利用粒子群算法优化反向传播人工神经网络模型预测熏肠中4种多环芳烃含量

摘要：

构建基于粒子群优化(particle swarm optimization,PSO)算法的反向传播人工神经网络(back propagation artificial neural network,BP-ANN)预测模型,对熏肠中4种多环芳烃(polycyclic aromatic hydrocarbons,PAHs)(苯并(a)芘、苯并(a)蒽、苯并(b)荧蒽、?)含量进行预测.以烟熏温度、烟熏时间、肥瘦比和熏肠色泽(红绿值和黄蓝值)作为BP-ANN模型的输入层参数,熏肠的4种PAHs含量作为输出层参数,通过PSO-BP-ANN模型来优化初始权重和阈值,以获得最佳参数.结果表明:构建的PSO-BP-ANN熏肠PAHs含量预测模型均方误差为0.018,模型的训练、验证、测试和全局数据集的相关系数(R2)分别为0.951、0.929、0.933和0.940,均优于BP-ANN模型,使用PSO-BP-ANN模型具有更好的准确性和鲁棒性.

关键词：熏肠、反向传播人工神经网络、优化设计、多环芳烃、灵敏度分析

所属期刊栏目：36

分类号：TS251.1(食品工业)

资助基金：国家重点研发计划2019YFC1606200

在线出版日期：2022-04-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：34-40