本发明涉及加工领域。更具体地说，本发明涉及一种bp人工神经网络预测原料加工适宜性的方法。
背景技术：
原料特性是生产优质加工品的基础，因此，关联原料特性与制品品质、明确原料加工适宜性、筛选优质加工原料对企业增效、社会增收及产业发展有重要意义。目前对原料加工适宜性的研究多采用层次分析、灰色关联等方法单独分析原料品质或制品品质，仅可以评价所研究品种加工特性，无法预测未知样品的加工性能。现有的少数关联原料特性与制品品质的方法仅利用判别函数、线性回归等线性模型，无法处理指标间复杂的非线性对应关系，存在模型局限性大、适用范围小，预测未知样品加工性能准确率低的问题。
人工神经网络是一种旨在模仿人脑结构及其功能的由大量简单的计算单元连接形成的智能信息处理系统，具有大规模并行处理、自学习型、自适应性等优点，适用于构建复杂的非线性关联模型。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，是目前应用最广泛的神经网络模型之一，可实现输入到输出的定性或定量预测且有较高的准确率。近年来bp神经网络模型在加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，取得了一定的效果，但在原料加工适宜性预测方面的应用还未见报道。
技术实现要素：
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种bp人工神经网络预测原料加工适宜性的方法，其能够关联原料指标与加工品品质，在客观定性或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，可以实现基于原料指标定性或定量预测加工品品质。
为了实现根据本发明的这些目的和其它优点，提供了一种基于bp人工神经网络预测原料加工适宜性的方法，包括：
选择用于评价原料加工适宜性的加工制品的单一指标，根据加工制品的单一指标确定相关的原料的诸多指标；
以原料的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据形成样本，样本的格式为：每一条历史数据包括原料的诸多指标数据和加工制品的单一指标数据；
选择一定比例的历史数据形成训练样本集，剩余的历史数据形成检测样本集；
以训练样本集的原料的诸多指标数据为输入层，以训练样本集的加工制品的单一指标数据为输出层，确定输入层神经元个数、隐含层神经元个数和输出层神经元个数，确定训练次数、学习率、动量、误差值，确定隐含层、输出层的激活函数，构建基于bp算法的人工神经网络模型，并进行训练至人工神经网络模型稳定；
以检测样本集对人工神经网络模型进行测试，优化人工神经网络模型；
以原料的诸多指标为输入层，根据优化的人工神经网络模型预测加工制品的单一指标。
优选的是，选择70-90％的历史数据形成训练样本集，剩余的数据形成检测样本集。
优选的是，样本包括至少30条历史数据。
优选的是，训练次数为500-8000次，学习率为0.1-0.5，动量为0.1-0.8，误差值为0.00001-0.1。
优选的是，原料的指标包括基础指标、理化指标和加工指标，基础指标包括原料的体积、密度、颜色，理化指标包括原料的糖、酸、蛋白质、酚类、果胶含量、多酚氧化酶活性、粗纤维、粗脂肪、钾、钙、镁，加工指标包括原料的可食比、果形指数、褐变度。
优选的是，加工制品的指标为果蔬汁的浑浊度、稳定性、综合评分、品质等级其中一种，或干制品的色差a值、脆度、综合评分、品质等级，或鲜食品的综合评分、品质等级其中一种。
优选的是，根据加工制品的单一指标确定相关的原料的诸多指标时，首先人工筛选出原料指标，然后对每一项原料指标与加工制品的单一指标进行相关性分析，去除相关系数低于预设的相关系数阈值的原料指标。
优选的是，以训练样本集训练人工神经网络模型至误差低于预设的误差阈值即为人工神经网络模型稳定。
优选的是，以检测样本集测试人工神经网络模型时，比较加工制品的单一指标的预测值和实测值，符合预设的阈值，则人工神经网络模型稳定，反之将该条历史数据加入到训练样本集进行训练，优化人工神经网络模型。
优选的是，以检测样本集测试人工神经网络模型至加工制品的单一指标的预测值和实测值的误差低于预设的误差阈值或相关系数高于预设的相关系数阈值即为人工神经网络模型稳定。
本发明至少包括以下有益效果：
第一、本发明在具有一定量学习样本的条件下，采用bp人工神经网络模型关联原料指标与加工品品质，无需经验公式与数学模型，在客观定性或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，可以实现基于原料指标定性或定量客观、准确地预测加工制品品质；
第二、本发明进行大量不同的原料的诸多指标-加工制品的单一指标数据的训练和试验，构造bp人工神经网络模型准确预测加工制品的单一指标，从源头上提升了目标制品的品质，提高原料和加工制品的关联的合理性，能够极大地促进了产业的发展。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
具体实施方式
下面结合实例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得。
本发明提供一种基于bp人工神经网络预测原料加工适宜性的方法，包括：
选择用于评价原料加工适宜性的加工制品的单一指标，根据加工制品的单一指标确定相关的原料的诸多指标，原料的指标应为主产区主要品种，指标值应差异大，原料的指标包括基础指标、理化指标和加工指标，基础指标包括原料的体积、密度、颜色，理化指标包括原料的糖、酸、蛋白质、酚类、果胶含量、多酚氧化酶活性、粗纤维、粗脂肪、钾、钙、镁，加工指标包括原料的可食比、果形指数、褐变度；加工制品的指标为果蔬汁的浑浊度、稳定性、综合评分、品质等级其中一种，或干制品的色差a值、脆度、综合评分、品质等级，或鲜食品的综合评分、品质等级其中一种，首先人工筛选出原料指标，然后对每一项原料指标与加工制品的单一指标进行相关性分析，去除相关系数低于预设的相关系数阈值的原料指标，筛选最终的原料核心指标；
以原料的诸多指标(核心指标)为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据形成样本，样本包括至少30条历史数据，样本的格式为：每一条历史数据包括原料的诸多指标数据和加工制品的单一指标数据；
选择一定比例的历史数据(优选70-90％)形成训练样本集，剩余的历史数据(优选15-30％)形成检测样本集；
以训练样本集的原料的诸多指标数据为输入层，以训练样本集的加工制品的单一指标数据为输出层，确定输入层神经元个数、隐含层神经元个数和输出层神经元个数，确定训练次数、学习率、动量、误差值，确定隐含层、输出层的激活函数，隐含层神经元个数由数据统计计算软件生成，训练次数为500-8000次，学习率为0.1-0.5，动量为0.1-0.8，误差值为0.00001-0.1，构建基于bp算法的人工神经网络模型，并进行训练人工神经网络模型至误差低于预设的误差阈值即为人工神经网络模型稳定；
神经网络训练是否完成常用误差函数(也称目标函数)e来衡量，当误差函数小于某一个设定的值时即停止神经网络的训练，误差函数为衡量实际输出向量yk与期望值向量tk误差大小的函数，常采用二乘误差函数来定义为
以检测样本集对人工神经网络模型进行测试，比较加工制品的单一指标的预测值和实测值，以检测样本集测试人工神经网络模型至加工制品的单一指标的预测值和实测值的误差低于预设的误差阈值或相关系数高于预设的相关系数阈值即为人工神经网络模型稳定，例如，为验证模型稳定性，可进行交叉验证(不少于3次)，若得到的交叉验证后检测样本集的预测值与实际值线性拟合后决定系数均大于0.9，反之将该条历史数据加入到训练样本集进行训练，优化人工神经网络模型；
以原料的诸多指标为输入层，根据优化的人工神经网络模型预测加工制品的单一指标。
下面以苹果为原料，所选苹果原料均为苹果主产各省份对应的主栽苹果种类，并按照早熟、中熟、晚熟将苹果原料分为三类，具体有：早熟：山东泰山早霞、陕西秦阳等，中熟：陕西黄元帅、河南华玉等，晚熟：辽宁长富二号/华富、山东国光、甘肃秦冠、甘肃花牛、新疆富士、宁夏乔纳金等，进行苹果的加工适宜性进行预测，每个实例的苹果样本涵盖早熟、中熟、晚熟品种。
<实例1>
选择用于评价苹果加工适宜性的苹果汁浑浊度为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的41个苹果品种作为实验原料，部分品种名称、产地见表1，果实成熟期取样，无机械损伤、无病虫害；
表1部分苹果品种名称及产地
(2)确定苹果原料指标，并获取苹果原料指标数据和苹果汁混浊度数据；
(3)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果汁混浊度数据的相关关系，对苹果汁混浊度数据与苹果原料指标数据进行相关性分析，结果如表2所示，得到果心大小、果肉l值、果皮a值和柠檬酸4项指标作为苹果原料的核心指标；
表2苹果原料指标数据与苹果汁混浊度数据的相关关系
(4)构建神经网络学习模型
从41个苹果样本中随机筛选35个苹果样本作为训练样本来建立学习模型，剩余6个苹果样本作为预测样本进行苹果汁混浊度预测，模型输入层为果心大小、果肉l值、果皮a值和柠檬酸4项原料核心指标数据，模型输出层为苹果果实对应的苹果汁混浊度值，输入层最下层为模型辅助层，由软件自动添加，模型最优隐含层数为5个，其余各训练参数选择如下：最大循环次数4000，学习率0.2，动量因子0.2，误差值0.001；
(5)验证预测样本
应用神经网络学习模型，对6个苹果样本的苹果汁混浊度进行预测，结果如表3所示，相对误差小于3％，预设的阈值是相对误差绝对值小于8％，6个苹果样本预测准确，预测准确率为100％。
表3神经网络预测结果
<实例2>
选择用于评价苹果加工适宜性的苹果汁综合评分为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的33个苹果品种作为实验原料，部分苹果品种名称、产地见表4，果实成熟期取样，无机械损伤、无病虫害；
表4部分苹果品种名称及产地
(2)确定苹果汁综合评分的评价方法
以苹果的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据，测定苹果汁的数据，苹果汁数据包括可溶性固形物、可滴定酸、粗纤维、粗蛋白、vc、还原糖、总糖含量、果汁l值、果汁a值、果汁b值、出汁率、浊度；
对苹果汁的上述13项指标利用因子分析法，设定输出绝对值数据大于0.5的数据，结果见表5所示；
表5苹果汁指标因子分析旋转成分矩阵
注：pc1-pc5分别表示第1至第5个主因子
根据表5可知，筛选每个因子中权重值较高的指标作为各因子的代表性指标，故筛选出总酚含量、l值、可滴定酸、浊度和vc4项为果汁核心指标，并记录各苹果汁核心指标对应的苹果汁核心指标数据；
运用层次分析法建立y-p判断矩阵，如表6所示，对矩阵特征向量归一化处理后得到苹果汁核心指标权重；
表6判断矩阵y-p
根据表6建立果汁综合评价模型进而得到果汁综合评分，每个苹果汁对应的果汁综合评分为：y(综合得分)＝总酚含量×0.416+l值×0.027+可滴定酸含量×0.164+浊度0.092+vc含量×0.060；
(3)确定苹果原料指标，并获取苹果原料指标数据和苹果汁综合评分数据；
(4)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果汁综合评分数据的相关关系，对苹果汁综合评分数据与苹果原料指标数据进行相关性分析，结果如表7所示，得到密度、果核比例、果肉l值、果皮硬度、果肉硬度、ph、可滴定酸、可溶性固形物、含水率、粗蛋白10项指标作为苹果原料的核心指标；
表7苹果原料指标数据与苹果汁综合评分数据的相关关系
(5)构建神经网络学习模型
从33个苹果样本中随机筛选24个苹果样本作为训练样本来建立学习模型，剩余9个苹果样本作为预测样本进行苹果汁综合评分数据预测，模型输入层为密度、果核比例、果肉l值、果皮硬度、果肉硬度、ph、可滴定酸、可溶性固形物、含水率、粗蛋白10项原料核心指标数据，模型输出层为苹果汁综合评分，利用数据统计计算软件，模型最优隐含层数由软件自动生成，其中，训练次数为1000次，学习率为0.1，动量为0.2，误差值为0.001；
(6)验证预测样本
应用神经网络学习模型，对9个苹果样本的苹果汁综合评分进行预测，结果如表8所示，预设的阈值是相对误差绝对值小于8％，8个苹果样本预测准确，预测准确率为88.89％。
表8神经网络预测结果
将不符合预设阈值的对应的样本集数据加入到训练样本集进行训练，优化人工神经网络模型，构架新的人工神经网络学习模型。
<实例3>
选择用于评价苹果加工适宜性的苹果汁综合评分为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的30个苹果品种作为实验原料，部分苹果品种名称、产地见表9，果实成熟期取样，无机械损伤、无病虫害；
表9部分苹果品种名称及产地
(2)确定苹果汁综合评分的评价方法
以苹果的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据，对苹果汁进行感官评分，评分标准如表10所示，评分结果如表11所示；
表10苹果汁感官评价表
表11苹果汁的感官总评分
(3)确定苹果原料指标，并获取苹果原料指标数据和苹果汁综合评分数据；
(4)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果汁综合评分数据的相关关系，对苹果汁综合评分数据与苹果原料指标数据进行相关性分析，结果如表12所示，得到果皮l值、果肉l值、ph值3项指标作为苹果原料的核心指标；
表12原料指标与苹果汁感官总评分相关性分析
(5)构建神经网络学习模型
从30个苹果样本中随机筛选25个苹果样本作为训练样本来建立学习模型，剩余5个苹果样本作为预测样本进行苹果汁综合评分数据预测，模型输入层为果皮l值、果肉l值、ph值3项原料核心指标数据，模型输出层为苹果汁综合评分，利用数据统计计算软件，模型最优隐含层数由软件自动生成，其中，训练次数为3000次，学习率为0.3，动量为0.2，误差值为0.001；
(6)验证预测样本
应用神经网络学习模型，对5个苹果样本的苹果汁综合评分进行预测，结果如表13所示，相对误差小于6％，预设的阈值是相对误差绝对值小于8％，5个苹果样本预测准确，预测准确率为100％。
表13神经网络预测结果
<实例4>
选择用于评价苹果加工适宜性的苹果汁品质等级为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的33个苹果品种作为实验原料，部分苹果品种名称、产地见表14，果实成熟期取样，无机械损伤、无病虫害；
表14部分苹果品种名称及产地
(2)确定苹果汁品质等级的评价方法
以苹果的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据，测定苹果汁的数据，苹果汁数据包括可溶性固形物、可滴定酸、粗纤维、粗蛋白、vc、还原糖、总糖含量、果汁l值、果汁a值、果汁b值、出汁率、浊度；
对苹果汁的上述13项指标利用因子分析法，设定输出绝对值数据大于0.5的数据，结果同表5；
根据表5可知，筛选每个因子中权重值较高的指标作为各因子的代表性指标，故筛选出总酚含量、l值、可滴定酸、浊度和vc为苹果汁核心指标，并记录各苹果汁核心指标对应的果汁核心指标数据；
运用层次分析法建立y-p判断矩阵，同表6，对矩阵特征向量归一化处理后得到苹果汁核心指标权重；
根据表6建立果汁综合评价模型进而得到果汁综合评分，每个苹果汁对应的苹果汁综合评分为：y(综合得分)＝总酚含量×0.416+l值×0.027+可滴定酸含量×0.164+浊度0.092+vc含量×0.060；
根据每个苹果汁对应的果汁综合评分将对应苹果原料分为5个品质等级，且该苹果原料对应其品质等级的等级概率为1，其余品质等级的等级概率为0，具体为：苹果汁综合评分≥0.8的为一级，0.7≤苹果汁综合评分＜0.8为二级，0.6≤苹果汁综合评分＜0.7为三级，0.5≤苹果汁综合评分＜0.6为四级，苹果汁综合评分＜0.5为五级，结果见表15；
表15苹果原料对应苹果汁综合评分及品质等级
(3)确定苹果原料指标，并获取苹果原料指标数据和苹果汁品质等级数据；
(4)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果汁品质等级数据的相关关系，对苹果汁品质等级数据与苹果原料指标数据进行相关性分析，结果同表7，得到密度、果核比例、果肉l值、果皮硬度、果肉硬度、ph、可滴定酸、可溶性固形物、含水率、粗蛋白10项指标作为苹果原料的核心指标；
(5)构建神经网络学习模型
从33个苹果样本中随机筛选24个苹果样本作为训练样本来建立学习模型，剩余9个苹果样本作为预测样本进行苹果汁品质等级数据预测，模型输入层为密度、果核比例、果肉l值、果皮硬度、果肉硬度、ph、可滴定酸、可溶性固形物、含水率、粗蛋白10项原料核心指标数据，模型输出层为苹果汁品质等级，利用数据统计计算软件，模型最优隐含层数由软件自动生成，其中，训练次数为1000次，学习率为0.1，动量为0.1，误差值为0.001；
(6)验证预测样本
应用神经网络学习模型，对9个苹果样本的苹果汁品质等级进行预测，结果如表16所示，9个苹果样本预测准确，预测准确率为100％。
表16神经网络预测结果
<实例5>
选择用于评价苹果加工适宜性的苹果汁品质等级为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的30个苹果品种作为实验原料，无机械损伤、无病虫害；
表17部分苹果品种名称及产地
(2)确定苹果汁品质等级的评价方法
以苹果的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据，测定苹果汁的果汁l值，根据每个苹果汁对应的果汁l值将对应苹果原料分为3个品质等级，且该苹果原料对应其品质等级的等级概率为1，其余品质等级的等级概率为0，具体为：65.00＜果汁l值≤70.00为一级，60.00＜果汁l值≤65.00为二级，55.00＜果汁l值≤60.00为三级，具体见表18；
表18果汁l值及对应苹果汁品质等级
(3)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果汁l值的相关关系，对苹果汁l值数据与苹果原料指标数据进行相关性分析，结果如表19所示，得到果形指数、果肉l值、ph值和类胡萝卜素4项指标作为苹果原料的核心指标；
表19原料指标与果汁l值相关性分析
(5)构建神经网络学习模型
从30个苹果样本中随机筛选25个苹果样本作为训练样本来建立学习模型，剩余5个苹果样本作为预测样本进行苹果汁品质等级数据预测，模型输入层为果形指数、果肉l值、ph值和类胡萝卜素4项原料核心指标数据，模型输出层为苹果汁品质等级，利用数据统计计算软件，模型最优隐含层数由软件自动生成，其中，训练次数为3000次，学习率为0.3，动量为0.2，误差值为0.001；
(6)验证预测样本
应用神经网络学习模型，对5个苹果样本的苹果汁品质等级进行预测，结果如表20所示，5个苹果样本预测准确，预测准确率为100％。
表20神经网络预测结果
<实例6>
选择用于评价苹果加工适宜性的苹果干制品综合评分为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的34个苹果品种作为实验原料，部分苹果品种名称、产地见表21，果实成熟期取样，无机械损伤、无病虫害；
表21部分苹果品种名称及产地
(2)确定苹果干制品综合评分的评价方法
以苹果的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据，测定苹果干制品的数据；
干制品综合品质主要考虑其感官品质、加工品质与营养品质，感官品质包括色泽品质(l、a、b值)、质构品质(硬度、脆度)、膨化度，加工品质包括出品率、复水比、水分含量，营养品质包括可溶性固形物、可滴定酸、总酚含量、果胶含量、可溶性糖、糖酸比、粗蛋白、粗纤维，共计17项指标(初始干制品评价指标)，对干制品17项指标进行降维(因子分析)，可得到6个因子，可占全部信息的77％，结果见表22，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)，且脆度是衡量苹果干制品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，均体现干制品色泽品质，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干制品评价指标；
表22干制品指标因子分析旋转成分矩阵
注：pc1-pc6分别表示第1至第6个主因子
运用层次分析法建立y-p判断矩阵，如表23所示，一致性比率(consistencyratio，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苹果干制品核心指标权重；
表23判断矩阵y-p
根据表23建立苹果干制品综合评价模型进而得到果汁综合评分，每个苹果干制品对应的苹果干制品综合评分为：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；
根据构建的苹果干制品品质综合评价模型，计算34个苹果干制品样本品质综合得分，结果见表24；
表24干制品综合品质排序与综合得分
(3)确定苹果原料指标，并获取苹果原料指标数据和苹果干制品综合评分数据；
(4)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果干制品综合评分数据的相关关系，对苹果干制品综合评分数据与苹果原料指标数据进行相关性分析，结果如表25所示，得到果形指数、果肉a值、ph值、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项指标作为苹果原料的核心指标；
表25苹果原料指标数据与苹果汁综合评分数据的相关关系
(5)构建神经网络学习模型
从34个苹果样本中随机筛选29个苹果样本作为训练样本来建立学习模型，剩余5个苹果样本作为预测样本进行苹果干制品综合评分数据预测，模型输入层为果形指数、果肉a值、ph值、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项原料核心指标数据，模型输出层为苹果干制品综合评分，模型最优隐含层数为9个，最大循环次数2000，学习率0.3，动量因子0.2，误差值0.001；
(6)验证预测样本
应用神经网络学习模型，对5个苹果样本的苹果干制品综合评分进行预测，结果如表26所示，预设的阈值是相对误差绝对值小于8％，4个苹果样本预测准确，预测准确率为80％。
表26神经网络预测结果
将不符合预设阈值的对应的样本集数据加入到训练样本集进行训练，优化人工神经网络模型，构架新的人工神经网络学习模型。
<实例7>
选择用于评价苹果加工适宜性的苹果干制品综合评分为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的34个苹果品种作为实验原料，部分苹果品种名称、产地见表27，果实成熟期取样，无机械损伤、无病虫害；
表27部分苹果品种名称及产地
(2)确定苹果干制品综合评分的评价方法
以苹果的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据，对苹果干制品进行感官评分，评分标准如表28所示，评分结果如表29所示；
表28苹果干制品感官评价表
表29苹果干制品感官总评分
(3)确定苹果原料指标，并获取苹果原料指标数据和苹果干制品综合评分数据；
(4)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果干制品综合评分数据的相关关系，对苹果干制品综合评分数据与苹果原料指标数据进行相关性分析，结果如表30所示，得到果皮l值、果肉a值、果肉b值、ph、可滴定酸、可溶性固形物、粗纤维、vc、还原糖、镁10项指标作为苹果原料的核心指标；
表30原料指标与苹果干制品感官总评分相关性分析
(5)构建神经网络学习模型
从34个苹果样本中随机筛选28个苹果样本作为训练样本来建立学习模型，剩余6个苹果样本作为预测样本进行苹果干制品综合评分数据预测，模型输入层为果皮l值、果肉a值、果肉b值、ph、可滴定酸、可溶性固形物、粗纤维、vc、还原糖、镁10项原料核心指标数据，模型输出层为苹果干制品综合评分，模型最优隐含层层数为9个，最大循环次数8000，学习率0.2，动量因子0.1，误差值0.01；
(6)验证预测样本
应用神经网络学习模型，对6个苹果样本的苹果干制品综合评分进行预测，结果如表31所示，相对误差小于4％，预设的阈值是相对误差绝对值小于8％，6个苹果样本预测准确，预测准确率为100％。
表31神经网络预测结果
<实例8>
选择用于评价苹果加工适宜性的苹果干制品品质等级为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的34个苹果品种作为实验原料，部分苹果品种名称、产地如表32所示，果实成熟期取样，无机械损伤、无病虫害；
表32部分苹果品种名称及产地
(2)确定苹果干制品品质等级的评价方法
以苹果的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据，测定干制品的数据，干制品数据包括可溶性固形物、可滴定酸、粗纤维、粗蛋白、vc、还原糖、总糖含量、干制品l值、干制品a值、干制品b值、出汁率、浊度；
干制品综合品质主要考虑其感官品质、加工品质与营养品质，感官品质包括色泽品质(l、a、b值)、质构品质(硬度、脆度)、膨化度，加工品质包括出品率、复水比、水分含量，营养品质包括可溶性固形物、可滴定酸、总酚含量、果胶含量、可溶性糖、糖酸比、粗蛋白、粗纤维，共计17项指标(初始干制品评价指标)，对干制品17项指标进行降维(因子分析)，可得到6个因子，可占全部信息的77％，结果同表22，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)，且脆度是衡量苹果干制品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，均体现干制品色泽品质，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干制品评价指标；
运用层次分析法建立y-p判断矩阵，同表23，一致性比率(consistencyratio，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苹果干制品核心指标权重；
根据表23建立苹果干制品综合评价模型进而得到果汁综合评分，每个苹果干制品对应的苹果干制品综合评分为：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；
根据构建的苹果干制品品质综合评价模型，计算34个苹果干制品样本品质综合得分，并对其进行分级，得分0.7-0.8为一级，0.6-0.7为二级，0.5-0.6为三级，0.4-0.5为四级，小于0.4为五级，结果见表33；
表33干制品综合品质排序与得分等级
(3)确定苹果原料指标，并获取苹果原料指标数据和苹果干制品品质等级数据；
(4)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果干制品综合评分数据的相关关系，对苹果干制品综合评分数据与苹果原料指标数据进行相关性分析，结果同表25，得到果形指数、果肉a值、ph值、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项指标作为苹果原料的核心指标；
(5)构建神经网络学习模型
从34个苹果样本中随机筛选29个苹果样本作为训练样本来建立学习模型，剩余5个苹果样本作为预测样本进行苹果干制品品质等级数据预测，模型输入层为果形指数、果肉a值、ph值、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项原料核心指标数据，模型输出层为苹果干制品品质等级，模型最优隐含层数由软件自动生成，层数为9个，最大循环次数2000，学习率0.3，动量因子0.2，误差值0.001；
(6)验证预测样本
应用神经网络学习模型，对5个苹果样本的苹果干制品综合评分进行预测，结果如表34所示，5个苹果样本预测准确，预测准确率为100％。
表34神经网络预测结果
<实例9>
选择用于评价苹果加工适宜性的苹果干制品品质等级为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的34个苹果品种作为实验原料，其中，早熟、中熟、和晚熟品种各10个，部分苹果品种名称、产地见表35，果实成熟期取样，无机械损伤、无病虫害；
表35部分苹果品种名称及产地
(2)确定苹果干制品品质等级的评价方法
以苹果的诸多指标为变量、加工工艺及参数为定量进行原料加工，记录并整理历史数据，测定干制品的干制品l值，选定干制品的l值指标来反应干制品色泽品质，根据每个干制品对应的干制品l值将对应苹果原料分为3个品质等级，l值75.00-85.00为一级，65.00-75.00为二级，54.00-65.00为三级，具体见表36；
表36干制品l值及对应干制品品质等级
(3)筛选苹果原料核心指标；
建立苹果原料指标数据与苹果干制品l值的相关关系，对苹果干制品苹果干制品l值数据与苹果原料指标数据进行相关性分析，结果如表37所示，得到果形指数、果肉a值、ph值、可滴定酸含量、vc含量5项指标作为苹果原料的核心指标；
表37原料指标与干制品l值相关性分析
(5)构建神经网络学习模型
从34个苹果样本中随机筛选29个苹果样本作为训练样本来建立学习模型，剩余5个苹果样本作为预测样本进行苹果干制品品质等级数据预测，模型输入层为果形指数、果肉a值、ph值、可滴定酸含量、vc含量5项原料核心指标数据，模型输出层为苹果干制品品质等级，模型最优隐含层数为6个，最大循环次数5000，学习率0.2，动量因子0.2，误差值0.00001；
(6)验证预测样本
应用神经网络学习模型，对5个苹果样本的苹果干制品品质等级进行预测，结果如表38所示，5个苹果样本预测准确，预测准确率为100％。
表38神经网络预测结果
<实例9>
选择用于评价苹果加工适宜性的苹果鲜食感官品质为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的40个苹果品种作为实验原料，果实成熟期取样，无机械损伤、无病虫害；
(2)确定苹果鲜食感官品质的评价方法
确定用于评价苹果鲜食感官评分的感官评价指标为果个大小、果面颜色、果肉质地、风味、及汁液多少，建立感官评价指标与果实感官品质的对应关系，具体如表39所示，确定果实感官评分，具体如表40所示；
表39鲜食感官评价指标及相应代表分数
注：75％、50％、25％指果面红色覆盖率
表40感官评价得分
(3)测定苹果鲜果仪器测定指标；
根据鲜食感官品质评价指标确定鲜果仪器测定指标为体积、果皮l值、果皮a值、果皮b值、果肉硬度，可滴定酸、可溶性糖，出汁率，测定各苹果鲜果对应的仪器测定指标数据；
(4)构建神经网络学习模型
从40个苹果样本中随机筛选34个苹果样本作为训练样本来建立学习模型，剩余6个苹果样本作为预测样本进行苹果鲜食感官品质数据预测，模型输入层为体积、果皮l值、果皮a值、果皮b值、果肉硬度，可滴定酸、可溶性糖，出汁率8项鲜果仪器测定指标数据，模型输出层为苹果鲜食感官品质，模型最优隐含层数为6个，最大循环次数3000，学习率0.2，动量因子0.2，误差值0.001；
(5)验证预测样本
应用神经网络学习模型，对6个苹果样本的苹果鲜食感官品质等级进行预测，结果如表41所示，6个苹果样本相对误差小于3％，预设的阈值是相对误差绝对值小于3％，6个苹果样本预测准确，预测准确率为100％。
表41神经网络预测结果
<实例10>
选择用于评价苹果加工适宜性的苹果鲜食感官品质等级为单一指标，包括以下步骤：
(1)选择苹果样本
选取来自全国各地的40个苹果品种作为实验原料，果实成熟期取样，无机械损伤、无病虫害；
(2)确定苹果鲜食感官品质等级的评价方法
确定用于评价苹果鲜食感官品质等级，根据实施例9得到对应的苹果鲜食感官品质评分，将对应苹果原料分为5个苹果鲜食感官品质等级，且该苹果原料对应其鲜食感官品质等级的等级概率为1，其余鲜食感官品质等级的等级概率为0，具体为：13-14.5分为一级，11-12.5为二级，9-10.5为三级，7-8.5为四级，4.5-6.5为五级，具体见表42；
表42苹果鲜食感官品质等级
(3)测定苹果鲜果仪器测定指标；根据鲜食感官品质评价指标确定鲜果仪器测定指标为体积、果皮l值、果皮a值、果皮b值、果肉硬度，可滴定酸、可溶性糖，出汁率，测定各苹果鲜果对应的仪器测定指标数据；
(4)构建神经网络学习模型
从40个苹果样本中随机筛选35个苹果样本作为训练样本来建立学习模型，剩余5个苹果样本作为预测样本进行苹果鲜食感官品质数据预测，模型输入层为体积、果皮l值、果皮a值、果皮b值、果肉硬度，可滴定酸、可溶性糖，出汁率8项原料仪器测定指标数据，模型输出层为苹果鲜食感官品质，模型最优隐含层数为6个，最大循环次数3000，学习率0.2，动量因子0.3，误差值0.01；
(5)验证预测样本
应用神经网络学习模型，对5个苹果样本的苹果鲜食品质等级进行预测，结果如表41所示，5个苹果样本预测准确，预测准确率为100％。
表43神经网络预测结果
以上实例将苹果作为原料进行多方向(干制品、果汁、鲜食品)产品加工，但本申请的原料不局限于苹果，根据申请人多领域的试验验证，还可以用于其它果蔬、肉、农产品类加工，例如水果类包括桃、香蕉等，蔬菜类包括胡萝卜、西红柿等，肉制品包括猪肉、鸡肉等，其他农产品包括奶、蛋等，由于说明书篇幅有限，不做赘述。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实例。