本發(fā)明涉及模式識別與光譜分析領(lǐng)域，具體涉及食物口感和風味的主觀評價及光譜數(shù)據(jù)建模方法及系統(tǒng)。

背景技術(shù)：

口感和風味是人類對食物的一種高級體驗?？诟惺侵甘澄镌谌藗兛谇粌?nèi)，由觸覺和咀嚼而產(chǎn)生的直接感受，是獨立于味覺之外的另一種體驗。而風味是人們品嘗食物的味覺和嗅覺感受。對于食物的主觀評價，需要將口感和風味聯(lián)合在一起建立評價體系。以往由于食物口感和風味的主觀評價與客觀數(shù)據(jù)沒有建立關(guān)聯(lián)，對于食物的感受依賴描述性語言，尚無可量化的主觀評價指標。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：為了解決食物口感和風味的主觀評價缺乏可量化的主觀評價問題，本發(fā)明利用光譜數(shù)據(jù)的分子特征信息，提出了食物口感和風味的主觀評價及光譜數(shù)據(jù)建模方法及系統(tǒng)。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種食物口感和風味的主觀評價及光譜數(shù)據(jù)建模方法，包括以下步驟：

獲取某種食物的光譜數(shù)據(jù)di，獲取主觀評價參評人信息，建立對應(yīng)食物口感和風味的主觀評價標簽；

大量采集不同食物的光譜數(shù)據(jù)di和主觀評價參評人信息，并建立對應(yīng)食物口感和風味的主觀評價標簽，進行機器學(xué)習(xí)算法建模，在已知食物光譜數(shù)據(jù)和主觀評價參評人信息的情況下，預(yù)測主觀評價標簽結(jié)果。

所述光譜數(shù)據(jù)di，為每組食物的紅外光譜反射率導(dǎo)數(shù)數(shù)據(jù)，其中i＝1,2，…，n，為采樣點個數(shù)；使用余弦距離表示光譜數(shù)據(jù)向量之間的差異，將異常數(shù)據(jù)剔除；導(dǎo)數(shù)計算使用直接差分方法，利用光譜數(shù)據(jù)逐點相減得到：

其中，r是每組食物的紅外光譜原始反射率，i＝1,2，…，n，為采樣點個數(shù)，λ是采樣時的光譜波長，δλ是波長采樣的最小間隔。

所述主觀評價參評人信息按照信息量轉(zhuǎn)化為數(shù)值：

性別xa：男，女，數(shù)值為1,2，默認值0；

年齡xb：按照填寫的數(shù)值，1,2……，不設(shè)上限，默認值0；

籍貫xc：中國共有34個省，數(shù)值為1,2,…34，后續(xù)如果新增其他國家省份，依次順延，默認值為0；

民族xd：中國共有56個民族，數(shù)值為1,2,…56，后續(xù)如果新增其他民族，依次順延，默認值為0。

所述對應(yīng)食物口感和風味的主觀評價標簽，包括，食物口感的兩個基本方面——冷熱程度和軟硬程度，以及食物風味的兩類信息——味覺和嗅覺。

將對食物口感的主觀評價由描述性語言轉(zhuǎn)化為可量化的指標，按照食物口感的兩個方面，食物冷熱程度和軟硬程度，進行指標分解，由參評人分別進行評分：

食物冷熱程度α，5分制，從低到高對應(yīng)為冰、涼、溫、熱、燙五個區(qū)域；

食物軟硬程度β，10分制，從低到高對應(yīng)為稀、稠、軟、糯、嫩、滑、彈牙、酥、脆、硬十個區(qū)域；

建立食物口感分類標簽yi＝(α,β)，一一對應(yīng)冷熱和軟硬程度各區(qū)域；

將對食物風味的主觀評價由描述性語言轉(zhuǎn)化為可量化的指標，按照食物風味的兩類信息，對食物的味覺和嗅覺，進行指標分解，由參評人分別進行評分：

對食物的味覺δ，進行酸、甜、苦、辣、咸5項打分，每項5分制，共計25種情況；

對食物的嗅覺ε，10分制，從低到高對應(yīng)為臭、無味、香十個等級情況；

建立食物風味分類標簽yii＝(δ,ε)，一一對應(yīng)味覺和嗅覺各種情況。

所述機器學(xué)習(xí)算法建模，對于每種食物口感和風味的主觀評價標簽y＝(yi,yii)＝(α,β,δ,ε)，對應(yīng)參評人信息和光譜數(shù)據(jù)x＝(xa，xb，xc，xd，d1，d2，…，dn)，樣本集t＝(x1，y1)，(x2，y2)，…，(xm，ym)，其中，xm代表第m個樣本，ym表示第m個樣本的類別，m是樣本個數(shù)；建立不同主觀評價標簽和輸入數(shù)據(jù)之間的分類準則，算法選用近鄰法或svm(支持向量機)；

所述近鄰法，生成各類別之間的判據(jù)k，對于待測數(shù)據(jù)，與已知類別的數(shù)據(jù)逐一計算距離，根據(jù)統(tǒng)一的距離判別準則找到和已知樣本最接近k個的數(shù)據(jù)，并且以這個該已知數(shù)據(jù)的類別作為待測數(shù)據(jù)的類別；

具體表述為：樣本集t＝(x1，y1)，(x2，y2)，…，(xm，ym)，xi代表第i個樣本，yi表示第i個樣本的類別，m個樣本向量x1～xm協(xié)方差矩陣記為s，判斷準則函數(shù)使用馬氏距離判別，其中樣本xi到xj的馬氏距離δ(xi，xj)為，

在分類中，選擇前k個最近的樣本，對這k個樣本所屬的類別進行投票，得票率最多的類別是待測樣品的類別，其中k的選取根據(jù)訓(xùn)練樣本不斷優(yōu)化得到，k取2～5；knn(近鄰法)比較好的地方是，它可以把我們之前計算的距離判據(jù)演化成一種相似度依據(jù)，對以后我們衡量不同樹種之間的相似度有一個直觀的認識。另外當我們的樣本數(shù)量足夠多的時候，knn的結(jié)果是結(jié)果就更加準確。算法時間復(fù)雜度為o(n)，無需訓(xùn)練，簡單有效，在樣本很多的情況下，可以保證較高的準確度。

所述svm算法，本身是一個兩類問題的判別方法，但本發(fā)明數(shù)據(jù)分類中是一個多類問題。因此，選用“一對一”方法，對于n類樣本，兩兩類別訓(xùn)練一個兩類分類器，共訓(xùn)練n*(n-1)/2個分類器，對測試樣本逐一進行測試并進行投票，得票最多的類別即為其類別標簽；

對于兩類分類的問題，svm分類的思想是找到這個使得兩類別樣本間隔最大的超平面，此時，訓(xùn)練數(shù)據(jù)為(x1，y1)，(x2，y2)，…，(xm，ym)，y∈{+1，-1}；求取最大間隔的問題就是一個尋優(yōu)的問題，最優(yōu)分類面的方程：

wx+b＝0

其中w和b未知，轉(zhuǎn)換后的待求解的最優(yōu)化問題：

使得滿足yi[(wxi)+b]-1≥0(i＝1,2,…,m)

m為樣本個數(shù)，求解得w和b，即得到最優(yōu)分類面；

對于一些在低維空間中線性不可分的情況，通過核函數(shù)將其映射到高維空間中使其變?yōu)榫€性可分的問題；常用的核函數(shù)k(x，xi)有多項式內(nèi)積核函數(shù)、徑向基核函數(shù)(rbf)和sigmoid內(nèi)積核函數(shù)：(k(x，xi)表示核函數(shù))

多項式內(nèi)積核函數(shù)：

徑向基核函數(shù)：

sigmoid內(nèi)積核函數(shù)：

本發(fā)明選用libsvm軟件包進行svm核函數(shù)參數(shù)求取，使用的步驟是：

1)按照libsvm軟件包所要求的格式準備數(shù)據(jù)集；

2)對數(shù)據(jù)進行簡單的縮放操作；

3)考慮選用rbf核函數(shù)；

4)采用交叉驗證選擇最佳參數(shù)c與g；

5)采用最佳參數(shù)c與g對整個訓(xùn)練集進行訓(xùn)練獲取支持向量機模型；

6)利用獲取的模型進行測試與預(yù)測。

一種食物口感和風味的主觀評價及光譜數(shù)據(jù)建模系統(tǒng)，包括：主觀評價參評人信息收集模塊，光譜采集模塊，主觀評價標簽輸入模塊，數(shù)據(jù)存儲模塊，數(shù)據(jù)處理模塊，以及主觀評價標簽預(yù)測輸出模塊；

所述主觀評價參評人信息收集模塊，用于收集參評人信息，包括性別xa，年齡xb，籍貫xc和民族xd；可以通過各種終端，包括手機app軟件、電腦軟件、智能手環(huán)等多種終端獲取。

所述光譜采集模塊，用于獲取食物的紅外光譜反射率導(dǎo)數(shù)數(shù)據(jù)，通過光譜傳感器，以及特定光源環(huán)境，收集食物的反射光譜，得到對應(yīng)波長的原始反射率，再通過插分法計算得到導(dǎo)數(shù)數(shù)據(jù)；

所述主觀評價標簽輸入模塊，用于獲取參評人對該種食物口感和風味的評價量化信息，包括食物冷熱、軟硬程度，以及食物的味覺和嗅覺評分；

所述數(shù)據(jù)存儲模塊，用于存儲訓(xùn)練集數(shù)據(jù)，以及算法模型參數(shù)，可以采用本地存儲空間或者云端存儲空間；

所述數(shù)據(jù)處理模塊，用于使用算法模型判據(jù)，對新的參評人和光譜數(shù)據(jù)，預(yù)測主觀評價標簽；

所述主觀評價標簽預(yù)測輸出模塊，用于顯示主觀評價標簽，并將經(jīng)過參評人修訂的主觀評價標簽及對應(yīng)參評人信息和光譜數(shù)據(jù)輸出至數(shù)據(jù)存儲模塊，作為訓(xùn)練集數(shù)據(jù)存儲，實現(xiàn)數(shù)據(jù)模型的積累。

本發(fā)明的目的就是通過將本征食物特征的光譜數(shù)據(jù)與食物口感和風味建立數(shù)據(jù)模型，實現(xiàn)科學(xué)可量化的食物口感和品味評價體系。

口感一般包括食物的冷熱程度和軟硬程度兩個基本方面：描述食物冷熱程度的詞語如溫涼熱燙等；描述食物軟硬程度的詞語如軟糯酥滑脆嫩等。風味所包含的味覺和嗅覺體驗，一般包括五味——酸、甜、苦、辣、咸，以及無味、香、臭。針對口感的兩個基本方面和風味的兩類信息，光譜數(shù)據(jù)包含了其中的關(guān)鍵信息——物質(zhì)的分子特征。食物冷熱程度，在微觀上是分子熱運動的劇烈程度；而食物軟硬程度，是分子的結(jié)構(gòu)信息。食物的味覺和嗅覺則是各類分子組成和含量的體現(xiàn)。光譜能夠表征物質(zhì)表面的分子特征，當入射光與物質(zhì)表面分子發(fā)生作用后，反射光的光譜中就包含了物質(zhì)的分子特征信息，可以進行數(shù)據(jù)建模。依靠采集的客觀數(shù)據(jù)，當收集大量的光譜數(shù)據(jù)信息后，結(jié)合與之關(guān)聯(lián)的主觀評價，利用機器學(xué)習(xí)的方法實現(xiàn)數(shù)據(jù)的預(yù)測。光譜分析結(jié)合主觀評價，將大大發(fā)揮光譜數(shù)據(jù)的應(yīng)用潛力。

本發(fā)明的有益效果是，本發(fā)明的食物口感和風味的主觀評價及光譜數(shù)據(jù)建模方法及系統(tǒng)，與現(xiàn)有技術(shù)相比，本發(fā)明食物口感和風味主觀評價指標可量化；因其與本征食物分子特征的光譜數(shù)據(jù)進行建模，可以進行口感和風味的預(yù)測；對于食物的分析，獲取光譜數(shù)據(jù)及分析過程，快速、無損；隨著數(shù)據(jù)增多，模型分類準確率可以提升；可以對于特定人群，對食物進行推薦和建議。

附圖說明

下面結(jié)合附圖和實施例對本發(fā)明進一步說明。

圖1是本發(fā)明的一種食物口感和風味的主觀評價及光譜數(shù)據(jù)建模方法的流程圖。

具體實施方式

現(xiàn)在結(jié)合附圖對本發(fā)明作進一步詳細的說明。

如圖1所示，本發(fā)明的一種食物口感和風味的主觀評價及光譜數(shù)據(jù)建模方法，包括以下步驟：

獲取某種食物的光譜數(shù)據(jù)di，獲取主觀評價參評人信息，建立對應(yīng)食物口感和風味的主觀評價標簽；

大量采集不同食物的光譜數(shù)據(jù)di和主觀評價參評人信息，并建立對應(yīng)食物口感和風味的主觀評價標簽，進行機器學(xué)習(xí)算法建模，在已知食物光譜數(shù)據(jù)和主觀評價參評人信息的情況下，預(yù)測主觀評價標簽結(jié)果。

所述光譜數(shù)據(jù)di，為每組食物的紅外光譜反射率導(dǎo)數(shù)數(shù)據(jù)，其中i＝1,2，…，n，為采樣點個數(shù)；使用余弦距離表示光譜數(shù)據(jù)向量之間的差異，將異常數(shù)據(jù)剔除；導(dǎo)數(shù)計算使用直接差分方法，利用光譜數(shù)據(jù)逐點相減得到：

其中，r是每組食物的紅外光譜原始反射率，i＝1,2，…，n，為采樣點個數(shù)，λ是采樣時的光譜波長，δλ是波長采樣的最小間隔。

所述主觀評價參評人信息按照信息量轉(zhuǎn)化為數(shù)值：

性別xa：男，女，數(shù)值為1,2，默認值0；

年齡xb：按照填寫的數(shù)值，1,2……，不設(shè)上限，默認值0；

籍貫xc：中國共有34個省，數(shù)值為1,2,…34，后續(xù)如果新增其他國家省份，依次順延，默認值為0；

民族xd：中國共有56個民族，數(shù)值為1,2,…56，后續(xù)如果新增其他民族，依次順延，默認值為0。

所述對應(yīng)食物口感和風味的主觀評價標簽，包括，食物口感的兩個基本方面——冷熱程度和軟硬程度，以及食物風味的兩類信息——味覺和嗅覺。

將對食物口感的主觀評價由描述性語言轉(zhuǎn)化為可量化的指標，按照食物口感的兩個方面，食物冷熱程度和軟硬程度，進行指標分解，由參評人分別進行評分：

食物冷熱程度α，5分制，從低到高對應(yīng)為冰、涼、溫、熱、燙五個區(qū)域；

食物軟硬程度β，10分制，從低到高對應(yīng)為稀、稠、軟、糯、嫩、滑、彈牙、酥、脆、硬十個區(qū)域；

建立食物口感分類標簽yi＝(α,β)，一一對應(yīng)冷熱和軟硬程度各區(qū)域；

將對食物風味的主觀評價由描述性語言轉(zhuǎn)化為可量化的指標，按照食物風味的兩類信息，對食物的味覺和嗅覺，進行指標分解，由參評人分別進行評分：

對食物的味覺δ，進行酸、甜、苦、辣、咸5項打分，每項5分制，共計25種情況；

對食物的嗅覺ε，10分制，從低到高對應(yīng)為臭、無味、香十個等級情況；

建立食物風味分類標簽yii＝(δ,ε)，一一對應(yīng)味覺和嗅覺各種情況。

所述機器學(xué)習(xí)算法建模，對于每種食物口感和風味的主觀評價標簽y＝(yi,yii)＝(α,β,δ,ε)，對應(yīng)參評人信息和光譜數(shù)據(jù)x＝(xa，xb，xc，xd，d1，d2，…，dn)，樣本集t＝(x1，y1)，(x2，y2)，…，(xm，ym)，其中，xm代表第m個樣本，ym表示第m個樣本的類別，m是樣本個數(shù)；建立不同主觀評價標簽和輸入數(shù)據(jù)之間的分類準則，算法選用近鄰法或svm(支持向量機)；

所述近鄰法，生成各類別之間的判據(jù)k，對于待測數(shù)據(jù)，與已知類別的數(shù)據(jù)逐一計算距離，根據(jù)統(tǒng)一的距離判別準則找到和已知樣本最接近k個的數(shù)據(jù)，并且以這個該已知數(shù)據(jù)的類別作為待測數(shù)據(jù)的類別；

具體表述為：樣本集t＝(x1，y1)，(x2，y2)，…，(xm，ym)，xi代表第i個樣本，yi表示第i個樣本的類別，m個樣本向量x1～xm協(xié)方差矩陣記為s，判斷準則函數(shù)使用馬氏距離判別，其中樣本xi到xj的馬氏距離δ(xi，xj)為，

在分類中，選擇前k個最近的樣本，對這k個樣本所屬的類別進行投票，得票率最多的類別是待測樣品的類別，其中k的選取根據(jù)訓(xùn)練樣本不斷優(yōu)化得到，k取2～5；knn(近鄰法)比較好的地方是，它可以把我們之前計算的距離判據(jù)演化成一種相似度依據(jù)，對以后我們衡量不同樹種之間的相似度有一個直觀的認識。另外當我們的樣本數(shù)量足夠多的時候，knn的結(jié)果是結(jié)果就更加準確。算法時間復(fù)雜度為o(n)，無需訓(xùn)練，簡單有效，在樣本很多的情況下，可以保證較高的準確度。

所述svm算法，本身是一個兩類問題的判別方法，但本發(fā)明數(shù)據(jù)分類中是一個多類問題。因此，選用“一對一”方法，對于n類樣本，兩兩類別訓(xùn)練一個兩類分類器，共訓(xùn)練n*(n-1)/2個分類器，對測試樣本逐一進行測試并進行投票，得票最多的類別即為其類別標簽；

對于兩類分類的問題，svm分類的思想是找到這個使得兩類別樣本間隔最大的超平面，此時，訓(xùn)練數(shù)據(jù)為(x1，y1)，(x2，y2)，…，(xm，ym)，y∈{+1，-1}；求取最大間隔的問題就是一個尋優(yōu)的問題，最優(yōu)分類面的方程：

wx+b＝0

其中w和b未知，轉(zhuǎn)換后的待求解的最優(yōu)化問題：

使得滿足yi[(wxi)+b]-1≥0(i＝1,2,…,m)

m為樣本個數(shù)，求解得w和b，即得到最優(yōu)分類面；

對于一些在低維空間中線性不可分的情況，通過核函數(shù)將其映射到高維空間中使其變?yōu)榫€性可分的問題；常用的核函數(shù)k(x，xi)有多項式內(nèi)積核函數(shù)、徑向基核函數(shù)(rbf)和sigmoid內(nèi)積核函數(shù)：(k(x，xi)表示核函數(shù))

多項式內(nèi)積核函數(shù)：

徑向基核函數(shù)：

sigmoid內(nèi)積核函數(shù)：

本發(fā)明選用libsvm軟件包進行svm核函數(shù)參數(shù)求取，使用的步驟是：

1)按照libsvm軟件包所要求的格式準備數(shù)據(jù)集；

2)對數(shù)據(jù)進行簡單的縮放操作；

3)考慮選用rbf核函數(shù)；

4)采用交叉驗證選擇最佳參數(shù)c與g；

5)采用最佳參數(shù)c與g對整個訓(xùn)練集進行訓(xùn)練獲取支持向量機模型；

6)利用獲取的模型進行測試與預(yù)測。

一種食物口感和風味的主觀評價及光譜數(shù)據(jù)建模系統(tǒng)，包括：主觀評價參評人信息收集模塊，光譜采集模塊，主觀評價標簽輸入模塊，數(shù)據(jù)存儲模塊，數(shù)據(jù)處理模塊，以及主觀評價標簽預(yù)測輸出模塊；

所述主觀評價參評人信息收集模塊，用于收集參評人信息，包括性別xa，年齡xb，籍貫xc和民族xd；可以通過各種終端，包括手機app軟件、電腦軟件、智能手環(huán)等多種終端獲取。

所述光譜采集模塊，用于獲取食物的紅外光譜反射率導(dǎo)數(shù)數(shù)據(jù)，通過光譜傳感器，以及特定光源環(huán)境，收集食物的反射光譜，得到對應(yīng)波長的原始反射率，再通過插分法計算得到導(dǎo)數(shù)數(shù)據(jù)；

所述主觀評價標簽輸入模塊，用于獲取參評人對該種食物口感和風味的評價量化信息，包括食物冷熱、軟硬程度，以及食物的味覺和嗅覺評分；

所述數(shù)據(jù)存儲模塊，用于存儲訓(xùn)練集數(shù)據(jù)，以及算法模型參數(shù)，可以采用本地存儲空間或者云端存儲空間；

所述數(shù)據(jù)處理模塊，用于使用算法模型判據(jù)，對新的參評人和光譜數(shù)據(jù)，預(yù)測主觀評價標簽；

所述主觀評價標簽預(yù)測輸出模塊，用于顯示主觀評價標簽，并將經(jīng)過參評人修訂的主觀評價標簽及對應(yīng)參評人信息和光譜數(shù)據(jù)輸出至數(shù)據(jù)存儲模塊，作為訓(xùn)練集數(shù)據(jù)存儲，實現(xiàn)數(shù)據(jù)模型的積累。

本發(fā)明的具體實施方式中，主觀評價參評人信息可以通過手機app用戶端獲取；光譜采集模塊采用濱松fpi器件實現(xiàn)，配合藍牙通訊，將光譜數(shù)據(jù)傳輸至手機app；數(shù)據(jù)存儲模塊及數(shù)據(jù)處理在云服務(wù)器端，數(shù)據(jù)建模使用libsvm求得建模參數(shù)，云服務(wù)后臺進行數(shù)據(jù)建模，手機app具有主觀評價標簽輸入、顯示和修訂的功能，實現(xiàn)主觀評價數(shù)據(jù)的持續(xù)更新和積累。

與現(xiàn)有技術(shù)相比，本發(fā)明食物口感和風味主觀評價指標可量化；因其與本征食物分子特征的光譜數(shù)據(jù)進行建模，可以進行口感和風味的預(yù)測；對于食物的分析，獲取光譜數(shù)據(jù)及分析過程，快速、無損；隨著數(shù)據(jù)增多，模型分類準確率可以提升；可以對于特定人群，對食物進行推薦和建議。

以上述依據(jù)本發(fā)明的理想實施例為啟示，通過上述的說明內(nèi)容，相關(guān)工作人員完全可以在不偏離本項發(fā)明技術(shù)思想的范圍內(nèi)，進行多樣的變更以及修改。本項發(fā)明的技術(shù)性范圍并不局限于說明書上的內(nèi)容，必須要根據(jù)權(quán)利要求范圍來確定其技術(shù)性范圍。