基于SVM方法的豬肉新鮮度分類問題研究*

劉靜，管驍

1(上海海事大學(xué)信息工程學(xué)院，上海，200135)2(上海理工大學(xué)醫(yī)療器械與食品學(xué)院，上海，200093)

基于SVM方法的豬肉新鮮度分類問題研究*

劉靜1，管驍2

1(上海海事大學(xué)信息工程學(xué)院，上海，200135)2(上海理工大學(xué)醫(yī)療器械與食品學(xué)院，上海，200093)

文中采取減壓貯藏方式對(duì)新鮮豬肉進(jìn)行了貯藏實(shí)驗(yàn)，測(cè)定了不同貯藏時(shí)間樣品的揮發(fā)性鹽基氮含量(TVB-N)、細(xì)菌總數(shù)、pH值及感官評(píng)價(jià)數(shù)據(jù)，并運(yùn)用支持向量機(jī)(support vector machine，SVM)對(duì)這些樣本數(shù)據(jù)進(jìn)行訓(xùn)練，選取不同的核函數(shù)，得到SVM神經(jīng)網(wǎng)絡(luò)模型，隨后利用此模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行豬肉新鮮度分類預(yù)測(cè)。實(shí)驗(yàn)表明，根據(jù)樣本特性進(jìn)行數(shù)據(jù)預(yù)處理，且選取合適的核函數(shù)后，SVM神經(jīng)網(wǎng)絡(luò)能得到極高的豬肉新鮮度正確分類率。

支持向量機(jī)，豬肉新鮮度，分類

隨著人們生活水平的不斷提高，大眾的健康意識(shí)不斷增強(qiáng)，食品安全問題也得到越來越多的關(guān)注。肉品作為人們餐桌上的常見食物之一，其品質(zhì)關(guān)系到廣大人民群眾的食肉安全。肉品的衛(wèi)生質(zhì)量常用新鮮度來衡量，在我國常分為新鮮、次新鮮和腐敗3個(gè)等級(jí)，快速準(zhǔn)確地評(píng)價(jià)肉品的新鮮度對(duì)食肉安全具有十分重要的意義。長期以來，眾多學(xué)者對(duì)鮮肉的新鮮度檢測(cè)進(jìn)行了多方面的深入研究，并建立了一些主要的、為人們普遍采用的測(cè)試指標(biāo)，包括揮發(fā)性鹽基氮含量(TVB-N)、菌落總數(shù)、pH 值、感官檢測(cè)等［1－2］，有的甚至納入了國家標(biāo)準(zhǔn)。然而，肉品的變質(zhì)受諸方面因素的影響，任何單一指標(biāo)都不能全面代表鮮肉的新鮮度衛(wèi)生狀況［2］，必須經(jīng)過專業(yè)人士對(duì)多個(gè)指標(biāo)進(jìn)行綜合評(píng)價(jià)后才能對(duì)肉品新鮮度給出準(zhǔn)確的結(jié)論，這對(duì)于從事大量肉品檢驗(yàn)工作的政府部門或企業(yè)而言無疑是一項(xiàng)極其繁瑣的任務(wù)。因此，在對(duì)肉品有了基本的檢測(cè)指標(biāo)測(cè)定后，還需要開發(fā)一種快速、準(zhǔn)確、智能的綜合評(píng)價(jià)方法去代替人工方式對(duì)肉品的新鮮度進(jìn)行判定。

人工神經(jīng)網(wǎng)絡(luò)是在生物神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展而來的交叉學(xué)科，它在自動(dòng)控制、機(jī)器人、模式識(shí)別等領(lǐng)域都已有廣泛的應(yīng)用。目前已有將后向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)應(yīng)用于肉品新鮮度分類的相關(guān)報(bào)道［3－5］，但是，BP 神經(jīng)網(wǎng)絡(luò)存在初始化權(quán)值難以確定，容易出現(xiàn)過擬合現(xiàn)象降低預(yù)測(cè)能力，且適合樣本趨于無窮的情形;然而，在實(shí)際情況中很難得到海量樣本。統(tǒng)計(jì)學(xué)習(xí)理論是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，它根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以獲得最好的推廣能力。支持向量機(jī)(support vector machine，SVM)神經(jīng)網(wǎng)絡(luò)就是這樣一種基于統(tǒng)計(jì)學(xué)習(xí)理論的新的學(xué)習(xí)方法，具有很好的泛化能力，且能夠較好的解決小樣本、非線性、高維數(shù)等實(shí)際問題，目前已成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)［6－7］。

基于此，本文以常用的幾項(xiàng)評(píng)價(jià)肉品新鮮度的指標(biāo)為屬性，在Matlab開發(fā)環(huán)境下應(yīng)用SVM對(duì)肉品新鮮度進(jìn)行智能化綜合預(yù)報(bào)。

1 材料與方法

1.1 實(shí)驗(yàn)材料

鮮豬肉樣品取自當(dāng)?shù)剞r(nóng)貿(mào)市場(chǎng)，生豬屠宰后4 h內(nèi)取豬臀部肌肉。

JYL2型減壓冷藏庫，上海善如水保鮮科技有限公司;主要技術(shù)參數(shù):有效容積2 m3，極限壓力200 Pa，精度25 Pa;溫度0～20℃可調(diào)，溫差0.1℃;功率2.1 kW。

1.2 實(shí)驗(yàn)方法

將豬肉樣品切分為約80 g的小塊，分別裝入標(biāo)記好的保鮮袋中，置于減壓冷藏庫開始儲(chǔ)藏。減壓冷藏庫的條件設(shè)置為:溫度2℃、壓力(600±50)Pa、換氣速率1個(gè)庫體積/h、相對(duì)濕度90%。貯藏過程中每隔3 d取4份平行樣品按測(cè)定項(xiàng)目檢測(cè)并記錄，如測(cè)定結(jié)果顯示某批次樣品明顯劣變時(shí)停止儲(chǔ)藏實(shí)驗(yàn)。

1.3 分析指標(biāo)及測(cè)試方法

1.3.1 揮發(fā)性鹽基氮(TVB-N)含量測(cè)定

采用國標(biāo)GB/T 5009.44－2003《肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法》中規(guī)定的“半微量定氮法”進(jìn)行。

1.3.2 細(xì)菌總數(shù)測(cè)定

采用GB/T 4789.2－2008《食品衛(wèi)生微生物學(xué)檢驗(yàn)——菌落總數(shù)測(cè)定》中規(guī)定的“平板菌落計(jì)數(shù)法”進(jìn)行。

1.3.3 pH值測(cè)定

將待測(cè)樣品絞成肉泥后，準(zhǔn)確稱取10 g，置于盛有100 mL雙蒸水的燒杯中，浸泡并不時(shí)振搖15 min后，過濾取濾液，采用pH計(jì)測(cè)定。

1.3.4 感官測(cè)定

感官評(píng)定小組由10人組成，采取10分制評(píng)分標(biāo)準(zhǔn)。依據(jù)豬肉感官指標(biāo)的設(shè)置對(duì)不同樣品從色澤、氣味、彈性、黏度等4個(gè)方面進(jìn)行評(píng)分，權(quán)重分別設(shè)置為0.2、0.2、0.3、0.3，感官評(píng)定得分取 10 人的平均值。感官評(píng)分細(xì)則如表1所示。

表1 豬肉感官評(píng)定評(píng)分細(xì)則

2 結(jié)果與分析

2.1 豬肉貯藏期間品質(zhì)的變化

TVB－N是國家食品法規(guī)規(guī)定的檢測(cè)肉類新鮮度的重要指標(biāo)之一，按照GB2722－51規(guī)定，TVB-N含量對(duì)應(yīng)于肉類新鮮度等級(jí)為:新鮮肉＜15 mg/100 g，次鮮肉15 ～25 mg/100 g，腐敗肉 ＞25 mg/100 g。盡管TVB-N是目前肉品新鮮度檢測(cè)中最重要的判定依據(jù)之一，但同時(shí)也存在其局限性，因該指標(biāo)一般適用于正常氣體環(huán)境儲(chǔ)藏條件下的肉品的檢測(cè)［5，8］。細(xì)菌總數(shù)指標(biāo)也常用來鑒別肉的新鮮度，一般認(rèn)為新鮮肉細(xì)菌總數(shù)＜1×104個(gè)/g，次鮮肉1×104～1×106個(gè)/g，腐敗肉＞1×106個(gè)/g。肉品腐敗時(shí)，由于肉中蛋白質(zhì)被分解為氨和胺類等堿性物質(zhì)，所以使肉趨于堿性，pH值會(huì)顯著增高。因而，pH值也可作為檢查肉類質(zhì)量的一個(gè)指標(biāo)，有研究表明，鮮肉pH值 ＜6.2，次鮮肉 pH值 6.2～6.7，腐敗肉 pH值 ＞6.7［9－11］。

根據(jù)以上分析，對(duì)共28份豬肉樣品進(jìn)行了為期19 d的減壓儲(chǔ)藏實(shí)驗(yàn)，期間共抽檢了7次，每次4個(gè)平行樣本，檢測(cè)的理化指標(biāo)包括TVB-N，細(xì)菌總數(shù)和pH值，實(shí)驗(yàn)數(shù)據(jù)如表2所示。由表2的理化檢測(cè)結(jié)果，結(jié)合感官評(píng)分可知1～7 d減壓儲(chǔ)藏期的樣品(共計(jì)12份)質(zhì)量保持較好，屬新鮮肉，第10天和第13天的樣品(共計(jì)8份)為次鮮肉，第16天和第19天的樣品(共計(jì)8份)肉品已經(jīng)變質(zhì)，為腐敗肉。

表2 不同貯藏時(shí)間的豬肉樣本的理化指標(biāo)與感官評(píng)分結(jié)果

由表2的結(jié)果可知，在對(duì)肉品新鮮度進(jìn)行分類研究時(shí)，若單獨(dú)使用TVB-N為評(píng)價(jià)指標(biāo)，僅有17份樣品分類正確，正確率僅達(dá)60.7%，特別是對(duì)第16天和第19天的樣品分類完全錯(cuò)誤。肉品中TVB-N的來源主要是微生物對(duì)豬肉中含氮有機(jī)化合物的分解作用，而不同類型微生物降解蛋白的能力差異較大，所以樣品的TVB-N含量的高低，不僅與微生物污染和生長繁殖的程度有關(guān)，而且主要取決于生長的微生物的種類［2］，在減壓儲(chǔ)藏這種對(duì)微生物種類有很大影響的特殊環(huán)境下以此指標(biāo)來判定豬肉新鮮度難免會(huì)有失偏頗。同樣，若單獨(dú)以pH值為評(píng)價(jià)指標(biāo)，只有19份樣品分類正確，正確分類率也僅達(dá)67.9%。感官評(píng)定中我們以得分在8分及其以上的樣品評(píng)判為新鮮肉，6～8分的為次鮮肉，低于6分的為腐敗肉，但感官評(píng)定結(jié)果也存在評(píng)定小組成員的主觀因素，導(dǎo)致有2份樣本的判定出現(xiàn)了偏差，分類正確率為92.8%。

2.2 利用SVM對(duì)豬肉新鮮度進(jìn)行分類

基于以上分析，對(duì)肉品新鮮度分類不能單獨(dú)依據(jù)某一項(xiàng)指標(biāo)結(jié)果，必須綜合考慮理化檢測(cè)結(jié)果與感官評(píng)價(jià)結(jié)果，因此，本實(shí)驗(yàn)提出將SVM思想引入到肉品分類問題中來:即新鮮度的分類基于TVB-N、細(xì)菌總數(shù)、pH值和感官評(píng)分這4個(gè)屬性，分類至3種標(biāo)簽:新鮮、次新鮮和腐敗。利用SVM對(duì)數(shù)據(jù)進(jìn)行分類，是一項(xiàng)漸進(jìn)的、泛化的、易于操作的、全局最優(yōu)的方法。它不像傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，模型完全基于分層網(wǎng)絡(luò)，且需要考慮多少節(jié)點(diǎn)比較適合。SVM的模型來自于樣本本身。實(shí)驗(yàn)者可以自由地將數(shù)據(jù)分類，將訓(xùn)練集的屬性值和標(biāo)簽作為已知量，選取不同的核函數(shù)和歸一化方式，訓(xùn)練出匹配的模型。與此同時(shí)，加入交叉驗(yàn)證，可以使數(shù)據(jù)得到最充分的運(yùn)用，在最優(yōu)參數(shù)下得到的模型為最終用于分類的模型。這個(gè)模型基本涵蓋了訓(xùn)練集的所有信息，可以說是較為完善的、體系的模型。最后以這個(gè)模型來對(duì)測(cè)試集進(jìn)行分類可得到很高的分類準(zhǔn)確率。

2.2.1 SVM基本思想

SVM是由Vapnik提出的一種全新的機(jī)器學(xué)習(xí)方法，其分類算法的基本思想是找到一個(gè)最優(yōu)分類超平面，使兩類樣本的分類間隔最大化。設(shè)給定數(shù)據(jù)樣本:(x1，y1)，Λ，(xl，yl)∈Rn×{+1，01};最優(yōu)超平面方程為:w×x+b=0，其中w×x表示輸入向量與加權(quán)向量w的內(nèi)積，b為一常數(shù)偏差，分類間隔為2/‖2‖，則最優(yōu)超平面的確定即是求解:minw‖2，s.t.yi［(w×x)+b］≥1 。這是一個(gè)二次凸規(guī)劃問題，根據(jù)優(yōu)化理論，存在全局最小解。通過Lagrange優(yōu)化方法可將其轉(zhuǎn)化成相應(yīng)的對(duì)偶問題，即在約束條件，=0，αi≥0(i=1，...，n) 下求解下列函數(shù) Q(α)=iαjyiyj(xi·xj)的極大值，其中 αi為每個(gè)樣本對(duì)應(yīng)的Lagrange乘子，其對(duì)應(yīng)的樣本即為支持向量，可得到最優(yōu)超平面決策函數(shù)為f(x)=sgn{w* ×x)+b*}=sgn(yi(x×xi)+b*)。

對(duì)于非線性問題，支持向量機(jī)解決思路是通過一個(gè)非線性映射將樣本映射到一個(gè)高維的特征空間中轉(zhuǎn)化成線性問題。相應(yīng)的決策函數(shù)為f(x)=sgn{w*·φ(x))+b*}=sgnyi(φ(x)·φ(xi))+b*，在此尋優(yōu)問題中只涉及樣本間的內(nèi)積運(yùn)算，為此引入核函數(shù)理論。只要核函數(shù)滿足Mercer條件，即K(xi，xj)=(φ(xi)·φ(xj))，則決策函數(shù)可改寫為f(x)=sgn{(w*·φ(x))+b*}=sgn((x，xi)+b)，引入核函數(shù)有效地解決了樣本高維和計(jì)算復(fù)雜度之間的矛盾。選擇不同的核函數(shù)就構(gòu)成不同的支持向量機(jī)，目前常用于SVM的核函數(shù)主要有:

線性核函數(shù)(Linear):K(xi，xj)=

多項(xiàng)式核函數(shù)(Polynomial):K(xi，xj)=(γ，γ ＞0;徑向基核函數(shù)(RBF):K(xi，xj)=exp( － γ‖xi－)2，γ ＞0;兩層感知器核函數(shù)(Sigmoid):K(xi，xj)=tanh(+r)。

使用核函數(shù)向高維空間映射后，若樣本仍然存在線性不可分的情況，可引入松弛變量ξ≥0，相應(yīng)的二次凸規(guī)劃問題轉(zhuǎn)化為minw‖2+C，s.t.yi［(w ×x)+b］≥1其中 C 為懲罰系數(shù)，它可以控制對(duì)錯(cuò)分樣本ξi＞ 懲罰的程度，同時(shí)也反映支持向量機(jī)模型的復(fù)雜度。總之，SVM處理樣本數(shù)據(jù)線性不可分的優(yōu)勢(shì)主要通過松弛變量和核函數(shù)技術(shù)體現(xiàn)，這在下面的仿真實(shí)驗(yàn)中也有充分的體現(xiàn)。

2.2.2 SVM模型建立

本文的分類問題采用的總體技術(shù)路線是:從28個(gè)原始數(shù)據(jù)里把訓(xùn)練集和測(cè)試集提取出來，然后進(jìn)行數(shù)據(jù)歸一化和數(shù)據(jù)交叉驗(yàn)證的預(yù)處理，隨后使用訓(xùn)練集對(duì)SVM進(jìn)行訓(xùn)練得到預(yù)測(cè)模型，再對(duì)測(cè)試集進(jìn)行分類。

2.2.3 實(shí)驗(yàn)數(shù)據(jù)設(shè)置

表2中的28個(gè)樣本中，樣本序號(hào)1～12屬于類別1，樣本序號(hào)13～20屬于類別2，樣本序號(hào)21～28屬于類別3，數(shù)據(jù)清單見表3?，F(xiàn)將每個(gè)類別分成2組，一部分作為訓(xùn)練集，一部分作為測(cè)試集。

另外，由于樣本數(shù)據(jù)較少，為有效地避免過學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生，本文將對(duì)數(shù)據(jù)采用交叉驗(yàn)證的思想選取SVM模型的懲罰參數(shù)和核函數(shù)參數(shù)，最終對(duì)于測(cè)試集合的預(yù)測(cè)得到理想的準(zhǔn)確率。

表3 數(shù)據(jù)清單

2.2.4 實(shí)驗(yàn)結(jié)果

SVM神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)實(shí)驗(yàn)對(duì)豬肉樣本數(shù)據(jù)分別從核函數(shù)、歸一化方式角度獲取分類結(jié)果。

在不進(jìn)行歸一化時(shí)，考慮到不同核函數(shù)下的分類情況，包括Linear核函數(shù)、Polynomial核函數(shù)、RBF核函數(shù)和Sigmoid核函數(shù)，通過正確分類率來衡量其分類狀況，且記錄錯(cuò)誤分類個(gè)數(shù)，使得結(jié)果更明朗，其實(shí)驗(yàn)結(jié)果見表4。

表4 不歸一化伴隨各核函數(shù)的分類情況

在歸一化至［0，1］時(shí)，考慮到不同核函數(shù)下的分類情況，包括Linear核函數(shù)、polynomial核函數(shù)、RBF核函數(shù)和Sigmoid核函數(shù)，通過正確分類率來衡量其分類狀況，且記錄錯(cuò)誤分類個(gè)數(shù)，使得結(jié)果更明朗，其實(shí)驗(yàn)結(jié)果見表5。

表5 歸一化至［0，1］伴隨各核函數(shù)的分類情況

在歸一化至［－1，1］時(shí)，考慮到不同核函數(shù)下的分類情況，包括 Linear核函數(shù)、polynomial核函數(shù)、RBF核函數(shù)和Sigmoid核函數(shù)，通過正確分類率來衡量其分類狀況，且記錄錯(cuò)誤分類個(gè)數(shù)，使得結(jié)果更明朗，其實(shí)驗(yàn)結(jié)果見表6。

表6 歸一化至［－1，1］伴隨各核函數(shù)的分類情況

經(jīng)過以上實(shí)驗(yàn)，驗(yàn)證了豬肉樣本在不同的歸一化條件下，選擇不同核函數(shù)的分類情況，現(xiàn)將數(shù)據(jù)進(jìn)行匯總，詳情見圖1。

圖1 豬肉分類結(jié)果

通過以上實(shí)驗(yàn)可知，對(duì)于本次樣本，Linear核函數(shù)和RBF核函數(shù)表現(xiàn)比較理想，在肉品的分類結(jié)果中，都處于較高的分類率狀態(tài)，但需注意的是RBF核函數(shù)對(duì)歸一化方式較為依賴，明顯看出，在歸一化至［－1，－1］時(shí)它的分類率較高，但是其他情況時(shí)分類率有所降低;Polynomial核函數(shù)比較合適不進(jìn)行歸一化;最后，Sigmoid核函數(shù)的表現(xiàn)則不太理想，不太適合于本次分類。

3 結(jié)論

本論文采用TVB-N、細(xì)菌總數(shù)、pH值以及感官評(píng)分為評(píng)價(jià)指標(biāo)，通過SVM神經(jīng)網(wǎng)絡(luò)方法成功完成了對(duì)豬肉新鮮度的數(shù)據(jù)分類預(yù)測(cè)，特別重點(diǎn)關(guān)注了歸一化方式和核函數(shù)選取對(duì)分類結(jié)果的影響，得到以下結(jié)論:

(1)對(duì)豬肉新鮮度分類僅靠某單項(xiàng)理化指標(biāo)或感官評(píng)價(jià)均難以得到正確結(jié)果，需綜合考慮TVB-N、細(xì)菌總數(shù)、pH以及感官評(píng)分等指標(biāo)。

(2)采用SVM神經(jīng)網(wǎng)絡(luò)方法在肉品新鮮度分類領(lǐng)域是一種快速、有效、智能的方法，其中核函數(shù)和歸一化方式的選擇是至關(guān)重要的。Linear核函數(shù)在豬肉新鮮度分類中表現(xiàn)十分優(yōu)良，不管規(guī)一化方式如何，均能達(dá)到100%分類率;RBF核函數(shù)分類情況在歸一化至［－1，1］時(shí)效果很好;Polynomial核函數(shù)次之，均能高概率正確分類，但表現(xiàn)出的不足是波動(dòng)性較大;Sigmoid核函數(shù)則不適合于本次數(shù)據(jù)，僅在歸一化至［－1，1］時(shí)能分類。

［1］ 曲世海，郭培源.基于多信息處理的肉類新鮮度檢測(cè)方法研究.北京工商大學(xué)學(xué)報(bào):自然科學(xué)版，2006，24(5):26－30

［2］ 賈英民，王玲，張子德，等.牛肉新鮮度檢測(cè)與指標(biāo)分析［J］.肉類研究，1998，2:45－47

［3］ 郭培源，曲世海，陳巖.豬肉新鮮度的智能檢測(cè)方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37(8):78－81.

［4］ 鄭麗敏，田立軍，朱虹.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)在豬等級(jí)評(píng)定中的應(yīng)用研究［J］.計(jì)算機(jī)應(yīng)用研究，2008，25(6):1 642－1 644.

［5］ 王笑丹，孫永海，胡鐵軍.基于神經(jīng)網(wǎng)絡(luò)的冷卻豬肉新鮮度測(cè)定［J］.分析檢測(cè)，2005，26(5):173－175.

［6］ Vapnik V.Statistical Learning Theory［M］.New York:John Wiley＆ Sons Inc，1998.

［7］ Nicolas H B，Manuel A D，Victor A S et al.Chilean wine classification using volatile organic compounds data obtained with a fast GC analyzer［J］.IEEE Transactions on Instrumentation and Measurement，2008，57(11):2 421 －2 436.

［8］ Lawrie R A，Ledward D A.編，周光宏譯.Lawrie＇s Meat Science(第七版)［M］.北京:中國農(nóng)業(yè)大學(xué)出版社，2009.

［9］ 李彬.生鮮豬肉新鮮度的檢測(cè)及貯藏品質(zhì)評(píng)價(jià)［J］.商洛學(xué)院學(xué)報(bào)，2007，21(2):57－59.

［10］ 黃蓉，劉敦華.豬肉新鮮度評(píng)價(jià)指標(biāo)、存在問題及應(yīng)對(duì)措施［J］.肉類工業(yè)，2010(6):43－46.

［11］ Hendrickx M，Ludikhuyze L，Van den Broeck I，et al.Effects of high pressure on enzymes related to food quality［J］.Food Biotechnology，1999，13(1):13－32.

Studies on the Classification of Pork Freshness by SVM

Liu Jing1，Guan Xiao2
1(College of Information Engineering，Shanghai Maritime University，Shanghai 200135，China)2(School of Medical Instrument and Food Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China)

The pork freshness is a big safety issue on people＇s health.In this paper，fresh pork samples were stored in decompression storage room.The TVB-N content，total bacterial count，pH value and sensory scores of the samples were determined at different storage stage.SVM neural networks models were obtained by training the sample data with different kernel functions and cross－validation.Furthermore，the test data were used to predict the freshness of pork sample by SVM neural network.The experiment results suggested that the SVM neural networks obtained higher correct classification rate of pork freshness with the right kernel function and cross－validation according to the sample performance.

support vector machine，pork freshness，classification

博士，講師(管驍博士為通訊作者，E-mail:gnxo@163.com)。

*上海市晨光計(jì)劃項(xiàng)目(2008CG055)，上海市教委科研創(chuàng)新項(xiàng)目(10YZ113)

2010－12－18，改回日期:2011－02－15