翻译-反应鳄梨在存储期间质量变化的高光谱反射数据的人工神经网络模型..doc

反应鳄梨在存储期间质量变化的高光谱反射数据的人工神经网络模型 摘要：人工神经网络（神经网络）和高光谱技术被用来塑造梨在不同温度贮藏期间质量变化的模型。鳄梨表面涂果胶乳剂储存在不同温度（10，15，20℃）下，同时贮存的还有未涂果胶乳剂的样品。在不同的时间间隔贮藏期间，样品的呼吸速率、总色差、纹理和重量损失作为常规质量参数。高光谱成像是用来评价鳄梨的光谱特性。多层人工神经网络用了两种方法建立鳄梨存储期间的质量预测模型。第一种方法中，神经网络模型的建立以主要的光谱数据以及储存温度和时间为基础。理想结构的神经网络模型的建立是基于变化的不同模型参数。结果表明神经网络模型是准确的和灵活的，ANN预测鳄梨水果质量变化比传统回归模型更好；此外，基于存储时间–温度的ANN模型优于基于光谱的ANN模型。 实际应用 手稿评价利用ANN模型评价鳄梨采后品质涉及传统的工艺参数，比如储存时间和温度。为了提供新的目标函数，数据也从非破坏性高光谱辐射测量技术收集得到，而不是简单的链接鳄梨质量与储存变量。ANN模型被训练使用两套数据,并进行了比较。这项研究证明了ANN模型更准确的预测鳄梨水果质量改变，与传统的回归模型比较；此外，基于储存时间-温度的ANN模型优于基于高光谱的ANN模型。ANN模型目前被用于许多食品流程建模应用程序。这项研究表明新的建模技术预测存储农产品质量的重要性以及公认的存储参数的正确性,如温度和时间因素，对质量的评估更重要。 引言 重量和质量的损失影响园艺作物的收成和消费。尽管取得了进展，超过四分之一的收获的新鲜水果和蔬菜还是由于损坏丢失了重量和质量。这代表了大量的经济损失，甚至在发达国家，随着更多的毁灭因素，在世界许多的热带地区。为了减少这些损失，包括生物和环境因素的恶化应该被了解，并应用收获后处理技术即延缓衰老和相关质量变化的技术。 FIG. 1. (a) THE EXPERIMENTAL SETUP AND (b) TYPICAL SPECTRAL RESPONSE CURVES OF AVOCADOS 图1.（a）试验设置 （b）鳄梨的光谱反射图 一些技术被用于增加新鲜农产品的寿命，通过减慢农产品的成熟速率，和减少有害物质的增加。这些技术的其中之一是，表面使用可食用涂料来改善空气，这类似于由改善的空气包装创造的，减少了氧的吸收和二氧化碳的消耗。温度控制是重要的步骤，它能影响水果的呼吸以及其他的质量参数。鳄梨是一种非常易腐烂的水果，因为它有比较高的代谢速率，导致它储存在最适温度和相对湿度下，寿命仅仅有3-4周。鳄梨的质量是各方面物理化学和营养特征的综合，受储存条件的极大影响。在我们之前的研究(Maftoonazad 2006), 果胶乳剂已被证明能有效延长鳄梨的保质期。为了在鳄梨失去市场潜力之前利用它们，建立在不同贮藏条件下相关的质量变化模型是有用的。 最近的用于调查质量参数的变化技术是使用高光谱系统。这种技术是用来收集水果和蔬菜的光谱特征，很好的显示了与质量参数变化相关性。技术的主要部分在别处已经有详细的说明。高光谱和多光谱成像已经别用于农业和食品加工系统。 使得食物质量参数和储存条件相关联的传统的程序是基于统计学方法的。统计学方式和回归方程式是简单的并基于已决定的相关联改变的假设。统计学方法的主要假设是，数据描绘了一个基本的“现实”，能通过一个代数方程表达。因为食物质量的预测包括一些输入和输出的变量，统计学分析一般得到一组复杂的、难解的和通常很难用的数学公式。统计学模型的预测性能和精确度通常用相关的回归系数R2和评估的标准误差表示。一旦模型已经建立，用户将不能再提高精度。在输入和输出是本质变量的情况时，系统仅仅被用来预测是更合适的。一个能从连续的试验尝试中学习的系统是理想的，因为它将随着时间变得越来越可靠，并能适应数据的不可预测的改变。 虽然,人工神经网络(ann)并不是新概念,但在这个领域的研究兴趣在过去十年里有了增强。 主要感兴趣的是ANN模型的一般的性质，近似的能力和适应能力。这些原因导致了ANN模型被广泛应用于各种工程学科。在这方面的考虑应用，一个前馈ANN网络和光谱成像技术综合起来成功的用于分离出合格的鸡肉。一个反向传播神经网络，有从彩色\灰度的空间分布提取出来的结构特征，是Kavd?r and Guyer发现的，被用于检测Empire和金冠苹果的瑕疵。有许多他们在食品工程应用的报道。不同的神经网络方法综合应用于苹果、梨和桃子的破损的预测。前馈反向传播ANN模型是El-Mastry et al发现建立的，用于研究高光谱成像的能力和ANN技术检测红富士苹果的冻伤。报道说使用五个理想的波长能获得90%以上的精度等级。但是没有报道过他们对鳄梨在储存期间的质量参数的研究应用。这项研究的目的是发展神经网络模型能