鸡精人工感官评价与电子舌评价的相关模型研究

肖立中，陈洋洋＊，田怀香，秦蓝，张雅敬，李简墨

（1.上海应用技术大学计算机科学与信息工程学院，上海 201418；2.上海应用技术大学香料香精技术工程学院，上海 201418；3.雀巢研发中心上海有限公司，上海 201812；4.济宁市育才中学，山东济宁 272000）

鸡精人工感官评价与电子舌评价的相关模型研究

肖立中1，陈洋洋1＊，田怀香2，秦蓝3，张雅敬2，李简墨4

（1.上海应用技术大学计算机科学与信息工程学院，上海 201418；2.上海应用技术大学香料香精技术工程学院，上海 201418；3.雀巢研发中心上海有限公司，上海 201812；4.济宁市育才中学，山东济宁 272000）

鸡精味觉的质量等级评估依靠人工感官评定和电子舌数据分析，以2种评价方式相关性为研究点，采集3种不同添加成分的鸡精调味料人工感官数据和电子舌感官数据，利用改进的BP算法建立人工感官评价与电子舌评价的映射模型，由未知样本的电子舌数据进行样本分类，并直接给出人工感官评价数据，同时比较该类别标准样本与未知样本的人工感官评价指标的差异性。该模型不仅在鸡精感官评价过程中满足客观、快速的要求，而且能够给出鸡精品质鉴定过程中的差异性信息。

人工感官评价；电子舌；BP算法；映射模型

1 概述

鸡精调味料［1］是一种改善食品风味的配料，其口感好坏很大程度上决定了鸡精的等级和价值，而评定和区分鸡精口感的手段一般为人工感官评定和电子舌分析。感官评价［2－4］能够直接获取样本风味的各个指标，是传统的风味评价方法。但是感官评价主观性比较强，容易受到评价人员自身心理和身体状况的影响，重复性差，另外研究货架期中、后期的鸡精状况，鸡精本身产生质变，品评时会让评定人员感到恶心、不适应。电子舌［5］是模拟人的舌头味觉机理研制出来的一种味觉识别电子系统，在食品行业［6－9］有着广泛应用。电子舌依靠交互敏感的特定传感器阵列采集味觉的整体性信息，只能区分样本，辨别样本的相似程度，而不能获取样本各个评价指标的差异性。

在风味识别领域中，电子感官评价和人工感官评价的相关性研究［10－12］目前还处于基础阶段，主要集中在感官属性与传感器之间的定性描述上面。针对人工感官评价和电子感官评价存在的不足，本文利用BP神经网络算法强大的非线性映射能力，建立鸡精调味料的人工感官评价与电子舌感官数据之间的映射模型，该模型不仅能对未知样本数据进行分类，而且由电子舌数据直接给出人工感官数据，同时与该类别标准样本味觉的人工感官数据做比较，找到未知样本在评价指标中的不足所在，为鸡精调香和鉴定提供帮助信息，同时满足鸡精味觉评价的客观公正、准确快速要求。

2 基于改进BP算法的人工感官与电子舌感官的映射模型

2.1 BP神经网络原理

BP神经网络是一种多层前馈神经网络，具有良好的非线性映射能力，在不同领域有广泛的应用［13－16］。该网络的主要特点是信号前向传递，误差反向传播。标准的网络模型一般由3层或者更多层组成，包括输入层、隐含层和输出层。标准的BP神经网模型见图1，包括信息的正向传播和误差反向传播。

由图1可知，输入层Xn为电子舌传感器的变量，Om为人工感官评价指标变量，ωij/a和ωjk/b分别为网络输入层与隐含层的权值/阈值、隐含层与输出层的权值/阈值，实际值Ym为网络训练时样本中人工感官变量。

2.2 BP神经网络的改进

2.2.1 训练算法改进

标准的BP神经网络容易陷入局部最小值，使网络在训练过程中产生震荡。为了提高网络的稳定性，将网络权值和阈值的训练算法由最速下降法换为LM算法。LM是广泛使用的非线性最小二乘法，同时具有梯度法和牛顿法的优点，收敛快。LM（levenbergmarquardt）算法公式：

式中：e为网络的误差值，x（k）为第k次迭代各层之间的连接权值或者阈值，J为网络误差函数对权值和阈值一阶倒数雅克比矩阵，μ为常数系数变量。

2.2.2 最优搜索算法改进

为了提高搜索速度，防止BP神经网络学习过程中陷入局部最小值，提出改进的函数变步长搜索法。

先设一初始步长，若一次迭代后误差函数E增大，则将步长乘以小于1的常数，沿原方向重新计算下一个迭代点；若一次迭代后误差函数减小，则将步长乘以大于1的常数，从而达到既不增加太多计算量，又使步长得到调整的目的。计算公式：

式中：h，U为常数，△E＝E（N）－E（n－1）。

2.3 人工感官评价与电子舌感官评价的映射模型

该映射模型的训练和检验的流程图见图2。

图2 该映射模型的训练/检验流程图Fig.2The mapping model training/testing flowchart

该模型的具体流程如下：

网络初始化：确定每层网络节点数、随机初始化权值Wmi/Wij以及阈值a/b，给出学习率和神经元激励函数，导入训练样本和目标样本。

隐含层输出：由输入层变量X和权值Wmi、阈值a和隐含层的激励函数，计算隐含层的输出矩阵H。

输出层输出：由H和权值Wij、阈值b和输出层的传递函数，计算输出层的预测输出矩阵O。

网络权值、阈值更新：由O与目标样本Y计算网络预测误差e。根据误差e与权值训练函数计算各层权值Wmi/Wij和阈值a/b。判断网络误差是否满足目标精度0.001，如果不满足，将误差e进行反向传播，逐步优化各层权值。至此第一轮权值、阈值调整结束，反复迭代训练直至误差满足目标精度为止，保存网络的权值/阈值。

检验未知样本：导入未知样本电子舌数据，得出该样本的人工味觉评价数据，同时计算该样本人工感官数据与所有目标样本各个指标的差值，由绝对值和最小值所在类别位置判断未知样本所属种类。以雷达图的方式直观显示该类别的目标样本和未知样本的人工感官指标的差异性。

3 实验

3.1 实验仪器与材料

3.1.1 主要材料

3种不同添加成分的同种鸡精调味料，添加成分分别为红糖、白糖、液体红糖。

3.1.2 主要仪器

电子舌-ASTREE，法国Alpha MOS公司生产，含有7个味觉传感器，分别为ZZ，AB，BA，BB，CA，DA，JE。

3.2 实验数据采集

3.2.1 电子舌数据

样本及溶液常温，按照1%的质量分数配比，样本称量1.5g，充分溶解后放在电子舌自动进样器中，在实验仪器稳定情况下，每种样本重复采样4次。计算每种样本数据的平均值，见表1。

表1 电子舌感官数据均值Table 1The electronic tongue average sensory data

3.2.2 人工感官数据

将30g鸡精调味料充分溶解于40℃的300mL热水中，选22名感官评价人员（其中男性有10名，女性有12名）品尝鸡精调味料，并综合其鸡肉味（chicken）、大蒜味（garlic）、胡椒味（pepper）、鲜味（umami）、味精味（MSG）、甜味（sweet）、饱满感（full）、涩味（acerbity）、滞留感（stranded）对样本进行评分。评分标准采用10点制，0～1表示可有可无；2～3表示弱；4～5表示中等；6～7表示强；8～9表示非常强。对每种样本的22组感官评价数据求平均值，见表2。

表2 人工感官数据均值Table 2The artificial average sensory data

4 建立鸡精电子舌数据与人工感官模型

4.1 映射模型训练

电子舌传感器变量数目为7个，则BP神经网路的输入层变量数设为7个，人工感官属性变量数目为9个，则BP神经网络输出层变量个数设为9个，隐含层变量个数为2n＋1＝15。隐含层的激励函数为tansig，输出层的激励函数为logsig，网络训练算法由标准BP算法中的traingd改为网络收敛更快的LM训练算法。训练次数设置为500次，学习步长为0.05，训练目标的最小误差为0.001，随机数初始化权值和阈值。

将电子舌感官数据，即表1作为BP网络模型的输入样本；将人工感官数据，即表2作为BP网络模型的实际输出样本。随后开始训练该模型，得到网络训练收敛曲线，见图3。

图3 映射模型训练收敛曲线Fig.3The mapping model training convergence curve

由图3可知，基于BP神经网络的该映射模型训练速度较快，在迭代第三步达到目标，均方误差为0.000011444，用时0.42548s，而且网络收敛曲线很平滑，说明网络模型在训练过程中比较稳定。

网络训练输出值与实际值的均方差百分比见表3。

表3 网络训练输出值与实际值的均方差的百分比Table 3The percentage of the mean square error between network training output value and actual value

由表3可知，得到的输出值与实际值的均方差值非常小，在理想的范围内，进一步说明该映射模型稳定精确。保存此次的网络权值/阈值，用作对未知样本的分类，并且由电子舌感官数据直接给出未知样本的感官属性数据。

4.2 映射模型检验

任意选取一个未知类别的检验样本电子舌数据，见表4，将其导入到上述保存好的网络映射模型中，输出模型检验结果。

表4 检验样本Table 4Testing samples

该样本模型输出的人工味觉数据和判断类别结果见图4。在输出结果中加入该风味类别的标准人工品评数据，标准类别的人工感官品评数据为各个类别的人工品评数据的均值，见表2。从感官数据中看到，模型训练的最终均方误差值不仅满足了目标要求精度，而且非常小，与人工品评数据相比较可以忽略，所以默认网络输出的误差为零误差。

图4 检验样本输出结果Fig.4The output results of testing samples

由图4可知，该样本添加成分为红糖，模型输出的人工味觉数据与标准添加红糖成分的人工味觉数据相比较还有一定的差别，为了更好地显示这种差别，将两组数据转换成雷达图显示，见图5。

图5 该类别样本输出值与标准值的雷达图Fig.5The radar chart of this category samples output value and standard value

由图5可知，添加红糖成分样本的人工味觉数据与标准的人工味觉数据基本上吻合，但是在饱满感（full）的属性味觉上差异性较大，在大蒜味（garlic）的属性味觉上也有稍微的差异。

5 结论

采用BP算法来实现电子舌数据与人工感官评价之间的相关性模型，能够代替人的味觉功能，由电子舌数据直接给出未知样本的人工感官数据。对于鉴定鸡精货架中、后期的样本状态，质变的样本难以进行长期人工品评的问题，本文两种评价体系相关性的研究思路能够很好地解决这一难题。同时该模型能够做到对未知样本的分类，而且能够直接显示该未知样本与标准样本的感官属性差异性，在训练样本数量和种类较丰富的情况下，该模型可以对市场在售的任意一款鸡精产品做质量鉴定。

BP网络模型的训练和鉴定过程都非常迅速精确，省去了大量的人工品评时间和成本，在实验过程中，由于样本数据量较少，模型训练默认均方误差值为零，以及BP网络存在一定的随机性，这两点是后续实际应用中都需要解决的问题。

［1］朱妞，訾荣禄.浅议味精与鸡精［J］.中国调味品，2013，38（1）：3-4.

［2］崔凯，屈展，马骥，等.感知标示量度卷烟感官评价方法的建立及应用［J］.烟草科技，2015，48（3）：74-78.

［3］Chen Q S，Zhao J W，Chen Z，et al.Discrimination of green tea quality using the electronic nose human panel test，comparison of linear and nonlinear classifition tools［J］.Sensors and Actuators B：Chemical，2011，159：294-300.

［4］田怀香，肖作兵，徐霞，等.基于电子舌的鸡肉香精风味改进研究［J］.中国调味品，2011，36（3）：113-116.

［5］邓少平，田师一.电子舌技术背景与研究进展［J］.食品与生物技术学报，2007，26（4）：110-116.

［6］秦蓝，李凤华，田怀香，等.电子舌在鸡精调味料味觉差异分析中的应用［J］.中国调味品，2014，39（10）：132-135.

［7］潘广坤，吉宏武，刘书成，等.真空油炸面包虾的货架期预测模型［J］.食品与发酵工业，2014，40（3）：113-119.

［8］顾永波，肖作兵，刘强，等.基于电子舌技术的卷烟主流烟气味觉识别［J］.烟草化学，2011（8）：48-51.

［9］张平，冮洁，胡文忠，等.电子舌对冰葡萄酒的区分辨识研究［J］.酿酒科技，2014（10）：41-42.

［10］秦蓝，李凤华，田怀香，等.鸡精调味料人工感官评价与电子鼻感官分析的相关性研究［J］.食品与机械，2014（4）：11-13.

［11］Gil L，Barat J M，Escriche I，et al.An electronic tongue for fish freshness analysis using a thick-film array of electrodes［J］.Microchimica Acta，2008，163（1/2）：121-129.

［12］林顺顺，张晓鸣.基于PLSR分析烟叶化学成分与感官质量的相关性［J］.中国烟草科学，2016，37（2）：78-82.

［13］秦树基，徐春花，王占山.人工神经网络对电子鼻性能的影响［J］.同济大学学报（自然科学版），2005，33（6）：805-808.

［14］孙晨，李阳，李晓戈，等.基于布谷鸟算法优化BP神经网络模型的股价预测［J］.计算机应用与软件，2016（2）：276-279.

［15］朱晓琼，杨涓，李婧，等.电子鼻结合PCA-BP神经网络在烟用香料质量控制中的应用［J］.化学研究与应用，2014（2）：261-266.

［16］张虹艳，丁武.基于fisher线性判别和BP神经网络的电子鼻羊奶贮藏时间预测［J］.中国食品学报，2012，12（6）：166-173.

Relevant Model Research on Chicken Essence Evaluation with Artificial Sensory and Electronic Tongue

XIAO Li-zhong1，CHEN Yang－yang1＊，TIAN Huai-xiang2，QIN Lan3，ZHANG Ya-jing2，LI Jian-mo4
（1.School of Computer Science and Information Engineering，Shanghai Institute of Technology，Shanghai 201418，China；2.School of Perfume and Aroma Technology，Shanghai Institute of Technology，Shanghai 201418，China；3.Nestle R ＆D Center Shanghai Co.，Ltd.，Shanghai 201812，China；4.Ji＇ning Yucai Middle School，Ji＇ning 272000，China）

Chicken essence taste assessment of quality level relies on artificial sensory evaluation and electronic tongue data analysis.The research focuses on the correlation of two evaluation styles，collects artificial sensory evaluation data and electronic tongue sensory data by three different ingredients chicken essence，then establishes the correlation model with evaluation of artificial taste and electronic tongue data by the improved BP neural network，which can classify the unknown samples，and give the unknown sample＇s artificial sensory data directly by electronic tongue data，then compares the differences of artificial sensory evaluation index between standard sample and unkown sample in this category.The model not only meets the objective and fast requirement in chicken sensory evaluation process，but also provides the difference information in chicken quality appraisal process.

artificial sensory evaluation；electronic tongue；BP algorithm；mappingmodel

TS207.3

A

10.3969/j.issn.1000-9973.2017.03.011

1000-9973（2017）03-0045-04

2016－09－08 ＊通讯作者

上海应用技术大学协同创新基金跨学科、多领域合作研究专项项目（XTCX2015-13）；2015年度“创新行动计划”地方院校能力建设项目（15590503500）

肖立中（1981－），男，山东寿光人，副教授，博士，研究方向：风味识别、软件工程；陈洋洋（1988－），男，河南商城人，硕士，研究方向：模式识别。