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

本发明专利技术公开了一种基于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，构建电子舌响应

【技术实现步骤摘要】
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


[0001]本专利技术属于味觉预测方法
，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。

技术介绍

[0002]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。为此提出本专利技术。

技术实现思路

[0003]为了解决人工感官误差较大，对甜度难以重现的问题，本专利技术提供了一种利用BP神经网络和电子舌的糖类物质甜度评价的方法。
[0004]为了实现上述目的，本专利技术提供的技术方案为：
[0005]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：
[0006](1)以蔗糖为参比物，基于浓度建立甜度标尺；
[0007](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；
[0008](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；
[0009](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；
[0010](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；
[0011](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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]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。
[0020]本专利技术具有以下有益效果：
[0021]本专利技术为一种利用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。本专利技术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。本专利技术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
[0022]下面将结合实施例对本专利技术作进一步详细说明。
[0023]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：
[0024]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；
[0025]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；
[0026]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；
[0027]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；
[0028]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，输出层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于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，其特征在于，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。2.根据权利要求1所述的预测方法，其特征在于，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。3.根据权利要求1所述的预测方法，其特征在于，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。4.根据权利要求1所述的预测方法，其特征在于，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。5.根据权利要求4所述的预测方法，其特征在于，所述参比液为电子舌基质液，其组分为0.045g酒石酸、2...

【专利技术属性】
技术研发人员：杨乾栩，雷声，张伟，赵蔚，谢志强，田孟玉，颜克亮，
申请(专利权)人：云南中烟工业有限责任公司，
类型：发明
国别省市：