学位论文 > 优秀研究生学位论文题录展示

人工神经网络在啤酒感官评价中应用的研究

作　者: 任亦贺
导　师: 丛丽娜
学　校: 大连工业大学
专　业: 发酵工程
关键词: 啤酒风味感官评价神经网络灰色关联分析法遗传算法
分类号: TS262.5
类　型: 硕士论文
年　份: 2010年
下　载: 7次
引　用: 0次
阅　读: 论文下载

内容摘要

啤酒感官评价（beer sensory evaluation）是啤酒质量监测和检测啤酒风味差异性的重要方法。但是啤酒感官评价结果受主观因素影响大，结果具有片面性和再现性差的特点，而使用现代仪器法又很难综合评判啤酒风味质量。如果能够将现代仪器法和感官评价联合来建立可靠的啤酒品评体系，就可以提高啤酒感官评价的客观性。因此建立新型的啤酒感官品评体系是十分必要的。本文将啤酒的理化及风味数据作为输入端，感官评价得分作为输出端，使用人工神经网络（artificial neural network，ANN）的误差反向传播（back propagation, BP）算法建立预测模型。首次将灰色关联分析法、人工神经网络和遗传算法多种数学分析方法应用到啤酒的感官品评中，并提出了啤酒感官评价的新方法。主要研究内容及成果如下：（1）通过实验检测了150种市售啤酒的理化和风味指标并进行了啤酒感官评分，为整个研究提供了原始数据。（2）将实验的数据作为输入数据，建立BP神经网络并预测，用此模型对30种啤酒的感官得分进行预测。预测结果为：绝对平均误差为5.38，相对平均误差为8.69%。（3）用灰色关联分析法筛选了影响感官评价的关键因素，以此作为BP神经网络的输入数据，构建灰色BP神经网络并预测。用此模型对30种啤酒的感官得分进行预测。预测结果为：绝对平均误差为3.23，绝对平均误差为5.22%。（4）使用遗传算法优化灰色BP神经网络的权值并预测。用此模型对30种啤酒的感官得分进行预测。预测结果为：绝对平均误差为2.53，绝对平均误差为4.06%。通过比较发现，使用灰色遗传神经网络具有很好的稳定性和较满意的预测能力。通过啤酒感官评价神经网络模型的结果分析表明，该方法能有效地预测啤酒感官评价结果。

全文目录

摘要  4-5
Abstract  5-7
目录  7-10
第一章绪论  10-23
  1.1 啤酒感官评价概述  10-12
    1.1.1 中国啤酒概况  10-11
    1.1.2 感官评价  11
    1.1.3 啤酒感官评价研究进展  11-12
    1.1.4 啤酒感官评价方法  12
  1.2 啤酒风味理论概述  12-16
    1.2.1 风味阈值评价理论  13
    1.2.2 啤酒中常见风味物质简介  13-16
      1.2.2.1 酯类物质  13-14
      1.2.2.2 高级醇  14-15
      1.2.2.3 乙醛  15
      1.2.2.4 双乙酰  15-16
  1.3 啤酒感官评价和基于风味理论仪器分析所存在问题  16
  1.4 应用于啤酒感官评价的常用统计方法  16-17
  1.5 人工神经网络应用现状  17-19
    1.5.1 人工神经网络发展历史  18
    1.5.2 人工神经网络特点  18-19
    1.5.3 人工神经网络在啤酒中应用研究现状  19
  1.6 灰色系统应用现状  19-20
  1.7 遗传算法应用现状  20-21
    1.7.1 遗传算法特点  20-21
  1.8 混合灰色系统、神经网络和遗传算法的应用研究  21-22
    1.8.1 灰色系统和人工神经网络结合  21
    1.8.2 遗传算法和人工神经网络结合  21-22
  1.9 本实验的基本思路  22
  1.10 本实验目的与创新  22-23
第二章材料与方法  23-41
  2.1 实验材料  23
  2.2 实验仪器  23-24
  2.3 实验药品  24
  2.4 实验方法  24-26
    2.4.1 原浓度、真浓度、酒精度、发酵度的测定  24
    2.4.2 色度的测定  24
    2.4.3 浊度的测定  24
    2.4.4 双乙酰的测定  24-25
    2.4.5 总酸的测定  25
    2.4.6 pH 值的测定  25
    2.4.7 二氧化碳的测定  25
    2.4.8 苦味质的测定  25-26
    2.4.9 乙醛、酯类及高级醇的测定  26
  2.5 啤酒的感官评定方法的建立  26-27
    2.5.1 感官品评  26
    2.5.2 品评标准  26-27
    2.5.3 感官评价数据处理  27
  2.6 灰色关联分析法  27-29
    2.6.1 灰色关联分析法的步骤  27-29
  2.7 神经网络方法  29-37
    2.7.1 人工神经元模型  29-31
    2.7.2 误差反向传播神经网络  31-32
    2.7.3 BP 神经网络学习过程  32-34
    2.7.4 BP 神经网络结构与训练参数的选取  34-36
      2.7.4.1 输入单元、输出单元的确定和预处理  34-35
      2.7.4.2 隐含层及隐含节点的确定  35-36
    2.7.5 BP 神经网络的实现  36
    2.7.6 BP 算法的局限性  36-37
  2.8 遗传算法方法  37-39
    2.8.1 遗传算法的基本原理和步骤  37-38
    2.8.2 使用遗传算法优化神经网络连接权  38-39
  2.9 遗传算法参数的确定  39-40
  2.10 遗传算法优化 BP 神经网络的实现  40-41
第三章结果与讨论  41-54
  3.1 标准 BP 神经网络建立与分析  41-44
    3.1.1 标准 BP 神经网络的参数确定  41
      3.1.1.1 输入单元个数的确定  41
      3.1.1.2 输出单元个数的确定  41
      3.1.1.3 隐含层单元的确定  41
      3.1.1.4 标准 BP 神经网络结构参数的确定  41
    3.1.2 标准 BP 神经网络的结果分析  41-44
  3.2 灰色 BP 神经网络建立与分析  44-49
    3.2.1 啤酒理化及风味数据的灰色关联分析法  44-45
    3.2.2 灰色 BP 神经网络的参数确定  45-47
      3.2.2.1 输入单元个数的确定  45-47
      3.2.2.2 输出单元个数的确定  47
      3.2.2.3 隐含层单元的确定  47
      3.2.2.4 灰色 BP 神经网络结构参数的确定  47
    3.2.3 灰色 BP 神经网络结果分析  47-49
  3.3 灰色遗传 BP 神经网络的建立与分析  49-52
    3.3.1 灰色遗传 BP 神经网络结果分析  50-52
  3.4 各模型预测结果比较分析  52-54
第四章结论  54-55
参考文献  55-57
致谢  57

人工神经网络在啤酒感官评价中应用的研究

内容摘要

全文目录

相似论文