以传统烟熏方式加工的香肠为研究对象,利用反向传播(Back-Propagation,BP)神经网络建立烟熏香肠色泽的预测模型。通过试验获得不同烟熏温度、烟熏时间和肥瘦比条件的烟熏香肠,测定其L*、a*、b*和△E值,并对BP神经网络算法、隐含层神经...以传统烟熏方式加工的香肠为研究对象,利用反向传播(Back-Propagation,BP)神经网络建立烟熏香肠色泽的预测模型。通过试验获得不同烟熏温度、烟熏时间和肥瘦比条件的烟熏香肠,测定其L*、a*、b*和△E值,并对BP神经网络算法、隐含层神经元个数、学习速率和动量系数进行优化,获得最佳的BP神经网络预测模型结构。基于Levenberg-Marquardt算法建立精确的L*、b*和△E预测模型,性能测试显示L*、b*和△E预测模型的相关系数(R2)分别为0.847、0.825和0.924。相应的均方根误差(root mean square error,RMSE)分别为4.609、3.564和5.012。基于拟牛顿BFGS算法建立精确的a*值预测模型,性能测试显示模型的R2和RMSE分别为0.905和2.237。展开更多
文摘以传统烟熏方式加工的香肠为研究对象,利用反向传播(Back-Propagation,BP)神经网络建立烟熏香肠色泽的预测模型。通过试验获得不同烟熏温度、烟熏时间和肥瘦比条件的烟熏香肠,测定其L*、a*、b*和△E值,并对BP神经网络算法、隐含层神经元个数、学习速率和动量系数进行优化,获得最佳的BP神经网络预测模型结构。基于Levenberg-Marquardt算法建立精确的L*、b*和△E预测模型,性能测试显示L*、b*和△E预测模型的相关系数(R2)分别为0.847、0.825和0.924。相应的均方根误差(root mean square error,RMSE)分别为4.609、3.564和5.012。基于拟牛顿BFGS算法建立精确的a*值预测模型,性能测试显示模型的R2和RMSE分别为0.905和2.237。
