王琦 崔妍 梁健健 薛偉鋒
(大連海關技術中心 遼寧大連 116000)
莊河大骨雞因其肉質鮮美而深受消費者歡迎。大骨雞年飼養量約為230 萬只, 其中小規模散養及庭院飼養量高達200 萬只[1]。 散戶飼養的大骨雞被宰殺后多以熱鮮雞的形式存在。熱鮮雞營養豐富,在存放過程中其感官、 理化和生物指標都會發生較大改變,這些變化會直接影響大骨雞的品質,甚至造成食品安全事故。鑒于此,有效預測大骨雞的保質期具有重要意義, 預測模型的發展為保質期的預測提供了一種有效的技術手段。
對于保質期預測模型的研究, 主要包括基于化學動力學[2-4]、微生物生長動力學[5-6]、溫度[7]、統計學[8]和數據分析[9-12]等方法。 目前,已報道的大骨雞保質期預測模型主要是基于全面穩定性指數(global stability index,GSI) 理論構建的多因素動力學模型[13],反映的是溫度對大骨雞綜合品質的影響, 符合熱力學反應規律,具有零級和一級動力學反應公式。該模型通過將大骨雞感官品質、 物理化學和微生物方面多個指標整合為一個綜合指標, 全面考察大骨雞品質變化, 有效避免了單個指標保質期預測模型的片面性。 盡管GSI 模型能夠準確預測大骨雞在多個品質指標和存放溫度下的保質期, 但當大骨雞品質參數越發多樣、存放溫度不斷變化時,該模型需要人為連續重復運算整個建模過程,非常耗時,不利于大范圍推廣應用。反向傳播(back propagation,BP)人工神經網絡是應用最廣泛的人工智能建模方法, 可通過自學習、 網絡訓練的方式很好地解決多指標預測的問題, 與傳統動力學模型相比,BP 模型預測食品保質期具有更高的精度, 已被廣泛應用于食品保質期預測領域[14-16],但在尚未見應用于大骨雞保質期預測方面的研究。鑒于此,本研究以文獻[13]中報道的大骨雞保質期實驗測定數據為基礎, 構建大骨雞剩余貨架期的BP 人工神經網絡模型, 并驗證該模型的可靠性,并將BP 模型預測結果與文獻[13]中使用的基于動力學構建的全面穩定性指數理論模型獲得的結果進行比較, 判斷BP 神經網絡模型在預測大骨雞保質期方面是否具有優勢。
BP 人工神經網絡一般由輸入層、隱含層和輸出層3 個部分構成[17],層與層之間采用全互聯的連接方式,而同層單元間卻無相互聯系[18]。 BP 人工神經網絡基于訓練過程校正誤差而向后傳播, 即誤差計算在輸出層,向后依次傳播至隱含層和輸入層,隱含層包含充足、連續的預測問題[19-20]。
BP 神經網絡能學習和存儲大量的輸入—輸出模式映射關系, 無需事前了解描述這種映射關系的數學方程, 只要能提供足夠多的樣本供BP 網絡進行學習訓練,它便能完成由n 維輸入空間到m 維輸出空間的正確映射[21-22]。 一個由輸入層、隱含層和輸出層構成的3 層BP 人工神經網絡即可完成上述映射[21-22]。因此,本研究選取具有單個隱含層的3 層BP人工神經網絡。
針對大骨雞存放過程中營養參數的變化情況,達到對大骨雞剩余保質期 (剩余保質期=已知保質期-已存放時間)進行預測,模型設計如圖1 所示。其中,大骨雞的存放溫度、感官得分、汁液流失率、菌落總數和揮發性鹽基氮等5 項作為模型輸入層神經元,大骨雞的剩余保質期作為輸出層神經元。 BP 神經網絡的隱含層節點數對BP 神經網絡預測精度有較大的影響, 但目前還無法找到一個普遍適用的理想方法確定隱含層神經元數[23]。節點數太少,網絡不能很好地學習,需要增加訓練的次數,訓練的精度也受到影響;節點數太多,訓練時間增加,網絡容易過度擬合[24]。 目前常用的隱含層參考式(1)[25]:
圖1 BP 神經網絡結構Fig.1 BP neural network structure
式中,N—隱含層神經元數;m—輸入層神經元數;n—輸出層神經元數;a—1~10 之間的常數。
本研究使用Matlab 2019b 軟件對網絡隱含層節點數為3~12 時的性能進行測試,結果表明,隱含層節點數為5 時, 網絡收斂速度最快, 均方誤差最小,故本研究的模型隱含層節點數選擇5。
BP 人工神經網絡中包括傳遞、訓練、學習、網絡性能和仿真函數等。 BP 網絡的傳遞函數有多種,包括log-sigmoid 型函數logsig、tan-sigmoid 型函數tansig,以及線性函數purelin,其中sigmoid 型傳遞函數的曲線形狀都是S 型的,log-sigmoid 和tan-sigmoid 型函數均是如此。 logsig 函數的輸入值可取任意值,輸出值在0 和1 之間;tansig 函數的輸入值同樣可取任意值,但輸出值在-1 到+1 之間;線性傳遞函數purelin 的輸入和輸出值可取任意值。本研究隱含層傳遞函數選取tansig, 輸出層傳遞函數則使用purelin。 trainlm 函數收斂快、誤差小,而且訓練效果好, 因此本研究采用該函數作為訓練函數。 為避免BP 神經網絡在批處理訓練時會陷入局部最小,且提高網絡訓練速度, 采用附加動量法構建BP 神經網絡,選取learngdm 為學習函數,該函數為梯度下降學習函數,利用神經元的輸入和誤差、權值和閾值的學習速率和動量常數計算權值或閾值的變化率。
動量常數采用函數默認值0.9, 學習速率為0.01,網絡性能目標誤差為10-7,訓練的最大步數為5 000。 如表1 所示,將存放溫度、感官得分、汁液流失率、菌落總數、揮發性鹽基氮和剩余保質期等6 個參數的所有數據(標注* 數據除外)作為訓練集,按照上述方法構建BP 人工神經網絡模型, 標注* 數據用于驗證模型的準確性。 進行BP 模型驗證之前,需要將檢驗輸入數據歸一化, 然后再將得到的數據反歸一化,從而獲得標注*數據對應的剩余保質期。
表1 大骨雞雞肉品質評價指標結果Table 1 Results of quality evaluation index of Dagu chicken
Matlab 程序語言如下:
將模型構建數據輸入設定好的網絡模型中,經11 次迭代后網絡性能誤差為1.9×10-9, 滿足誤差設定要求而停止訓練, 結果如圖2 所示。 均方誤差(mean square error,MSE)用來評價網絡模型是否合適,該值越小,說明模型性能越好;相關系數R 值用來描述實際值和模型預測值之間的線性相關性。 本研究構建的BP 神經網絡模型的MSE 和R 如圖3所示, 說明該BP 模型可以用于大骨雞剩余保質期預測。
圖2 BP 神經網絡模型訓練圖Fig.2 Training plot of BP neural network model
圖3 BP 神經網絡模型訓練結果Fig.3 Training results of BP neural network model
經過訓練后, 獲得標注*數據對應的剩余保質期如表2 所示。與文獻[13]結果比較,發現使用全面穩定性指數(GSI)模型預測4℃~30℃下大骨雞剩余保質期的誤差為2.0%~15.4%,而采用BP 人工神經網絡模型預測剩余保質期的誤差僅為0%~7.7%,說明BP 人工神經網絡模型與全面穩定性指數模型相比,能更加準確地預測大骨雞的剩余保質期。 該BP 模型的建立,能更加準確、快速的預測出不同存放溫度下大骨雞剩余保質期,具有廣泛的應用前景。
表2 GSI 理論模型與BP 神經網絡模型預測大骨雞剩余保質期結果比較Table 2 Comparison of GSI theory model and BP neural network model in predicting the remaining shelf life of Dagu chicken
本研究采用BP 人工神經網絡模型預測大骨雞剩余保質期,發現該模型預測結果較為準確,可以很好地應用于食品剩余保質期的預測。 但建立的BP神經網絡模型也存在不足,當存放溫度升高后,預測的剩余保質期誤差會明顯增大, 可能是樣品分析次數較少,獲取有效數據不足引起的。如果增加高溫條件下樣品檢測數量并縮短在高溫環境下檢測樣品的時間間隔,可能會提高該模型的精度。本研究建立的BP 人工神經網絡模型, 對熱鮮雞在正常環境溫度(4℃~30℃) 下的剩余保質期具有良好的預測能力,為大骨雞生產、包裝、銷售和食用安全提供了一種有效的保質期監管手段。