學習次數、誤差調整參數；將奶茶粉產品感官品評得分和理化指標等樣本數據送入對應的BP網絡進行訓練，在最大學習次數內達到指定誤差精度后停止，上述步驟即完成奶茶粉產品感官品評專家系統的建立，否則，更換奶茶粉產品樣本數據，重新進行訓練，直到算法收斂。根據本發(fā)明的再一種建立奶茶粉產品感官品評專家系統的方法，其中，作為本專家系統輸入的奶茶粉產品理化指標，包括脂肪、蛋白、干物質、鹽含量、微生物指標。根據本發(fā)明的另一種建立奶茶粉產品感官品評專家系統的方法，其中，BP網絡的輸入數據是奶茶粉產品的各項理化指標，輸出數據是奶茶粉產品感官品評得分。根據本發(fā)明的又一種建立奶茶粉產品感官品評專家系統的方法，其中，BP網絡的初始學習率為0.35-0.66。根據本發(fā)明的又一種建立奶茶粉產品感官品評專家系統的方法，其中，BP網絡的初始領域半徑為0.44-0.56。根據本發(fā)明的又一種建立奶茶粉產品感官品評專家系統的方法，其中，BP網絡的學習次數為59次。根據本發(fā)明的又一種建立奶茶粉產品感官品評專家系統的方法，其中，奶茶粉產品感官品評專家系統的使用管理過程為測定待評價奶茶粉產品的各項理化指標，并將所得數據輸入該系統；根據奶茶粉產品理化指標進行自組織特征提取，確定其所屬類別；如果輸入的奶茶粉產品理化指標屬于未知類，不在該奶茶粉產品感官品評專家系4統的已有BP網絡中訓練過，則以奶茶粉產品理化指標為核心樣本建立新的訓練樣本集，并對相應的新建BP網絡進行訓練；如果輸入的奶茶粉產品理化指標是已知類的樣本數據，則根據其類別讀取從分類庫中讀取對應的BP網絡，并計算出奶茶粉產品感官品評指標預測值。以下附圖僅對本發(fā)明做示意性說明和解釋，并不限定本發(fā)明的范圍，其中圖1是本發(fā)明的奶茶粉產品感官品評專家系統的流程圖；圖2是圖1所示的奶茶粉產品感官品評專家系統的使用管理示意圖。具體實施例方式本發(fā)明的奶茶粉產品感官品評專家系統主要包括Kohonen自組織特征映射聚類和BP網絡兩個模塊，首先利用Kohonen自組織特征映射將輸入奶茶粉產品樣本數據進行聚類，將聚類結果保存到Kohonen知識庫，然后建立各個聚類子空間的BP網絡。本發(fā)明的奶茶粉產品感官品評專家系統的流程圖如圖1所示，具體來說包括取不同地理位置、飼養(yǎng)條件、飼料種類、奶牛品種、季節(jié)、生產設備以及生產工藝的奶茶粉產品，測定其理化指標脂肪、蛋白、干物質、鹽含量、微生物指標。同時，組織品評專家對奶茶粉產品進行品評，品評項目包括整體風味、乳香味、咸味、茶味。評分標準見表l，根據得分將奶茶粉產品分成兩組合格四個感官指標均在3分以上；不合格有一個指標為2分或1分。最后將所得樣本數據錄入數據庫，針對每個理化指標，選擇不同的值，本實施例所選用的范圍如下檢出限以下、檢出限至國標規(guī)定最高值、國標規(guī)定最高值以上。這樣才能保證所建立的系統能夠客觀準確的控制奶茶粉產品質量，從而使乳制品質量得到保證。表l奶茶粉產品評分標準<table>tableseeoriginaldocumentpage5</column></row><table><table>tableseeoriginaldocumentpage6</column></row><table>運用Matlab完成Kohonen和BP網絡的建立，去除錯誤、不一致或不完整的奶茶粉產品感官品評得分和理化指標等樣本數據，并用線性函數對奶茶粉產品的樣本數據進行歸一化，奶茶粉產品的理化指標是高維向量，且各指標量綱并不相同，在聚類之前必須進行歸一化，從而方便后續(xù)處理的進行。構建Kohonen網絡陣列，依據專家經驗確定所述Kohonen網絡的初始領域半徑、學習率和學習次數，其中，初始學習率為(0.35-0.66)，初始領域半徑為0.44-0.56，學習次數為59。應用Kohonen自組織特征映射對奶茶粉產品理化指標數據實現聚類，將各組奶茶粉產品的理化指標樣本空間細分為多個子空間，從而完成數據庫中所有奶茶粉產品的最終分類。對不同類奶茶粉產品各項理化指標樣本的各子空間，分別建立對應的BP網絡，其輸入數據是奶茶粉產品理化指標，輸出數據是奶茶粉產品感官品評得分。每個BP網絡僅在一個子空間內實現理化指標與感官品評得分之間的映射關系，降低了問題的復雜度，大大提高了網絡學習的速度和精度，更利于完成每個輸出參數與理化指標之間的函數映射。為克服BP網絡學習易陷入局部最小值問題，采用了自適應學習率和帶有平滑項的目標函數，使網絡收斂效果與推廣性能大大改善。BP網絡的初始學習率、誤差調整參數、初始動量系數、網絡結構等參數由專象經驗確定，本實施例中，初始學習率為0.35-0.66，誤差為0.001。采用SAS6.0將奶茶粉產品樣本數據歸一化，并將完成歸一化的奶茶粉產品樣本數據送入對應的BP網絡，按照當前的BP算法進行訓練，達到指定誤差精度(0.001)后停止，上述步驟即完成本發(fā)明的奶茶粉產品感官品評專家系統的建立。本發(fā)明所建立的奶茶粉產品感官品評專家系統的使用管理過程如圖2示，包括測定待評價奶茶粉產品的多項理化指標，并將所得數據輸入已經建立的奶茶粉產品感官品評專家系統；6根據系統輸入的奶茶粉產品理化指標進行Kohonen自組織特征提取，確定其類別；如果系統輸入的奶茶粉產品理化指標屬于未知類，不在已建立的奶茶粉產品感官品評專家系統的已有BP網絡中訓練過，則以該奶茶粉產品理化指標為核心樣本建立新的訓練樣本集，并對相應的新建BP網絡進行訓練；如果輸入奶茶粉產品理化指標是已知類的樣本數據，則根據其類別讀取從所述分類庫中讀取對應的所述BP網絡，并計算出奶茶粉產品感官品評指標預測值，如果輸入奶茶粉產品理化指標與已學樣本靠近，則系統預測結果可信度高；否則，系統將根據樣本在原始輸入空間中的偏離程度，指出所預測結果的參考價值。表2提供了本實施例的奶茶粉產品感官品評專家系統得到的實驗數據，該表將預測數據與專家品評結果進行了對比，可以看出，本系統根據奶茶粉產品理化指標的感官品評預測結果，與奶茶粉產品品評專家的基本相符，在可接受的誤差范圍內。表2奶茶粉產品感官品評數據與專家品評結果比較<table>tableseeoriginaldocumentpage7</column></row><table>本系統將專家經驗分類與由數據驅動的智能等級評定方法相結合，把復雜問題分解，分別送入各自的BP網絡求解，最終類的知識都保存在各類的BP網絡知識庫中。當有新的預測工作要做時，只需根據分類神經網絡計算出對應的BP網絡，便可利用已訓練好的網絡映射模型預測出此樣本的感官品評指標。如上所述，根據本發(fā)明的一種建立奶茶粉產品感官品評專家系統的方法，集成了Kohonen網絡、BP網絡，對奶茶粉產品進行測試、品評，在得到品評指標和理化指標的基礎上，由Kohonen網絡自組織特征映射，完成聚類，并用各類奶茶粉產品感官品評得分和理化數據等樣本數據分別訓練各自對應的BP網絡，獲取各類奶茶粉產品理化指標與感官品評得分之間的映射關系，從而建立奶茶粉產品感官品評專家系統。該系統充分利用了奶茶粉產品品評專家的經驗、減少了人工品評的不確定性、提高了奶茶粉產品感官品評的工作效率和自動化程度，確保了奶茶粉產品質量。上文所列出的一系列的詳細說明僅僅是針對本發(fā)明的可行性實施例的具體說明，它們并非用以限制本發(fā)明的保護范圍，凡未脫離本發(fā)明技藝精神所作的等效實施例或變更均應包含在本發(fā)明的保護范圍之內。權利要求一種建立奶茶粉產品感官品評專家系統的方法，包括品評專家對奶茶粉產品進行感官品評，并測定所述奶茶粉產品的理化指標，將所得感官品評得分和理化指標等樣本數據錄入數據庫；去除錯誤、不一致或不完整的所述奶茶粉產品的感官品評得分和理化指標樣本數據，對所述數據庫中的所述樣本數據進行歸一化；構建Kohonen陣列，依據專家經驗確定所述Kohonen陣列的初始領域半徑、學習率和學習次數；應用Kohonen自組織特征映射對所述奶茶粉產品理化指標進行聚類，完成所述數據庫中所有奶茶粉產品理化指標的分類，并建立分類庫；對不同類奶茶粉產品的所述理化指標，分別建立對應的BP網絡，并依專家經驗確定所述BP網絡的系統允許誤差限、初始學習率、初始動量系數、初始化網絡權重、最大學習次數、誤差調整參數；將所述奶茶粉產品的感官品評得分和理化指標等樣本數據送入對應的所述BP網絡進行訓練，在所述最大學習次數內達到指定誤差精度后停止，上述步驟即完成奶茶粉產品感官品評專家系統的建立，否則，更換所述奶茶粉產品樣本數據，重新進行訓練，直到算法收斂；其特征在于，所述奶茶粉產品感官品評的品評項目包括整體風味、乳香味、咸味、茶味。2.如權利要求1所述的建立奶茶粉產品感官品評專家系統的方法，其中，作為所述系統輸入的所述奶茶粉產品理化指標，包括脂肪、蛋白、干物質、鹽含量、微生物指標。3.如權利要求1所述的建立奶茶粉產品感官品評專家系統的方法，其中，所述BP網絡的輸入數據是所述奶茶粉產品理化指標，所述BP網絡的輸出數據是所述奶茶粉產品感官品評得分。4.如權利要求1所述的建立奶茶粉產品感官品評專家系統的方法，其中，所述BP網絡的初始學習率為0.35-0.66。5.如權利要求1所述的建立奶茶粉產品感官品評專家系統的方法，其中，所述BP網絡的初始領域半徑為0.44-0.56。6.如權利要求1所述的建立奶茶粉產品感官品評專家系統的方法，其中，所述BP網絡的學習次數為59次。7.如權利要求1所述的建立奶茶粉產品感官品評專家系統的方法，其中，所述奶茶粉產品感官品評專家系統的使用管理過程為測定待評價奶茶粉產品的所述理化指標，并將所得數據輸入所述奶茶粉產品感官品評專家系統；根據所述奶茶粉產品理化指標進行Kohonen自組織特征提取，確定其所屬類別；如果所述奶茶粉產品理化指標屬于未知類，不在所述奶茶粉產品感官品評專家系統的已有BP網絡中訓練過，則以所述奶茶粉產品理化指標為核心樣本建立新的訓練樣本集，并對相應的新建BP網絡進行訓練；如果所述奶茶粉產品理化指標是已知類的樣本數據，則根據其類別讀取從所述分類庫中讀取對應的所述BP網絡，計算出奶茶粉產品感官品評指標預測值。全文摘要本發(fā)明提供了一種建立奶茶粉產品感官品評專家系統的方法，該方法將Kohonen自組織特征映射、BP網絡相結合，對奶茶粉產品進行理化指標測試，并由品評專家進行品評，得到其感官品評得分和理化指標等樣本數據，通過聚類完成對奶茶粉產品理化指標的分類，并用奶茶粉產品感官品評得分和理化指標等樣本數據分別訓練各自對應的BP網絡，從而建立奶茶粉產品感官品評專家系統。該方法可以有效提高奶茶粉產品品評效率和自動化程度，確保奶茶粉產品質量。文檔編號G06N3/08GK101706486SQ20091025016公開日2010年5月12日申請日期2009年11月30日優(yōu)先權日2009年11月30日發(fā)明者劉衛(wèi)星,張少輝,白雪,郭奇慧申請人:內蒙古蒙牛乳業(yè)(集團)股份有限公司