不同贮藏温度对自热食品货架期的影响

目的研究不同贮藏温度对自热食品(咖喱鸡块菜肴包)感官品质、pH值、L*(亮度)、a*(红绿色值)、b*(黄蓝色值)、挥发性盐基氮(Total Volatile Basic Nitrogen,TVB-N)值、硫代巴比妥酸反应物(Thiobarbituric Acid-reactive Substance,TBARS)值的影响。方法分别在温度为40,50,60℃下贮藏样品,然后测量其各项理化指标。结果贮藏温度对于咖喱鸡块的多项指标存在显著影响。在同一天测定时,温度越高,咖喱鸡块的感官评分、L*越低,而TBARS值、TVB-N含量越高;3个温度下样品pH值都呈现出较为激烈的波动态势,但贮藏温度为40℃时,变动程度相对较缓;a*在贮藏温度为50℃时有更为剧烈的变化趋势,其次是60和40℃;温度对样品b*的变化并未起到较大的作用。通过一级动力学方程和阿伦尼乌斯方程构建了咖喱鸡块菜肴包的货架期预测模型。结论通过皮尔逊相关性分析选取TVB-N作为判断因子,利用此模型得到的咖喱鸡块菜肴包货架寿命预测值与实际值相对误差低于10%,说明模型准确率较高。     

不同贮藏温度下小黄鱼货架期预测模型的建立和评价

目的探究不同贮藏温度下小黄鱼的品质变化与货架期之间的关系,并建立货架期预测模型。方法设计了273,278,283,288,293 K等5组不同温度下的贮藏实验,对小黄鱼的感官品质指标变化、持水率、pH值、色差(L值、b值)、挥发性盐基氮(TVB-N)、菌落总数和鲜度指标(K值)的变化进行测定分析;运用Arrhenius方程对菌落总数、TVB-N、K值与贮藏时间及贮藏温度建立动力学预测模型。结果菌落总数、TVB-N和K值随着贮藏时间的延长而逐渐增加,感官品质随贮藏时间的延长而下降。结论该模型所获得的货架期预测值准确率达到90%以上,可用于温度为273~293 K范围内小黄鱼剩余货架期的预测。     

燕麦生鲜湿面贮藏品质变化及货架期预测模型研究

目的 构建一种新的径向基函数神经网络货架期预测模型。方法 研究不同贮藏温度下燕麦生鲜湿面的微生物、理化等指标的变化情况，通过Pearson相关性分析，筛选影响燕麦生鲜湿面货架期的主要因素，利用微生物生长动力学模型和径向基函数神经网络模型对燕麦生鲜湿面的剩余货架期进行预测。结果 微生物生长动力学模型不能很好地拟合燕麦生鲜湿面菌落总数的变化情况，预测精度较差，径向基函数神经网络预测模型的预测值与实际值的相对误差为2.66%。结论 径向基函数神经网络预测模型的效果较好，为以后食品货架期的预测提供了一定的参考依据。     

不同贮藏温度下金玉兰菜的品质变化及其货架期预测

目的 探究不同温度下金玉兰菜采后贮藏品质和生理特性的变化，建立其货架期预测模型。方法 分别设置货架温度为1、4、10、20℃，对比分析不同贮藏温度下金玉兰菜的感官品质、呼吸速率、乙烯释放量、叶绿素含量、类胡萝卜素含量、总酚含量和芽球叶部色差值（L^*、a^*、b^*）的变化情况；将质量损失率和叶部色差L^*值作为特征指标，应用Arrhenius方程和化学动力学方程，建立金玉兰菜货架期的动力学模型。结果 与10℃和20℃贮藏条件相比，1℃和4℃低温贮藏可显著延缓金玉兰菜的品质劣变进程，降低叶绿素、类胡萝卜素、总酚等含量的下降速率（P<0.05），采用1℃低温贮藏能更好地抑制金玉兰菜呼吸强度和乙烯释放量的上升，并推迟呼吸峰值的出现，显著延长了金玉兰菜的货架期。结论 所得预测模型的平均相对误差均在±5%以内，可准确预测1～20℃内金玉兰菜的货架期，为金玉兰菜采后贮藏温度条件的选择和货架期监测提供了参考依据。     

真空软包装香辣蟹贮藏品质变化及货架期预测

目的研究香辣蟹在常温贮藏条件下的保鲜包装,探究真空软包装香辣蟹的品质变化规律及常温贮藏货架期。方法测定真空软包装香辣蟹在23,33,43℃贮藏环境下的品质指标值,包括菌落总数、质构、pH值及挥发性盐基氮(TVB-N值),并综合感官评价确定真空软包装香辣蟹的货架期终点,利用Arrhenius法预测真空软包装香辣蟹货架期并建立货架期预测模型。结果在23,33,43℃贮藏温度下,真空软包装香辣蟹的挥发性盐基氮含量分别在第21,18,15天达到感官可接受的极限值(分别为29.75,30.21,31.46 mg/(100 g))。结论基于TVB-N值变化建立的货架期预测模型可很好地预测真空软包装香辣蟹的货架寿命。     

动力学模型预测三文鱼在不同温度的货架期

目的设计5组不同温度的贮藏实验,探究三文鱼在不同贮藏温度下品质与货架期间的关系。方法分析三文鱼感官品质、色差(L值、a值)、p H值、菌落总数(TVC)、K值、挥发性盐基氮(TVB-N)以及硫代巴比妥酸值(TBA)等指标在贮藏期间的变化,建立菌落总数、K值、TVB-N、TBA品质指标对应关于时间和温度的一级动力学模型。结果得到的货架期模型活化能和指前因子分别为77.22,57.39,62.07,56.41 k J/mol;2.72×10~(13),1.06×10~(10),6.63×10~(10),1.09×10~(10)。选用10℃指标作为验证性实验,预测值和实际值的相对误差均在5%以内。结论表明该实验得出的货架期方程能够较为准确地预测贮藏温度为0~20℃的三文鱼货架期。     

自然冷却与真空冷却对蛋糕货架期的影响

为考察冷却方法对蛋糕货架期的影响,进行了自然冷却与真空冷却蛋糕的实验研究.比较了经两种方法冷却后,在不同贮藏温度条件(4℃、15℃、25℃、37℃)下,微生物随贮藏时间的变化规律.发现微生物数量随贮藏时间的延长而增加,微生物生长速率随贮藏温度的升高而增大.根据不同贮藏温度条件下蛋糕中微生物随时间的变化,拟合得到微生物生长的动力学初级模型.并运用Arrhenius方程分别建立了蛋糕真空冷却后贮藏过程中菌落总数、霉菌数量与贮藏温度、时间之间动力学二级模型.结合动力学模型,推导出了真空冷却蛋糕的货架期预测模型.研究结果表明,所建立的蛋糕货架期预测模型其预测误差小于12％,可用于预测蛋糕的货架期.     

低温贮藏下分割牛肉品质变化的牛肉包装

目的探究贮藏温度对分割牛肉品质的影响,提出适合不同级别牛肉的包装方式和贮藏条件。方法通过对上脑、牛前、牛前柳、胸肉、牛腩、臀肉和米龙等7个不同部位的分割牛肉在冻藏和冷藏条件下的pH值、牛肉色泽、水分、粗蛋白、脂肪酸和硬度的测定,得到不同部位分割牛肉本身的品质差异和贮藏温度对牛肉品质的影响,据此提出适用于分割牛肉的包装方式和贮藏条件。结果不同部位分割牛肉的品质差异显著(P0.05),且贮藏温度对牛肉pH值、a*值、水分含量影响显著(P0.05),但对牛肉L*值、b*值、硬度和脂肪酸含量无影响(P0.05);冻藏分割牛肉的a*值、粗蛋白含量显著高于冷藏牛肉(P0.05),而冷藏牛肉水分含量高于冻藏牛肉(P0.05)。结论提出了针对不同级别的分割牛肉包装和贮藏条件。建议对上脑进行气调包装,对米龙采用高阻材料进行真空包装,对臀肉和胸肉采用阻隔性一般的材料进行真空包装,三者经包装后冷藏;对牛前、牛腩和牛前柳在常规冻藏前建议用保鲜膜或热收缩膜进行包装。     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。     

基于EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。     

BP人工神经网络在酥性饼干货架寿命预测中的应用

分别使用动力学方法、weibull危害分析法、BP人工神经网络法建立了预测美味酥饼干货架寿命的数学模型。3种模型性能的比较表明:BP人工神经网络预测结果更加准确、方便,使用BP人工神经网络模型的预测值与真实货架寿命值的相关性最高(R2=0.963 8);并且BP模型能综合反映饼干的初始含水率、初始过氧化值,饼干包装材料的透氧率、透湿率以及贮存环境温湿度对其货架寿命的影响。     

一种数码喷墨印花机的颜色特性化方法

目的为了提升数码印花中彩色图像的复现精度,提出一种在子空间采用遗传算法优化BP神经网络的颜色特性化方法。方法介绍遗传算法(GA)优化BP神经网络的基本原理,设计一种在L*a*b*颜色子空间建立的颜色特性化模型,并对1000个色样开展GA-BP神经网络模型训练实验,最终拟合出印花色样的L*a*b*色度值和输入的印花图像RGB驱动值之间的非线性关系。结果该方法对125个测试色样的颜色特性化预测结果显示,超过90%的色样色差分布在2.0以内,光谱均方根误差(RMSE)分布在0.02以内。结论该方法较未进行遗传算法优化BP神经网络,预测精度得到明显提升,能够达到较高的数码喷墨印花彩色图像复现精度。     

基于BP神经网络的CMYK到L*a*b*颜色空间转换模型

由于BP神经网络不需要充分的理论根据,利用色靶的大量数据,通过BP神经网络,建立了CMYK到L*a*b*色空间的转换关系,并评价了模型精度。研究结果表明:BP神经网络用于CMYK到L*a*b*颜色空间转换,计算速度快,转换精度较高。     

动力学理论预测食品包装货架寿命模型的研究

探讨了不同反应级数的食品品质函数的形式及其确定方法,总结了5种以食品品质损失动力学模型为基础的食品货架寿命预测的研究方法,即Arrhenius方程、WLF方程、Q10模型、Z值模型法和WHA方法。     

基于误差修正 NLSTM 神经网络的无人机航迹预测

无人机产业近年来发展迅猛,在军用和民用方面都拥有广泛的应用前景。无人机的航迹记录在其航行过程中发挥着重要作用,无人机的航迹预测也成为当前世界研究的热点,使用神经网络进行航迹预测更可以充分发挥其优势。首先对国内外学者关于航迹预测的文献进行了梳理,根据航迹预测的原理对目前飞行器航迹预测算法进行了总结和分类,针对利用神经网络模型预测无人机航迹并逐步改进模型以提高预测精度的问题进行了研究。接着对于传统神经网络模型预测精度不够高的问题,提出一种带误差修正的嵌套长短期记忆 (ENLSTM) 神经网络预测模型。ENLSTM 在嵌套长短期记忆网络模型的基础上引入了误差修正项,从而使得预测精度更高。最后使用 BP、RNN、LSTM 和 ENLSTM 四种神经网络模型分别对无人机的真实航迹数据和模拟航迹数据进行仿真实验,得出结论：循环神经网络相对 BP 神经网络在无人机航迹的预测上更具有优势,基于基础循环神经网络的逐步改进提升了模型的预测能力,ENLSTM 模型对于无人机的航迹预测具有更好的效果。     

改进Back Propagation神经网络预测麻纤维/UP复合材料的界面性能

为研究麻纤维化学成分对其增强复合材料界面性能的影响,选取麻纤维纤维素、半纤维素、果胶、木质素、水溶物、脂蜡质成分含量及回潮率作为影响因素,以麻纤维/不饱和聚酯树脂(UP)复合材料界面性能作为影响结果,构建Back Propagation(BP)神经网络的训练样本。首先,利用灰关联分析法对影响麻纤维/UP复合材料界面性能的因素进行关联度计算;其次,按照影响程度的大小进行排序,建立3层BP神经网络模型进行迭代训练;最后,预测麻纤维化学成分含量对麻纤维/UP复合材料界面性能的影响。预测结果表明:学习结束后模型的输出比较接近实测值,说明BP神经网络具有很强的学习能力,同时也证明了将BP神经网络用于麻纤维/UP复合材料界面剪切力预测的可行性;灰关联与BP神经网络联用后预测精度得到大大提高,预测误差最大可减小83.28%。     

基于粗糙PSO-BP神经网络的冷链物流服务商选择研究

为帮助冷链食品生产企业快速选择最佳冷链物流服务商,在传统BP神经网络基础上融合粗糙集和粒子群算法,构建了粗糙PSO-BP神经网络模型。该模型利用粗糙集剔除原始数据中的冗余信息,使输入指标更加精简;采用粒子群算法代替梯度下降法对神经网络权重进行训练,使输出结果不易陷入局部极小值,增强网络泛化能力。通过算例验证该模型的有效性和可行性。结果表明,该模型在提高运算速度的同时,预测误差为BP神经网络模型的40.94%,预测结果更加准确可靠,为冷链食品生产企业快速选择最佳冷链物流服务商提供一种新的方法指导。     

An Improved BPNN Prediction Method Based on Multi-Strategy Sparrow Search Algorithm

Data prediction can improve the science of decision-making by making predictions about what happens in daily life based on natural law trends. Back propagation (BP) neural network is a widely used prediction method. To reduce its probability of falling into local optimum and improve the prediction accuracy, we propose an improved BP neural network prediction method based on a multi-strategy sparrow search algorithm (MSSA). The weights and thresholds of the BP neural network are optimized using the sparrow search algorithm (SSA). Three strategies are designed to improve the SSA to enhance its optimization-seeking ability, leading to the MSSA-BP prediction model. The MSSA algorithm was tested with nine different types of benchmark functions to verify the optimization performance of the algorithm. Two different datasets were selected for comparison experiments on three groups of models. Under the same conditions, the mean absolute error (MAE), root mean square error (RMSE), and mean absolute percentage error (MAPE) of the prediction results of MSSA-BP were significantly reduced, and the convergence speed was significantly improved. MSSA-BP can effectively improve the prediction accuracy and has certain application value.     

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择。仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;GA-BP神经网络预测模型的塔筒应力预测平均误差为7.04%,相对BP神经网络预测结果误差减少了4.38%,预测精度满足工程需求。所提出的方法建立风电场海量监测数据和塔筒应力数据之间的有效关系模型,可为风电场长期有效的载荷监测提供新的手段。