[发明专利]基于神经网络的冷鲜猪肉的货架期预测方法

权利要求书

1.一种基于神经网络的冷鲜猪肉的货架期预测方法，其特征在于，包括：

采用神经网络模型构建冷鲜猪肉菌落总数预测初始模型；

获得多份冷鲜猪肉样品的初始菌落总数以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据，并检测冷鲜猪肉最终的菌落总数；

将冷鲜猪肉的初始菌落总数以及贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据作为输入样本，以冷鲜猪肉最终的菌落总数作为期望输出，输入到所述冷鲜猪肉菌落总数预测初始模型中进行训练，得到冷鲜猪肉菌落总数预测模型；

将需要预测的冷鲜猪肉的初始菌落总数以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据输入到所述冷鲜猪肉菌落总数预测模型中，计算得到所述冷鲜猪肉的预测菌落总数；

根据所述冷鲜猪肉的预测菌落总数计算其货架期，即得到所述冷鲜猪肉的预测货架期。

2.如权利要求1所述的一种基于神经网络的冷鲜猪肉的货架期预测方法，其特征在于，根据所述冷鲜猪肉的冷鲜猪肉预测菌落总数计算其货架期的方法如下：

其中，SL为冷鲜猪肉的货架期，d；LPD为冷鲜猪肉微生物生长的迟滞期，d；N_max为冷鲜猪肉到稳定期时的最大菌落总数，log(CFU/g)；N_o为冷鲜猪肉的初始菌落总数，log(CFU/g)；u_max为冷鲜猪肉的微生物生长的最大比生长速率，d^-1；N_s为冷鲜猪肉的最小腐败量，log(CFU/g)。

3.如权利要求2所述的一种基于神经网络的冷鲜猪肉的货架期预测方法，其特征在于，所述冷鲜猪肉的微生物生长的迟滞期如式2、式4和式6任一项所示，所述冷鲜猪肉的微生物生长的最大比生长速率如式3、式5和式7任一项所示:

LPD＝1/[0.205(T+9.3010)]² (2)

u_max＝[0.0682(T+19.8959)]² (3)

其中，T为冷鲜猪肉的储藏温度；

LPD＝0.2331+0.0311m-0.0084n (4)

u_max＝3.5601-0.0163m-0.0323n (5)

其中，m为冷鲜猪肉的储藏时气体中氧气的体积含量，％；n为冷鲜猪肉的储藏时气体中二氧化碳的体积含量，％；

LPD＝1/[0.0025(H+194.72)]² (6)

u_max＝[0.0004(H+3561.5)]² (7)

其中，H为冷鲜猪肉的储藏湿度。

4.如权利要求3所述的一种基于神经网络的冷鲜猪肉的货架期预测方法，其特征在于，通过式1、式2和式3计算得到第一预测货架期SL₁；

通过式1、式4和式5计算得到第二预测货架期SL₂；

通过式1、式6和式7计算得到第三预测货架期SL₃；

取SL₁、SL₂和SL₃的大小中最小的作为所述冷鲜猪肉的预测货架期。

5.如权利要求1-4任一项所述的一种基于神经网络的冷鲜猪肉的货架期预测方法，其特征在于，计算得到所述冷鲜猪肉的预测货架期后，还包括：

采用神经网络模型构建冷鲜猪肉挥发性盐基氮含量预测初始模型；

获得多份冷鲜猪肉样品的初始挥发性盐基氮含量以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据，并检测冷鲜猪肉最终的挥发性盐基氮含量；

将冷鲜猪肉的初始挥发性盐基氮含量以及贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据作为输入样本，以冷鲜猪肉最终的挥发性盐基氮含量作为期望输出，输入到所述冷鲜挥发性盐基氮含量预测初始模型中进行训练，得到冷鲜猪肉挥发性盐基氮含量预测模型；

将需要预测的冷鲜猪肉的初始挥发性盐基氮含量以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据输入到所述冷鲜猪肉挥发性盐基氮含量预测模型中，计算得到所述冷鲜猪肉的预测挥发性盐基氮含量，其中贮藏时间采用之前计算的所述冷鲜猪肉的预测货架期；

设定冷鲜猪肉腐败时挥发性盐基氮含量的阈值，若计算得到的预测挥发性盐基氮含量小于所述阈值，则认定所述预测货架期有效。