雞精人工感官評價與電子舌評價的相關(guān)模型研究

肖立中，陳洋洋＊，田懷香，秦藍，張雅敬，李簡墨

（1.上海應(yīng)用技術(shù)大學(xué)計算機科學(xué)與信息工程學(xué)院，上海 201418；2.上海應(yīng)用技術(shù)大學(xué)香料香精技術(shù)工程學(xué)院，上海 201418；3.雀巢研發(fā)中心上海有限公司，上海 201812；4.濟寧市育才中學(xué)，山東濟寧 272000）

雞精人工感官評價與電子舌評價的相關(guān)模型研究

肖立中1，陳洋洋1＊，田懷香2，秦藍3，張雅敬2，李簡墨4

（1.上海應(yīng)用技術(shù)大學(xué)計算機科學(xué)與信息工程學(xué)院，上海 201418；2.上海應(yīng)用技術(shù)大學(xué)香料香精技術(shù)工程學(xué)院，上海 201418；3.雀巢研發(fā)中心上海有限公司，上海 201812；4.濟寧市育才中學(xué)，山東濟寧 272000）

雞精味覺的質(zhì)量等級評估依靠人工感官評定和電子舌數(shù)據(jù)分析，以2種評價方式相關(guān)性為研究點，采集3種不同添加成分的雞精調(diào)味料人工感官數(shù)據(jù)和電子舌感官數(shù)據(jù)，利用改進的BP算法建立人工感官評價與電子舌評價的映射模型，由未知樣本的電子舌數(shù)據(jù)進行樣本分類，并直接給出人工感官評價數(shù)據(jù)，同時比較該類別標準樣本與未知樣本的人工感官評價指標的差異性。該模型不僅在雞精感官評價過程中滿足客觀、快速的要求，而且能夠給出雞精品質(zhì)鑒定過程中的差異性信息。

人工感官評價；電子舌；BP算法；映射模型

1 概述

雞精調(diào)味料［1］是一種改善食品風(fēng)味的配料，其口感好壞很大程度上決定了雞精的等級和價值，而評定和區(qū)分雞精口感的手段一般為人工感官評定和電子舌分析。感官評價［2－4］能夠直接獲取樣本風(fēng)味的各個指標，是傳統(tǒng)的風(fēng)味評價方法。但是感官評價主觀性比較強，容易受到評價人員自身心理和身體狀況的影響，重復(fù)性差，另外研究貨架期中、后期的雞精狀況，雞精本身產(chǎn)生質(zhì)變，品評時會讓評定人員感到惡心、不適應(yīng)。電子舌［5］是模擬人的舌頭味覺機理研制出來的一種味覺識別電子系統(tǒng)，在食品行業(yè)［6－9］有著廣泛應(yīng)用。電子舌依靠交互敏感的特定傳感器陣列采集味覺的整體性信息，只能區(qū)分樣本，辨別樣本的相似程度，而不能獲取樣本各個評價指標的差異性。

在風(fēng)味識別領(lǐng)域中，電子感官評價和人工感官評價的相關(guān)性研究［10－12］目前還處于基礎(chǔ)階段，主要集中在感官屬性與傳感器之間的定性描述上面。針對人工感官評價和電子感官評價存在的不足，本文利用BP神經(jīng)網(wǎng)絡(luò)算法強大的非線性映射能力，建立雞精調(diào)味料的人工感官評價與電子舌感官數(shù)據(jù)之間的映射模型，該模型不僅能對未知樣本數(shù)據(jù)進行分類，而且由電子舌數(shù)據(jù)直接給出人工感官數(shù)據(jù)，同時與該類別標準樣本味覺的人工感官數(shù)據(jù)做比較，找到未知樣本在評價指標中的不足所在，為雞精調(diào)香和鑒定提供幫助信息，同時滿足雞精味覺評價的客觀公正、準確快速要求。

2 基于改進BP算法的人工感官與電子舌感官的映射模型

2.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，具有良好的非線性映射能力，在不同領(lǐng)域有廣泛的應(yīng)用［13－16］。該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差反向傳播。標準的網(wǎng)絡(luò)模型一般由3層或者更多層組成，包括輸入層、隱含層和輸出層。標準的BP神經(jīng)網(wǎng)模型見圖1，包括信息的正向傳播和誤差反向傳播。

由圖1可知，輸入層Xn為電子舌傳感器的變量，Om為人工感官評價指標變量，ωij/a和ωjk/b分別為網(wǎng)絡(luò)輸入層與隱含層的權(quán)值/閾值、隱含層與輸出層的權(quán)值/閾值，實際值Ym為網(wǎng)絡(luò)訓(xùn)練時樣本中人工感官變量。

2.2 BP神經(jīng)網(wǎng)絡(luò)的改進

2.2.1 訓(xùn)練算法改進

標準的BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值，使網(wǎng)絡(luò)在訓(xùn)練過程中產(chǎn)生震蕩。為了提高網(wǎng)絡(luò)的穩(wěn)定性，將網(wǎng)絡(luò)權(quán)值和閾值的訓(xùn)練算法由最速下降法換為LM算法。LM是廣泛使用的非線性最小二乘法，同時具有梯度法和牛頓法的優(yōu)點，收斂快。LM（levenbergmarquardt）算法公式：

式中：e為網(wǎng)絡(luò)的誤差值，x（k）為第k次迭代各層之間的連接權(quán)值或者閾值，J為網(wǎng)絡(luò)誤差函數(shù)對權(quán)值和閾值一階倒數(shù)雅克比矩陣，μ為常數(shù)系數(shù)變量。

2.2.2 最優(yōu)搜索算法改進

為了提高搜索速度，防止BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中陷入局部最小值，提出改進的函數(shù)變步長搜索法。

先設(shè)一初始步長，若一次迭代后誤差函數(shù)E增大，則將步長乘以小于1的常數(shù)，沿原方向重新計算下一個迭代點；若一次迭代后誤差函數(shù)減小，則將步長乘以大于1的常數(shù)，從而達到既不增加太多計算量，又使步長得到調(diào)整的目的。計算公式：

式中：h，U為常數(shù)，△E＝E（N）－E（n－1）。

2.3 人工感官評價與電子舌感官評價的映射模型

該映射模型的訓(xùn)練和檢驗的流程圖見圖2。

圖2 該映射模型的訓(xùn)練/檢驗流程圖Fig.2The mapping model training/testing flowchart

該模型的具體流程如下：

網(wǎng)絡(luò)初始化：確定每層網(wǎng)絡(luò)節(jié)點數(shù)、隨機初始化權(quán)值Wmi/Wij以及閾值a/b，給出學(xué)習(xí)率和神經(jīng)元激勵函數(shù)，導(dǎo)入訓(xùn)練樣本和目標樣本。

隱含層輸出：由輸入層變量X和權(quán)值Wmi、閾值a和隱含層的激勵函數(shù)，計算隱含層的輸出矩陣H。

輸出層輸出：由H和權(quán)值Wij、閾值b和輸出層的傳遞函數(shù)，計算輸出層的預(yù)測輸出矩陣O。

網(wǎng)絡(luò)權(quán)值、閾值更新：由O與目標樣本Y計算網(wǎng)絡(luò)預(yù)測誤差e。根據(jù)誤差e與權(quán)值訓(xùn)練函數(shù)計算各層權(quán)值Wmi/Wij和閾值a/b。判斷網(wǎng)絡(luò)誤差是否滿足目標精度0.001，如果不滿足，將誤差e進行反向傳播，逐步優(yōu)化各層權(quán)值。至此第一輪權(quán)值、閾值調(diào)整結(jié)束，反復(fù)迭代訓(xùn)練直至誤差滿足目標精度為止，保存網(wǎng)絡(luò)的權(quán)值/閾值。

檢驗未知樣本：導(dǎo)入未知樣本電子舌數(shù)據(jù)，得出該樣本的人工味覺評價數(shù)據(jù)，同時計算該樣本人工感官數(shù)據(jù)與所有目標樣本各個指標的差值，由絕對值和最小值所在類別位置判斷未知樣本所屬種類。以雷達圖的方式直觀顯示該類別的目標樣本和未知樣本的人工感官指標的差異性。

3 實驗

3.1 實驗儀器與材料

3.1.1 主要材料

3種不同添加成分的同種雞精調(diào)味料，添加成分分別為紅糖、白糖、液體紅糖。

3.1.2 主要儀器

電子舌-ASTREE，法國Alpha MOS公司生產(chǎn)，含有7個味覺傳感器，分別為ZZ，AB，BA，BB，CA，DA，JE。

3.2 實驗數(shù)據(jù)采集

3.2.1 電子舌數(shù)據(jù)

樣本及溶液常溫，按照1%的質(zhì)量分數(shù)配比，樣本稱量1.5g，充分溶解后放在電子舌自動進樣器中，在實驗儀器穩(wěn)定情況下，每種樣本重復(fù)采樣4次。計算每種樣本數(shù)據(jù)的平均值，見表1。

表1 電子舌感官數(shù)據(jù)均值Table 1The electronic tongue average sensory data

3.2.2 人工感官數(shù)據(jù)

將30g雞精調(diào)味料充分溶解于40℃的300mL熱水中，選22名感官評價人員（其中男性有10名，女性有12名）品嘗雞精調(diào)味料，并綜合其雞肉味（chicken）、大蒜味（garlic）、胡椒味（pepper）、鮮味（umami）、味精味（MSG）、甜味（sweet）、飽滿感（full）、澀味（acerbity）、滯留感（stranded）對樣本進行評分。評分標準采用10點制，0～1表示可有可無；2～3表示弱；4～5表示中等；6～7表示強；8～9表示非常強。對每種樣本的22組感官評價數(shù)據(jù)求平均值，見表2。

表2 人工感官數(shù)據(jù)均值Table 2The artificial average sensory data

4 建立雞精電子舌數(shù)據(jù)與人工感官模型

4.1 映射模型訓(xùn)練

電子舌傳感器變量數(shù)目為7個，則BP神經(jīng)網(wǎng)路的輸入層變量數(shù)設(shè)為7個，人工感官屬性變量數(shù)目為9個，則BP神經(jīng)網(wǎng)絡(luò)輸出層變量個數(shù)設(shè)為9個，隱含層變量個數(shù)為2n＋1＝15。隱含層的激勵函數(shù)為tansig，輸出層的激勵函數(shù)為logsig，網(wǎng)絡(luò)訓(xùn)練算法由標準BP算法中的traingd改為網(wǎng)絡(luò)收斂更快的LM訓(xùn)練算法。訓(xùn)練次數(shù)設(shè)置為500次，學(xué)習(xí)步長為0.05，訓(xùn)練目標的最小誤差為0.001，隨機數(shù)初始化權(quán)值和閾值。

將電子舌感官數(shù)據(jù)，即表1作為BP網(wǎng)絡(luò)模型的輸入樣本；將人工感官數(shù)據(jù)，即表2作為BP網(wǎng)絡(luò)模型的實際輸出樣本。隨后開始訓(xùn)練該模型，得到網(wǎng)絡(luò)訓(xùn)練收斂曲線，見圖3。

圖3 映射模型訓(xùn)練收斂曲線Fig.3The mapping model training convergence curve

由圖3可知，基于BP神經(jīng)網(wǎng)絡(luò)的該映射模型訓(xùn)練速度較快，在迭代第三步達到目標，均方誤差為0.000011444，用時0.42548s，而且網(wǎng)絡(luò)收斂曲線很平滑，說明網(wǎng)絡(luò)模型在訓(xùn)練過程中比較穩(wěn)定。

網(wǎng)絡(luò)訓(xùn)練輸出值與實際值的均方差百分比見表3。

表3 網(wǎng)絡(luò)訓(xùn)練輸出值與實際值的均方差的百分比Table 3The percentage of the mean square error between network training output value and actual value

由表3可知，得到的輸出值與實際值的均方差值非常小，在理想的范圍內(nèi)，進一步說明該映射模型穩(wěn)定精確。保存此次的網(wǎng)絡(luò)權(quán)值/閾值，用作對未知樣本的分類，并且由電子舌感官數(shù)據(jù)直接給出未知樣本的感官屬性數(shù)據(jù)。

4.2 映射模型檢驗

任意選取一個未知類別的檢驗樣本電子舌數(shù)據(jù)，見表4，將其導(dǎo)入到上述保存好的網(wǎng)絡(luò)映射模型中，輸出模型檢驗結(jié)果。

表4 檢驗樣本Table 4Testing samples

該樣本模型輸出的人工味覺數(shù)據(jù)和判斷類別結(jié)果見圖4。在輸出結(jié)果中加入該風(fēng)味類別的標準人工品評數(shù)據(jù)，標準類別的人工感官品評數(shù)據(jù)為各個類別的人工品評數(shù)據(jù)的均值，見表2。從感官數(shù)據(jù)中看到，模型訓(xùn)練的最終均方誤差值不僅滿足了目標要求精度，而且非常小，與人工品評數(shù)據(jù)相比較可以忽略，所以默認網(wǎng)絡(luò)輸出的誤差為零誤差。

圖4 檢驗樣本輸出結(jié)果Fig.4The output results of testing samples

由圖4可知，該樣本添加成分為紅糖，模型輸出的人工味覺數(shù)據(jù)與標準添加紅糖成分的人工味覺數(shù)據(jù)相比較還有一定的差別，為了更好地顯示這種差別，將兩組數(shù)據(jù)轉(zhuǎn)換成雷達圖顯示，見圖5。

圖5 該類別樣本輸出值與標準值的雷達圖Fig.5The radar chart of this category samples output value and standard value

由圖5可知，添加紅糖成分樣本的人工味覺數(shù)據(jù)與標準的人工味覺數(shù)據(jù)基本上吻合，但是在飽滿感（full）的屬性味覺上差異性較大，在大蒜味（garlic）的屬性味覺上也有稍微的差異。

5 結(jié)論

采用BP算法來實現(xiàn)電子舌數(shù)據(jù)與人工感官評價之間的相關(guān)性模型，能夠代替人的味覺功能，由電子舌數(shù)據(jù)直接給出未知樣本的人工感官數(shù)據(jù)。對于鑒定雞精貨架中、后期的樣本狀態(tài)，質(zhì)變的樣本難以進行長期人工品評的問題，本文兩種評價體系相關(guān)性的研究思路能夠很好地解決這一難題。同時該模型能夠做到對未知樣本的分類，而且能夠直接顯示該未知樣本與標準樣本的感官屬性差異性，在訓(xùn)練樣本數(shù)量和種類較豐富的情況下，該模型可以對市場在售的任意一款雞精產(chǎn)品做質(zhì)量鑒定。

BP網(wǎng)絡(luò)模型的訓(xùn)練和鑒定過程都非常迅速精確，省去了大量的人工品評時間和成本，在實驗過程中，由于樣本數(shù)據(jù)量較少，模型訓(xùn)練默認均方誤差值為零，以及BP網(wǎng)絡(luò)存在一定的隨機性，這兩點是后續(xù)實際應(yīng)用中都需要解決的問題。

［1］朱妞，訾榮祿.淺議味精與雞精［J］.中國調(diào)味品，2013，38（1）：3-4.

［2］崔凱，屈展，馬驥，等.感知標示量度卷煙感官評價方法的建立及應(yīng)用［J］.煙草科技，2015，48（3）：74-78.

［3］Chen Q S，Zhao J W，Chen Z，et al.Discrimination of green tea quality using the electronic nose human panel test，comparison of linear and nonlinear classifition tools［J］.Sensors and Actuators B：Chemical，2011，159：294-300.

［4］田懷香，肖作兵，徐霞，等.基于電子舌的雞肉香精風(fēng)味改進研究［J］.中國調(diào)味品，2011，36（3）：113-116.

［5］鄧少平，田師一.電子舌技術(shù)背景與研究進展［J］.食品與生物技術(shù)學(xué)報，2007，26（4）：110-116.

［6］秦藍，李鳳華，田懷香，等.電子舌在雞精調(diào)味料味覺差異分析中的應(yīng)用［J］.中國調(diào)味品，2014，39（10）：132-135.

［7］潘廣坤，吉宏武，劉書成，等.真空油炸面包蝦的貨架期預(yù)測模型［J］.食品與發(fā)酵工業(yè)，2014，40（3）：113-119.

［8］顧永波，肖作兵，劉強，等.基于電子舌技術(shù)的卷煙主流煙氣味覺識別［J］.煙草化學(xué)，2011（8）：48-51.

［9］張平，冮潔，胡文忠，等.電子舌對冰葡萄酒的區(qū)分辨識研究［J］.釀酒科技，2014（10）：41-42.

［10］秦藍，李鳳華，田懷香，等.雞精調(diào)味料人工感官評價與電子鼻感官分析的相關(guān)性研究［J］.食品與機械，2014（4）：11-13.

［11］Gil L，Barat J M，Escriche I，et al.An electronic tongue for fish freshness analysis using a thick-film array of electrodes［J］.Microchimica Acta，2008，163（1/2）：121-129.

［12］林順順，張曉鳴.基于PLSR分析煙葉化學(xué)成分與感官質(zhì)量的相關(guān)性［J］.中國煙草科學(xué)，2016，37（2）：78-82.

［13］秦樹基，徐春花，王占山.人工神經(jīng)網(wǎng)絡(luò)對電子鼻性能的影響［J］.同濟大學(xué)學(xué)報（自然科學(xué)版），2005，33（6）：805-808.

［14］孫晨，李陽，李曉戈，等.基于布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的股價預(yù)測［J］.計算機應(yīng)用與軟件，2016（2）：276-279.

［15］朱曉瓊，楊涓，李婧，等.電子鼻結(jié)合PCA-BP神經(jīng)網(wǎng)絡(luò)在煙用香料質(zhì)量控制中的應(yīng)用［J］.化學(xué)研究與應(yīng)用，2014（2）：261-266.

［16］張虹艷，丁武.基于fisher線性判別和BP神經(jīng)網(wǎng)絡(luò)的電子鼻羊奶貯藏時間預(yù)測［J］.中國食品學(xué)報，2012，12（6）：166-173.

Relevant Model Research on Chicken Essence Evaluation with Artificial Sensory and Electronic Tongue

XIAO Li-zhong1，CHEN Yang－yang1＊，TIAN Huai-xiang2，QIN Lan3，ZHANG Ya-jing2，LI Jian-mo4
（1.School of Computer Science and Information Engineering，Shanghai Institute of Technology，Shanghai 201418，China；2.School of Perfume and Aroma Technology，Shanghai Institute of Technology，Shanghai 201418，China；3.Nestle R ＆D Center Shanghai Co.，Ltd.，Shanghai 201812，China；4.Ji＇ning Yucai Middle School，Ji＇ning 272000，China）

Chicken essence taste assessment of quality level relies on artificial sensory evaluation and electronic tongue data analysis.The research focuses on the correlation of two evaluation styles，collects artificial sensory evaluation data and electronic tongue sensory data by three different ingredients chicken essence，then establishes the correlation model with evaluation of artificial taste and electronic tongue data by the improved BP neural network，which can classify the unknown samples，and give the unknown sample＇s artificial sensory data directly by electronic tongue data，then compares the differences of artificial sensory evaluation index between standard sample and unkown sample in this category.The model not only meets the objective and fast requirement in chicken sensory evaluation process，but also provides the difference information in chicken quality appraisal process.

artificial sensory evaluation；electronic tongue；BP algorithm；mappingmodel

TS207.3

A

10.3969/j.issn.1000-9973.2017.03.011

1000-9973（2017）03-0045-04

2016－09－08 ＊通訊作者

上海應(yīng)用技術(shù)大學(xué)協(xié)同創(chuàng)新基金跨學(xué)科、多領(lǐng)域合作研究專項項目（XTCX2015-13）；2015年度“創(chuàng)新行動計劃”地方院校能力建設(shè)項目（15590503500）

肖立中（1981－），男，山東壽光人，副教授，博士，研究方向：風(fēng)味識別、軟件工程；陳洋洋（1988－），男，河南商城人，碩士，研究方向：模式識別。