一种基于BP神经网络和电子舌的糖类物质的甜度和浓度的预测方法

技术领域

本发明属于味觉预测方法技术领域，具体涉及一种基于BP神经网络和电子舌的糖类物质的甜度和浓度的预测方法。

背景技术

许多糖类有令人愉悦的甜味，对人类味觉享受十分重要。针对糖类甜度的评价方法目前主要基于人工感官和电子舌仪器。相对于人工感官而言，电子舌避免了人感官因素的影响，仪器相应灵敏其准确度较高，是一种快速、经济、便捷的感官检测技术。联用BP神经网络和电子舌技术对糖类物质进行甜度评价，并对其浓度进行预测，可以建立客观有效的甜度评价体系，其优点是有效克服了人工感官误差较大，对甜度难以重现的问题；同时可以对浓度进行预测。为此提出本发明。

发明内容

为了解决人工感官误差较大，对甜度难以重现的问题，本发明提供了一种利用BP神经网络和电子舌的糖类物质甜度评价的方法。

为了实现上述目的，本发明提供的技术方案为：

一种基于BP神经网络和电子舌的糖类物质的甜度和浓度的预测方法，包括如下步骤：

(1)以蔗糖为参比物，基于浓度建立甜度标尺；

(2)利用电子舌对参比物蔗糖进行测定，得到标尺浓度区间不同浓度蔗糖的电子舌响应值；

(3)基于BP神经网络，以步骤(2)得到不同浓度蔗糖的电子舌响应值为输入层，以步骤(1)中浓度对应的标尺为输出层，构建电子舌响应-甜度值的关系模型；

(4)以其他糖类物质的电子舌响应值为输入，基于步骤(3)的关系模型，获得其对应的其他糖类物质的量化甜度值；

(5)将步骤(4)获得的量化甜度值作为输入层，步骤(1)的标尺浓度区间内的浓度范围作为输出层，建立糖的量化甜度值与浓度之间的BP神经网络关联预测模型；

(6)以其他糖类物质的量化甜度值为输入，通过步骤(5)中的预测模型，对糖类物质进行浓度预测。

优选地，所述其他糖类物质为单糖、双糖或代糖；所述单糖包括葡萄糖、果糖；所述双糖包括乳糖、麦芽糖；所述代糖包括木糖、肌糖。

优选地，步骤(1)中，以蔗糖为参比物，浓度范围为0-200000mg/L，基于浓度建立甜度标尺为0-8。

优选地，步骤(2)电子舌测试过程为：电子舌先在参比液中清洗90s，然后于另两组参比液中分别清洗120s，传感器稳定30s，达到平衡条件后，开始测试，测试时间30s，循环测试五次并舍去首次不稳定数据。

优选地，所述参比液为电子舌基质液，其组分为0.045g酒石酸、2.24g氯化钾，用5v/v％乙醇溶解并定容至1L；电子舌甜度值测定选用甜味传感器GL1+蓝色参比电极。

优选地，步骤(3)中，基于BP神经网络构建电子舌响应-甜度值的关系模型的建立步骤如下：使用MATLAB软件对参比物蔗糖不同浓度的电子舌响应值与0-8标尺构建BP神经网络预测模型；BP神经网络隐含层神经元个数为10，输入层为蔗糖不同浓度的电子舌响应值，输出层为0-8标尺范围，定义神经网络循环次数为500，训练目标的最小误差为0.65e-3，设置显示频率为1000，学习速率为0.001，然后将训练好的网络模型对糖类物质进行甜度量化。

优选地，步骤(4)以其他糖类物质不同浓度的电子舌样本数据输入到步骤(3)中建立的基于BP神经网络预测模型中，得到其他糖类物质的量化甜度值。

优选地，步骤(5)中，基于甜度值与浓度之间构建的BP网络关联预测模型设置参数如下：将其他糖类物质的甜度值作为输入层，输出层为浓度范围，隐含层神经元个数设置为8，神经网络的循环次数为50000，训练目标的最小误差为0.005，设置显示频率为1000，学习速率为0.05，采用Levenberg-Marquardt算法，对各糖类物质进行浓度的预测。

优选地，将其他糖类物质的量化甜度值为输入，通过步骤(5)创建的BP神经网络关联预测模型，得到各糖类物质的浓度预测值。

本发明具有以下有益效果：

本发明为一种利用BP神经网络和电子舌技术对糖糖类物质的甜度和浓度的预测方法。本发明的方法以蔗糖为参比物，基于浓度建立甜度标尺，对其他各种糖类物质如单糖、双糖或代糖等的甜度及浓度进行预测。本发明的预测方法准确快速，有效克服了人工感官误差较大，对甜度难以重现和浓度不能快速预测的问题。

具体实施方式

下面将结合实施例对本发明作进一步详细说明。

一种基于BP神经网络和电子舌的糖类物质的甜度和浓度的预测方法，包括如下步骤：

步骤(1)，以蔗糖为参比物，基于浓度建立甜度0-8标尺；其中，参比物的浓度(mg/L)：0、1000、2000、5000、10000、20000、50000、100000、200000；浓度标尺为0、1、2、3、4、5、6、7、8；

步骤(2)，使用电子舌仪器对样品甜度进行测试，电子舌甜度值测定选用甜味传感器GL1+蓝色参比电极；电子舌测试过程为传感器先在参比液中清洗90s，接着于另两组参比液中分别清洗120s，传感器稳定30s，达到平衡条件后，开始测试，测试时间30s，循环测试五次并舍去首次不稳定数据。参比液为电子舌基质液，电子舌基质液组分为0.045g酒石酸、2.24g氯化钾，用5v/v％乙醇溶解并定容至1L；其中，所用电子舌设备为日本Insent公司TS-5000Z智能味觉分析系统的电子舌；

步骤(3)，基于BP神经网络，以步骤(2)得到不同浓度蔗糖的电子舌响应值为输入层，以步骤(1)中浓度对应的标尺为输出层，构建电子舌响应-甜度值的关系模型；即使用MATLAB软件对参比物蔗糖不同浓度的电子舌响应值与0-8标尺构建BP神经网络预测模型；BP神经网络隐含层神经元个数为10，输入层为蔗糖不同浓度的电子舌响应值，输出层为0-8标尺范围，定义神经网络循环次数为500，训练目标的最小误差为0.65e-3，设置显示频率为1000，学习速率为0.001，然后将训练好的网络模型对糖类物质进行甜度量化；

步骤(4)，以其他糖类物质的电子舌响应值为输入，基于步骤(3)的关系模型，获得其对应的其他糖类物质的量化甜度值；

步骤(5)，将步骤(4)获得的量化甜度值作为输入层，步骤(1)的标尺浓度区间内的浓度范围作为输出层，建立糖的量化甜度值与浓度之间的BP神经网络关联预测模型；设置参数如下：将其他糖类物质的甜度值作为输入层，输出层为浓度范围，隐含层神经元个数设置为8，神经网络的循环次数为50000，训练目标的最小误差为0.005，设置显示频率为1000，学习速率为0.05，采用Levenberg-Marquardt算法，对各糖类物质进行浓度的预测；

步骤(6)，以其他糖类物质的量化甜度值为输入，通过步骤(5)中的预测模型，对糖类物质进行浓度预测。

实施例1：电子舌响应-甜度值的关系模型的构建

按上述步骤(1)-步骤(3)，以蔗糖为参比物，基于浓度建立的甜度0-8标尺，然后根据参比物的标尺浓度区间测定其电子舌响应值，结果如表1所示。

表1参比物蔗糖的电子舌响应数据集与甜度标尺

实施例2：基于BP神经网络的葡萄糖的甜度和浓度的预测

按步骤(4)，在步骤(3)的模型中以葡萄糖的电子舌响应值为输入，获得葡萄糖的量化甜度值。按步骤(6)，在步骤(5)的模型中以葡萄糖的量化甜度值为输入，获得葡萄糖的浓度预测值。相关数据、结果及误差如表2所示。

表2葡萄糖的电子舌响应值、量化甜度值、浓度预测值及误差

实施例3：基于BP神经网络的果糖的甜度和浓度的预测

按步骤(4)，在步骤(3)的模型中以果糖的电子舌响应值为输入，获得果糖的量化甜度值。按步骤(6)，在步骤(5)的模型中以果糖的量化甜度值为输入，获得果糖的浓度预测值。相关数据、结果及误差如表3所示。

表3果糖的电子舌响应值、量化甜度值、浓度预测值及误差

实施例4：基于BP神经网络的木糖的甜度和浓度的预测

按步骤(4)，在步骤(3)的模型中以木糖的电子舌响应值为输入，获得木糖的量化甜度值。按步骤(6)，在步骤(5)的模型中以木糖的量化甜度值为输入，获得木糖的浓度预测值。相关数据、结果及误差如表4所示。

表4木糖的电子舌响应值、量化甜度值、浓度预测值及误差

实施例5：基于BP神经网络的乳糖的甜度和浓度的预测

按步骤(4)，在步骤(3)的模型中以乳糖的电子舌响应值为输入，获得乳糖的量化甜度值。按步骤(6)，在步骤(5)的模型中以乳糖的量化甜度值为输入，获得乳糖的浓度预测值。相关数据、结果及误差如表5所示。

表5乳糖的电子舌响应值、量化甜度值、浓度预测值及误差

由上述实施例可知，本发明利用BP神经网络和电子舌技术对四种糖类物质的甜度和浓度的预测，结果准确快速；特别是对浓度的预测，误差不超过5％。

以上所述仅用来详细介绍本发明的具体实施方式，但本发明提出的技术方案并不受限于上述方法。在不脱离本技术的基本原理的前提下，所熟悉本领域的技术人员对本发明提出的技术做出的等效修改和变化均应涵盖在本发明的权利要求范围中。