基于主成分分析、神经网络对啤酒感官评价的预测

该研究运用主成分分析(PCA)结合误差反向传播(BP)神经网络对啤酒感官评价进行了预测。把啤酒中11种理化及风味指标进行主成分分析,以除去数据之间的线性相关性,提取后的理化及风味指标做为输入数据,感官评价得分作为输出数据,运用BP神经网络建立啤酒感官评价预测的模型。使用此模型对50种啤酒的感官得分进行预测,预测最大相对误差为2.68%。结果表明,主成分分析和神经网络相结合的这种方法能够准确预测啤酒感官评价得分。     

主成分分析法及其在啤酒风味评价分析中的应用

用较少的综合指标概括存在于大量观测数据中的各类信息,综合指标之间彼此不相关,各指标代表的信息不重叠的分析方法称为主成分分析。应用主成分分析法可实现对不同品牌啤酒风味差异性的评价、同一品牌啤酒风味一致性的评价、同一品牌不同生产厂之间一致性的评价和同一生产厂啤酒一致性的评价。该方法可消除各变量之间的共线性,减少变量的个数,结果直观;可以对啤酒样品风味的差异性、一致性与均一性进行分析比较。     

遗传算法在豆腐乳感官评价预测中的应用

通过对豆腐乳理化指标和感官特征进行分析,利用感官评判的方式提取豆腐乳的前4个感官主成分和前4个理化主成分,对豆腐乳感官品质影响较大的前4个主成分贡献率分别为49.66％、16.33％、12.85％、6.49％;对豆腐乳理化特性影响较大的前4个主成分贡献率分别为32.67％、21.33％、17.85％、7.22％.以主成...     

主成分分析法及其在啤酒风味评价中的应用研究

在科学研究中，常常需要对反映事物属性的多个变量进行大量的观察，收集大量数据。多变量大样本无疑会为科学研究提供丰富信息，但同时也给数据处理带来了困难。特别是某些变量之间可能存在相关性，这意味着表面上看来彼此不同的观察数据，并不能从各个侧面反映事物的不同属性，而恰恰是事物同一种属性的不同表现。如何从大量的数据中挤去泡沫成分，抽象出事物的本质属性，这就是主成分分析的目的。     

啤酒的感官评价

<正> 最近,各啤酒公司相继发售新产品。对啤酒爱好者来说,选择商品虽是件乐事,但另一方面也遇到了商品识别困难的问题。 本文即是想全面地解说与这类新产品开发关系密切的啤酒感官评价的问题。     

啤酒风味物质变化与感官品尝关系的研究

通过定期检测啤酒中主要风味物质含量的变化,研究了啤酒贮藏期间的风味改变。结果发现,啤酒在室温贮藏6个月中,乙醛、二甲基硫、挥发性酯类和高级醇等风味物质都出现了明显的变化,其中乙醛增加了15.4%,二甲基硫增加了34.8%,挥发性酯类的减少了9.9%,总高级醇的减少了6.6%。为研究啤酒风味变化与感官品尝的相关性,建立了BP神经网络评分预测系统,取得较好效果。     

基于主成分分析玫瑰露酒感官特征与偏好性关系

为研究玫瑰露酒中决定消费者接受度的相关指标与玫瑰露酒感官特征之间的相互关系,测定市售玫瑰露酒的还原糖、可溶性固形物及其与青年人群偏好性,绘制玫瑰露酒风味剖面图,利用主成分分析（principal component analysis,PCA）及皮尔森（Pearson）相关性分析对所得数据进行研究。可接受度（n=50）试验结果表明,青年人群的偏好性更倾向于在花香、甜味、甜香、协调、顺滑等感官上突出的M1、M2酒样;而与醇香、苦味、酸味、涩感相关的B7、M8、M9、M10酒样,青年人群对其可接受度较低。在对市售玫瑰露酒的选择中,青年人群更偏好于具有良好口感和芳香性的玫瑰露酒。     

啤酒的感官评价

啤酒的质量是由啤酒风味、口味、色泽、泡持性、酒体清亮无混浊及其酒体的稳定性所共同体现。啤酒的泡沫、色泽和浊度可以通过各种化学或生物方法来测定，然而啤酒的风味、口味，不能充分测定，仅有经过适当培训和经历的人才能够评价这些参数。本文论述了对品评人员的要求，并对典型的风味、异味进行了描述。     

基于主成分分析法的描述性面包感官参数评估

针对标准GB/T 14611-2008《粮油检验小麦粉面包烘焙品质试验直接发酵法》中4个面包定量感官参数,依据感官评价小组表现,分析验证各参数稳定性、难易程度和特性,为参数和标度设置提供依据。选择人员和样品不同的四组感官评价小组,按该标准对面包外观、面包芯色泽、质地和纹理结构评价打分,通过方差和主成分分析四组评价人员的各参数感官评价表现,分析4个参数特性。面包外观样品间差异显著、易区分判别、稳定性好、小组一致性好;面包芯色泽样品间差异较显著,但混杂了光泽和颜色两个属性,不易理解区分,小组一致性低于其他参数,稳定性差;面包质地差异较显著、较易区分,但稳定性较差,可通过培训改善人员的区分力和小组的一致性;面包芯纹理结构差异不明显、难于区分、稳定性差,良好培训可改善区分能力和一致性;标准化和统一标度主成分分析显示四个参数都是面包主要参数。建议将面包芯的颜色和光泽分开评分,或给出更详细的描述,提高面包外观和面包芯色泽的评分比例。     

啤酒原料的感官评价方法初探

在啤酒酿造过程中，原料的质最直接影响着成品啤酒的理化指标及风味特征，因此，原料的质量控制至关重要。目前，原料的质量主要包括理化指标的控制和感官品质的评价两方面。     

基于人工神经网络模拟啤酒酿造过程中糖度及乙醇浓度的变化

建立BP神经网络模型模拟啤酒酿造过程中糖度变化和乙醇浓度变化.将啤酒酿造过程中的发酵温度、麦汁浓度、接种量及发酵时间作为输入数据,将糖度变化和乙醇浓度的变化作为输出数据,运用BP神经网络建立啤酒酿造过程的模型.使用此模型模拟了主酵温度8℃、麦汁浓度11°P、接种量为2×107个/mL时糖度变化和乙醇浓度变化,结果糖度预测的均方根误差为2.66％,乙醇浓度预测的均方根误差为14.60％.结果表明,使用此模型能够准确预测啤酒酿造过程糖度变化和乙醇浓度的变化.     

基于主成分分析的苹果品质综合评价研究

以国家苹果种质资源圃中的53个中早熟品种苹果为材料,分析其品质性状及分布,利用主成分分析建立综合评价模型进行品质综合评价。结果表明,品质性状间存在不同程度的差异,其中果皮颜色a*值变异最大,变异系数为-297.38%,水分含量品种间变异最小,变异系数为1.64%;主成分分析提取了前6个主成分,累积方差贡献率达到75.147%,主成分综合评价筛选出老笃、克鲁斯、黄魁等优选品种。     

基于主成分分析法评价谷朊粉品质

以10种市售谷朊粉为试材,在分析谷朊粉的水分、灰分、粗脂肪、粗蛋白等理化指标及吸水率、溶解性、持水力、起泡性及泡沫稳定性等功能性的基础上,利用主成分分析法对谷朊粉的品质进行了的评价。结果表明:不同企业生产的谷朊粉品质不同,通过主成分分析,提取3个主成分累计方差贡献率为83.824%,其中第1、第2和第3主成分方差贡献率分别为54.443%、18.039%和11.341%。确定泡沫稳定性、溶解性、吸水率、起泡性、水分及粗蛋白含量是影响谷朊粉品质的重要指标,建立了综合评价谷朊粉品质的方法,对谷朊粉品质进行综合评分并排序。谷朊粉综合得分越高,谷朊粉的品质越好,10种谷朊粉中排在前三位的依次是8号、5号和7号谷朊粉。      

基于遗传算法和BP网络的精毛纺粗纱质量预报

针对BP神经网络收敛速度慢、容易陷入局部最优解和遗传算法搜索范围广、效率高、鲁棒性强的特点,提出将二者结合用于精毛纺粗纱过程建模和质量预报。将BP网络初始权重和阈值按一定规律串接成字符串作为遗传算法的染色体,通过选择、交叉和变异操作对其优化, 优化后的值作为该BP网络的初始权重和阈值进行二次训练。采用相同的数据训练表明,未优化的BP网络达不到预定精度或陷入局部最优解,经GA优化后收敛速度快且达到了所需精度。粗纱CV值和单重的20组数据预报表明：预报值与实测值间的相对平均误差率由之前的3.56%和3.48%分别降低到2.55%和2.23%;预报值和实测值间的相关系数较之前大为提高。     

基于人工神经网络的织物疵点聚类分析

本文提出了一种基于人工神经网络的织物疵点分类方法。首先利用灰度共生矩阵提取织物疵点图像的纹理特征参数;然后阐述前馈BP神经网络的拓扑结构,并提出该网络的具体训练过程;最后利用人工神经网络对真实织物疵点样本进行分类,实验采用五类织物样本,网络训练完成后得到实际分类的疵点数据,并利用该数据进行织物疵点分类,分类的准确率达到100%,从而验证了该方法的可行性。     

基于主成分分析的不同种鲜食葡萄品质评价

为更加准确地评价鲜食型葡萄的品质,选择了南方种植与售卖的18种鲜食葡萄,对其果实的14个基本品质指标进行检测,并进行感官评分和相关性分析,采用主成分分析法建立了综合得分数学模型。结果表明,不同品种鲜食葡萄各品质指标间含量差异明显,其中硬度差异最大(变异系数为51.18%);相关性分析显示各指标间存在独立性和一定程度的相关性;主成分分析提取了4个主成分因子,累积贡献率达到了88.63%;综合得分显示葡萄品质最好的为黑提、阳光玫瑰、魏可、红地球和巨玫瑰,巨峰、红宝石和金手指品质相对较差。     

基于主成分分析法的贵州芸豆品质评价

以贵州7种芸豆为研究对象,基于其主要营养成分进行主成分分析并评价其品质。结果表明:芸豆中蛋白质含量为19.11%～23.69%,总膳食纤维含量为23.09%～27.60%,其中英国红的总膳食纤维含量最高;7种芸豆中含有丰富的Ca、Mg、P、K,其含量分别为0.09%～0.20%,0.19%～0.29%,0.45%～0.61%,1.48%～1.69%;不同芸豆中谷氨酸、天冬氨酸、亮氨酸含量较其他氨基酸含量高,分别为干重的3.41%～4.61%,2.52%～3.33%,1.68%～2.28%。经主成分分析,提取出5个主成分,累积方差贡献率达95.711%,通过蛋白质、锰、氨基酸、脂肪、膳食纤维、钾、钠等主要因素解释了原有18个指标的信息,经评价模型计算综合得分,排名前3的品种依次为英国红、龙12-2614、科芸1号。     

基于主成分-神经网络预测干洗后织物复合体粘合效果

通过主成分分析,提取了面料和粘合衬性能参数的8个主成分作为新的综合变量。采用BP神经网络技术建立预测干洗后织物复合体粘合效果的3层神经网络模型,运用动量法和学习率自适应调整算法训练模型。通过预测值与试验观测值的比较,表明用主成分神经网络方法预测粘合后织物复合体经干洗后粘合效果具有相当高的准确性,从而在一定程度上证明此方法的可行性。