一种基于BP神经网络和电子舌的酸类物质的酸度和浓度预测方法

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酸类物质的酸度和浓度的预测方法。

背景技术

许多食品如水果、醋、酸菜等均因含有酸类物质而富有宜人爽口的酸味，深受人们喜爱。因此，针对不同酸味物质的定量评价具有重要意义。以往针对酸味强度的预测方法是通过人工感官，但易受人群年龄、性别、口味嗜好等的影响，因此结果误差较大。相对于人工感官而言，电子舌避免了不特定人群的感官因素的影响，仪器的灵敏性与准确度明显提高，是一种快速、经济、便捷的感官检测技术。利用BP神经网络模型的构建以及电子舌技术对酸类物质进行评价，构建有效且与现实符合的酸度评价系统，能够有效克服人工感官评定产生的误差，更为客观。

联用BP神经网络和电子舌技术对酸类物质进行酸度评价，可以建立客观有效的酸度评价体系，其优点是有效克服了人工感官误差较大，对酸度难以重现的问题。为此提出本发明。

发明内容

为了解决人工感官误差较大，对酸度难以重现的问题，本发明提供了一种利用BP神经网络和电子舌的酸类物质的酸度量化及其浓度预测方法。

为了实现上述目的，本发明提供的技术方案为：

一种利用BP神经网络模型和电子舌的酸类物质的酸度量化及其浓度预测方法，包括如下步骤：

(1)以乳酸为参比物，基于浓度建立酸度标尺；

(2)利用电子舌对参比物乳酸进行测定，得到标尺浓度区间不同浓度乳酸的电子舌响应值；

(3)基于BP神经网络，以步骤(2)得到不同浓度乳酸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-酸度值的关系模型；

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

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

(6)以其他酸类物质的量化酸度值为输入，通过步骤(5)中的预测模型，对酸类物质进行浓度预测。

优选地，所述其他酸类物质为一元酸、二元酸或三元酸；所述一元酸包括但不限于丁酸、乙酰丙酸；所述二元酸包括但不限于苹果酸；所述三元酸包括但不限于柠檬酸。

优选地，步骤(1)中，以乳酸为参比物，浓度范围为0-5000mg/L，基于浓度建立酸度标尺为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，循环测试三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；电子舌酸度值测定选用酸味传感器GL1+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-酸度值的关系模型的建立步骤如下：使用MATLAB软件对参比物乳酸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15，输入层为乳酸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50000，训练目标的最小误差为1e-25，设置显示频率为1000，学习速率为0.05，然后将训练好的网络模型对酸类物质进行酸度量化。

优选地，步骤(4)以其他酸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，得到其他酸类物质的量化酸度值。

优选地，步骤(5)中，基于酸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：将其他酸类物质的酸度值作为输入层，输出层为浓度范围，隐含层神经元个数设置为18，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，对各酸类物质进行浓度的预测。

优选地，将其他酸类物质的量化酸度值为输入，通过步骤(5)创建的BP神经网络关联预测模型，得到各酸类物质的浓度预测值。

发明具有以下有益效果：

1、本发明为一种联用BP神经网络和电子舌技术对酸类物质的酸度量化及其浓度预测方法，以各种酸类物质的电子舌响应均值为输入，以乳酸为参比物的0-8标尺为输出以及基于酸类物质的酸度值与酸浓度范围所建立的BP神经网络预测模型，能够对酸类样品较准确地预测其酸度值以及浓度范围的计算。

2、实施例的验证结果表明各种酸类物质酸度值的预测效果较高，有效克服了人工感官误差较大，对酸度难以重现的问题。

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酸类物质的酸度和浓度的预测方法，包括如下步骤：

步骤(1)，以乳酸为参比物，基于浓度建立酸度0-8标尺；其中，参比物的浓度(mg/L)：0、20、50、100、200、500、1000、2000、5000；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酸度进行测试，电子舌酸度值测定选用酸味传感器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，循环测试四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)得到不同浓度乳酸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-酸度值的关系模型；即使用MATLAB软件对参比物乳酸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15，输入层为乳酸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50000，训练目标的最小误差为1e-25，设置显示频率为1000，学习速率为0.05，然后将训练好的网络模型对酸类物质进行酸度量化；

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

步骤(5)，将步骤(4)获得的量化酸度值作为输入层，步骤(1)的标尺浓度区间内的浓度范围作为输出层，建立酸的量化酸度值与浓度之间的BP神经网络关联预测模型；设置参数如下：将其他酸类物质的酸度值作为输入层，输出层为浓度范围，隐含层神经元个数设置为18，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，对各酸类物质进行浓度的预测；

步骤(6)，以其他酸类物质的量化酸度值为输入，通过步骤(5)中的预测模型，对酸类物质进行浓度预测。

实施例1：电子舌响应-酸度值的关系模型的构建

按上述步骤(1)-步骤(3)，以乳酸为参比物，基于浓度建立的酸度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1参比物乳酸的电子舌响应数据集与酸度标尺

实施例2：基于BP神经网络的乙酰丙酸的酸度和浓度的预测

按步骤(4)，在步骤(3)的模型中以乙酰丙酸的电子舌响应值为输入，获得乙酰丙酸的量化酸度值。按步骤(6)，在步骤(5)的模型中以乙酰丙酸的量化酸度值为输入，获得乙酰丙酸的浓度预测值。相关数据、结果及误差如表2所示。

表2乙酰丙酸的电子舌响应值、量化酸度值、浓度预测值及误差

/>

实施例3：基于BP神经网络的苹果酸的酸度和浓度的预测

按步骤(4)，在步骤(3)的模型中以苹果酸的电子舌响应值为输入，获得苹果酸的量化酸度值。按步骤(6)，在步骤(5)的模型中以苹果酸的量化酸度值为输入，获得苹果酸的浓度预测值。相关数据、结果及误差如表3所示。

表3苹果酸的电子舌响应值、量化酸度值、浓度预测值及误差

实施例4：基于BP神经网络的丁酸的酸度和浓度的预测

按步骤(4)，在步骤(3)的模型中以丁酸的电子舌响应值为输入，获得丁酸的量化酸度值。按步骤(6)，在步骤(5)的模型中以丁酸的量化酸度值为输入，获得丁酸的浓度预测值。相关数据、结果及误差如表4所示。

表4丁酸的电子舌响应值、量化酸度值、浓度预测值及误差

实施例5：基于BP神经网络的柠檬酸的酸度和浓度的预测

按步骤(4)，在步骤(3)的模型中以柠檬酸的电子舌响应值为输入，获得柠檬酸的量化酸度值。按步骤(6)，在步骤(5)的模型中以柠檬酸的量化酸度值为输入，获得柠檬酸的浓度预测值。相关数据、结果及误差如表5所示。

表5柠檬酸的电子舌响应值、量化酸度值、浓度预测值及误差

实施例6：基于BP神经网络的丙酸的酸度和浓度的预测

按步骤(4)，在步骤(3)的模型中以丙酸的电子舌响应值为输入，获得丙酸的量化酸度值。按步骤(6)，在步骤(5)的模型中以丙酸的量化酸度值为输入，获得丙酸的浓度预测值。相关数据、结果及误差如表6所示。

表6丙酸的电子舌响应值、量化酸度值、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五种酸类物质的酸度和浓度的预测，结果准确快速；特别是对浓度的预测，误差<7％。

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。