机器学习算法在预测茉莉花茶风味品质中的应用

机器学习作为人工智能的一个子领域,因其能够在大量数据中学习模型总结经验的出色能力得到广泛应用。针对茉莉花茶风味品质预测中存在耗时耗力、客观性差、准确率低等问题,引入机器学习算法。机器学习算法作为人工智能和计算机科学的一个分支,利用数据和算法来模拟或实现人类的学习行为,在处理无关信息、提取特征变量、建立校准模型等方面具有强大能力,在食品行业有着广泛的应用。近年来,针对机器学习在茶叶加工中的应用研究报道较多,但有关该技术应用于茉莉花茶风味品质中的报道较少。本文综述了随机森林、支持向量机、卷积神经网络等常用机器学习原理模型及其对茉莉花茶风味品质预测,介绍了当前机器学习模型在其风味品质预测中物理测试、化学指标、微生物和病虫害检测研究等方面的应用,为机器学习在茉莉花茶产业发展中的应用提供参考。

人工神经网络在食品工业中的应用

人工神经网络(artificial neural network,ANN)是非线性系统,有很强的处理能力,在食品加工中发挥重要的作用。综述讨论人工神经网络技术的原理以及人工神经网络在食品微生物学和食品发酵、感知器、食品干燥、光谱数据分析等食品领域的研究进展。为广大研究者提供人工神经网络技术在该领域应用的研究现状和未来研究趋势,并为人工神经网络在食品工业中更为广泛的应用提供一定理论依据。

基于人工神经网络的大西洋鲭鱼烘烤过程中水分和色度值预测模型

以大西洋鲭鱼为原料,研究不同烘烤条件下,大西洋鲭鱼水分含量和色度值(L^(*)、a^(*)、b^(*)和ΔE)的变化情况,并利用试验所得的数据以大西洋鲭鱼烘烤温度和烘烤时间作为模型输入值,水分含量和色度值(L^(*)、a^(*)、b^(*)和ΔE)同时作为输出值,建立人工神经网络(artificial neural network,ANN)模型,并对模型性能进行测试。结果表明,随着烘烤时间的增加,水分含量和L*值逐渐下降,烘烤温度越高,下降越迅速。而a^(*)和ΔE与水分含量和L*的趋势正好相反。b*值先升高后下降。通过试验可知,当隐含层神经元个数为14时,ANN模型的均方根误差(root mean square error,RMSE)为0.07,R^(2)全部大于0.98,模型整体拟合程度最高。因此选择2-14-5作为ANN模型最佳拓扑结构。

Studies on the Molecular Chain Conformation Stability of Aminated Konjac Glucomannan

Konjac glucomannan （KGM） was aminated by 2-chloroethyl-amine （CEA） as reagent so as to study the influence of concentration of CEA （based on the amount of KGM）, concentration of NaOH, reaction time and temperature on the extent of amination. And the molecular simulation technology was adopted to analyze the conformation stability of aminate （AKGM）. The results indicate that when the amount of CEA is higher, the extent of amination is higher. The optimum concentration of NaOH, reaction time and temperature are 10% NaOH, 70 ℃ and 45 rain, respectively. IR shows KGM is successfully aminated. The conformation of AKGM is in a random clew-like shape.