[发明专利]一种建立奶茶粉产品感官品评专家系统的方法

说明书

技术领域

本发明涉及一种建立奶茶粉产品感官品评专家系统的方法，特别是一种建立高效率、自动化的奶茶粉产品感官品评专家系统的方法。

背景技术

随着人民生活水平的不断提高，食品感官评价日益受到重视。人们对于食品的要求已不仅仅满足于量的方面，而更注重质的方面。为适应市场这一转变，生产者需要在新品开发、工艺改进、降低成本、品质保证和产品优化等多方面开展工作，而感官评价正是为这些工作服务的有效工具之一，是商业决策的有力支持。

奶茶粉作为一种嗜好性冲调乳制品，除了理化指标和微生物指标外，感官指标也是决定其质量的重要内容。从国内外目前发展状况来看，还没有一种可靠的仪器能完全代替人类所特有的感觉器官对食品感官评定所起的作用。

国内对奶茶粉的感官评定大多采用整体评分检验法，这使得评价结果的准确性由于评价指标太单一而受到很大的影响。国外对奶茶粉感官的评价方法的研究较多，但目前也没有形成完整的体系。

在新品开发时，为了满足消费者的各种需求和嗜好，提高企业经济效益，提高改善原有的生产工艺，消费者评价和专业品评员的评价都是必要的，即在新产品的小试阶段，需要由消费者对产品的嗜好性做出检验，同时，需要专业品评员对产品各项指标进行评价。

由感官品评专家对奶茶粉产品进行感官品评，是目前主要采用的方法，但是，专家的评定结果受到主观因素的影响，随情绪、年龄、性别、识别能力的不同而有所差异，具有较大的不确定性，同时，人工品评过分依赖专家经验，不利于实现自动化操作。很明显，奶茶粉产品的各项理化指标，例如脂肪、干物质、蛋白等，与奶茶粉产品的感官品评之间存在密切联系。目前，对于奶茶粉产品理化指标和感官品评指标之间的相关性，尚没有定量的分析研究。

Kohonen自组织特征映射，通过网络学习、使输出层中枢神经元的权向量逼近输入特征向量，将具有相同或相近特征的输入向量，映射到位置相同或相邻的输出节点，从而实现对输入数据的特征的聚类，提取了某种内在规律性。而BP网络是目前应用最广泛的人工神经网络模型之一，其权值和阈值调整采用反向传播的学习算法，可以实现从输入到输出的任意非线形映射。经过训练的BP网络，对于不是样本集中的输入样本也能给出合适的输出，因此可以对未知样本进行预测。

目前，在运用上述模型建立食品感官品评系统方面，已有一些研究，但主要应用于酒类、烟类，而奶茶粉产品的成分更加复杂，且风味不象烟、酒类那样突出和典型，人工品评的难度和不确定度更大。因牧场的地理位置、饲养条件、饲料种类、奶牛品种以及季节等因素的不同，原奶品质具有很大差异，由此导致奶茶粉产品的滋气味差别很大，上述因素给建立奶茶粉产品感官品评专家系统带来了困难。目前，在奶茶粉产品感官品评应用方面，还没有相关的方法或者系统。

发明内容

本发明旨在提供一种建立奶茶粉产品感官品评专家系统的方法，由奶茶粉产品理化指标判定感官品评，减少人工品评的不确定度，提高奶茶粉产品感官品评效率和自动化程度。

为实现上述目的，本发明提供了一种建立奶茶粉产品感官品评专家系统的方法，该系统主要包括Kohonen自组织特征映射聚类和BP网络两个模块，包括：

获取各个产地、各类饲养条件、各种奶牛品种和不同季节的奶茶粉产品样本，组织品评专家对奶茶粉产品进行感官品评，品评项目包括：整体风味、乳香味、咸味、茶味。根据品评得分，把奶茶粉产品划分成合格和不合格两组；并将所得感官品评得分和理化指标等样本数据录入数据库；

去除错误、不一致或不完整的奶茶粉产品感官品评得分和理化指标样本数据，并对数据库中的奶茶粉产品样本数据进行归一化，从而实现各奶茶粉产品理化指标参数的量纲统一，便于后续处理的进行；

构建Kohonen阵列，依据专家经验确定Kohonen阵列的初始领域半径、学习率和学习次数；

应用Kohonen自组织特征映射对奶茶粉产品理化指标样本数据进行聚类，完成数据库中所有奶茶粉产品样本数据的分类，并建立分类库；

对不同类奶茶粉产品的理化指标样本，分别建立对应的BP网络，并依专家经验确定BP网络的系统允许误差限、初始学习率、初始动量系数、初始化网络权重、最大学习次数、误差调整参数；

将奶茶粉产品感官品评得分和理化指标等样本数据送入对应的BP网络进行训练，在最大学习次数内达到指定误差精度后停止，上述步骤即完成奶茶粉产品感官品评专家系统的建立，否则，更换奶茶粉产品样本数据，重新进行训练，直到算法收敛。