张彪^,, 刘璇^,, 毕金峰, 吴昕烨, 金鑫, 李旋, 李潇中国农业科学院农产品加工研究所/农业农村部农产品加工重点实验室,北京 100193

Suitability Evaluation of Apple for Chips-Processing Based on BP Artificial Neural Network

ZHANG Biao^,, LIU Xuan^,, BI JinFeng, WU XinYe, JIN Xin, LI Xuan, LI XiaoInstitute of Food Science and Technology, Chinese Academy of Agricultural Sciences/Key Laboratory of Agro-Products Processing, Ministry of Agriculture and Rural Affairs, Beijing 100193

通讯作者: 刘璇，E-mail：liuxuancaas@126.com

第一联系人: 张彪,E-mail： 15829685595@163.com。
收稿日期:2018-05-29接受日期:2018-09-18网络出版日期:2019-01-01

基金资助:

“十三五”国家重点研发计划.2016YFD0400201-4

Received:2018-05-29Accepted:2018-09-18Online:2019-01-01


摘要
【目的】 建立苹果原料制干适宜性评价模型,实现基于苹果原料指标预测干制品品质的目标,为苹果制干专用化原料的筛选提供方法依据,为明确苹果干制品品质形成的基础物质提供数据支持。【方法】 以来自7个不同主产区的21个主栽品种,共34份苹果鲜果样本为研究对象,运用多种数据处理方法建立苹果脆片品质综合评价模型与苹果原料制干适宜性评价模型。（1）利用压差闪蒸干燥方法制备34份苹果鲜果的脆片样本,测定苹果脆片17项品质指标,采用因子分析进行降维并筛选得到苹果脆片品质评价核心指标,运用层次分析法得到脆片核心指标权重值,构建脆片品质综合评价模型并计算得到脆片综合评价得分。（2）测定34份苹果鲜果样本22项品质指标,与脆片核心指标进行相关性分析并筛选出与脆片品质相关的果实特征指标。选用29个样本以果实特征指标为输入,对应脆片综合评价得分为输出,利用误差反向传播（Error Back Propagation, BP）神经网络算法构建学习模型;其余5个样本为验证样本,评价学习模型的预测准确性。变换3组学习样本构建3个学习模型,对比3个模型的预测准确性,验证建模方法的合理性与稳定性。【结果】 苹果脆片L*值、脆度、膨化度、可滴定酸含量、可溶性糖含量和粗蛋白含量被确定为不同样本脆片品质综合评价的核心指标,构建的苹果脆片品质综合评价模型为Y_综合得分=L*值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。34个苹果鲜果样本制得的脆片综合得分范围为0.2069—0.7933,存在较大差异,得分排名前3的苹果样本为‘辽宁华红’‘辽宁华金’和‘山东烟富6号’,排名最后的苹果样本为‘陕西秦冠’。基于脆片核心指标与苹果果实品质指标相关性分析结果,筛选出苹果果实的果形指数、果肉a*值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标作为果实制干适宜性评价的特征指标。以果实特征指标值为输入层,对应苹果脆片综合评分为输出层,建立BP神经网络学习模型,可实现苹果原料制干适宜性的定量预测。该方法建立的学习模型有较高的预测准确性与稳定性,变换学习样本得到的3个学习模型的预测值与实际值相对误差均不超过10%,实际值与模型预测值线性拟合后决定系数R²均大于0.95。【结论】 苹果制干适宜性可由果实的果形指数、果肉a*值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标进行评价,建立的适宜性评价模型可实现基于苹果原料指标定量预测其制干适宜性。
关键词： 苹果;脆片;干制;适宜性评价;BP神经网络

Abstract
【Objective】The aim of the paper was to establish suitability evaluation model for apple chips-processing from different cultivars and to achieve the quality prediction of apple chips based on raw material indicators.【Method】34 fresh apple samples of 21 apple varieties from 7 major growing regions were selected as research objects. Factor analysis (FA) and analytic hierarchy process (AHP) were used to establish comprehensive quality evaluation model for chips, and Error Back Propagation (BP) artificial neural network was used to establish chips-processing suitability evaluation model for apple fruits. (1) Chips were prepared by instant controlled pressure drop (DIC, French for détente instantannée controlee, also known as explosion puffing) and 17 indicators were measured. The core indexes of chips were selected by FA and correlation analysis. The weights of the core indexes were determined by AHP, and then the comprehensive quality evaluation scores of chips were calculated. (2) 22 indicators of 34 fruit samples with different cultivars and regions were measured. Then the characteristic indicators of apple fruits related to chip qualities were screened out by correlation analysis between data groups of apple fruit indicators and chip core indexes. Learning model with input of fruit characteristic indicators and output of chip comprehensive evaluation scores was established by database of 29 apple samples. 5 apple samples were chosen as test samples to verify the prediction accuracy of the learning model. Modified leaning models from different sample groups were compared by prediction accuracy, which could be the evidence to evaluate rationality and stability for application of BP neural network in the present research.【Result】The results showed that L* value, brittleness, puffing degree, titratable acid, soluble sugar and crude protein of apple chip were determined as the core indexes which the weights were 0.3724, 0.2665, 0.1583, 0.0890, 0.0569 and 0.0569, respectively. The comprehensive quality scores of chips from 34 apple samples ranged from 0.2069 to 0.7933, indicating significant variation. The top 3 apple samples with high scores were Liaoning Huahong, Liaoning Huajin and Shandong Yanfu 6, and the final ranking for Shanxi Qinguan. Correlation analysis was performed between core indexes of chips and quality indicators of apple raw materials to achieve characteristic indicators of apple fruits, including the fruit shape index, a* value (pulp), pH value, titratable acid content, Vc content, proportion of core, protein content, b* value (pulp), density, soluble solids content, crude fiber content and total sugar content. Therefore, learning models were established with input layer of the characteristic indicators value of fruit and output layer of the comprehensive quality score of apple chip, which could predict the comprehensive quality of apple chips from indicators of raw materials. Moreover, the model showed high prediction accuracy. The relative errors between the predicted and actual values of the three learning models groups did not exceed 10%, and the coefficients of determination R² of linear fitting were higher than 0.95.【Conclusion】Suitability evaluation of apple fruit for chips-processing could be evaluated by fruit shape index, a* value (pulp), pH value, titratable acid content, Vc content, proportion of core, protein content, b* value (pulp), density, soluble solids content, crude fiber content and total sugar content. The established model could be used to quantitatively predict apple fruit suitability for chips-processing based on the indicators of raw fruits.
Keywords：apple;chips;dehydration;suitability evaluation;BP neural network


PDF (543KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
张彪, 刘璇, 毕金峰, 吴昕烨, 金鑫, 李旋, 李潇. 基于BP人工神经网络算法的苹果制干适宜性评价[J]. 中国农业科学, 2019, 52(1): 129-142 doi:10.3864/j.issn.0578-1752.2019.01.012
ZHANG Biao, LIU Xuan, BI JinFeng, WU XinYe, JIN Xin, LI Xuan, LI Xiao. Suitability Evaluation of Apple for Chips-Processing Based on BP Artificial Neural Network[J]. Scientia Acricultura Sinica, 2019, 52(1): 129-142 doi:10.3864/j.issn.0578-1752.2019.01.012

0 引言

【研究意义】苹果是中国产量最大的果品,至2016年,中国苹果产量和产值分别达到4.39×10⁷ t和2 000亿元,占中国水果产量的15.5%、农林产值的4.7%^[1]。中国苹果加工产业发展迅猛,产品消费量年均增长8.5%。目前浓缩汁已经成为苹果最主要的加工品和出口产品,但加工能力已趋于饱和^[2]。苹果脆片作为一种新型的休闲食品,可以补充苹果加工产业的空白,具有较好的发展前景。构建苹果原料制干适宜性评价模型不仅可以指导企业对苹果品种进行制干专用化筛选,还有利于明确苹果干制品品质形成的物质基础。【前人研究进展】果品原料品质是生产优质加工品的基础,因此,对于原料加工适宜性评价尤为重要。近年来,针对多种果蔬原料加工适宜性评价的研究已有许多报道。焦艺等^[3]采集了北京地区7个蟠桃品种,制汁后测定多项指标,采用层次分析法赋予桃汁核心指标权重后得到7个品种蟠桃汁品质得分。郭春苗等^[4]测定了新疆36个品种绿色葡萄果实多项指标,采用灰色关联分析法筛选出10个适宜加工葡萄干的品种。沈月等^[5]收集了我国20个青辣椒主栽品种,分析了20余项果实指标差异,结合层次分析法与灰色关联度分析法得到了20个青辣椒品种鲜切加工适宜性排序。国外****在研究原料加工适宜性方面偏重对制品的营养成分分析及感官评价。A??AM等^[6]测定了3个柑橘品种的多种营养指标,分析了其制汁适宜性。LAMUREANU等^[7]收集了11个品种的桃原料,加工成桃泥后进行感官评价,对11个品种加工桃泥适宜性进行排序并分析影响桃泥口感的关键指标。FUJIWARA等^[8]对不同成熟阶段日本梨果实制得的干果进行感官评价后排序,并测定相关果实指标,明确了日本梨适宜制干的成熟期。上述研究对不同果蔬品种的原料品质或制品品质进行分析,仅可以评价所研究品种加工适宜性,无法预测未知样品的加工性能。原料加工适宜性评价应关联原料指标与制品品质,实现基于原料指标预测制品品质的目标,目前国内已有一些****对此进行了初步的探索。聂继云等^[9]对苹果果汁品质指标与原料指标进行相关性分析,筛选出果实特征指标,运用判别分析对122个苹果品种制汁适宜性进行简单分类。张小燕等^[10]收集了74个品种的马铃薯原料,采用逐步回归分析的方法关联原料指标与制品品质,实现了基于马铃薯原料指标定量预测薯片综合品质,预测值与真实值的相关系数为0.502。【本研究切入点】目前,对果蔬原料加工适宜性评价研究多集中在对原料品质或制品品质的单一评价,缺少基于原料指标预测加工制品品质的方法。现有的少数关联方法多利用线性模型定性或定量关联原料特性与制品品质,存在制品品质评价不合理、原料特征指标筛选不全面、模型关联性差等问题,预测准确率较低。【拟解决的关键问题】利用因子分析筛选出脆片核心评价指标后,通过层次分析法确定脆片核心指标权重,进而得到脆片样本的综合得分并以此作为苹果原料制干适宜性得分;为明确对脆片综合品质起主要作用的原料指标,本研究测定34个鲜果样本22项指标,与脆片核心指标进行相关性分析,筛选出与脆片核心指标显著相关的原料特征指标;为实现基于苹果果实指标客观、准确地预测脆片品质的目的,本研究以果实特征指标为输入,对应脆片综合评价得分为输出,利用BP神经网络算法构建学习模型,可客观、定量、准确地预测苹果原料制干适宜性。

1 材料与方法

试验于2016年10月至2017年5月在中国农业科学院农产品加工研究所进行。

1.1 试验原料

本研究中34个苹果样本均为主产区主栽品种,样品名称及采样地点、时间见表1。苹果于9成熟时采摘,每个品种采集3株果树,每株从树冠中部外围随机采集40个果实。取样果实大小均一、无病虫害与机械损伤。果实采摘后于4℃冷库贮藏备用。

Table 1
表1
表1苹果原料名称及采收地点、时间
Table 1Names and collect place and time of apples

序号 No.	名称 Name	产地 Collect place	采收日期 Collect time		序号 No.	名称 Name	产地 Collect place	采收日期 Collect time
1	华红 Huahong	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		18	新红星 Starkrimson	山东泰安 Taian, Shandong	2016.10.14
2	华金 Huajin	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		19	金冠 Golden Delicious	山东淄博 Zibo, Shandong	2016.10.23
3	秋锦 Qiujin	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		20	红星 Starking	山东淄博 Zibo, Shandong	2016.10.23
4	华月 Huayue	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		21	富士 Fuji	山东淄博 Zibo, Shandong	2016.10.23
5	寒富 Hanfu	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		22	红将军 Hongjiangjun	山东淄博 Zibo, Shandong	2016.10.23
6	乔纳金 Jonagold	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		23	国光 Ralls	山东淄博 Zibo, Shandong	2016.10.23
7	长富2号 Changfu 2	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		24	富士 Fuji	山东栖霞 Qixia, Shandong	2016.10.12
8	金冠 Golden Delicious	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		25	烟富6号 Yanfu 6	山东青岛 Qingdao, Shandong	2016.10.11
9	新红星 Starkrimson	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		26	富士 Fuji	甘肃平波 Pingbo, Gansu	2016.11.07
10	华富 Huafu	辽宁葫芦岛 Huludao, Liaoning	2016.10.15		27	金冠 Golden Delicious	甘肃平波 Pingbo, Gansu	2016.11.07
11	青苹 Granny Smith	陕西咸阳 Xianyang, Shaanxi	2016.10.22		28	花牛 Huaniu	甘肃平波 Pingbo, Gansu	2016.11.07
12	瑞阳 Ruiyang	陕西咸阳 Xianyang, Shaanxi	2016.10.22		29	秦冠 Qinguan	甘肃平波 Pingbo, Gansu	2016.11.07
13	秦冠 Qinguan	陕西咸阳 Xianyang, Shaanxi	2016.10.22		30	半坡秦冠 Banpo Qinguan	山西运城 Yuncheng, Shanxi	2016.10.28
14	秦红 Qinhong	陕西咸阳 Xianyang, Shaanxi	2016.10.22		31	坡顶富士 Poding Fuji	山西运城 Yuncheng, Shanxi	2016.10.28
15	长密欧 Changmiou	陕西咸阳 Xianyang, Shaanxi	2016.10.22		32	半坡富士 Banpo Fuji	山西运城 Yuncheng, Shanxi	2016.10.28
16	富士 Fuji	陕西咸阳 Xianyang, Shaanxi	2016.10.22		33	富士 Fuji	河北 Hebei	2016.11.03
17	金冠 Golden Delicious	山东泰安 Taian, Shandong	2016.10.14		34	富士 Fuji	新疆 Xinjiang	2016.11.07

新窗口打开|下载CSV

1.2 主要仪器与设备

DHG-9123A型电热恒温鼓风箱（上海精宏设备有限公司）、QDPH1021型果蔬变温压差膨化干燥设备（天津市勤德新材料科技有限公司）、FA-200型切片机（广东南海市德丰电热设备厂）、Volscan Prodiler VSP 3000045型食品体积自动测定仪（英国 Stable Micro System 公司）、D25LT型色差仪（美国Hunterlab 公司）、TA.XT 2i/50 型物性分析仪（英国Stable Micro System公司）、UV-1800 型紫外分光光度计（日本岛津公司）、WZB 45数显折光仪（上海精密科学仪器有限公司）。

1.3 苹果脆片制备

苹果原料—清洗—去梗、去核、去皮—切片—预干燥—均湿—压差闪蒸干燥—成品。脆片于室温条件下（温度为22—26℃,湿度为40%—60%）干燥器内贮藏备用,待测定完脆片物理指标后,打粉,过40目筛,装袋后冻存于-40℃冰箱,以测定脆片化学指标。

脆片制备的工艺参数为：

（1）切片：切片厚度为5 mm;

（2）预干燥（热风干燥）：温度为70℃,烘至苹果片含水量约为30%;

（3）均湿：预干燥后样品装于自封袋中于4℃冰箱中均湿12 h;

（4）压差闪蒸干燥：样品在温度为95℃的膨化罐中停滞10 min,在压差为0.09 MPa的条件下闪蒸1次,真空干燥温度为60℃,真空干燥时间为3 h。

1.4 苹果果实和脆片品质指标测定方法

（1）鲜果质量与体积：鲜果质量与体积分别使用电子天平与食品体积自动测定仪测定,单位分别为‘g’与‘cm³’。每个品种随机取10个果实,分别测定取平均值。

（2）鲜果密度：鲜果密度为质量与体积的比值,单位为g?cm^-3。

（3）鲜果果形指数：鲜果果形指数为果实纵径与横径的比值,其中果实纵径与横径由游标卡尺测得。每个品种随机取10个果实,分别测定后取平均值。

（4）鲜果果核比例：鲜果果核比例为果实最大横切面处果核直径与果实直径的比值,其中果核直径与果实直径由游标卡尺测得。每个品种随机取10个果实,分别测定后取平均值。

（5）鲜果pH：鲜果打浆后使用pH计测得。每个品种随机取3个果实,分别测定后取平均值。

（6）颜色^[11]：颜色采用色差仪（国际照明委员会（Commission Internationale de L’Eclairage,CIE）测色系统）测定。结果以L*、a*、b*数值表示。

（7）硬度、脆度^[12]：采用英国Stable Micro System公司生产的 Ta.XT2i/50 型物性分析仪。参数设置如下：探头为0.25S型,测试距离为3 mm,刺入深度为4 mm,测试前1 mm?s^-1,测试中1 mm?s^-1,测试后2 mm?s^-1,触发力10 N。产品断裂时所需的最大应力为该样品的硬度值,数值越大表示硬度越大,单位为g;探头与样品接触至样品断裂时探头行进距离为该样品的脆度值,值越小代表产品越脆,单位为mm。每个品种随机取5片,每片测两次,分别测定后取平均值。

（8）可滴定酸^[13]：可滴定酸含量的测定参照GB/T 12456—2008《食品中总酸的测定》。

（9）可溶性固形物^[14]：可溶性固形物含量的测定参照NY/T 2637—2014《水果和蔬菜可溶性固形物含量的测定 折射仪法》。

（10）含水率^[15]：含水率的测定参照GB 5009.3—2010《食品中水分的测定》。

（11）粗纤维、蛋白质^[16,17]：粗纤维、蛋白质的测定分别参照GB/T 5009.10—2003《植物类食品中粗纤维的测定》和GB 5009.5—2016《食品中蛋白质的测定》。

（12）V_C^[18]：V_C含量的测定参照GB 5009.86—2016《食品安全国家标准食品中抗坏血酸的测定》（第一法）。

（13）还原糖与总糖^[19]：还原糖与总糖含量的测定参照斐林试剂法。

（14）总酚含量^[20]：总酚含量的测定参照福林酚法。

（15）果胶含量^[21]：果胶含量的测定参照NY／T 2016—2011《水果及其制品中果胶含量的测定 分光光度法》。

（16）可溶性糖含量^[22]：可溶性糖含量的测定参照NY／T 2742—2015《水果及制品可溶性糖的测定3,5-二硝基水杨酸比色法》。

（17）糖酸比：糖酸比为可溶性糖与可滴定酸的比值。

（18）脆片复水比^[23]：称量苹果脆片质量,记作m₁,室温下按1﹕50（m﹕v）加蒸馏水,浸泡30 min后取出,沥干,称重,记为m₂。复水比按公式计算。平行复水比=$\frac{{{\text{m}}_{2}}}{{{\text{m}}_{1}}}$,测定3次,取平均值。

（19）脆片出品率^[24]：每个品种鲜果切片后随机选出9片进行编号,分别称量其质量记作m₁,称量后的苹果片进行变温压差干燥制成苹果脆片,电子天平分别测定其质量记作m₂,出品率按公式（出品率=$\frac{{{\text{m}}_{2}}}{{{\text{m}}_{1}}}$）计算,结果取平均值。

（20）脆片膨化度^[25]：每个品种鲜果切片后随机选出5片进行编号,压差闪蒸前的厚度记作H₁,压差闪蒸后的厚度记作H₂,膨化度按公式计算,膨化度=$\frac{{{\text{H}}_{2}}}{{{\text{H}}_{1}}}$,取平均值。

1.5 建模思路

原料加工适宜性评价实质上是基于原料的多指标对制品综合品质的评价,即多个描述不同方面且量纲不同的原料指标转化为无量纲的相对评价值,并且综合这些评价值对制品综合品质做出定性或定量评价的方法^[26]。因此,对苹果原料进行制干适宜性评价,要解决的主要问题为评价脆片综合品质,筛选与脆片品质相关的原料特征指标,构建原料特征指标与脆片综合品质关联模型。为评价脆片综合品质,本研究测定34个脆片样本17项品质指标,利用因子分析筛选出核心指标,运用层次分析法确定核心指标权重,建立脆片品质综合评价模型,进而得到脆片综合得分;为筛选原料特征指标,测定34个苹果鲜果样本22项指标,将其与脆片核心指标进行相关性分析,筛选出显著相关的原料指标作为特征指标;为构建原料特征指标与脆片综合品质关联模型,本研究选用29个苹果样本采用BP神经网络算法构建学习模型,其中输入层为果实特征指标,输出层为脆片品质综合得分,剩余5个样本为验证样本,评价学习模型的预测准确性。为优化建模样本同时验证建模方法的稳定性,变换3组学习样本（29个）构建3个学习模型,对比三个模型的预测准确性。若预测准确率均在合理范围内,则说明该建模方法合理、稳定。

1.6 数据分析方法

采用SPSS 22.0（SPSS Inc.,Chicago,IL,USA）软件进行描述性分析、主成分分析、相关性分析,采用RapidMiner 7.5软件进行BP神经网络建模。

2 结果

2.1 苹果果实和脆片品质指标水平分析

34个品种苹果果实样本22项指标测定值如表2所示,果实及脆片样本品质指标均值、变幅、标准差、变异系数如表3所示。对于不同苹果果实样本,22项品质指标变异程度不同,变异范围为2.85%—122.83%（绝对值）。其中密度、果形指数、果肉L*值、果肉b*值、pH和含水率5项指标的变异系数均小于10%,说明离散程度较小;其余17项指标变异系数均较大,说明不同苹果果实样本品质指标差异较大,果皮a*值和果肉a*值两项指标变异系数分别高达100.12%和122.83%,数据离散程度大,各个样本间指标测定值差异大。不同果实样本果皮a*值差异大与试验选用果皮颜色有接近全红（如红星）和全绿（如青苹）的品种有关,果肉a*值差异大则与不同果实样本褐变速率不同有关。

Table 2
表2
表234个品种苹果果实22项指标数据
Table 2Data on 22 fruit indexes of 34 apple varieties

编号 Number	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11	X12	X13	X14	X15	X16	X17	X18	X19	X20	X21	X22
1	232.31	288.00	0.81	0.96	0.21	45.12	14.15	15.92	67.00	-0.53	21.51	6.56	2.36	3.41	0.47	12.90	0.86	1.10	0.36	2.10	7.80	12.10
2	207.28	261.00	0.80	0.89	0.22	53.79	-3.32	20.93	68.51	-2.57	14.24	5.74	2.09	3.52	0.34	13.30	0.88	1.10	0.38	4.80	8.60	12.50
3	152.53	195.00	0.78	0.82	0.26	32.68	7.97	9.78	63.64	-1.03	21.58	9.10	2.94	4.04	0.21	12.93	0.82	1.40	0.35	3.10	11.10	14.00
4	197.07	231.00	0.85	0.96	0.27	48.97	-1.41	19.67	63.17	-1.36	23.42	7.32	3.01	3.56	0.44	13.03	0.86	1.00	0.32	7.60	8.10	12.90
5	212.10	275.00	0.77	0.85	0.26	41.78	9.50	12.13	64.57	-2.89	19.14	6.10	2.23	3.69	0.34	9.93	0.87	0.90	0.35	2.10	8.70	9.90
6	220.56	264.00	0.84	0.90	0.27	42.42	11.54	14.45	66.66	-2.31	22.19	6.46	2.11	3.37	0.36	13.87	0.85	1.00	0.29	3.60	8.50	12.50
7	212.19	256.00	0.83	0.88	0.19	45.59	0.25	17.51	63.13	-2.45	19.48	8.83	2.80	3.68	0.33	12.70	0.84	0.90	0.48	3.50	8.60	9.20
8	193.01	245.00	0.79	0.89	0.24	51.81	-6.17	23.22	66.46	-2.02	22.02	6.97	2.66	3.45	0.39	12.37	0.85	0.90	0.58	2.40	9.60	11.70
9	239.69	296.00	0.81	0.90	0.22	29.12	15.07	6.53	64.65	-2.48	20.17	9.51	2.93	3.86	0.19	10.80	0.87	1.00	0.29	2.50	7.50	13.40
10	183.71	216.00	0.85	0.89	0.28	44.56	12.50	14.09	62.59	-0.63	20.76	9.03	2.89	3.45	0.40	14.67	0.85	1.40	0.32	2.00	9.40	14.40
11	212.26	257.00	0.82	0.90	0.28	45.85	-9.74	18.87	63.02	-4.87	18.01	12.48	3.24	2.96	0.66	13.90	0.84	0.90	0.30	4.10	9.90	12.80
12	150.85	194.00	0.78	0.95	0.32	44.12	4.64	14.93	66.86	-3.53	20.22	6.11	1.44	3.54	0.38	11.30	0.86	1.20	0.29	3.00	10.20	11.30
13	166.19	209.00	0.80	0.88	0.23	43.68	8.35	14.79	66.44	-0.33	21.85	7.72	2.54	4.51	0.15	12.30	0.83	1.20	0.44	2.90	9.10	11.40
14	178.10	225.00	0.79	0.92	0.28	40.24	14.32	12.98	62.50	1.11	21.07	9.10	2.53	3.83	0.27	12.30	0.87	1.00	0.32	1.20	7.10	8.20
15	204.79	244.00	0.84	0.86	0.28	52.70	2.57	19.25	64.94	-0.58	21.61	7.27	2.27	3.67	0.34	15.13	0.87	1.00	0.31	3.00	7.50	10.10
16	178.10	225.00	0.79	0.92	0.28	40.24	14.32	12.98	62.50	1.11	21.07	9.10	2.53	3.83	0.27	12.30	0.87	1.00	0.32	1.20	7.10	8.20
17	214.79	274.00	0.78	0.90	0.23	50.97	-8.46	21.42	67.44	-1.60	21.42	4.98	1.45	3.51	0.34	10.00	0.89	1.00	0.29	1.60	7.00	8.60
18	219.25	271.00	0.81	0.95	0.27	46.95	7.38	17.08	64.22	-1.10	22.05	7.85	1.80	4.13	0.18	10.20	0.90	1.10	0.23	1.20	8.20	10.70
19	158.77	189.00	0.84	0.86	0.27	58.57	-3.37	24.96	65.14	-1.02	22.10	5.56	1.98	3.95	0.23	12.30	0.84	1.20	0.20	0.90	9.00	11.50
20	263.10	331.00	0.80	0.92	0.24	46.53	11.18	13.61	65.44	0.16	20.92	7.35	1.99	4.08	0.16	9.30	0.89	0.80	0.28	1.00	9.50	10.70
21	257.95	306.00	0.84	0.85	0.28	42.00	15.41	11.03	64.22	-0.91	20.36	7.64	2.05	3.91	0.25	11.70	0.87	0.90	0.25	1.20	6.80	8.40
22	208.57	247.00	0.85	0.90	0.28	38.36	18.36	9.10	65.46	-1.54	21.17	8.98	2.61	3.72	0.23	13.13	0.87	1.00	0.30	0.80	10.80	11.80
23	102.33	120.00	0.86	0.80	0.34	45.08	12.93	13.69	66.28	-2.00	20.79	10.61	3.17	3.42	0.43	14.07	0.85	1.00	0.30	2.20	9.40	12.00
24	253.66	303.00	0.84	0.84	0.30	40.34	16.80	12.17	64.30	1.08	21.97	8.92	2.93	3.73	0.24	13.10	0.88	1.47	0.35	1.40	9.20	11.20
25	270.18	321.00	0.84	0.93	0.28	44.16	13.29	12.74	65.81	-1.44	20.91	7.90	2.47	3.74	0.25	12.73	0.85	1.50	0.33	1.80	9.30	11.30
26	311.25	369.00	0.85	0.91	0.34	48.49	8.20	17.19	62.94	1.31	21.93	7.71	2.57	3.97	0.31	13.60	0.84	1.60	0.25	2.10	8.60	11.80
27	244.03	312.00	0.78	0.93	0.31	60.90	-2.12	21.65	68.10	-2.00	18.72	7.23	2.23	3.50	0.38	14.33	0.85	0.96	0.28	1.80	8.50	11.10
28	310.56	393.00	0.79	0.93	0.26	27.24	15.39	6.48	65.71	-2.66	22.35	8.83	1.91	3.84	0.21	13.87	0.85	1.14	0.25	2.20	10.90	13.70
29	227.63	282.00	0.81	0.85	0.27	41.50	16.08	11.76	65.85	0.02	20.79	8.74	2.81	3.95	0.34	13.50	0.85	1.85	0.32	2.70	7.40	8.80
30	207.44	248.00	0.84	0.87	0.19	41.57	1.66	14.34	65.36	-2.73	20.29	8.96	2.70	3.85	0.24	13.90	0.86	1.00	0.30	3.20	8.00	9.00
31	204.17	238.00	0.86	0.89	0.29	40.04	16.64	11.93	63.46	0.13	20.81	8.69	2.91	3.56	0.20	13.07	0.84	1.00	0.20	2.20	10.50	11.20
32	244.80	289.00	0.85	0.91	0.31	40.90	15.88	11.51	62.73	-0.12	20.45	7.42	2.26	3.87	0.31	13.10	0.87	1.00	0.15	1.50	8.40	9.40
33	330.28	395.00	0.83	0.87	0.27	38.78	14.69	12.51	62.92	0.68	22.28	7.86	2.37	4.01	0.23	12.60	0.86	1.10	0.37	3.40	9.90	13.60
34	230.36	270.00	0.85	0.89	0.29	38.50	13.62	13.21	60.69	-0.92	21.14	9.66	2.99	3.52	0.34	15.50	0.83	1.13	0.36	3.40	10.80	14.70

新窗口打开|下载CSV

Table 3
表3
表3苹果果实和脆片品质指标水平分析
Table 3Analysis of apple fruit and chips quality indexes

指标 Index		均值 Mean	变幅 Range	标准差 Standard deviation	变异系数 CV (%)
果实 Fruit	X1 质量 Weight (g)	217.64	102.33—330.28	47.48	21.82
	X2 体积 Volume (cm3)	265.85	120.00—395.00	57.33	21.57
	X3 密度 Density (g?cm-3)	0.82	0.77—0.86	0.03	3.42
	X4 果形指数 Shape index	0.89	0.80—0.96	0.04	4.30
	X5 果核比例 Proportion of core	0.27	0.19—0.34	0.04	13.75
	X6 L*值（皮） L* value (peel)	43.93	27.24—60.9	7.09	16.14
	X7 a*值（皮） a* value (peel)	8.18	-9.74—18.36	8.19	100.12
	X8b*值（皮） b* value (peel)	14.84	6.48—24.96	4.46	30.05
	X9 L*值（肉） L* value (pulp)	64.79	60.69—68.51	1.85	2.85
	X10 a*值（肉） a* value (pulp)	-1.18	-4.87—1.31	1.45	122.83
	X11 b*值（肉） b* value (pulp)	20.85	14.24—23.42	1.61	7.71
	X12 果皮硬度 Hardness of peel (g)	8.01	4.98—12.48	1.53	19.11
	X13 果肉硬度 Hardness of pulp (g)	2.46	1.44—3.24	0.46	18.72
	X14 pH	3.72	2.96—4.51	0.29	7.68
	X15 可滴定酸 Titratable acid (%)	0.31	0.15—0.66	0.10	34.22
	X16 可溶性固形物 Soluble solid (%)	12.76	9.30—15.50	1.46	11.45
	X17 含水率 Moisture	0.86	0.82—0.90	0.02	2.14
	X18 粗纤维 Crude fiber (%)	1.11	0.80—1.85	0.23	20.73
	X19 粗蛋白 Crude protein (%)	0.32	0.15—0.58	0.08	25.19
	X20 VC (mg/100 g)	2.46	0.80—7.60	1.33	54.16
	X21 还原糖 Reducing sugar (%)	8.85	6.80—11.10	1.21	13.71
	X22 总糖 Total sugar (%)	11.30	8.20—14.70	1.84	16.32
脆片 Chips	L*值 L* value	69.96	58.93—84.79	6.51	9.31
	a*值 a* value	12.82	5.51—18.70	2.88	22.46
	b*值 b* value	31.57	24.50—37.81	2.87	9.09
	硬度 Hardness (g)	10.56	6.38—23.93	3.29	31.16
	脆度 Crispness (mm)	0.95	0.50—2.41	0.44	46.32
	可溶性固形物 Soluble solid (%)	83.17	68.00—95.00	6.87	8.26
	可滴定酸 Titratable acid (%)	1.28	0.54—2.93	0.49	38.28
	总酚 Total phenol (mg?g-1)	6.03	0.60—16.07	3.11	51.58
	果胶 Pectin (g?kg-1)	24.40	14.54—42.58	5.81	23.81
	可溶性糖 Soluble sugar (%)	73.26	58.68—85.12	6.04	8.24
	糖酸比 Sugar-acid ratio	65.50	26.57—151.31	26.07	39.80
	粗蛋白 Crude protein (%)	1.95	0.54—4.25	0.78	40.00
	粗纤维 Crude fat (%)	4.34	2.92—6.36	0.75	17.28
	复水比 Rehydration ratio	3.48	2.57—4.80	0.52	14.94
	出品率 Output ratio (%)	14.32	10.14—18.65	2.08	14.53
	水分含量 Moisture (%)	6.30	2.94—8.70	1.64	26.03
	膨化度 Puffing degree	1.28	1.10—1.42	0.09	7.03

新窗口打开|下载CSV

对于不同苹果脆片样本,17项品质指标变异范围为7.03%—51.58%。其中,脆片L*值、b*值、可溶性固形物含量、可溶性糖含量和膨化度5项指标的离散程度小,变异系数均小于10%;其余12项品质指标变异系数均较大,数据离散程度大,说明采用压差闪蒸制得的苹果脆片品质由于品种和产地不同存在较大差异。

2.2 苹果脆片核心指标的筛选

对脆片17项指标进行因子分析,结果见表4。由表4可知,前6个因子的特征值大于1,累计方差贡献率为77.402%。因子1主要综合了可滴定酸和糖酸比的信息,两者表现出极显著相关性（R=-0.849）,且可滴定酸的权重值更高,因此筛选可滴定酸作为因子1的代表性指标。因子2主要综合了b*值、脆度和总酚的信息,其中脆度与总酚含量显著相关（R=0.426）,与b*值极显著相关（R=-0.472）,且脆度是衡量苹果脆片加工品质的重要感官指标,因此筛选脆度作为因子2的代表性指标。因子4主要综合了L*值、a*值的信息,L*值代表明暗程度,a*值代表红绿程度,均体现脆片色泽品质,并表现出极显著相关性（R=-0.865）,此处筛选权重值较高的L*值作为因子4的代表性指标。同时,因子3、因子5和因子6中膨化度、可溶性糖和粗蛋白的权重值明显高于其他指标,因此分别筛选膨化度、可溶性糖和粗蛋白作为因子3、因子5和因子6的代表性指标。综上,17项品质指标中筛选出可滴定酸、脆度、膨化度、L*值、可溶性糖和粗蛋白作为不同品种脆片品质评价的核心指标。

Table 4
表4
表4脆片指标旋转成分矩阵
Table 4Rotating component matrix of chips indexes

	PC1	PC2	PC3	PC4	PC5	PC6
L*值 L* value	0.005	0.071	0.025	0.977	0.023	0.070
a*值 a* value	0.090	0.290	0.012	-0.915	0.031	-0.033
b*值 b* value	0.111	0.783	-0.222	-0.064	0.023	-0.191
硬度 Hardness	0.665	-0.396	-0.188	0.005	0.256	0.034
脆度 Crispness	0.045	-0.738	-0.368	-0.033	0.191	0.170
可溶性固形物 Soluble solid	0.031	0.308	-0.658	0.202	0.424	-0.161
可滴定酸 Titratable acid	0.947	0.031	0.070	-0.030	0.077	0.053
总酚 Total phenol	-0.315	0.729	0.022	-0.223	0.049	0.059
果胶 Pectin	0.644	-0.120	-0.006	0.110	-0.252	0.143
可溶性糖 Soluble sugar	-0.234	0.027	0.060	-0.017	0.835	-0.055
糖酸比 Sugar-acid ratio	-0.904	0.044	-0.025	0.128	0.231	0.030
粗蛋白 Crude protein	0.069	-0.347	0.084	0.030	-0.040	0.814
粗纤维 Crude fiber	-0.092	0.210	0.192	-0.020	-0.676	0.396
复水比 Rehydration ratio	-0.100	0.184	0.651	-0.147	-0.017	0.432
出品率 Output ratio	-0.106	-0.032	-0.072	-0.142	0.438	-0.725
水分含量Moisture	0.203	-0.153	-0.326	-0.007	0.180	0.142
膨化度 Puffing degree	0.107	0.115	0.896	0.165	0.078	-0.007
特征值 Eigen value (λ)	3.453	3.009	2.351	1.737	1.580	1.028
累计方差贡献率 Cumulative variance contribution (%)	20.313	38.016	51.844	62.061	71.356	77.402

PC1—PC6分别表示第 1 至第6个主因子 PC1-PC6 represent the first to the sixth main factors, respectively

新窗口打开|下载CSV

2.3 苹果脆片综合品质评价模型的建立

根据筛选得到的6项核心指标对脆片综合品质的重要程度,采用1—9标度法建立Y—P判断矩阵（表5）,计算其一致性比率（consistency ratio,CR）为0.03,小于0.1,认为判断矩阵一致性可接受。对矩阵特征向量归一化处理后得到脆片核心指标L*值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白的权重分别为0.3724、0.2665、0.1583、0.0890、0.0569和0.0569,因此,苹果脆片品质综合评价模型可表示为Y_综合得分=L*值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。

Table 5
表5
表5判断矩阵Y—P
Table 5Judgment matrix Y-P

Y	P1	P2	P3	P4	P5	P6	权重 Weight
P1	1	2	3	4	5	5	0.3724
P2	1/2	1	3	3	4	4	0.2665
P3	1/3	1/3	1	3	3	3	0.1583
P4	1/4	1/3	1/3	1	2	2	0.0890
P5	1/5	1/4	1/3	1/2	1	1	0.0569
P6	1/5	1/4	1/3	1/2	1	1	0.0569

Y represents the comprehensive quality of chips and P represents the core indexes of chips. P1-P6 represent the L* value, crispness, puffing degree, titratable acid, soluble sugar and crude protein of chips,respectively
Y代表脆片综合品质,P代表脆片核心指标,P1—P6 分别表示脆片的L*值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白

新窗口打开|下载CSV

由于脆片核心指标量纲不同,为消除量纲的影响,计算脆片品质综合得分时需对6项核心指标进行标准化处理。其中脆度值越大脆片脆度越小,因此作为负向指标（成本型指标）;其余核心指标值越大脆片品质越好,因此均为正向指标（效益型指标）。各指标计算公式如下:

成本型指标=$\frac{\text{max}{{\text{X}}_{\text{ij}}}\text{-}{{\text{X}}_{\text{ij}}}}{\text{max}{{\text{X}}_{\text{ij}}}\text{-min}{{\text{X}}_{\text{ij}}}}$

效益性指标=$\frac{{{\text{X}}_{\text{ij}}}\text{-min}{{\text{X}}_{\text{ij}}}}{\text{max}{{\text{X}}_{\text{ij}}}\text{-min}{{\text{X}}_{\text{ij}}}}$

其中X_ij指第i个样本第j个指标的原始测定值。

根据构建的苹果脆片品质综合评价模型,计算34个苹果脆片样本品质综合得分,并对其进行排名,结果见表6。由表6可知,34个苹果脆片样本综合得分范围为0.2069—0.7933,差异较大,品质排名前3的苹果品种为‘辽宁华红’‘辽宁华金’和‘山东烟富6号’,品质排名最后的为‘陕西秦冠’。

Table 6
表6
表6脆片综合品质排序与得分
Table 6Rank and score of the comprehensive quality of chips

名称 Name	排名 Rank	得分 Score		名称 Name	排名 Rank	得分 Score
辽宁华红 Liaoning Huahong	1	0.7933		河北富士 Hebei Fuji	18	0.5051
辽宁华金 Liaoning Huajin	2	0.7408		山西半坡秦冠 Shanxi Banpo Qinguan	19	0.5021
山东烟富6号 Shandong Yanfu 6	3	0.7285		山东新红星 Shandong Starkrimson	20	0.4981
陕西青苹 Shaanxi Granny Smith	4	0.7018		甘肃花牛 Gansu Huaniu	21	0.4952
陕西瑞阳 Shaanxi Ruiyang	5	0.7010		辽宁秋锦 Liaoning Qiujin	22	0.4844
山西半坡富士 Shanxi Banpo Fuji	6	0.6816		山东红星 Shandong Starking	23	0.4601
辽宁华月 Liaoning Huayue	7	0.6713		辽宁新红星 Liaoning Starkrimson	24	0.4537
辽宁金冠 Liaoning Golden Delicious	8	0.6681		辽宁寒富 Liaoning Hanfu	25	0.4507
辽宁乔纳金 Liaoning Jonagold	9	0.6528		甘肃富士 Gansu Fuji	26	0.4482
山东富士（淄博）Shandong Fuji (Zibo)	10	0.6403		辽宁华富 Liaoning Huafu	27	0.4327
新疆富士 Xinjiang Fuji	11	0.6190		甘肃秦冠 Gansu Qinguan	28	0.4071
甘肃金冠 Gansu Golden Delicious	12	0.6055		陕西秦红 Shaanxi Qinhong	29	0.3871
山东金冠（泰安）Shandong Golden Delicious (Taian)	13	0.5870		山东富士（栖霞）Shandong Fuji (Qixia)	30	0.3709
陕西长密欧 Shaanxi Changmiou	14	0.5679		山东金冠（淄博） Shandong Golden Delicious (Zibo)	31	0.3526
陕西富士 Shaanxi Fuji	15	0.5259		山东国光 Shandong Ralls	32	0.3524
山东红将军 Shandong Hongjiangjun	16	0.5069		辽宁长富2号 Liaoning Changfu 2	33	0.3281
山西坡顶富士 Shanxi Poding Fuji	17	0.5059		陕西秦冠 Shanxi Qinguan	34	0.2069

新窗口打开|下载CSV

2.4 苹果制干适宜性评价模型的构建

对苹果脆片核心指标与苹果果实品质指标进行相关性分析,结果如表7所示。由表7可知,脆片L*值与果实可滴定酸含量和pH极显著相关,与果肉a*值、果形指数和V_C含量显著相关;脆片脆度与果核比例和粗蛋白含量显著相关;脆片膨化度与各项果实指标无显著相关性,可能与其变异系数小,各品种间测量值差异不大有关;脆片可滴定酸含量与果实果核比例和果肉b*值极显著相关;脆片可溶性糖含量与果实密度极显著相关,与果实可溶性固形物含量、粗纤维含量显著相关;脆片粗蛋白含量与果实总糖含量显著相关。综上可以得到果形指数、果肉a*值、pH、可滴定酸含量、V_C含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标可作为与苹果脆片综合品质相关的果实特征指标。

Table 7
表7
表7原料指标与脆片核心指标相关性分析
Table 7Analysis of correlation between indicators of raw material and core indexes of chips

	L*值 L* Value	脆度 Crispness	膨化度 Puffing degree	可滴定酸Titratable acid	可溶性糖 Soluble sugar	粗蛋白 Crude protein
质量 Weight	-0.005	-0.186	0.013	0.139	0.191	-0.054
体积 Volume	-0.003	-0.187	-0.005	0.184	0.115	-0.010
密度 Density	-0.053	-0.013	0.115	-0.266	0.450**	-0.334
果形指数 Shape index	0.390*	-0.272	0.136	0.006	-0.268	-0.005
果核比例 Proportion of core	-0.082	-0.365*	0.183	-0.572**	0.232	-0.295
L*值（皮） L* value (peel)	0.239	-0.005	0.198	0.003	-0.200	-0.041
a*值（皮） a* value (peel)	-0.273	-0.071	-0.194	-0.238	0.285	-0.252
b*值（皮） b*value (peel)	0.293	0.024	0.181	0.090	-0.271	0.034
L*值（肉） L* value (pulp)	0.305	0.101	0.117	0.210	-0.189	0.076
a*值（肉） a* value (pulp)	-0.428*	-0.080	-0.142	-0.317	0.160	-0.155
b*值（肉） b* value (pulp)	-0.177	0.033	-0.107	-0.521**	-0.160	-0.007
果皮硬度 Hardness of peel	-0.319	-0.034	-0.020	-0.098	0.180	-0.097
果肉硬度 Hardness of pulp	-0.191	0.019	-0.105	-0.147	0.267	-0.284
pH	-0.527**	0.314	-0.229	-0.167	-0.046	0.010
可滴定酸 Titratable acid	0.554**	-0.192	0.235	0.089	-0.134	0.111
可溶性固形物 Soluble solid	0.148	-0.024	0.089	-0.102	0.347*	-0.336
含水率 Moisture	-0.068	-0.239	0.109	0.249	-0.259	0.192
粗纤维 Crude fiber	-0.212	0.073	-0.044	-0.267	0.347*	-0.057
粗蛋白 Crude protein	0.185	0.352*	-0.143	0.247	-0.109	-0.056
VC	0.361*	0.115	0.284	0.234	0.006	0.007
还原糖 Reducing sugar	-0.145	-0.036	0.054	-0.051	0.204	-0.180
总糖 Total sugar	0.022	-0.085	0.220	0.178	0.176	-0.363*

新窗口打开|下载CSV

通过训练样本建立映射关系用于预测研究是人工神经网络的重要用途之一^[27]。34个苹果样本中筛选出29个样本作为学习样本进行神经网络学习模型构建,剩余5个样本作为预测样本验证模型准确性,其中BP神经网络学习模型结构如图1所示。由图1可知,该模型包含输入层、隐含层和输出层3层,其中模型输入为苹果果实果形指数、果肉a*值、pH等12项果实特征指标值,因此有12个神经元。模型输出为苹果果实对应的脆片综合得分,因此输出层神经元有1个。隐含层神经元在BP神经网络中扮演特征检验算子的角色,起到决定性作用,一般按经验公式估算节点数^[28],本研究中模型最优隐含层数由RapidMiner软件自动生成,层数为8个。其余各训练参数选择如下：最大循环次数1 000,学习率0.3,动量因子0.2,误差值0.01。

图1

新窗口打开|下载原图ZIP|生成PPT
图1BP神经网络结构图

Fig. 1Structure diagram of BP neural network



本研究从34个苹果样本中随机筛选29个样本建立学习模型,剩余5个样本进行制干适宜性得分预测。为评价模型预测准确性及建模方法稳定性,变换29个学习样本构建了3个学习模型,其预测结果如表8所示。由表8可知,3个学习模型共15个验证样本脆片预测得分与实际得分相对误差均小于10%,最小相对误差仅为0.62%,说明BP神经网络模型预测效果较好。将脆片实际得分与神经网络预测得分进行回归分析,以脆片实际得分作为横坐标,模型预测值作为纵坐标进行线性拟合,3组预测结果的决定系数R²分别为0.9536、0.9822、0.9676（图2）,预测值与实际值相符程度均较高,证明神经网络模型能够较准确、稳定地评价苹果原料是否适宜脆片加工。不同苹果样本构建的学习模型预测效果存在较大差异,说明用于建立学习模型的样本数量仍较少,变换少量学习样本对预测效果产生较大影响。同时,学习模型所需的样本应具有典型性与代表性,部分苹果样本与其他样本差异较大也可能对预测效果产生较大影响。

Table 8
表8
表8基于BP神经网络算法苹果制干适宜性得分预测结果
Table 8Prediction result of chips-processing suitability evaluation model based on BP neural network

学习模型 Learning model	验证样本 Validation sample	实际得分 Actual score	预测得分 Predicted score	相对误差 Relative error (%)
1	辽宁金冠 Liaoning Golden Delicious	0.6681	0.6590	-1.35
	陕西富士 Shaanxi Fuji	0.5259	0.4808	-8.58
	山西坡顶富士 Shanxi Poding Fuji	0.5059	0.5235	3.48
	甘肃秦冠 Gansu Qinguan	0.4071	0.4146	1.84
	山东金冠（淄博） Zibo Golden Delicious	0.3526	0.3761	6.68
2	陕西瑞洋 Shaanxi Ruiyang	0.7010	0.7480	6.71
	山东金冠（泰安）Taian Golden Delicious	0.5870	0.5906	0.62
	甘肃秦冠 Gansu Qinguan	0.4071	0.4146	1.84
	山西半坡秦冠 Shanxi Banpo Qinguan	0.5021	0.5513	9.78
	山东金冠（淄博）Zibo Golden Delicious	0.3526	0.3761	6.68
3	辽宁华月 Liaoning Huayue	0.6713	0.6885	2.57
	山东国光（淄博）Zibo Ralls	0.5069	0.5149	1.58
	甘肃金冠 Gansu Golden Delicious	0.6055	0.6291	3.89
	陕西秦红 Shaanxi Qinhong	0.3871	0.3608	-6.80
	辽宁新红星 Liaoning Starkrimson	0.4537	0.4959	9.30

新窗口打开|下载CSV

图2

新窗口打开|下载原图ZIP|生成PPT
图2苹果制干适宜性模型稳定性验证

Fig. 2Stability verification of chips-processing suitability evaluation model

3 讨论

3.1 建模苹果样本筛选及样本容量问题

本研究展开之前课题组已对兴城资源圃部分苹果品种进行指标测定,并进行脆片品质评价,在此基础上筛选出本研究所用试验原料。筛选原则为：一是属于苹果主产区代表性品种,二是品种间品质差异大。选取主产区主栽苹果品种有利于提高苹果制干适宜性评价模型的适用性;筛选品质差异大的品种则有利于定位影响脆片品质的果实指标,提高模型预测准确性。从模型整体预测效果来看,各样本预测偏差均在合理范围内,说明本模型选取的建模样本较为合理。从模型稳定性及适用性方面考虑,本研究建模样本的选取仍可进一步优化：首先可增加建模的总样本量,提高样本预测的容错率,从而减小变换学习样本对预测效果产生的影响;其次可进一步提高建模样本的全面性,如增加主产区中、早熟样本采集,提高建模样本的适用性。模型建立应尽量有足够大的样本容量,同时在建模样本的选取上应有针对性、代表性、广泛性,当模型预测准确性高且稳定时,可更好地应用于多品种苹果原料制干适宜性预测。

3.2 苹果脆片品质综合评价模型构建与果实特征指标筛选问题

为得到果实制干适宜性评分,即脆片品质综合评价得分,本研究采用采用层次分析法构建了苹果脆片综合品质评价模型。层次分析法不仅可以解决传统最优化评价方法无法量化综合品质的问题,还可以改善客观品质指标无法完全代表人体感官的不足。但层次分析法作为一种主观赋权法,也存在一些缺点：指标过多时易造成判断混乱,定性成分多、主观性强,对判断矩阵的合理性考虑不足等^[29]。为减小指标过多对判断的影响,本研究首先运用因子分析对脆片17项品质指标进行降维,筛选出L*值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白作为核心指标,基本涵盖了脆片色泽、质构和口味等品质,可以比较全面地反映脆片综合品质。在核心指标标度问题上,本研究仅从消费者角度出发按照脆片色泽、质构、口感、营养由高到低重要程度对脆片核心指标进行重要性标度,所得出的核心指标权重值缺乏一定的说服力。为降低模型的主观性影响,在后续的研究中需要结合有关专家经验进行标度,同时应将多个专家的评价结果进行综合以使判断矩阵更加合理。

明确与脆片综合品质相关的原料特征指标是保证模型预测准确率的基础。苹果果实感官、理化、加工等指标众多,全部用做评价指标显然不现实,需从中选取对脆片品质起主要作用的特征指标。在苹果果实特征指标的筛选上,本研究将6项脆片核心指标与苹果原料22项品质指标进行相关性分析,筛选出果形指数、果肉a*值、pH、可滴定酸含量、V_C含量、果核比例、蛋白质、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量共12个显著相关的原料指标,为避免信息遗漏影响预测结果准确性,保留以上所有指标作为与苹果脆片综合品质相关的果实特征指标。由预测结果来看,上述苹果果实特征指标可以较好地反映脆片综合品质。本研究目前所测定的果实指标多为基础指标,后续试验可补充单体类物质如糖单体、酚单体、酸单体、氨基酸,酶,果胶等特征指标进行模型关联以提高准确率,同时也可根据该模型更好地定位脆片品质形成相关的基础物质。

3.3 关于BP神经网络模型在苹果制干适宜性评价中的应用问题

BP人工神经网络是一种按误差逆传播算法训练的多层前馈网络^[30],是目前应用最广泛的神经网络模型之一。其模型拓扑结构包括输入层、隐含层和输出层,运算方式是一个权重参数不断调整以达到期望值的过程。与灰色关联、层次分析法、线性回归等传统适宜性评价方法相比,BP人工神经网络无需经验公式与数学模型,在客观定量地寻求变量间复杂的非线性对应关系的同时有较高的准确性。近年来,BP神经网络模型在食品工业领域的应用日渐增多,包括识别、分类与分级、加工过程仿真与控制、单一指标值预测等^[31],取得了较好的效果,但在食品品质综合评价特别是品质综合得分预测方面的研究较少,在加工适宜性评价应用方面更是未见报道。从本研究模型的预测结果来看,综合得分预测值与实际值相对误差小,预测精度高,说明输入层与输出层的选取较为合理,可较好地实现基于苹果原料指标预测干制品品质。

本研究讨论了一种基于BP人工神经网络算法的苹果制干适宜性评价方法,取得了较好的效果,但仍有许多需要优化与改进的地方。从方法应用方面考虑,在未来的工作中,一方面要提高模型预测准确性与稳定性,优化该评价方法;另一方面可以与软件结合,形成实用型苹果制干适宜性预测工具。从理论层面考虑,通过BP神经网络模型关联原料与制品品质,在提高预测准确性的基础上可以逐步锁定影响脆片品质的关键性原料指标甚至关键性物质,可为果蔬制品品质形成的物质基础研究提供方法支持,但神经网络作为一种输入、输出的黑匣子无法以直观的公式等形式表现处理过程,也是未来工作需要克服的难点。

4 结论

不同品种苹果制干适宜性可由原料果形指数、果肉a*值、pH、可滴定酸含量、V_C含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量共12个指标进行评价。本研究利用BP人工神经网络建立的苹果果实制干适宜性评价模型预测准确性高,可实现基于苹果原料指标定量预测脆片品质。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] 中华人民共和国国家统计局数据库. [ 2018-3-24]. . [2018-3-24].
URL [本文引用: 1]

National Bureau of Statistics of the People’s Republic of China. [ 2018-3-24]. . [2018-3-24].
URL [本文引用: 1]

[2] 宋哲, 王宏, 里程辉, 于年文, 张秀美, 李宏建 . 我国苹果产业存在的主要问题、发展趋势及解决办法
江苏农业科学, 2016,44(9):4-8. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.15889/j.issn.1002-1302.2016.09.002.
URL [本文引用: 1]
介绍了我国苹果产业现状, 并重点探讨了我国目前苹果产业存在的主要问题,以及未来我国苹果产业发展趋势,在此基础上提出了解决我国苹果产业存在问题的办法.
SONG Z, WANG H, LI C H, YU N W, ZHANG X M, LI H J . The main problems, development trends and solutions of apple industry in China
Agricultural Sciences of Jiangsu, 2016,44(9):4-8. doi: 10.15889 /j.issn.1002-1302.2016.09.002. (in Chinese)
URL [本文引用: 1]
介绍了我国苹果产业现状, 并重点探讨了我国目前苹果产业存在的主要问题,以及未来我国苹果产业发展趋势,在此基础上提出了解决我国苹果产业存在问题的办法.

[3] 焦艺, 刘璇, 毕金峰, 吴昕烨, 周沫, 曾目成 . 蟠桃品种用于加工鲜榨汁的适宜性评价
食品科学, 2015,36(1):41-45. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.7506/%20spkx1002-6630-201501008.
URL [本文引用: 1]
为研究不同蟠桃品种的鲜榨汁加工适宜性,本实验对北京平谷地区的7个蟠桃品种的理化与营养指标(p H值、总酚含量、抗坏血酸含量、蛋白质含量、可滴定酸含量、可溶性固形物含量(soluble solids content,SSC)、固酸比、果胶含量)和加工品质指标(单果质量、L*、a*、b*值、褐变度、出汁率、黏度)进行了测定,并从色泽、气味和风味三方面进行感官评价。通过相关性分析、主成分分析和聚类分析法筛选出了SSC、出汁率、果胶含量、a*值和蛋白质含量5个核心品质评价指标。通过层次分析法得出:SSC和出汁率的权重值为0.32,果胶的权重值为0.18,a*值和蛋白质的权重值分别为0.11和0.07。对7个蟠桃品种的鲜榨汁品质综合评价表明:瑞蟠21的鲜榨汁品质最好,其次为瑞蟠20、瑞蟠4和瑞蟠19,而巨蟠、瑞蟠2和瑞蟠3的鲜榨汁品质较差。
JIAO Y, LIU X, BI J F, WU X Y, ZHOU M, ZENG M C . Suitability evaluation of flat peach cultivars for fresh juice-processing
Food Science, 2015,36(1):41-45. doi: 10.7506/spkx1002-6630-201501008. (in Chinese)
URL [本文引用: 1]
为研究不同蟠桃品种的鲜榨汁加工适宜性,本实验对北京平谷地区的7个蟠桃品种的理化与营养指标(p H值、总酚含量、抗坏血酸含量、蛋白质含量、可滴定酸含量、可溶性固形物含量(soluble solids content,SSC)、固酸比、果胶含量)和加工品质指标(单果质量、L*、a*、b*值、褐变度、出汁率、黏度)进行了测定,并从色泽、气味和风味三方面进行感官评价。通过相关性分析、主成分分析和聚类分析法筛选出了SSC、出汁率、果胶含量、a*值和蛋白质含量5个核心品质评价指标。通过层次分析法得出:SSC和出汁率的权重值为0.32,果胶的权重值为0.18,a*值和蛋白质的权重值分别为0.11和0.07。对7个蟠桃品种的鲜榨汁品质综合评价表明:瑞蟠21的鲜榨汁品质最好,其次为瑞蟠20、瑞蟠4和瑞蟠19,而巨蟠、瑞蟠2和瑞蟠3的鲜榨汁品质较差。

[4] 郭春苗, 周晓明, 张雯, 樊丁宇, 谢辉, 闰鹏, 卢春生 . 不同葡萄品种加工绿葡萄干的适宜性分析
食品科学, 2012,33(19):62-66.
URLMagsci [本文引用: 1]
以36个新疆绿色葡萄品种为试材进行感官、理化指标的检测，运用灰色关联度分析方法，对其主要性状与“理想品种”性状之间的密切程度进行综合分析，依据各品种的加权关联度对参试品种进行聚类分析，研究其加工绿葡萄干的适宜性。结果表明：无核白、底莱特、京早晶、波尔莱特、无核白鸡心等葡萄品种适宜加工绿葡萄干，而苏珊玫瑰、谢克兰格、匈牙利之光等则不适宜加工成绿葡萄干，其他品种居中。此结果与各品种实际表现基本一致，说明该方法可用于我国葡萄干产业加工品种的筛选及其评价体系的建立。
GUO C M, ZHOU X M, ZHANG W, FAN D Y, XIE H, RUN P, LU C S . Suitability analysis of different grape varieties for preparing green raisins
Food Science, 2012,33(19):62-66. (in Chinese)
URLMagsci [本文引用: 1]
以36个新疆绿色葡萄品种为试材进行感官、理化指标的检测，运用灰色关联度分析方法，对其主要性状与“理想品种”性状之间的密切程度进行综合分析，依据各品种的加权关联度对参试品种进行聚类分析，研究其加工绿葡萄干的适宜性。结果表明：无核白、底莱特、京早晶、波尔莱特、无核白鸡心等葡萄品种适宜加工绿葡萄干，而苏珊玫瑰、谢克兰格、匈牙利之光等则不适宜加工成绿葡萄干，其他品种居中。此结果与各品种实际表现基本一致，说明该方法可用于我国葡萄干产业加工品种的筛选及其评价体系的建立。

[5] 沈月, 高美须, 杨丽, 赵鑫, 陈雪, 王志东, 李淑荣, 王丽 . 中国主栽青辣椒品种鲜切加工适宜性评价
农业工程学报, 2016,32(s2):359-368. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.11975/j.issn.1002-6819.2016.z2.051.
URL [本文引用: 1]
为科学评价青辣椒品种的鲜切加工适宜性，收集中国主栽青辣椒品种20个，统一种植，在同一成熟度下采收，并对其感官理化指标（L*、a*、b*值、感官评价得分、出品率、果皮硬度、果肉厚度、含水率、糖酸比、可溶性固形物含量、可滴定酸），功能性指标（维生素C含量、总酚含量、DPPH自由基清除能力（DPPH free radical scavenging activity）、铁离子还原能力（Ferric iron reducing antioxidant power）、ABTS自由基清除能力（ABTS radical scavenging activity）、β-胡萝卜素含量进行测定。应用 SAS9.2软件对基础数据进行显著性分析；应用相关性、主成分、Varclus 变量聚类及因子评价分析对17项指标进行降维处理，筛选核心评价指标；运用层次分析法确定主评价指标权重；运用灰色关联度分析法对20个青辣椒品种的鲜切加工适宜性进行评价。结果表明：显著性分析发现除含水率外，青辣椒的其他指标品种间差异极显著（P<0.001），其中b*值、β-胡萝卜素含量及FRAP值的变异系数较大；在所有品种中陇椒5号的维生素C含量在α=0.05水平上显著高于其他品种，京辣2号的β-胡萝卜素含量在α=0.05水平上显著高于其他品种，京研皱皮辣、陇椒5号的抗氧化能力在α=0.05水平上显著高于其他品种。相关性分析发现果皮硬度与感官评价得分呈极显著负相关，相关系数为?0.68，与可溶性固形物含量呈极显著正相关，相关系数为0.72；糖酸比与可滴定酸含量呈极显著负相关，相关系数为?0.81；维生素C含量与FRAP值、ABTS值及总酚含量呈极显著正相关，相关系数分别为0.69、0.73、0.58；果肉厚度与维生素 C 含量呈显著负相关、与总酚含量呈极显著负相关，相关系数分别为?0.5、?0.6；β-胡萝卜素含量与 L*、b*值呈极显著负相关，相关系数分别为?0.63、?0.66。主成分、聚类、因子评价及层次分析确定感官评价得分、维生素 C含量、出品率、糖酸比、β-胡萝卜素含量及总酚含量为主要评价因子，权重分别为38.15%、26.55%、18.37%、9.00%、5.00%、2.94%。灰色关联度分析表明针对鲜切加工，微辣的青椒品种中“国福311”和“中椒106”的加工品质较好，中辣青椒品种中“陇椒6号”的加工品质较好，强辣青椒品种中“兴蔬皱皮辣”的加工品质较好。以上研究结果可以为鲜切青辣椒生产加工过程中原料的选择提供科学的数据和方法，同时也可为青辣椒育种如富集功能性成分品种的选育提供指导。
SHEN Y, GAO M X, YANG L, ZHAO X, CHEN X, WANG Z D, LI S R, WANG L . Suitability analysis of fresh-cut vegetable processing for twenty main green capsicum cultivars in China
Transactions of Chinese Society of Agricultural Engineering, 2016,32(s2):359-368. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.11975/j.issn.1002-6819.2016.z2.051. (in Chinese)
URL [本文引用: 1]
为科学评价青辣椒品种的鲜切加工适宜性，收集中国主栽青辣椒品种20个，统一种植，在同一成熟度下采收，并对其感官理化指标（L*、a*、b*值、感官评价得分、出品率、果皮硬度、果肉厚度、含水率、糖酸比、可溶性固形物含量、可滴定酸），功能性指标（维生素C含量、总酚含量、DPPH自由基清除能力（DPPH free radical scavenging activity）、铁离子还原能力（Ferric iron reducing antioxidant power）、ABTS自由基清除能力（ABTS radical scavenging activity）、β-胡萝卜素含量进行测定。应用 SAS9.2软件对基础数据进行显著性分析；应用相关性、主成分、Varclus 变量聚类及因子评价分析对17项指标进行降维处理，筛选核心评价指标；运用层次分析法确定主评价指标权重；运用灰色关联度分析法对20个青辣椒品种的鲜切加工适宜性进行评价。结果表明：显著性分析发现除含水率外，青辣椒的其他指标品种间差异极显著（P<0.001），其中b*值、β-胡萝卜素含量及FRAP值的变异系数较大；在所有品种中陇椒5号的维生素C含量在α=0.05水平上显著高于其他品种，京辣2号的β-胡萝卜素含量在α=0.05水平上显著高于其他品种，京研皱皮辣、陇椒5号的抗氧化能力在α=0.05水平上显著高于其他品种。相关性分析发现果皮硬度与感官评价得分呈极显著负相关，相关系数为?0.68，与可溶性固形物含量呈极显著正相关，相关系数为0.72；糖酸比与可滴定酸含量呈极显著负相关，相关系数为?0.81；维生素C含量与FRAP值、ABTS值及总酚含量呈极显著正相关，相关系数分别为0.69、0.73、0.58；果肉厚度与维生素 C 含量呈显著负相关、与总酚含量呈极显著负相关，相关系数分别为?0.5、?0.6；β-胡萝卜素含量与 L*、b*值呈极显著负相关，相关系数分别为?0.63、?0.66。主成分、聚类、因子评价及层次分析确定感官评价得分、维生素 C含量、出品率、糖酸比、β-胡萝卜素含量及总酚含量为主要评价因子，权重分别为38.15%、26.55%、18.37%、9.00%、5.00%、2.94%。灰色关联度分析表明针对鲜切加工，微辣的青椒品种中“国福311”和“中椒106”的加工品质较好，中辣青椒品种中“陇椒6号”的加工品质较好，强辣青椒品种中“兴蔬皱皮辣”的加工品质较好。以上研究结果可以为鲜切青辣椒生产加工过程中原料的选择提供科学的数据和方法，同时也可为青辣椒育种如富集功能性成分品种的选育提供指导。

[6] AGCAM E, AKYILDIZ A . A study on the quality criteria of some mandarin varieties and their suitability for juice processing
Journal of Food Processing, 2014,2014(12):1-8. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.1155/2014/982721.
[本文引用: 1]

[7] LAMUREANU G, ALEXE C, VINTILA M . Suitability for processing as puree of some fruit varieties of peach group
Journal of Horticulture Forestry & Biotechnology, 2014,18(3):51-57.
URL [本文引用: 1]
In our country, fruit purees still do not enter in our daily meals, as it happens in the countries with developed industry. Their introduction is very indicated, being that in the same volume, the value of alimentary principles is with 50% until 100% higher than in stewed fruits, which represent the type of canned food closes to the purees and that is consumed frequently. Among the species of s...

[8] FUJIWARA T, KUBO T . Suitability of unripe Japanese pear for semi-dried fruit processing
Nippon Shokuhin Kagaku Kogaku Kaishi, 2017,64(11):533-541. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3136/nskkk.64.533.
URL [本文引用: 1]

[9] 聂继云, 毋永龙, 李海飞, 王昆, 李静, 李志霞, 徐国锋 . 苹果品种用于加工鲜榨汁的适宜性评价
农业工程学报, 2013,29(17):271-278. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1002-6819.2013.17.035.
URLMagsci [本文引用: 1]
为科学评价苹果品种的鲜榨汁加工适宜性，以122个单果质量在100 g以上的品种为对象，运用相关分析、因子分析、概率分级、层次分析、K-均值聚类、判别分析等方法建立苹果品种鲜榨汁加工适宜性评价技术。结果表明：果实与鲜榨汁间可滴定酸含量、可溶性固形物含量、可溶性糖含量、固酸比和糖酸比5项指标均呈极显著相关，相关系数分别为0.8967、0.9393、0.8413、0.9036和0.9099。果实可溶性固形物含量、固酸比、出汁率、单宁含量等4项指标被确定为苹果品种鲜榨汁加工适宜性评价指标。4项指标均划分为服从或近似服从正态分布的5级，即极低、低、中、高和极高。根据指标权重和指标分级标准，建立了4项指标的评分标准。建立的苹果品种鲜榨汁加工适宜性判别函数有极高的判别准确性，正确判别率达到94.74%（建模样本）和96.55%（检验样本）。筛选出的58个优良品种中，红富士、乔纳金、津轻等43个品种适于加工鲜榨汁，澳洲青苹、红玉、金冠等15个品种极适于加工鲜榨汁。
NIE J Y, WU Y L, LI H F, WANG K, LI J, LI Z X, XU G F . Suitability evaluation of apple cultivars for fresh juice-processing
Transactions of Chinese Society of Agricultural Engineering, 2013,29(17):271-278. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1002-6819.2013.17.035. (in Chinese)
URLMagsci [本文引用: 1]
为科学评价苹果品种的鲜榨汁加工适宜性，以122个单果质量在100 g以上的品种为对象，运用相关分析、因子分析、概率分级、层次分析、K-均值聚类、判别分析等方法建立苹果品种鲜榨汁加工适宜性评价技术。结果表明：果实与鲜榨汁间可滴定酸含量、可溶性固形物含量、可溶性糖含量、固酸比和糖酸比5项指标均呈极显著相关，相关系数分别为0.8967、0.9393、0.8413、0.9036和0.9099。果实可溶性固形物含量、固酸比、出汁率、单宁含量等4项指标被确定为苹果品种鲜榨汁加工适宜性评价指标。4项指标均划分为服从或近似服从正态分布的5级，即极低、低、中、高和极高。根据指标权重和指标分级标准，建立了4项指标的评分标准。建立的苹果品种鲜榨汁加工适宜性判别函数有极高的判别准确性，正确判别率达到94.74%（建模样本）和96.55%（检验样本）。筛选出的58个优良品种中，红富士、乔纳金、津轻等43个品种适于加工鲜榨汁，澳洲青苹、红玉、金冠等15个品种极适于加工鲜榨汁。

[10] 张小燕, 赵凤敏, 兴丽, 刘威, 杨延辰, 杨炳南 . 不同马铃薯品种用于加工油炸薯片的适宜性
农业工程学报, 2013,29(8):276-283. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1002-6819.2013.08.033.
URLMagsci [本文引用: 1]
中国马铃薯品种数量繁多，品质指标差异性大，这些指标很大程度上决定了油炸薯片制品的品质，为研究不同马铃薯品种加工油炸薯片的适宜性，试验以国内外广泛种植的74个品种的马铃薯为原材料，分别测定原料的8个加工指标（水分、淀粉、还原糖、总糖、灰分、可溶性固形物、维生素C、蛋白质）及油炸薯片的4个品质指标（蛋白质、感官得分、脆性、白度），随机选取56个样品为校正集，其余18个样品为验证集，应用相关性分析、主成分分析、逐步回归分析方法建立薯片综合评价指标与马铃薯原料加工指标X1～X8之间的回归模型，模型决定系数R2=0.607，调整后R2=0.585，F=26.815，sig.=0.000，拟合度较高，回归模型显著。同时利用验证集样品对回归模型进行验证，结论表明薯片综合评价指标预测值与真值相关系数为0.502，显著性为0.034，相关关系显著，该模型可用于实际油炸薯片综合品质评价。通过K-means聚类法对74个马铃薯品种加工适宜性进行初步划分，筛选出适宜加工薯片的品种15个，评价结果与实际应用现状相符。所建模型可应用于实际马铃薯油炸薯片加工适宜性评价，为中国马铃薯产业选择特定薯片加工品种具有一定的指导意义。
ZHANG X Y, ZHAO F M, XING L, LIU W, YANG Y C, YANG B N . Suitability evaluation of potato varieties used for chips processing
Transactions of Chinese Society of Agricultural Engineering, 2013,29(8):276-283. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1002-6819.2013.08.033. (in Chinese)
URLMagsci [本文引用: 1]
中国马铃薯品种数量繁多，品质指标差异性大，这些指标很大程度上决定了油炸薯片制品的品质，为研究不同马铃薯品种加工油炸薯片的适宜性，试验以国内外广泛种植的74个品种的马铃薯为原材料，分别测定原料的8个加工指标（水分、淀粉、还原糖、总糖、灰分、可溶性固形物、维生素C、蛋白质）及油炸薯片的4个品质指标（蛋白质、感官得分、脆性、白度），随机选取56个样品为校正集，其余18个样品为验证集，应用相关性分析、主成分分析、逐步回归分析方法建立薯片综合评价指标与马铃薯原料加工指标X1～X8之间的回归模型，模型决定系数R2=0.607，调整后R2=0.585，F=26.815，sig.=0.000，拟合度较高，回归模型显著。同时利用验证集样品对回归模型进行验证，结论表明薯片综合评价指标预测值与真值相关系数为0.502，显著性为0.034，相关关系显著，该模型可用于实际油炸薯片综合品质评价。通过K-means聚类法对74个马铃薯品种加工适宜性进行初步划分，筛选出适宜加工薯片的品种15个，评价结果与实际应用现状相符。所建模型可应用于实际马铃薯油炸薯片加工适宜性评价，为中国马铃薯产业选择特定薯片加工品种具有一定的指导意义。

[11] ONSEKIZOGLU P, BAHCECI K S, ACAR M J . Clarification and the concentration of apple juice using membrane processes: A comparative quality assessment
Journal of Membrane Science, 2010,352(1/2):160-165. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.1016/j.memsci.2010.02.004.
URL [本文引用: 1]
The aim of this study was to evaluate the potential of integrated membrane processes for the clarification and the concentration of apple juice, taking into account the impact on the product quality. The fresh apple juice, with a total soluble solids (TSS) content of about 12 Brix was previously clarified by combined application of fining agents (gelatin and bentonite) and ultrafiltration (UF) through 10 kDa or 100 kDa molecular weight cut-off (MWCO) membranes on laboratory scale. The clarified juice was then concentrated by osmotic distillation (OD), membrane distillation (MD), coupled operation of OD and MD or by conventional thermal evaporation up to 65 Brix. The effect of different clarification and concentration processes on formation of 5-hydroxymethylfurfural (HMF), retention of bioactive compounds (phenolic compounds, organic acids, glucose, fructose and sucrose) and their efficiency in preserving natural color and aroma (trans-2-hexenal, the most relevant compound in apple juice aroma) were evaluated in order to maintain a high quality product. The new membrane-based concentration techniques were very efficient since the product characteristics were very similar to that of the initial apple juice especially regarding the retention of bright natural color and pleasant aroma, which are significantly lost during thermal evaporation. Furthermore, among all the concentration treatments applied, only thermally evaporated samples resulted formation of HMF. Phenolic compounds, organic acids and sugars were very stable against all concentration processes, including thermal evaporation. Coupled operation of OD and MD reduced trans-2-hexenal losses drastically tending towards that of the initial juice and hence can be proposed as the most promising alternative to conventional thermal evaporation technique.

[12] YI J Y, ZHOU L Y, BI J F, WANG P, LIU X, Wu X Y . Influence of number of puffing times on physicochemical, color, texture, and microstructure of explosion puffing dried apple chips
Drying Technology, 2015,34(7):773-782. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.1080/07373937.2015.%201076838.
URL [本文引用: 1]
The impact of number of puffing times during explosion puffing drying (EPD) on drying characteristics and qualities of apple chips was studied. Physicochemical characteristics, antioxidant capacity, color, texture, expansion ratio, rehydration ratio, hydroscopicity, and microstructure of apple chips dried by EPD with 0 (vacuum drying, VD), 1, 3, 5, 7, and 9 puffing times were analyzed. The apple chips dried by EPD with 3 and 5 puffing times exhibited better color (Δ E 7.27–7.70) and texture (hardness 40.5–40.802N, crispness 8.8–9.302N/mm), as well as higher expansion ratio (104.4–109.7%) compared to VD and EPD with fewer or more puffing times. The samples dried with 3 and 5 puffing times also showed relatively higher rehydration ratio and hygroscopicity, and acceptable retention of total phenolic content (0.32–0.3702mg/g) and ascorbic acid content (1.66–1.8902mg/10002g), as well as considerable antioxidant abilities (DPPH 79.45–81.17 AEAC 08 M/g, FRAP 66.54–68.25 TEAC 08 M/g, ABTS 73.36–79.21 TEAC 08 M/g) compared to VD dried samples. In conclusion, experiments with apple chips indicated that EPD drying with 3 to 5 puffing times yielded superior overall quality than that with more or fewer puffing times.

[13] 龚玲娣, 徐清渠 . GB/T 12456-2008食品中总酸的测定[S]. 北京: 中国标准出版社, 2008.
[本文引用: 1]

GONG L D, XU Q Q. GB/T 12456-2008 Determination of total acid in foods [S]. Beijing: Standards Press of China, 2008. ( in Chinese)
[本文引用: 1]

[14] 聂继云, 李静, 徐国锋, 李海飞, 毋永龙, 李志霞, 闫震, 匡立学 . NY/T 2637-2014水果和蔬菜可溶性固形物含量的测定折射仪法[S]. 北京: 中国农业出版社, 2014.
[本文引用: 1]

NIE J Y, LI J, XU G F, LI H F, WU Y L, LI Z X, YAN Z, KUANG L X. NY/T 2637-2014 Refractmetric method for determination of total soluble solids in fruits and vegetables [S]. Beijing: China Agriculture Press, 2014. ( in Chinese)
[本文引用: 1]

[15] GB 5009. 3-2016食品中水分的测定[S]. 北京: 中国标准出版社, 2016.
[本文引用: 1]

GB 5009. 3-2016 Determination of moisture in foods [S]. Beijing: Standards Press of China, 2016. ( in Chinese)
[本文引用: 1]

[16] 卫生部食品卫生监督检验所. GB /T 5009.10-2003植物类食品中粗纤维的测定[S]. 北京: 中国标准出版社, 2003.
[本文引用: 1]

Ministry of Health Food Hygiene Supervision and Inspection Institute. GB /T 5009.10-2003 Determination of crude fiber in vegetable foods [S]. Beijing: Standards Press of China, 2013. ( in Chinese)
[本文引用: 1]

[17] GB 5009. 5-2016食品中蛋白质的测定[S]. 北京: 中国标准出版社, 2016.
[本文引用: 1]

GB 5009. 5-2016 Determination of protein in foods[S]. Beijing: Standards Press of China, 2016. ( in Chinese)
[本文引用: 1]

[18] GB 5009. 86-2016食品安全国家标准食品中抗坏血酸的测定[S]. 北京: 中国标准出版社, 2016.
[本文引用: 1]

GB 5009. 86-2016 Determination of Ascorbic Acid in Foods [S]. Beijing: Standards Press of China, 2016. ( in Chinese)
[本文引用: 1]

[19] SU H K, CHOI Y J, LEE H, LEE S H, AHN J B, NOH B S, MIN S H . Physicochemical properties of jujube powder from air, vacuum, and freeze drying and their correlations
Applied Biological Chemistry, 2012,55(2):271-279. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.1007/s13765-012-1039-3.
URL [本文引用: 1]
Physical and chemical properties of jujube powder with different powder sizes prepared by different drying methods were determined, and correlations of the properties were statistically analyzed. Air-, vacuum-, and freeze-dried (AD, VD, and FD, respectively) jujube were milled and sieved to produce powders. Powder size, morphological characteristics, color, volatile profile, moisture sorption isotherm, water solubility, rehydration, total sugar content, and polyphenol content of the powder were determined. Hunter L, a , and b , degree of browning, and volatile profile varied depending on drying methods. Moisture sorption isotherms exhibited typical Type II sigmoidal shape. Polyphenol content was highest in AD powder (2.6卤0.1 mg/g). Powder size, morphology, water solubility, and total sugar content were not different by different drying methods. Correlations identified among the properties indicate rehydration of the powder could be maximized by controlling particle size and water activity of the powder. Rehydration and powder size of AD, VD, and FD powder were significantly correlated ( p <0.001) ( R 2 = 0.92, 0.88, and 0.94, respectively). Property correlations determined could be useful in customizing properties of jujube powder and increasing commercial uses of the powder.

[20] ABID M, JABBAR S, WU T, HASHIM M M, HU B, LEI S C, ZHANG X, ZENG X X . Effect of ultrasound on different quality parameters of apple juice
Ultrasonics Sonochemistry, 2013,20(5):1182-1187. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.1016/j.ultsonch.2013.02.010.
URLPMID:23522904 [本文引用: 1]
Fresh apple juice treated with ultrasound (for 0, 30, 60 and 90min, at 20°C, 25kHz frequency) was evaluated for different physico-chemical, Hunter color values, cloud value, antioxidant capacity, scavenging activity on 2,2-diphenyl-1-picrylhydrazyl (DPPH) free radical, ascorbic acid, total phenolics, flavonoids, flavonols and microbial characteristics. No significant effect of sonication was observed on pH, total soluble solids (°Brix) and titratable acidity of apple juice. Sonication significantly improved ascorbic acid, cloud value, phenolic compounds, antioxidant capacity, DPPH free radical scavenging activity and differences in Hunter color values. Moreover, significant reduction in microbial population was observed. Findings of the present study suggested that sonication treatment could improve the quality of apple juice. It may successfully be employed for the processing of apple juice with improved quality and safety from consumer’s health point of view.

[21] 方金豹, 庞荣丽, 何为华, 李君, 吴斯洋, 郭琳琳, 俞宏 . NY／T 2016-2011水果及其制品中果胶含量的测定—分光光度法[S]. 北京: 中国农业出版社, 2011.
[本文引用: 1]

FANG J B, PANG R L, HE W H, LI J, WU S Y, GUO L L, YU H. NY/T 2016-2011 Determination of pectin content in fruits and derived products—Spectrophotometry method[S]. Beijing: China Agriculture Press, 2011. ( in Chinese)
[本文引用: 1]

[22] 聂继云, 李志霞, 匡立学, 李静, 李海飞, 徐国锋, 闫震 . NY／T 2742-2015 水果及制品可溶性糖的测定—3, 5-二硝基水杨酸比色法. 北京: 中国农业出版社, 2015.
[本文引用: 1]

NIE J Y, LI Z X, KUANG L X, LI J, LI H F, XU G F, YAN Z. NY/T 2742-2015 Determination of soluble sugars in fruits and derived products- 3,5-dinitrosalicylic acid colorimetry. Beijing: China Agriculture Press, 2015. ( in Chinese)
[本文引用: 1]

[23] 龙映均, 刘四新, 余敏华, 陈桃, 李从发 . 椰纤果热风干燥工艺优化研究
食品与机械, 2011,27(4):146-148, 162. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.%201003-5788.2011.04.043.
URL [本文引用: 1]
对椰纤果的热风干燥工艺条件和 利用渗透法对椰纤果的结构修饰进行研究,通过单因素及正交试验探讨不同热风及结构修饰条件对椰纤果的复水性、复水后的质构等的影响。结果表明,热风干燥椰 纤果的最佳工艺条件为干燥温度60℃、浸泡处理1.0%卡拉胶浸泡、浸渍固液比1∶2(m∶V)、浸渍时间为20h。
LONG Y J, LIU S X, YU M H, CHEN T, LI C F . Optimization of the hot-air drying processing condition of nata
Science and Technology of Food Industry, 2011,27(4):146-148,162. doi: 10.3969/j.issn.1003- 5788.2011.04.043. (in Chinese)
URL [本文引用: 1]
对椰纤果的热风干燥工艺条件和 利用渗透法对椰纤果的结构修饰进行研究,通过单因素及正交试验探讨不同热风及结构修饰条件对椰纤果的复水性、复水后的质构等的影响。结果表明,热风干燥椰 纤果的最佳工艺条件为干燥温度60℃、浸泡处理1.0%卡拉胶浸泡、浸渍固液比1∶2(m∶V)、浸渍时间为20h。

[24] 王沛, 毕金峰, 白沙沙, 公丽艳, 王轩 . 不同原料品种的苹果脆片品质评价及其相关性分析
食品与机械, 2012,28(2):9-10. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1003-5788.2012.02.003.
URL [本文引用: 1]
测定20个早熟品种苹果脆片的16项品质评价指标,研究指标间的相关关系,为建立苹果脆片品质评价体系提供科学依据。结果表明,不同原料品种加工的脆片指标测定值有较大差异,变异系数均达到10%以上。指标间存在着不同程度的相关关系,但偏相关分析与简单相关分析的结果不完全相同,在有第三方影响因素情况下,膨化度与含水率仍具备显著的相关关系,而脆度与膨化度、脆度与含水率无明显相关关系。
WANG P, BI J F, BAI S S, GONG L Y, WANG X . Determination of quality evaluation and correlation analysis of varieties apple chips
Science and Technology of Food Industry, 2012,28(2):9-10. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1003-5788.2012.02.003. (in Chinese)
URL [本文引用: 1]
测定20个早熟品种苹果脆片的16项品质评价指标,研究指标间的相关关系,为建立苹果脆片品质评价体系提供科学依据。结果表明,不同原料品种加工的脆片指标测定值有较大差异,变异系数均达到10%以上。指标间存在着不同程度的相关关系,但偏相关分析与简单相关分析的结果不完全相同,在有第三方影响因素情况下,膨化度与含水率仍具备显著的相关关系,而脆度与膨化度、脆度与含水率无明显相关关系。

[25] 毕金峰, 王雪媛, 周林燕, 吴昕烨, 高琨, 吕健, 彭健 . 脉动压差闪蒸处理对苹果片水分散失特性及品质影响
农业工程学报, 2016
DOI:https://www.chinaagrisci.com/article/2019/0578-1752/10.11975/j.issn.1002-6819.2016.z2.053URL [本文引用: 1]
为了研究苹果片水分散失特性及品质变化规律,该文采用脉动压差闪蒸技术对苹果片进行干燥处理,结合低场核磁共振技术、重量法、物性分析等技术,分析苹果片水分散失特性和品质变化。闪蒸是脉动压差闪蒸干燥的一个中间阶段,也是一个至关重要的环节,因此该文着重研究闪蒸温度和闪蒸次数对瞬间脉动压差作用引起的水分散失、水分状态变化及苹果脆片品质的变化。试验结果显示:闪蒸温度对苹果片水分散失和品质都有影响,温度过低产品酥脆度不佳,温度过高引起脆片品质下降,由此得到适宜的闪蒸温度为95℃;多次脉动闪蒸对水分散失和质构的形成有促进作用,由于闪蒸瞬间温度和压力的突然降低,水分瞬间汽化为蒸汽,苹果片含水率降低,可以缩短干燥时间,提高脆片品质;闪蒸量随脉动次数的增加呈现出先上升后下降的趋势,这与苹果片内水分状态变化有关,初期以自由水为主而容易散失,后期以不易流动水和结合水为主,水分逐渐从高自由度向低自由度转变,导致水分散失速度减慢,水分闪蒸量减少;此外,核磁共振信号幅值的降低说明闪蒸作用可以促进水分散失;闪蒸促进水分散失的同时,引起内部结构膨胀,减少脆片干燥皱缩现象;闪蒸次数对苹果脆片品质也有一定影响,次数过多引起色泽变暗、膨化度降低、口感变差,综合各方面品质特性变化,得到闪蒸5次较为适宜。该试验结果可以为闪蒸作用对水分散失特性及品质影响研究提供理论基础。
32(2):376-382. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.11975/j.issn.1002-6819.2016.z2.053.
URL [本文引用: 1]
为了研究苹果片水分散失特性及品质变化规律,该文采用脉动压差闪蒸技术对苹果片进行干燥处理,结合低场核磁共振技术、重量法、物性分析等技术,分析苹果片水分散失特性和品质变化。闪蒸是脉动压差闪蒸干燥的一个中间阶段,也是一个至关重要的环节,因此该文着重研究闪蒸温度和闪蒸次数对瞬间脉动压差作用引起的水分散失、水分状态变化及苹果脆片品质的变化。试验结果显示:闪蒸温度对苹果片水分散失和品质都有影响,温度过低产品酥脆度不佳,温度过高引起脆片品质下降,由此得到适宜的闪蒸温度为95℃;多次脉动闪蒸对水分散失和质构的形成有促进作用,由于闪蒸瞬间温度和压力的突然降低,水分瞬间汽化为蒸汽,苹果片含水率降低,可以缩短干燥时间,提高脆片品质;闪蒸量随脉动次数的增加呈现出先上升后下降的趋势,这与苹果片内水分状态变化有关,初期以自由水为主而容易散失,后期以不易流动水和结合水为主,水分逐渐从高自由度向低自由度转变,导致水分散失速度减慢,水分闪蒸量减少;此外,核磁共振信号幅值的降低说明闪蒸作用可以促进水分散失;闪蒸促进水分散失的同时,引起内部结构膨胀,减少脆片干燥皱缩现象;闪蒸次数对苹果脆片品质也有一定影响,次数过多引起色泽变暗、膨化度降低、口感变差,综合各方面品质特性变化,得到闪蒸5次较为适宜。该试验结果可以为闪蒸作用对水分散失特性及品质影响研究提供理论基础。

[26] BI J F, WANG X Y, ZHOU L Y, WU X Y, GAO K, LV J, PENG J . Effect of instant controlled pressure drop drying on water loss and quality in apple slices
Transactions of Chinese Society of Agricultural Engineering, 2016,32(2):376-382. doi: 10.11975/j.issn.1002-6819. 2016.z2.053. (in Chinese)
URL [本文引用: 1]
Apple is one of the most widely cultivated fruits where its dried products rapidly occupied in the puffed products market. In recent year, instant controlled pressure drop drying(ICPDD) has been widely researched and generalized with its advantages of short time, no oxygen reduced oxidation in the processing under vacuum environment, the product is natural and nutritional. Instant controlled pressure drop drying is effective in giving apple slices crispy taste and prolonging the shelf-life of food. Thus, ICPDD has a great prospect in fruits and vegetables drying field, in which it's necessary to study the effect of instant flashing on water loss and product quality. In this paper, ICPDD drying technology, low-field nuclear magnetic resonance, color and texture detecting technology were mainly adopted to analyze the water loss and quality during flashing. High temperature, pressure differences and water removal can all influence the structure and quality of apple slices. Fresh Fuji apple was used in the experiment which was peeled, pitted and cut into sector slice with 5mm thickness and then was evenly put on the tray of hot air drying under 70℃ until the water content was decreased to about 70%. Then focus on the effect of instant controlled pressure drop drying on water diffusion and product quality. Experiment results showed that, different flashing temperatures had a little influence on water diffusion while higher temperature could accelerate water diffusion. Under the condition of 85, 95 and 105℃, the flashing times used to decrease the water content below 7% were nine, ten and eleven, separately. But compared with 95 ℃, the effect of 105 ℃ was no obvious. The drying rate increased first when it reached the maximum at the first flashing time and then decreased. But 105 ℃ was too high to keep a good color, and the crisp was too high to transport easily. Lower temperature 85 ℃ may be not enough to provide power for puffing. So that 95℃ was chosen as the flashing temperature in this research. Instant flashing really had an effect on water loss from the changes of water content where it firstly increased, and then decreased. Water state also changed from moisture with high degree of freedom to moisture with low degree of freedom that affected the water removal. After a few times of flashing, free water and immobilized water mainly existed in apple slices which were easily to be removed with lower bonding effect. Along with the increasing of flashing times, immobilized water and bound water with low liquidity play a dominant role in apple slices because they are difficult to remove. In order to obtain high quality apple chips, choosing in flashing times is important. How much the amount of moisture loss in flashing moment does directly decided the flashing times during drying, so that it could shorten vacuum time as much as possible to improve the sensor quality. Both water activity and color decreased with flashing times increasing, and long time in high temperature might facilitate the Maillard action. Appropriate flashing times could make water instantly vaporized to give rise to volume swelling and form spongy porous structure which gave apple chips crispy taste. Rapid water loss also caused case hardening to make hardness up which is in favor of keep a good shape. However, higher hardness would affect the chips taste. Therefore, 5 times was chosen as the suitable condition to gain great quality.

[26] 孙修东, 李宗斌, 陈富民 . 基于人工神经网络的多指标综合评价方法研究
郑州轻工业学院学报(自然科学版), 2003,18(2):11-14. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1004-1478.2003.02.003.
[本文引用: 1]

SUN X D, LI Z B, CHEN F M . Research on multiple attribute synthetical evaluation methods based on artificial neural network
Journal of Zhengzhou Institute of light Industry (Natural Science Edition), 2003,18(2):11-14. doi: 10.3969/j.issn.1004-1478.2003.02. 003. (in Chinese)
[本文引用: 1]

[27] 刘俊威, 吕惠进 . 人工神经网络在水质预测中的应用研究
长江科学院院报, 2012,29(9):95-97. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1001-5485.2012.09.%20022.
URLMagsci [本文引用: 1]
选取水质指标之一的溶解氧DO作为测算因素，研究了人工神经网络的BP法、bpx法、L-M法3种不同学习算法在水质预测中的应用。研究结果表明:3种不同学习算法的预测效果均较理想，其中以L-M法预测结果最为精确，人工神经网络在水质预测方面有着良好的应用前景和推广价值。
LIU J W, LV H J . Artificial Neural Network applied in water quality prediction
Journal of Yangtze River Scientific Research Institute, 2012,29(9):95-97. doi: 10.3969/j.issn.1001-5485.2012.09.022. (in Chinese)
URLMagsci [本文引用: 1]
选取水质指标之一的溶解氧DO作为测算因素，研究了人工神经网络的BP法、bpx法、L-M法3种不同学习算法在水质预测中的应用。研究结果表明:3种不同学习算法的预测效果均较理想，其中以L-M法预测结果最为精确，人工神经网络在水质预测方面有着良好的应用前景和推广价值。

[28] 潘玉成, 叶乃兴, 潘玉华, 赵仕宇 . 人工神经网络在坦洋工夫红茶感官品质评定中的应用研究
茶叶科学, 2015(5):465-472. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1000-369X.2015.05.013.
URL [本文引用: 1]
根据坦洋工夫红茶感官品质主要评定指标，采用BP神经网络建立了 坦洋工夫红茶等级与其主要评定指标之间的非线性映射关系，实现了对坦洋工夫红茶等级的预测，并通过实验进行验证。研究表明，所构建的坦洋工夫红茶评审专家 预测系统有较好的识别效果，实用性强，克服了许多人为误差，提高了茶叶评审的速度，评茶人员只需具备一定的茶叶审评知识，就能正确地对坦洋工夫红茶的等级 进行评定。
PAN Y C, YE N X, PAN Y H, ZHAO S Y . Application research of Artificial Neural Network in sensory quality evaluation of TanYang GongFu black tea.Journal of Tea Science, 2015(5):465-472. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3969/j.issn.1000-369X.2015.05.013. (in Chinese)
URL [本文引用: 1]
根据坦洋工夫红茶感官品质主要评定指标，采用BP神经网络建立了 坦洋工夫红茶等级与其主要评定指标之间的非线性映射关系，实现了对坦洋工夫红茶等级的预测，并通过实验进行验证。研究表明，所构建的坦洋工夫红茶评审专家 预测系统有较好的识别效果，实用性强，克服了许多人为误差，提高了茶叶评审的速度，评茶人员只需具备一定的茶叶审评知识，就能正确地对坦洋工夫红茶的等级 进行评定。

[29] 吴殿廷, 李东方 . 层次分析法的不足及其改进的途径
北京师范大学学报(自然科学版), 2004,40(2):264-268. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3321/j.issn:%200476-0301.2004.02.025.
URL [本文引用: 1]
针对层次分析法存在的问题 ,结合教师绩效考核实践提出了具体的改进建议 ,主要是加强与模糊综合评价等方法的结合 .一是尽量邀请多个专家参与评价以提高判断矩阵的质量 ;二是努力挖掘定量信息的价值 ,并把定量信息与定性信息进行综合 ,以提高评价过程的客观性 ,保证评价结果的综合性、全面性 .层次分析法与模糊综合评价等方法各有利弊 ,当评价对象很多、评价精度要求不高时 ,应该用模糊综合评价方法 ,但在确定评价因子的权重时最好用层次分析法 ;当评价对象不多、评价精度要求很高时 ,最好用层次分析法 .
WU D T, LI D F . Shortcomings of Analytical hierarchy process and the pain to Improve the method
Journal of Beijing Normal University (Natural Science Edition), 2004,40(2):264-268. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.3321/j.issn:%200476-0301.2004.02.025. (in Chinese)
URL [本文引用: 1]
针对层次分析法存在的问题 ,结合教师绩效考核实践提出了具体的改进建议 ,主要是加强与模糊综合评价等方法的结合 .一是尽量邀请多个专家参与评价以提高判断矩阵的质量 ;二是努力挖掘定量信息的价值 ,并把定量信息与定性信息进行综合 ,以提高评价过程的客观性 ,保证评价结果的综合性、全面性 .层次分析法与模糊综合评价等方法各有利弊 ,当评价对象很多、评价精度要求不高时 ,应该用模糊综合评价方法 ,但在确定评价因子的权重时最好用层次分析法 ;当评价对象不多、评价精度要求很高时 ,最好用层次分析法 .

[30] XIA M, FANG J, TANG Y, WANG Z . Dynamic depression control of chaotic neural networks for associative memory
Neurocomputing, 2010,73(4/6):776-783. doi: https://www.chinaagrisci.com/article/2019/0578-1752/10.1016/j.neucom.2009.10.015.
URL [本文引用: 1]
The chaotic neural network constructed with chaotic neurons presents complex dynamics and has potential application in the associative dynamics and information processing. However, the states of the chaotic neural network wander around all the stored patterns and cannot be stabilized to one of the stored patterns or a periodic orbit because of the chaotic characteristic of the network, which hampering the application of the chaotic associative dynamics of chaotic neural network to information processing. In this work, a dynamic depression control method imposed on the internal state of neurons for chaotic neural networks is proposed. In this way, the decay parameters and the scaling parameter for the refractoriness are time varying determined by the internal state of neurons. Ascribing to dynamic depression control, chaos is controlled in a self-adaptive manner and no target needs to be specified in advance. Furthermore, the theoretic analysis of dynamic depression control is presented. The numerical simulation proves that the chaos in the chaotic neural network can be controlled with the dynamic depression control, and the neural network can be stabilized to a stored pattern if the control strength parameter is chosen suitable.

[31] FUNES E, ALLOUCHE Y, BELTRAN G, JIMENEZ A . A Review: Artificial Neural Networks as tool for control food industry process
Journal of Sensor Technology, 2015,5(1):28.
DOI:10.4236/jst.2015.51004URL [本文引用: 1]