基于神經(jīng)網(wǎng)絡(luò)多參數(shù)融合的魚肉新鮮度檢測(cè)方法

趙泓洋，林 峰，孫 健，郝貴杰

（1.東北大學(xué)秦皇島分校，河北 秦皇島 066099；2.浙江省淡水水產(chǎn)研究所，浙江 湖州 313098；3.江蘇農(nóng)林職業(yè)技術(shù)學(xué)院，江蘇 句容 212400）

0 引 言

魚肉營(yíng)養(yǎng)豐富，肉質(zhì)細(xì)嫩，味道鮮美，是一種深受消費(fèi)者喜愛的優(yōu)質(zhì)蛋白質(zhì)來(lái)源。然而當(dāng)魚死亡后，在體內(nèi)溶解酶和微生物的共同作用下，魚肉品質(zhì)迅速下降。腐敗過(guò)程中產(chǎn)生的病原微生物和微生物毒素對(duì)消費(fèi)者的健康構(gòu)成嚴(yán)重威脅[1]?？焖?、便捷地檢測(cè)魚肉的新鮮程度對(duì)食品安全、檢驗(yàn)檢疫、食品工業(yè)等領(lǐng)域均具有重要的意義。

傳統(tǒng)的新鮮度檢測(cè)方法主要包括感官評(píng)價(jià)、理化檢測(cè)和微生物檢測(cè)。感官評(píng)價(jià)法便捷高效，然而即便對(duì)于訓(xùn)練有素的專業(yè)檢驗(yàn)人員，也難以完全消除個(gè)人主觀因素對(duì)檢測(cè)結(jié)果的影響。理化和微生物檢測(cè)方法具有較高的檢測(cè)精度，但操作過(guò)程繁瑣，對(duì)實(shí)驗(yàn)人員的專業(yè)技能有較高的要求，且檢測(cè)周期較長(zhǎng)，對(duì)樣品具有破壞性。因此傳統(tǒng)的檢測(cè)方法主要局限于實(shí)驗(yàn)室應(yīng)用，難以適應(yīng)消費(fèi)市場(chǎng)和基層檢驗(yàn)檢疫機(jī)構(gòu)對(duì)檢測(cè)實(shí)時(shí)性和設(shè)備便攜性的要求，也不能滿足肉類食品加工企業(yè)在線監(jiān)控產(chǎn)品品質(zhì)的需求[2]。針對(duì)這些問(wèn)題，電子鼻、電子舌、近紅外光譜、阻抗譜等儀器檢測(cè)方法應(yīng)運(yùn)而生[3-6]。相對(duì)于其它檢測(cè)技術(shù)，阻抗譜以一系列獨(dú)特的優(yōu)勢(shì)，如低成本、無(wú)需樣品預(yù)處理、可以探測(cè)動(dòng)物內(nèi)臟，植物根部等無(wú)法直接觸及的組織和器官，逐漸成為生物檢測(cè)領(lǐng)域新的研究熱點(diǎn)。國(guó)內(nèi)外學(xué)者已將其應(yīng)用于早期乳腺癌篩查[7]，人體成分和營(yíng)養(yǎng)狀況評(píng)價(jià)[8]，無(wú)土栽培植物根系生長(zhǎng)情況監(jiān)控[9]，植物根系共生菌檢測(cè)[10]，植物旱脅迫和霜凍脅迫研究[11]，食品加工過(guò)程中鹽分和含水率的實(shí)時(shí)監(jiān)控[12]，魚肉的新鮮度檢測(cè)[13-15]等諸多領(lǐng)域。由于受養(yǎng)殖環(huán)境、飼料成分、基因、捕撈季節(jié)、年齡等因素的影響，即便對(duì)于同一物種的研究對(duì)象，不同個(gè)體的生物組分也有較大的差異。以魚為例，Grigorakis 研究表明，野生和養(yǎng)殖海鯛魚的體脂肪率相差可達(dá)13 倍[16]。脂肪具有良好的電絕緣性，個(gè)體間體脂率的差異勢(shì)必對(duì)阻抗譜測(cè)量結(jié)果產(chǎn)生一定影響。現(xiàn)有的實(shí)驗(yàn)研究，樣品大多來(lái)自同一飼養(yǎng)環(huán)境，不同個(gè)體的基因存在密切的親緣關(guān)聯(lián)。樣品間相似的生物組分為實(shí)現(xiàn)高精度阻抗譜檢測(cè)提供了良好的條件，而實(shí)際應(yīng)用中，由于不同來(lái)源個(gè)體的電學(xué)特性差異，很難獲得和實(shí)驗(yàn)條件下相當(dāng)?shù)臋z測(cè)精度。個(gè)體差異對(duì)檢測(cè)結(jié)果的影響是制約阻抗譜檢測(cè)精度提高和生物阻抗譜技術(shù)進(jìn)一步發(fā)展的最重要的瓶頸之一[17]。

阻抗譜形態(tài)特征是與阻抗譜絕對(duì)坐標(biāo)沒有直接關(guān)聯(lián)的特征參數(shù)。研究表明[18]，在面向不同來(lái)源樣品檢測(cè)的應(yīng)用領(lǐng)域，該參數(shù)可以有效減小個(gè)體基礎(chǔ)電學(xué)差異對(duì)測(cè)量結(jié)果造成的影響，顯著提高檢測(cè)精度。進(jìn)一步分析實(shí)驗(yàn)結(jié)果，發(fā)現(xiàn)形態(tài)特征參數(shù)的優(yōu)勢(shì)是對(duì)生物個(gè)體差異不敏感，在魚肉腐敗點(diǎn)附近，不同來(lái)源個(gè)體的特征參數(shù)均會(huì)出現(xiàn)較大的變化。但是在自溶期，該參數(shù)和TVB-N 的相關(guān)度較低。這一段時(shí)間內(nèi)的取樣點(diǎn)，也構(gòu)成了形態(tài)特征參數(shù)誤判集的主體。而絕對(duì)坐標(biāo)參數(shù)雖然對(duì)生物個(gè)體差異較敏感，但對(duì)于同一個(gè)體，整個(gè)腐敗周期均和TVB-N 有著相似的變化趨勢(shì)。兩種參數(shù)具有潛在的互補(bǔ)性，如能將二者的優(yōu)勢(shì)進(jìn)行融合，對(duì)提高實(shí)際應(yīng)用中的預(yù)測(cè)精度有著重要的價(jià)值。

本文提出神經(jīng)網(wǎng)絡(luò)多參數(shù)融合的魚肉新鮮度檢測(cè)方法，運(yùn)用神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力，將傳統(tǒng)檢測(cè)魚新鮮度的多個(gè)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，以魚體中化學(xué)成分TVB-N 值作為網(wǎng)絡(luò)輸出，經(jīng)過(guò)參數(shù)訓(xùn)練擬合，將多個(gè)魚新鮮度預(yù)測(cè)參數(shù)值進(jìn)行融合，構(gòu)建全新的魚肉新鮮度預(yù)測(cè)指標(biāo)。為提高實(shí)際應(yīng)用中面對(duì)復(fù)雜來(lái)源樣品時(shí)的預(yù)測(cè)精度，提出新的解決思路和方法。

1 材料與方法

1.1 試驗(yàn)材料

為了模擬實(shí)際應(yīng)用環(huán)境，從4 個(gè)不同的零售商處采購(gòu)鰱魚20 條，充氧運(yùn)送至實(shí)驗(yàn)室。置于冰水中麻醉，隨后用鈍器將魚擊斃，去除魚鱗和內(nèi)臟。清洗后，用潔凈的不銹鋼刀將魚腹肉切成大小約為6 cm×3 cm 的魚片，無(wú)菌聚乙烯袋密封后，置于4 ℃冰箱中冷藏。每條魚取一片進(jìn)行電阻抗測(cè)量。其余用于TVB-N 檢測(cè)。每日檢測(cè)一次，連續(xù)測(cè)量8 d。最終結(jié)果為3 次重復(fù)測(cè)量的平均值。其中10 條魚用于模型參數(shù)的確定，另外10 條用于模型效果的檢驗(yàn)。

1.2 試驗(yàn)方法

1.2.1 理化指標(biāo)檢測(cè)

魚肉腐敗過(guò)程伴隨著蛋白質(zhì)的分解。通過(guò)對(duì)蛋白質(zhì)分解產(chǎn)物揮發(fā)性鹽基氮（TVB-N）含量的測(cè)定，可以實(shí)現(xiàn)對(duì)魚肉新鮮程度的評(píng)估。鰱魚TVB-N 值依照GB/T 5009.44-2003 中規(guī)定，采用半微量定氮法測(cè)定。

1.2.2 阻抗譜檢測(cè)

肉類在腐敗過(guò)程中，生物組織的電學(xué)特性會(huì)隨著生物組分的分解和細(xì)胞結(jié)構(gòu)的改變而發(fā)生變化。通過(guò)特定頻段下電阻抗的測(cè)量，可以獲得其新鮮度信息。本實(shí)驗(yàn)使用CHI660E 電化學(xué)工作站實(shí)現(xiàn)阻抗譜測(cè)量。該儀器發(fā)出特定頻率和幅值的正弦電壓作為激勵(lì)信號(hào)，檢測(cè)激勵(lì)信號(hào)經(jīng)過(guò)生物組織后的變化。利用傅里葉變換將時(shí)域結(jié)果轉(zhuǎn)化為頻域，并計(jì)算出復(fù)阻抗的模值和相位角。本實(shí)驗(yàn)采用雙電極模式，直徑為0.5 mm 的鉑絲電極垂直插入魚肉中，深度為10 mm。

測(cè)量?jī)x器的最優(yōu)參數(shù)組合取決于魚種，電極配置，測(cè)量溫度等諸多因子。正式測(cè)量前，針對(duì)相關(guān)參數(shù)的優(yōu)化問(wèn)題進(jìn)行了一系列預(yù)實(shí)驗(yàn)。比較激勵(lì)電壓幅值取 5、10、20、30、35 mV 的阻抗譜，最佳的重復(fù)測(cè)量精度出現(xiàn)在30 mV 和35 mV 的條件下?？紤]到激勵(lì)電壓越小，對(duì)系統(tǒng)穩(wěn)態(tài)的干擾就越小，設(shè)定激勵(lì)電壓幅值為30 mV。并在對(duì)數(shù)坐標(biāo)軸10 Hz～1MHz 的頻率范圍內(nèi)平均選取的60 個(gè)點(diǎn)作為測(cè)量頻率。

1.3 數(shù)據(jù)處理

使用極點(diǎn)差值法提取形態(tài)特征參數(shù)，以及利用灰色關(guān)聯(lián)分析法在絕對(duì)坐標(biāo)參數(shù)中篩選最優(yōu)頻率，然后運(yùn)用GSI 理論將形態(tài)特征參數(shù)和絕對(duì)坐標(biāo)參數(shù)融合成一個(gè)全局穩(wěn)定性指數(shù)。將以上提取的魚新鮮度模值、相位角、極點(diǎn)差值和GSI 等參數(shù)作為的輸入，以魚體中化學(xué)成分TVB-N 值作為網(wǎng)絡(luò)輸出，用神經(jīng)網(wǎng)絡(luò)訓(xùn)練，建立FFI 多參數(shù)融合機(jī)制。然后和傳統(tǒng)阻抗譜參數(shù)對(duì)新鮮度判斷的準(zhǔn)確率做出比較。相關(guān)計(jì)算工作由Matlab 和Excel 實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 揮發(fā)性鹽基氮的變化規(guī)律

圖1 為4 ℃下樣品TVB-N 均值變化趨勢(shì)，開始2 d 內(nèi)，TVB-N 變化較為平緩。第3 d 開始上升速度逐漸加快，于第6 d 達(dá)到了0.2 mg/g 的淡水魚腐敗國(guó)家標(biāo)準(zhǔn)。自溶酶和細(xì)菌是腐敗過(guò)程中蛋白質(zhì)分解的兩個(gè)主要誘因。在腐敗過(guò)程的早期，自溶酶的影響起主導(dǎo)作用，此時(shí)TVB-N 的變化相對(duì)緩和。進(jìn)入中后期，優(yōu)勢(shì)腐敗菌大量繁殖，細(xì)菌逐漸取代自溶酶成為分解蛋白質(zhì)的主因，TVB-N 也隨貯藏時(shí)間延長(zhǎng)而快速增加。

圖1 揮發(fā)性鹽基氮隨儲(chǔ)藏時(shí)間的變化情況

2.2 形態(tài)學(xué)特征參數(shù)的提取

圖2 為伯德圖，橫坐標(biāo)是測(cè)量頻率，縱坐標(biāo)分別是阻抗模值和相位角。由于細(xì)胞膜的電容特性，生物材料的阻抗值隨測(cè)量頻率的改變而改變。

圖2 伯德圖

在之前的研究中[18]，本課題組提出將伯德圖中提取的特征參數(shù)分為兩類，一類是和伯德圖上絕對(duì)坐標(biāo)值緊密關(guān)聯(lián)的參數(shù)，如阻抗模值、相位角。另一類是和伯德圖中絕對(duì)坐標(biāo)值沒有直接關(guān)聯(lián)的形態(tài)特征參數(shù)，如斜率、弧度、極點(diǎn)差值等。前者是由坐標(biāo)軸所指示的坐標(biāo)值；而后者只與曲線自身的形狀有關(guān)，與曲線和坐標(biāo)軸的相對(duì)位置無(wú)關(guān)。

相對(duì)于阻抗模值曲線由高頻到低頻的單調(diào)上升，相位角曲線具有更豐富的形態(tài)變化，也包含了更豐富的形態(tài)特征信息。通過(guò)對(duì)相位角曲線各形態(tài)特征參數(shù)的分析與篩選，發(fā)現(xiàn)在特定頻率區(qū)間內(nèi)，相位角曲線可以近似為直線段，該直線段的斜率和新鮮程度變化呈高度相關(guān)性。對(duì)比該形態(tài)特征參數(shù)和傳統(tǒng)絕對(duì)坐標(biāo)參數(shù)對(duì)于不同來(lái)源鯉魚肉新鮮程度的檢測(cè)結(jié)果，證實(shí)了其能夠有效消除生物個(gè)體差異引起的阻抗譜測(cè)量誤差。

本文使用“極點(diǎn)差值”作為形態(tài)特征參數(shù)，如圖3 所示。相對(duì)于斜率，極點(diǎn)差值的提取算法更簡(jiǎn)潔，其參數(shù)本身也具有更明確的物理意義。

極點(diǎn)差值為圖3 中相位角曲線的“S”形態(tài)部分中最高點(diǎn)和最低點(diǎn)在Y 軸上的投影距離d。對(duì)于純阻性元件而言，其相位角曲線是一條位于X 軸上的線段，其極點(diǎn)高度差d 等于0。而對(duì)于由容性和阻性元件構(gòu)成復(fù)合元件而言，d 始終大于0。在腐敗中后期，具有電容特性的細(xì)胞膜被破壞，細(xì)胞內(nèi)液電解質(zhì)溢出并和細(xì)胞外液融合，魚肉的宏觀電學(xué)特性由阻容混合趨向于純阻性，對(duì)應(yīng)的形態(tài)特征參數(shù)d 也趨近于0。經(jīng)驗(yàn)證，“極點(diǎn)差值”和“斜率”這兩種形態(tài)特征參數(shù)所構(gòu)建的模型預(yù)測(cè)效果并沒有明顯差異。

圖4 是鰱魚肉極點(diǎn)差值參數(shù)隨時(shí)間變化的規(guī)律。在魚死亡后不久的僵直解僵期，該參數(shù)有一個(gè)短暫的上升過(guò)程(階段1)。隨著自溶期的到來(lái)，極點(diǎn)差值隨存儲(chǔ)時(shí)間的增加而緩慢降低(階段2)。達(dá)到腐敗臨界點(diǎn)后，由于細(xì)胞膜的破裂，細(xì)胞內(nèi)液溢出。極點(diǎn)差值迅速下降(階段3)。

圖4 極點(diǎn)差值隨時(shí)間變化的情況

2.3 全局穩(wěn)定性指數(shù)參數(shù)提取

2.3.1 應(yīng)用全局穩(wěn)定性指數(shù)構(gòu)建多參數(shù)融合的預(yù)測(cè)模型

GSI (Global Stability Index) 是由Mohsen Achour于2006 年提出的用于評(píng)價(jià)貯存過(guò)程中食品品質(zhì)變化的多參數(shù)融合判定法[19]。該方法突破了傳統(tǒng)單一指標(biāo)評(píng)價(jià)的局限性，綜合不同評(píng)價(jià)指標(biāo)的優(yōu)勢(shì)，以更全面地反映食品品質(zhì)變化過(guò)程。

2.3.2 計(jì)算變異指數(shù)

變異指數(shù)Vij為指標(biāo)i 在j 時(shí)刻相對(duì)于初始狀態(tài)的變異值，公式（1）如下:

式中:Cij為指標(biāo)i 在j 時(shí)刻的檢測(cè)值，Ci0為指標(biāo)i 的初始值，本試驗(yàn)取所有參與計(jì)算數(shù)據(jù)的最小值。Li為指標(biāo)i 的終點(diǎn)值，本試驗(yàn)取所有參與計(jì)算數(shù)據(jù)的最大值。

2.3.3 計(jì)算GSI 全局穩(wěn)定性指數(shù)

j 時(shí)刻的全局穩(wěn)定性指數(shù)GSIj由公式（2）計(jì)算。

式中：n 為參與計(jì)算的品質(zhì)指標(biāo)的個(gè)數(shù)。di為第i個(gè)指標(biāo)的權(quán)重系數(shù)，∑αi=1。之前的文獻(xiàn)中，其具體取值多根據(jù)經(jīng)驗(yàn)確定。

本文參與GSI 計(jì)算的參數(shù)分別是極點(diǎn)差值，模值和相位角，故n 取3。權(quán)重系數(shù)以0.1 為最小分辨率，由Matlab 編程列舉所有可能的組合后，再次應(yīng)用灰色關(guān)聯(lián)分析方法，篩選出和TVB-N 相關(guān)度最高的組合。最終結(jié)果極點(diǎn)差值,模值和相位角的權(quán)重系數(shù)分別為 0.4、0.4、0.2。

綜上所述，預(yù)測(cè)魚新鮮度的參數(shù)有模值、相位角、極點(diǎn)差值和GSI 等，表1 為貯存第2～8 d 的TVB-N、模值、相位角、極點(diǎn)差值和GSI 的均值。

表1 貯存期間的TVB-N,模值，相位角，極點(diǎn)差值和GSI 值

3 基于神經(jīng)網(wǎng)絡(luò)的參數(shù)融合方法

雖然模值、相位角、極點(diǎn)差值和GSI 值等都可以預(yù)測(cè)魚新鮮度，但是采用單一的參數(shù)無(wú)法準(zhǔn)確預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)是一種較為智能高級(jí)的算法，若將獲取的以上值預(yù)測(cè)參數(shù)與神經(jīng)網(wǎng)絡(luò)結(jié)合，建立神經(jīng)網(wǎng)絡(luò)多參數(shù)信息融合的魚肉新鮮度預(yù)測(cè)模型，則可以較為客觀地評(píng)估魚新鮮度。

3.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)[20-22]是較為智能的算法之一，具有較強(qiáng)的非線性預(yù)測(cè)能力，其廣泛應(yīng)用在模式識(shí)別、自動(dòng)控制、信號(hào)處理、輔助決策、人工智能等眾多研究領(lǐng)域。圖5 為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，且有輸入層、中間層和輸出層組成。其學(xué)習(xí)過(guò)程就是不斷給網(wǎng)絡(luò)輸入樣本數(shù)據(jù)和樣本輸出，使之中間層獲得記憶能力，不斷調(diào)節(jié)連接權(quán)值，使得輸入輸出達(dá)到預(yù)期期望。

圖5 神經(jīng)網(wǎng)絡(luò)連接結(jié)構(gòu)示意圖

神經(jīng)網(wǎng)絡(luò)具體算法步驟如下：

第一步：接受輸入層輸入數(shù)據(jù)：

式中，Ij是要對(duì)其進(jìn)行非線性轉(zhuǎn)化，為下一單元的值，Oi是輸入的值，wij為每個(gè)單元到下一個(gè)單元連線之間的權(quán)重，θj為偏向調(diào)整因子，對(duì)Ij進(jìn)行非線性轉(zhuǎn)化，得到下一個(gè)單元的值：

第二步：根據(jù)誤差(error)反向傳送為：

根據(jù)公式（5），對(duì)于對(duì)于輸出層誤差反向傳送為：

式（6）中，Errj用于更新偏向，Oj為輸出的值，Tj為標(biāo)簽的值。

通過(guò)權(quán)重更新，為：

式（7）中，(l)為 Ij的學(xué)習(xí)率。

偏向調(diào)整因子更新，為：

第三步，當(dāng)權(quán)重的更新低于某個(gè)閾值，或者預(yù)測(cè)的錯(cuò)誤率低于某個(gè)閾值，以及達(dá)到預(yù)設(shè)一定的循環(huán)次數(shù)，終止條件，并且輸出。

3.2 參數(shù)融合的新鮮指數(shù)（FFI）

將預(yù)測(cè)魚新鮮度模值、相位角、極點(diǎn)差值和GSI等參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，以魚體中化學(xué)成分TVB-N 值作為網(wǎng)絡(luò)輸出，則網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)對(duì)應(yīng)網(wǎng)絡(luò)輸入因子數(shù)為4，網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)對(duì)應(yīng)網(wǎng)絡(luò)輸出因子數(shù)為1。

通過(guò)獲得20 條鰱魚作為樣本，可以得到魚第一天到第七天的預(yù)測(cè)魚新鮮度參數(shù)，和對(duì)應(yīng)批次時(shí)間下的TBV-N 值，經(jīng)過(guò)訓(xùn)練便可得到FFI 模型預(yù)測(cè)。圖6 分別模值、相位角、極點(diǎn)差值和GSI 等參數(shù)和TVB-N 值的擬合訓(xùn)練圖。經(jīng)過(guò)4 層訓(xùn)練便可得到很高的吻合度，且將得到4 個(gè)預(yù)測(cè)訓(xùn)練模型融合歸一化，便可得到FFI 模型預(yù)測(cè)訓(xùn)練擬合圖。

圖6 FFI 模型預(yù)測(cè)訓(xùn)練擬合圖

為建立FFI 模型校驗(yàn)和訓(xùn)練曲線圖，不同隱含層節(jié)點(diǎn)數(shù)測(cè)試結(jié)果如表7 所示.可以看出當(dāng)隱含層節(jié)點(diǎn)數(shù)為8 時(shí)誤差最小精度已經(jīng)很高。對(duì)于建立的FFI 預(yù)測(cè)魚新鮮度預(yù)測(cè)完全滿足了。

圖7 為建立FFI 模型校驗(yàn)和訓(xùn)練曲線

不同品質(zhì)指標(biāo)的新鮮度判定的樣品數(shù)量均為10。如表2 所示，基于多參數(shù)融合的FFI 指標(biāo)新鮮度判定準(zhǔn)確率為94.3%，顯著高于GSI 方法的85.7%、形態(tài)特征參數(shù)的82.9%，和絕對(duì)坐標(biāo)參數(shù)的78.6%（模值）與81.9%（相位角）?？梢奆FI 可以有效整合絕對(duì)坐標(biāo)參數(shù)和形態(tài)特征參數(shù)的優(yōu)勢(shì)，提高了實(shí)際應(yīng)用環(huán)境下的腐敗狀態(tài)判定的準(zhǔn)確率。

表2 不同品質(zhì)指標(biāo)的新鮮度判定準(zhǔn)確率

4 結(jié) 語(yǔ)

本文利用神經(jīng)網(wǎng)絡(luò)和預(yù)測(cè)魚新鮮度鮮度模值、相位角、極點(diǎn)差值和GSI 等參數(shù)，建立起參數(shù)融合的新鮮指數(shù)（FFI）多參數(shù)融合魚肉新鮮度預(yù)測(cè)模型。利用測(cè)試集樣品對(duì)模型效果進(jìn)行評(píng)估，相對(duì)于單獨(dú)使用形態(tài)特征參數(shù)和絕對(duì)坐標(biāo)參數(shù)，F(xiàn)FI 的腐敗狀態(tài)判定準(zhǔn)確率由78.6%、81.9%、82.9%、85.7%上升到94.3%。相對(duì)于傳統(tǒng)預(yù)測(cè)方法，本文提出的FFI 預(yù)測(cè)精度有明顯的提高。

研究結(jié)果表明，多參數(shù)融合的新鮮度判定方法可以有效地整合絕對(duì)坐標(biāo)參數(shù)和形態(tài)特征參數(shù)的優(yōu)勢(shì)，提高生物阻抗譜技術(shù)的檢測(cè)精度。作為從全新視角對(duì)阻抗譜數(shù)據(jù)處理方法的探索和對(duì)阻抗譜形態(tài)特征參數(shù)的深入挖掘，本研究除了應(yīng)用在魚肉新鮮度檢測(cè)領(lǐng)域外，對(duì)于面向其他對(duì)象的阻抗譜生物檢測(cè)技術(shù)的研究亦有一定的參考價(jià)值。