本发明涉及模式识别与光谱分析领域，具体涉及食物口感和风味的主观评价及光谱数据建模方法及系统。
背景技术：
口感和风味是人类对食物的一种高级体验。口感是指食物在人们口腔内，由触觉和咀嚼而产生的直接感受，是独立于味觉之外的另一种体验。而风味是人们品尝食物的味觉和嗅觉感受。对于食物的主观评价，需要将口感和风味联合在一起建立评价体系。以往由于食物口感和风味的主观评价与客观数据没有建立关联，对于食物的感受依赖描述性语言，尚无可量化的主观评价指标。
技术实现要素：
本发明要解决的技术问题是：为了解决食物口感和风味的主观评价缺乏可量化的主观评价问题，本发明利用光谱数据的分子特征信息，提出了食物口感和风味的主观评价及光谱数据建模方法及系统。
本发明解决其技术问题所采用的技术方案是：一种食物口感和风味的主观评价及光谱数据建模方法，包括以下步骤：
获取某种食物的光谱数据di，获取主观评价参评人信息，建立对应食物口感和风味的主观评价标签；
大量采集不同食物的光谱数据di和主观评价参评人信息，并建立对应食物口感和风味的主观评价标签，进行机器学习算法建模，在已知食物光谱数据和主观评价参评人信息的情况下，预测主观评价标签结果。
所述光谱数据di，为每组食物的红外光谱反射率导数数据，其中i＝1,2，…，n，为采样点个数；使用余弦距离表示光谱数据向量之间的差异，将异常数据剔除；导数计算使用直接差分方法，利用光谱数据逐点相减得到：
其中，r是每组食物的红外光谱原始反射率，i＝1,2，…，n，为采样点个数，λ是采样时的光谱波长，δλ是波长采样的最小间隔。
所述主观评价参评人信息按照信息量转化为数值：
性别xa：男，女，数值为1,2，默认值0；
年龄xb：按照填写的数值，1,2……，不设上限，默认值0；
籍贯xc：中国共有34个省，数值为1,2,…34，后续如果新增其他国家省份，依次顺延，默认值为0；
民族xd：中国共有56个民族，数值为1,2,…56，后续如果新增其他民族，依次顺延，默认值为0。
所述对应食物口感和风味的主观评价标签，包括，食物口感的两个基本方面——冷热程度和软硬程度，以及食物风味的两类信息——味觉和嗅觉。
将对食物口感的主观评价由描述性语言转化为可量化的指标，按照食物口感的两个方面，食物冷热程度和软硬程度，进行指标分解，由参评人分别进行评分：
食物冷热程度α，5分制，从低到高对应为冰、凉、温、热、烫五个区域；
食物软硬程度β，10分制，从低到高对应为稀、稠、软、糯、嫩、滑、弹牙、酥、脆、硬十个区域；
建立食物口感分类标签yi＝(α,β)，一一对应冷热和软硬程度各区域；
将对食物风味的主观评价由描述性语言转化为可量化的指标，按照食物风味的两类信息，对食物的味觉和嗅觉，进行指标分解，由参评人分别进行评分：
对食物的味觉δ，进行酸、甜、苦、辣、咸5项打分，每项5分制，共计25种情况；
对食物的嗅觉ε，10分制，从低到高对应为臭、无味、香十个等级情况；
建立食物风味分类标签yii＝(δ,ε)，一一对应味觉和嗅觉各种情况。
所述机器学习算法建模，对于每种食物口感和风味的主观评价标签y＝(yi,yii)＝(α,β,δ,ε)，对应参评人信息和光谱数据x＝(xa，xb，xc，xd，d1，d2，…，dn)，样本集t＝(x1，y1)，(x2，y2)，…，(xm，ym)，其中，xm代表第m个样本，ym表示第m个样本的类别，m是样本个数；建立不同主观评价标签和输入数据之间的分类准则，算法选用近邻法或svm(支持向量机)；
所述近邻法，生成各类别之间的判据k，对于待测数据，与已知类别的数据逐一计算距离，根据统一的距离判别准则找到和已知样本最接近k个的数据，并且以这个该已知数据的类别作为待测数据的类别；
具体表述为：样本集t＝(x1，y1)，(x2，y2)，…，(xm，ym)，xi代表第i个样本，yi表示第i个样本的类别，m个样本向量x1～xm协方差矩阵记为s，判断准则函数使用马氏距离判别，其中样本xi到xj的马氏距离δ(xi，xj)为，
在分类中，选择前k个最近的样本，对这k个样本所属的类别进行投票，得票率最多的类别是待测样品的类别，其中k的选取根据训练样本不断优化得到，k取2～5；knn(近邻法)比较好的地方是，它可以把我们之前计算的距离判据演化成一种相似度依据，对以后我们衡量不同树种之间的相似度有一个直观的认识。另外当我们的样本数量足够多的时候，knn的结果是结果就更加准确。算法时间复杂度为o(n)，无需训练，简单有效，在样本很多的情况下，可以保证较高的准确度。
所述svm算法，本身是一个两类问题的判别方法，但本发明数据分类中是一个多类问题。因此，选用“一对一”方法，对于n类样本，两两类别训练一个两类分类器，共训练n*(n-1)/2个分类器，对测试样本逐一进行测试并进行投票，得票最多的类别即为其类别标签；
对于两类分类的问题，svm分类的思想是找到这个使得两类别样本间隔最大的超平面，此时，训练数据为(x1，y1)，(x2，y2)，…，(xm，ym)，y∈{+1，-1}；求取最大间隔的问题就是一个寻优的问题，最优分类面的方程：
wx+b＝0
其中w和b未知，转换后的待求解的最优化问题：
使得满足yi[(wxi)+b]-1≥0(i＝1,2,…,m)
m为样本个数，求解得w和b，即得到最优分类面；
对于一些在低维空间中线性不可分的情况，通过核函数将其映射到高维空间中使其变为线性可分的问题；常用的核函数k(x，xi)有多项式内积核函数、径向基核函数(rbf)和sigmoid内积核函数：(k(x，xi)表示核函数)
多项式内积核函数：
径向基核函数：
sigmoid内积核函数：
本发明选用libsvm软件包进行svm核函数参数求取，使用的步骤是：
1)按照libsvm软件包所要求的格式准备数据集；
2)对数据进行简单的缩放操作；
3)考虑选用rbf核函数；
4)采用交叉验证选择最佳参数c与g；
5)采用最佳参数c与g对整个训练集进行训练获取支持向量机模型；
6)利用获取的模型进行测试与预测。
一种食物口感和风味的主观评价及光谱数据建模系统，包括：主观评价参评人信息收集模块，光谱采集模块，主观评价标签输入模块，数据存储模块，数据处理模块，以及主观评价标签预测输出模块；
所述主观评价参评人信息收集模块，用于收集参评人信息，包括性别xa，年龄xb，籍贯xc和民族xd；可以通过各种终端，包括手机app软件、电脑软件、智能手环等多种终端获取。
所述光谱采集模块，用于获取食物的红外光谱反射率导数数据，通过光谱传感器，以及特定光源环境，收集食物的反射光谱，得到对应波长的原始反射率，再通过插分法计算得到导数数据；
所述主观评价标签输入模块，用于获取参评人对该种食物口感和风味的评价量化信息，包括食物冷热、软硬程度，以及食物的味觉和嗅觉评分；
所述数据存储模块，用于存储训练集数据，以及算法模型参数，可以采用本地存储空间或者云端存储空间；
所述数据处理模块，用于使用算法模型判据，对新的参评人和光谱数据，预测主观评价标签；
所述主观评价标签预测输出模块，用于显示主观评价标签，并将经过参评人修订的主观评价标签及对应参评人信息和光谱数据输出至数据存储模块，作为训练集数据存储，实现数据模型的积累。
本发明的目的就是通过将本征食物特征的光谱数据与食物口感和风味建立数据模型，实现科学可量化的食物口感和品味评价体系。
口感一般包括食物的冷热程度和软硬程度两个基本方面：描述食物冷热程度的词语如温凉热烫等；描述食物软硬程度的词语如软糯酥滑脆嫩等。风味所包含的味觉和嗅觉体验，一般包括五味——酸、甜、苦、辣、咸，以及无味、香、臭。针对口感的两个基本方面和风味的两类信息，光谱数据包含了其中的关键信息——物质的分子特征。食物冷热程度，在微观上是分子热运动的剧烈程度；而食物软硬程度，是分子的结构信息。食物的味觉和嗅觉则是各类分子组成和含量的体现。光谱能够表征物质表面的分子特征，当入射光与物质表面分子发生作用后，反射光的光谱中就包含了物质的分子特征信息，可以进行数据建模。依靠采集的客观数据，当收集大量的光谱数据信息后，结合与之关联的主观评价，利用机器学习的方法实现数据的预测。光谱分析结合主观评价，将大大发挥光谱数据的应用潜力。
本发明的有益效果是，本发明的食物口感和风味的主观评价及光谱数据建模方法及系统，与现有技术相比，本发明食物口感和风味主观评价指标可量化；因其与本征食物分子特征的光谱数据进行建模，可以进行口感和风味的预测；对于食物的分析，获取光谱数据及分析过程，快速、无损；随着数据增多，模型分类准确率可以提升；可以对于特定人群，对食物进行推荐和建议。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的一种食物口感和风味的主观评价及光谱数据建模方法的流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示，本发明的一种食物口感和风味的主观评价及光谱数据建模方法，包括以下步骤：
获取某种食物的光谱数据di，获取主观评价参评人信息，建立对应食物口感和风味的主观评价标签；
大量采集不同食物的光谱数据di和主观评价参评人信息，并建立对应食物口感和风味的主观评价标签，进行机器学习算法建模，在已知食物光谱数据和主观评价参评人信息的情况下，预测主观评价标签结果。
所述光谱数据di，为每组食物的红外光谱反射率导数数据，其中i＝1,2，…，n，为采样点个数；使用余弦距离表示光谱数据向量之间的差异，将异常数据剔除；导数计算使用直接差分方法，利用光谱数据逐点相减得到：
其中，r是每组食物的红外光谱原始反射率，i＝1,2，…，n，为采样点个数，λ是采样时的光谱波长，δλ是波长采样的最小间隔。
所述主观评价参评人信息按照信息量转化为数值：
性别xa：男，女，数值为1,2，默认值0；
年龄xb：按照填写的数值，1,2……，不设上限，默认值0；
籍贯xc：中国共有34个省，数值为1,2,…34，后续如果新增其他国家省份，依次顺延，默认值为0；
民族xd：中国共有56个民族，数值为1,2,…56，后续如果新增其他民族，依次顺延，默认值为0。
所述对应食物口感和风味的主观评价标签，包括，食物口感的两个基本方面——冷热程度和软硬程度，以及食物风味的两类信息——味觉和嗅觉。
将对食物口感的主观评价由描述性语言转化为可量化的指标，按照食物口感的两个方面，食物冷热程度和软硬程度，进行指标分解，由参评人分别进行评分：
食物冷热程度α，5分制，从低到高对应为冰、凉、温、热、烫五个区域；
食物软硬程度β，10分制，从低到高对应为稀、稠、软、糯、嫩、滑、弹牙、酥、脆、硬十个区域；
建立食物口感分类标签yi＝(α,β)，一一对应冷热和软硬程度各区域；
将对食物风味的主观评价由描述性语言转化为可量化的指标，按照食物风味的两类信息，对食物的味觉和嗅觉，进行指标分解，由参评人分别进行评分：
对食物的味觉δ，进行酸、甜、苦、辣、咸5项打分，每项5分制，共计25种情况；
对食物的嗅觉ε，10分制，从低到高对应为臭、无味、香十个等级情况；
建立食物风味分类标签yii＝(δ,ε)，一一对应味觉和嗅觉各种情况。
所述机器学习算法建模，对于每种食物口感和风味的主观评价标签y＝(yi,yii)＝(α,β,δ,ε)，对应参评人信息和光谱数据x＝(xa，xb，xc，xd，d1，d2，…，dn)，样本集t＝(x1，y1)，(x2，y2)，…，(xm，ym)，其中，xm代表第m个样本，ym表示第m个样本的类别，m是样本个数；建立不同主观评价标签和输入数据之间的分类准则，算法选用近邻法或svm(支持向量机)；
所述近邻法，生成各类别之间的判据k，对于待测数据，与已知类别的数据逐一计算距离，根据统一的距离判别准则找到和已知样本最接近k个的数据，并且以这个该已知数据的类别作为待测数据的类别；
具体表述为：样本集t＝(x1，y1)，(x2，y2)，…，(xm，ym)，xi代表第i个样本，yi表示第i个样本的类别，m个样本向量x1～xm协方差矩阵记为s，判断准则函数使用马氏距离判别，其中样本xi到xj的马氏距离δ(xi，xj)为，
在分类中，选择前k个最近的样本，对这k个样本所属的类别进行投票，得票率最多的类别是待测样品的类别，其中k的选取根据训练样本不断优化得到，k取2～5；knn(近邻法)比较好的地方是，它可以把我们之前计算的距离判据演化成一种相似度依据，对以后我们衡量不同树种之间的相似度有一个直观的认识。另外当我们的样本数量足够多的时候，knn的结果是结果就更加准确。算法时间复杂度为o(n)，无需训练，简单有效，在样本很多的情况下，可以保证较高的准确度。
所述svm算法，本身是一个两类问题的判别方法，但本发明数据分类中是一个多类问题。因此，选用“一对一”方法，对于n类样本，两两类别训练一个两类分类器，共训练n*(n-1)/2个分类器，对测试样本逐一进行测试并进行投票，得票最多的类别即为其类别标签；
对于两类分类的问题，svm分类的思想是找到这个使得两类别样本间隔最大的超平面，此时，训练数据为(x1，y1)，(x2，y2)，…，(xm，ym)，y∈{+1，-1}；求取最大间隔的问题就是一个寻优的问题，最优分类面的方程：
wx+b＝0
其中w和b未知，转换后的待求解的最优化问题：
使得满足yi[(wxi)+b]-1≥0(i＝1,2,…,m)
m为样本个数，求解得w和b，即得到最优分类面；
对于一些在低维空间中线性不可分的情况，通过核函数将其映射到高维空间中使其变为线性可分的问题；常用的核函数k(x，xi)有多项式内积核函数、径向基核函数(rbf)和sigmoid内积核函数：(k(x，xi)表示核函数)
多项式内积核函数：
径向基核函数：
sigmoid内积核函数：
本发明选用libsvm软件包进行svm核函数参数求取，使用的步骤是：
1)按照libsvm软件包所要求的格式准备数据集；
2)对数据进行简单的缩放操作；
3)考虑选用rbf核函数；
4)采用交叉验证选择最佳参数c与g；
5)采用最佳参数c与g对整个训练集进行训练获取支持向量机模型；
6)利用获取的模型进行测试与预测。
一种食物口感和风味的主观评价及光谱数据建模系统，包括：主观评价参评人信息收集模块，光谱采集模块，主观评价标签输入模块，数据存储模块，数据处理模块，以及主观评价标签预测输出模块；
所述主观评价参评人信息收集模块，用于收集参评人信息，包括性别xa，年龄xb，籍贯xc和民族xd；可以通过各种终端，包括手机app软件、电脑软件、智能手环等多种终端获取。
所述光谱采集模块，用于获取食物的红外光谱反射率导数数据，通过光谱传感器，以及特定光源环境，收集食物的反射光谱，得到对应波长的原始反射率，再通过插分法计算得到导数数据；
所述主观评价标签输入模块，用于获取参评人对该种食物口感和风味的评价量化信息，包括食物冷热、软硬程度，以及食物的味觉和嗅觉评分；
所述数据存储模块，用于存储训练集数据，以及算法模型参数，可以采用本地存储空间或者云端存储空间；
所述数据处理模块，用于使用算法模型判据，对新的参评人和光谱数据，预测主观评价标签；
所述主观评价标签预测输出模块，用于显示主观评价标签，并将经过参评人修订的主观评价标签及对应参评人信息和光谱数据输出至数据存储模块，作为训练集数据存储，实现数据模型的积累。
本发明的具体实施方式中，主观评价参评人信息可以通过手机app用户端获取；光谱采集模块采用滨松fpi器件实现，配合蓝牙通讯，将光谱数据传输至手机app；数据存储模块及数据处理在云服务器端，数据建模使用libsvm求得建模参数，云服务后台进行数据建模，手机app具有主观评价标签输入、显示和修订的功能，实现主观评价数据的持续更新和积累。
与现有技术相比，本发明食物口感和风味主观评价指标可量化；因其与本征食物分子特征的光谱数据进行建模，可以进行口感和风味的预测；对于食物的分析，获取光谱数据及分析过程，快速、无损；随着数据增多，模型分类准确率可以提升；可以对于特定人群，对食物进行推荐和建议。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。