BP人工神经网络预测原料加工适宜性的方法技术

本发明专利技术公开了一种基于BP人工神经网络预测原料加工适宜性的方法，包括：选择用于评价原料加工适宜性的加工制品的单一指标，根据加工制品的单一指标确定相关的原料的诸多指标；以原料的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据形成样本；以训练样本集的原料的诸多指标数据为输入层，以训练样本集的加工制品的单一指标数据为输出层，训练至人工神经网络模型稳定；优化人工神经网络模型；预测加工制品的单一指标。本发明专利技术能够关联原料指标与加工品品质，在客观定性或定量地寻求变量间复杂的非线性对应关系的同时有较高的准确性，可以实现基于原料指标定性或定量预测加工品品质。

BP Artificial Neural Network Method for Predicting Suitability of Raw Material Processing

The invention discloses a method for predicting the suitability of raw material processing based on BP artificial neural network, which includes: selecting a single index for evaluating the suitability of raw material processing, determining many indexes of related raw materials according to the single index of processed products, quantifying raw material processing with many indexes of raw materials as variables, processing technology and parameters, recording and sorting out calendars. History data is used to form samples; many index data of raw materials of training sample set are used as input layer, and single index data of processed products of training sample set are used as output layer, which are trained to the stability of ANN model; the ANN model is optimized; and the single index of processed products is predicted. The method can correlate the raw material index with the quality of the processed product, objectively and qualitatively and quantitatively seek the complicated non-linear correspondence among variables, and has high accuracy, and can realize the qualitative or quantitative prediction of the processed product quality based on the raw material index.

【技术实现步骤摘要】
BP人工神经网络预测原料加工适宜性的方法
本专利技术涉及加工领域。更具体地说，本专利技术涉及一种BP人工神经网络预测原料加工适宜性的方法。
技术介绍
原料特性是生产优质加工品的基础，因此，关联原料特性与制品品质、明确原料加工适宜性、筛选优质加工原料对企业增效、社会增收及产业发展有重要意义。目前对原料加工适宜性的研究多采用层次分析、灰色关联等方法单独分析原料品质或制品品质，仅可以评价所研究品种加工特性，无法预测未知样品的加工性能。现有的少数关联原料特性与制品品质的方法仅利用判别函数、线性回归等线性模型，无法处理指标间复杂的非线性对应关系，存在模型局限性大、适用范围小，预测未知样品加工性能准确率低的问题。人工神经网络是一种旨在模仿人脑结构及其功能的由大量简单的计算单元连接形成的智能信息处理系统，具有大规模并行处理、自学习型、自适应性等优点，适用于构建复杂的非线性关联模型。BP人工神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，可实现输入到输出的定性或定量预测且有较高的准确率。近年来BP神经网络模型在加工业领域的应用日渐增多，包括识别、分类与分级、加工过程仿真与控制、单一指标值预测等，取得了一定的效果，但在原料加工适宜性预测方面的应用还未见报道。
技术实现思路
本专利技术的一个目的是解决至少上述问题，并提供至少后面将说明的优点。本专利技术还有一个目的是提供一种BP人工神经网络预测原料加工适宜性的方法，其能够关联原料指标与加工品品质，在客观定性或定量地寻求变量间复杂的非线性对应关系的同时有较高的准确性，可以实现基于原料指标定性或定量预测加工品品质。为了实现根据本专利技术的这些目的和其它优点，提供了一种基于BP人工神经网络预测原料加工适宜性的方法，包括：选择用于评价原料加工适宜性的加工制品的单一指标，根据加工制品的单一指标确定相关的原料的诸多指标；以原料的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据形成样本，样本的格式为：每一条历史数据包括原料的诸多指标数据和加工制品的单一指标数据；选择一定比例的历史数据形成训练样本集，剩余的历史数据形成检测样本集；以训练样本集的原料的诸多指标数据为输入层，以训练样本集的加工制品的单一指标数据为输出层，确定输入层神经元个数、隐含层神经元个数和输出层神经元个数，确定训练次数、学习率、动量、误差值，确定隐含层、输出层的激活函数，构建基于BP算法的人工神经网络模型，并进行训练至人工神经网络模型稳定；以检测样本集对人工神经网络模型进行测试，优化人工神经网络模型；以原料的诸多指标为输入层，根据优化的人工神经网络模型预测加工制品的单一指标。优选的是，选择70-90％的历史数据形成训练样本集，剩余的数据形成检测样本集。优选的是，样本包括至少30条历史数据。优选的是，训练次数为500-8000次，学习率为0.1-0.5，动量为0.1-0.8，误差值为0.00001-0.1。优选的是，原料的指标包括基础指标、理化指标和加工指标，基础指标包括原料的体积、密度、颜色，理化指标包括原料的糖、酸、蛋白质、酚类、果胶含量、多酚氧化酶活性、粗纤维、粗脂肪、钾、钙、镁，加工指标包括原料的可食比、果形指数、褐变度。优选的是，加工制品的指标为果蔬汁的浑浊度、稳定性、综合评分、品质等级其中一种，或干制品的色差a值、脆度、综合评分、品质等级，或鲜食品的综合评分、品质等级其中一种。优选的是，根据加工制品的单一指标确定相关的原料的诸多指标时，首先人工筛选出原料指标，然后对每一项原料指标与加工制品的单一指标进行相关性分析，去除相关系数低于预设的相关系数阈值的原料指标。优选的是，以训练样本集训练人工神经网络模型至误差低于预设的误差阈值即为人工神经网络模型稳定。优选的是，以检测样本集测试人工神经网络模型时，比较加工制品的单一指标的预测值和实测值，符合预设的阈值，则人工神经网络模型稳定，反之将该条历史数据加入到训练样本集进行训练，优化人工神经网络模型。优选的是，以检测样本集测试人工神经网络模型至加工制品的单一指标的预测值和实测值的误差低于预设的误差阈值或相关系数高于预设的相关系数阈值即为人工神经网络模型稳定。本专利技术至少包括以下有益效果：第一、本专利技术在具有一定量学习样本的条件下，采用BP人工神经网络模型关联原料指标与加工品品质，无需经验公式与数学模型，在客观定性或定量地寻求变量间复杂的非线性对应关系的同时有较高的准确性，可以实现基于原料指标定性或定量客观、准确地预测加工制品品质；第二、本专利技术进行大量不同的原料的诸多指标-加工制品的单一指标数据的训练和试验，构造BP人工神经网络模型准确预测加工制品的单一指标，从源头上提升了目标制品的品质，提高原料和加工制品的关联的合理性，能够极大地促进了产业的发展。本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。具体实施方式下面结合实例对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得。本专利技术提供一种基于BP人工神经网络预测原料加工适宜性的方法，包括：选择用于评价原料加工适宜性的加工制品的单一指标，根据加工制品的单一指标确定相关的原料的诸多指标，原料的指标应为主产区主要品种，指标值应差异大，原料的指标包括基础指标、理化指标和加工指标，基础指标包括原料的体积、密度、颜色，理化指标包括原料的糖、酸、蛋白质、酚类、果胶含量、多酚氧化酶活性、粗纤维、粗脂肪、钾、钙、镁，加工指标包括原料的可食比、果形指数、褐变度；加工制品的指标为果蔬汁的浑浊度、稳定性、综合评分、品质等级其中一种，或干制品的色差a值、脆度、综合评分、品质等级，或鲜食品的综合评分、品质等级其中一种，首先人工筛选出原料指标，然后对每一项原料指标与加工制品的单一指标进行相关性分析，去除相关系数低于预设的相关系数阈值的原料指标，筛选最终的原料核心指标；以原料的诸多指标(核心指标)为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据形成样本，样本包括至少30条历史数据，样本的格式为：每一条历史数据包括原料的诸多指标数据和加工制品的单一指标数据；选择一定比例的历史数据(优选70-90％)形成训练样本集，剩余的历史数据(优选15-30％)形成检测样本集；以训练样本集的原料的诸多指标数据为输入层，以训练样本集的加工制品的单一指标数据为输出层，确定输入层神经元个数、隐含层神经元个数和输出层神经元个数，确定训练次数、学习率、动量、误差值，确定隐含层、输出层的激活函数，隐含层神经元个数由数据统计计算软件生成，训练次数为500-8000次，学习率为0.1-0.5，动量为0.1-0.8，误差值为0.00001-0.1，构建基于BP算法的人工神经网络模型，并进行训练人工神经网络模型至误差低于预设的误差阈值即为人工神经网络模型稳定；神经网络训练是否完成常用误差函数(也称目标函数)E来衡量，当误差函数小于本文档来自技高网...

【技术保护点】
1.基于BP人工神经网络预测原料加工适宜性的方法，其特征在于，包括：选择用于评价原料加工适宜性的加工制品的单一指标，根据加工制品的单一指标确定相关的原料的诸多指标；以原料的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据形成样本，样本的格式为：每一条历史数据包括原料的诸多指标数据和加工制品的单一指标数据；选择一定比例的历史数据形成训练样本集，剩余的历史数据形成检测样本集；以训练样本集的原料的诸多指标数据为输入层，以训练样本集的加工制品的单一指标数据为输出层，确定输入层神经元个数、隐含层神经元个数和输出层神经元个数，确定训练次数、学习率、动量、误差值，确定隐含层、输出层的激活函数，构建基于BP算法的人工神经网络模型，并进行训练至人工神经网络模型稳定；以检测样本集对人工神经网络模型进行测试，优化人工神经网络模型；以原料的诸多指标为输入层，根据优化的人工神经网络模型预测加工制品的单一指标。

【技术特征摘要】
1.基于BP人工神经网络预测原料加工适宜性的方法，其特征在于，包括：选择用于评价原料加工适宜性的加工制品的单一指标，根据加工制品的单一指标确定相关的原料的诸多指标；以原料的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据形成样本，样本的格式为：每一条历史数据包括原料的诸多指标数据和加工制品的单一指标数据；选择一定比例的历史数据形成训练样本集，剩余的历史数据形成检测样本集；以训练样本集的原料的诸多指标数据为输入层，以训练样本集的加工制品的单一指标数据为输出层，确定输入层神经元个数、隐含层神经元个数和输出层神经元个数，确定训练次数、学习率、动量、误差值，确定隐含层、输出层的激活函数，构建基于BP算法的人工神经网络模型，并进行训练至人工神经网络模型稳定；以检测样本集对人工神经网络模型进行测试，优化人工神经网络模型；以原料的诸多指标为输入层，根据优化的人工神经网络模型预测加工制品的单一指标。2.如权利要求1所述的基于BP人工神经网络预测原料加工适宜性的方法，其特征在于，选择70-90％的历史数据形成训练样本集，剩余的数据形成检测样本集。3.如权利要求1所述的基于BP人工神经网络预测原料加工适宜性的方法，其特征在于，样本包括至少30条历史数据。4.如权利要求1所述的基于BP人工神经网络预测原料加工适宜性的方法，其特征在于，训练次数为500-8000次，学习率为0.1-0.5，动量为0.1-0.8，误差值为0.00001-0.1。5.如权利要求1所述的基于BP人工神经网络预测原料加工适宜性的方法，其特征在于，原料的指标包...

【专利技术属性】
技术研发人员：毕金峰，刘璇，张彪，吕健，吴昕烨，陈芹芹，
申请(专利权)人：中国农业科学院农产品加工研究所，
类型：发明
国别省市：北京,11