摘要：人工神經網絡（artificial neural network，ANN）是非線性系統(tǒng)，有很強的處理能力，在食品加工中發(fā)揮重要的作用。綜述討論人工神經網絡技術的原理以及人工神經網絡在食品微生物學和食品發(fā)酵、感知器、食品干燥、光譜數據分析等食品領域的研究進展。為廣大研究者提供人工神經網絡技術在該領域應用的研究現(xiàn)狀和未來研究趨勢，并為人工神經網絡在食品工業(yè)中更為廣泛的應用提供一定理論依據。
 

　　關鍵詞：人工神經網絡；食品微生物學和發(fā)酵；感知器；食品干燥；光譜數據
 

　　人工神經網絡（artificial neural network，ANN）是受大腦生物神經結構啟發(fā)而產生的一種先進的計算方法。其網絡中含有的大量神經元相互連接，功能與生物神經元相同，可以達到傳遞信息和處理數據的目的，是一種自適應的計算模型。近些年來，ANN已經在生物、經濟、科技以及醫(yī)學等多個領域起到了十分顯著的作用，具有很大的發(fā)展前景。在一些食品加工系統(tǒng)中，影響食品工業(yè)質量的各種因素之間的聯(lián)系十分復雜，并且過程變量與產品屬性之間的關系不明確，缺乏分析這些關系的常規(guī)方法，如今將ANN應用于不同食品特性的測定和預測，是一種快速而有效的方法。ANN的應用將會促進食品工業(yè)的發(fā)展。本文對ANN的基本原理、特性以及其在食品工業(yè)中的應用進行了介紹，為ANN在食品工業(yè)中更為廣泛的應用提供一定理論依據。
 

　　1 ANN概述
 

　　ANN作為一種數據處理模型，是在生物神經網絡的啟示下產生的。神經網絡依據外界信息對其結構進行改變，通過對神經元之間的權值進行調節(jié)，實現(xiàn)對輸入的數據的建模。生物神經元的示意圖見圖 1。

　　如圖1所示，神經元是人腦的基本單元，由樹突、體細胞、軸突和突觸四部分組成。樹突是接受其它神經元信號的化學受體。體細胞是處理輸入信號的神經元的細胞體。軸突是一種化學發(fā)射器，它將處理過的信號發(fā)送給附近的神經元。突觸是連接神經元的節(jié)點，調節(jié)神經元之間的信號傳遞。人工神經元示意圖見圖2。

　　如圖2所示，與生物神經元類似，人工神經元接收連接到權值的輸入信息。經典的神經網絡結構見圖3。

　　如圖3所示，ANN是由接收輸入信號的單元層，輸出信號的單元層，與輸入輸出不直接發(fā)生聯(lián)系的單元層排列組成的經典的三層結構的神經網絡，能夠實現(xiàn)從輸入到輸出之間的非線性映射。
 

　　2 ANN在食品工業(yè)中的應用
 

　　2.1 ANN在食品微生物學和食品發(fā)酵中的應用

　　2.1.1 在微生物發(fā)酵中的應用

　　微生物發(fā)酵生產過程中存在著溫度、時間、pH值等變量，其內在機理非常復雜，難以用精確的數學模型來描述，因此嘗試使用ANN用來解決這些問題。張瑤等以賴氨酸發(fā)酵過程為研究對象，在軟測量理論的基礎上，采用動態(tài)遞歸模糊神經網絡建立軟測量模型，對發(fā)酵過程中的3個重要變量進行預測，而孫麗娜等提出了一種基于核主元分析與動態(tài)模糊神經網絡相結合的軟測量方法，建立了海洋蛋白酶發(fā)酵過程生物參量軟測量模型；結果都證明，此種軟測量模型能很好地滿足發(fā)酵過程中生物參量的測量要求。由于生物發(fā)酵過程具有高度非線性和明顯的不確定性等特點，所以人工神經網絡技術的應用就尤為重要。ANN可用于預測產品產量，楊旭華等為了提高產品獲得率，通過建立誤差反向傳播算法（back propagation，BP）神經網絡和傅立葉神經網絡，建立了發(fā)酵時間和溫度模型，結果表明，產品的平均得率提高5%。王強等通過BP神經網絡和遺傳算法相結合的方法，對番茄發(fā)酵培養(yǎng)基的組成進行了工藝優(yōu)化。建立的BP神經網絡輸入變量為玉米粉、玉米漿、大豆油、磷酸二氫鉀和硫酸鎂，輸出變量為番茄紅素的體積產量，結果證實BP神經網絡結合遺傳算法的方法是番茄紅素發(fā)酵培養(yǎng)基優(yōu)化的有力工具，最終番茄紅素產量顯著提高。ANN也可用來預測最優(yōu)工藝參數，李黎等采用木糖醇、發(fā)酵棗粉與乳粉混合來進行發(fā)酵，最終制成木糖醇紅棗酸奶，通過正交試驗設計對工藝進行優(yōu)化，然后建立BP神經網絡模型，選出最優(yōu)參數。結果表明，在酸奶的發(fā)酵過程中，一定程度上發(fā)酵棗粉能夠緩解冷藏期間因酸度過高而對有益菌的抑制作用，最終所制酸奶口感細膩，并且具有獨特的紅棗風味。通過以上研究可以得出ANN在解決微生物發(fā)酵過程中不僅能對發(fā)酵過程的重要變量進行預測，還能通過輸入多個變量來對微生物發(fā)酵的產量進行預測，能夠有效的提升得率，改善產品品質。
 

　　2.1.2 在食品酶工程中的應用

　　在食品酶工程中，酶解工藝條件受多方面因素，酶反應系統(tǒng)是非線性和非穩(wěn)態(tài)的生物反應系統(tǒng)。ANN有其獨特的優(yōu)點和獨特的特性，在涉及大量數據的情況下，它是一種具有高預測能力的方法，是建立和模擬高度非線性多變量關系的有效方法。叢嘉昕等為了提高草莓果漿的品質，建立響應面和多層感知神經網絡模型，比較兩種模型對果漿超聲酶解工藝參數優(yōu)化的預測結果。結果表明，多層感知神經網絡模型的預測能力是優(yōu)于響應面模型。李新年等采用酶提取法來提取膠原蛋白，使用正交試驗和BP神經網絡模型優(yōu)化提取工藝，結果證明，BP神經網絡結合正交試驗的方法是不需要增加試驗次數，就能夠分析酶提取膠原蛋白影響因素的變化規(guī)律，并且找到最佳參數。遲雷等采用人工神經網絡與遺傳算法結合的方法，對普魯蘭酶重組大腸桿菌高密度發(fā)酵進行了工藝優(yōu)化。結果表明，BP神經網絡模型能夠很好地擬合發(fā)酵過程的非線性對應關系，與遺傳算法結合，能夠快速準確地獲得最優(yōu)結果。在酶解過程中，ANN在處理非線性復雜關系時有巨大優(yōu)勢，而酶傳感器是一種高靈敏度的定量測定分析儀器，將兩者結合有很大的應用前景。陳鐵軍等以大馬哈魚皮為原料制備明膠，使用復合酶（胰蛋白酶和堿性蛋白酶）對其進行酶解，輸入參數為胰蛋白酶質量濃度、底物質量濃度、堿性蛋白酶質量濃度、游離谷氨酸和賴氨酸，輸出參數為水解度，并且建立酶傳感器-ANN預測模型。結果表明：在一定的復合酶酶解條件下，與水解度具有顯著相關關系的是酶解液中游離谷氨酸和賴氨酸含量。比起傳統(tǒng)的方法，通過建立ANN模型，并且結合響應面試驗方法、遺傳算法、正交試驗等對試驗工藝進行優(yōu)化，在食品酶工程中可以得到更好的試驗結果。
 

　　2.1.3 食品生物活性物質方面的應用

　　Li等利用人工神經網絡建立鳙魚肌肉的堿性蛋白酶水解模型，從清除自由基能力和優(yōu)化生產條件等方面對水解變量pH值、溫度、酶和底物比（enzyme/ substrate ratio，E/S）、水解時間和肌水比進行了質量預測。結果表明人工神經網絡可用于模擬水解過程，并預測水解條件，在此條件下，水解產物對自由基的清除能力最強。李杰等研究了花椒黃酮的提取工藝以及其體外抗氧化活性，他采用BP神經網絡和遺傳算法相結合的方法，對影響花椒黃酮提取得率的4個因素進行了研究，最終確定了花椒黃酮的最優(yōu)提取工藝為：乙醇體積分數是57%，提取時間是94min，提取溫度是63℃，料液比是1∶28（g/mL）。試驗結果最終證明，花椒黃酮具有非常好的清除自由基能力和抗氧化活性，并且花椒黃酮清除自由基的能力與提取液濃度有很好的量效關系。左光揚等分析了谷氨酰胺轉氨酶、（transglutaminase，TG 酶）加工工藝的條件，對影響TG酶酶聯(lián)過程的3個關鍵因素（添加量、溫度和時間）進行了模擬訓練，建立了TG酶加工條件影響魚糜凝膠強度的神經網絡模型。結果表明，建立的神經網絡模型可以準確預測TG酶的作用條件與魚糜凝膠強度的關系，具有很好的預測能力，預測值與試驗值的相對誤差相對誤差（relative error，RE）較小（R2=0.9936）。朱會霞等分析研究了紫花苜蓿總黃酮的提取率，對影響總黃酮提取率的4個工藝參數（液料比、提取時間、提取溫度和乙醇濃度），依據四因素五水平正交試驗建立學習樣本進行訓練，運用遺傳神經網絡進行預測，結果得出，紫花苜蓿總黃酮最佳提取工藝參數為：液料比53.26mL/g、提取溫度70.96℃、提取時間50.32min、乙醇濃度60%，紫花苜?？傸S酮提取率達到最大值6.51mg/g，這種條件下的提取效果比較好。通過以上文獻可以看出，ANN在生物活性物質方面具有較好的預測能力，并且能夠處理大量的數據，得到最優(yōu)的工藝參數，ANN模型在生物活性物質提取方面將有更加廣闊的應用空間。
 

　　2.2 ANN在感知器方面的應用

　　2.2.1 計算機視覺技術

　　食品品質的好壞直接影響其價格和銷售，影響其市場競爭力。因此，很多研究者使用計算機視覺技術來檢測食品品質。計算機視覺技術是一種機器視覺，它是在感官上替代人對物體的識別、檢測以及追蹤。

　　吳進玲等通過采集了3種不同品質（完好、霉變、破損）葵花子的圖像，并對其進行預處理，采用BP神經網絡和決策樹算法的方法分別對3種葵花子進行圖像識別。結果顯示，這3種不同品質的葵花子的檢測，通過計算機視覺技術都可以實現(xiàn)。胡志明等是在計算機視覺的基礎上，運用圖像信息研究茶葉外形對茶葉品質的影響，然后通過彩色圖像處理技術分析不同加工工藝下的茶葉品質。通過研究發(fā)現(xiàn)，在茶葉品質檢測方面，計算機視覺分級技術能夠起到很好的檢測作用。楊簡等運用機器視覺裝置技術，借此來獲取雞蛋透射圖像，通過建立灰色神經網絡，分析雞蛋中心區(qū)顏色特征參數（H、S、I），來預測雞蛋哈夫值。結果表明，灰色神經網絡預測精度比較高，哈夫值殘差是5.2684，雞蛋分級的準確率是92.7%，網絡泛化能力強。潘婧等提出了一種預測豬肉新鮮度等級顏色特征參數和神經網絡優(yōu)化選取的方法，利用圖像處理的方法提取豬肉通脊表面的顏色特征參數，利用BP和支持向量機神經網絡建立各類新鮮度等級預測模型。結果表明，支持向量機神經網絡可準確預測豬肉新鮮度，提高預測結果的準確性。ANN可以對圖像進行處理、分析和辨別，可以將圖像的客觀特征信息表現(xiàn)出來，并且根據這些特征把圖像的各個部分進行分離以及建立連接。它在食品品質的檢測中得到了廣泛應用，極大地提高了食品檢測的質量和效率。
 

　　2.2.2 電子鼻技術

　　近年來，電子鼻技術已被廣泛應用，它主要是通過氣體傳感器陣列的響應圖案來進行識別，可以識別多種氣味，該技術具有響應時間短、識別速度快、檢測范圍廣、重復性好等特點。肖猛等使用電子鼻技術，分析不同的貯藏溫度與不同貯藏時間下的揮發(fā)性氣味，將所得數據與理化指標值[揮發(fā)性鹽基氮（total volatile basenitrogen，TVB-N）值、pH值、過氧化值（peroxide value，POV）、硫代巴比妥酸（thiobarbituricacid，TBA）值]建立聯(lián)系，然后根據理化指標建立反向傳播神經網絡預測模型。結果表明：該模型最大的誤差范圍在15%以內，平均誤差范圍在5%以內。任興超等利用電子鼻技術對肉品的揮發(fā)性物質進行檢測，分析取得的電子鼻響應曲線提取特征值，建立BP神經網絡，輸入值是響應曲線特征值，最終對肉品的蛋白質以及脂肪含量進行預測。試驗表明：電子鼻技術能夠對肉品的脂肪和蛋白質含量進行較準確地預測。薛大為等借助電子鼻技術對黃山毛峰茶香氣信息進行檢測，茶葉存儲時間分別為60、120、180、240、300、360d，采用主成分回歸、偏最小二乘回歸和BP神經網絡3種方法，分別建立茶葉存儲時間的預測模型。結果證明，3種模型都能比較好地對茶葉存儲時間進行預測，相比較而言，BP神經網絡模型預測性能比較好，偏最小二乘回歸性能優(yōu)于主成分回歸模型。Sun等采用低場核磁共振和電子鼻技術對生姜在干燥過程中的水分狀態(tài)和揮發(fā)性物質進行了分析，以電子鼻中不同風味物質的低場核磁共振參數輸入值和傳感器輸出值為輸入值，建立了BP神經網絡模型。最終電子鼻數據的線性判別分析結果表明，不同干燥時間的樣品可以很好地區(qū)分，并且證明BP神經網絡模型擬合良好，具有較強的逼近能力。通過比較發(fā)現(xiàn)ANN在對氣味的分析過程中相較主成分回歸、偏最小二乘回歸的預測性更好，預測的誤差范圍較小，預測的數值較準確。
 

　　2.3 ANN在食品干燥方面的應用

　　干燥已被證明是人類保存食物的一種很好的方式，它具有許多優(yōu)點，例如，體積減少、貨架期長、包裝要求低等。但它也是復雜的、動態(tài)的、高度非線性的、強相互作用的、多變量的過程，在干燥過程中是很難判斷物料的干燥狀態(tài)和干燥終點，可能會導致產品質量差、能耗高，使用一般的數學模型可能無法有效地繪制干燥特性的趨勢圖。因此，很多人建立了ANN在不同干燥條件下的預測模型。
 

　　2.3.1 紅外干燥

　　紅外干燥技術有著能源利用率高、干燥后品質高及不污染環(huán)境等優(yōu)點。但是，紅外干燥過程中含水量的變化是一個尤其復雜的過程，而預測含水量和質量參數對提高干燥過程的整體性能是非常有用和必要的，精確地預測可以使最終產品達到最佳質量，并縮短加工時間。為此，許多研究者利用矩陣實驗室神經網絡工具箱建立了神經網絡預測模型。楊亮等建立了苦瓜片熱風干燥和苦瓜片紅外干燥的水分比預測模型。結果顯示，在苦瓜片干燥模型中，相對于傳統(tǒng)數學模型，BP神經網絡模型預測水分比的相關度更高，并且神經網絡模型水分比預測的相對誤差是低于傳統(tǒng)數學模型的。林喜娜等建立了遠紅外干燥雙孢蘑菇的神經網絡模型，分析了干燥過程中雙孢蘑菇的含水率與各因素（輻射強度、輻射距離、物料厚度、物料溫度）之間的關系，研究結果顯示：BP神經網絡可以準確高效地建立模型，并且模型的預測值與實測值擬合比較好。李超新等運用人工神經網絡模型，對紅棗紅外輻射干燥特性試驗數據進行了預測，分析了紅棗干基含水率與輻射溫度、輻射距離之間的關系，通過對實測值和模型預測值進行分析研究所得，BP 神經網絡可以快速準確地預測紅棗含水率的變化規(guī)律。Kalejahi等研究了熱風-紅外聯(lián)合干燥對木瓜品質和微觀結構性能的影響，結果表明，人工神經網絡作為一種強有力的工具，可以準確地估計干燥過程的基本參數。ANN相較于紅外干燥常用的傳統(tǒng)數學模型誤差低，準確率高，擬合度好，更加適合于紅外干燥中物料中水分含量的預測。
 

　　2.3.2 真空干燥

　　真空干燥是一種新型的干燥技術，具有節(jié)能、干燥時間短、干燥品質好等優(yōu)點，目前已得到廣泛應用。黎斌等為了達到魔芋的規(guī)?；婵崭稍?，縮短干燥時間，提高脫水制品的品質，降低生產能耗和成本的目的，對真空度和干燥溫度2個因素進行試驗研究，采用經典模型和BP神經網絡模型來進行對比，試驗結果顯示，BP神經網絡模型優(yōu)于經典模型，模型平均相對誤差為1.32%。在孟國棟等研究花椒真空干燥過程中也是類似的結果，采用7種經典干燥數學模型來擬合試驗數據，并且選取其最優(yōu)模型和BP神經網絡模型進行對比，研究結果表明此BP神經網絡是更適合描述花椒干燥動力學特性的數學模型。為了實現(xiàn)對含水率進行精確預測，白竣文等分析了南瓜片的主要工藝參數（真空保持時間、常壓保持時間、干燥溫度和切片厚度），并利用BP神經網絡建立南瓜的含水率預測模型。試驗結果顯示，BP神經網絡模型能夠很好地預測南瓜在真空脈動干燥過程中的含水率。在ANN用于真空干燥中，鮮見自制真空干燥試驗系統(tǒng)，張利娟等利用自制的真空干燥試驗系統(tǒng)，分析了小麥真空干燥的含水率與其真空度、干燥溫度、鋪料厚度和干燥時間這4種工藝參數之間的關系，選取干燥過程中比較穩(wěn)定的200組數據作為樣本，然后使用BP神經網絡模型進行預測訓練，結果顯示：小麥含水率的預測結果與實測值誤差小于5.2%，能較好地反映真空干燥工藝參數與含水率之間的復雜非線性關系。ANN能夠準確預測真空干燥的各種工藝參數和含水率，是實現(xiàn)干燥過程動態(tài)跟蹤與控制、優(yōu)化干燥過程、提高干燥質量。干燥動態(tài)特性數學模型的建立可以準確地預測干燥過程中水分的變化規(guī)律。ANN明顯優(yōu)于經典干燥數學模型，能較好地反映真空干燥工藝參數與含水率之間的復雜非線性關系。
 

　　2.3.3 冷凍干燥

　　TARAFDAR 等研究了人工神經網絡在香菇冷凍干燥中的應用，以含水率和干燥速率為輸出干燥參數，并且比較了人工神經網絡和半經驗模型的預測效果。研究表明，利用人工神經網絡模型可以準確預測生物材料的干燥行為，同時提供與現(xiàn)有半經驗干燥模型相當甚至更優(yōu)的結果。王麗艷等將ANN應用在真空冷凍干燥工藝中，為了提高獼猴桃切片的品質，進行真空冷凍干燥試驗，分析影響獼猴桃切片品質的因素（干燥室壓力、切片厚度、加熱板溫度），運用Matlab對真空冷凍干燥的試驗數據進行訓練和模擬，并與真空冷凍干燥實測值進行比較，結果表明，利用BP神經網絡得出的預測值較接近試驗實測值，能良好的反映真空冷凍干燥工藝參數與獼猴桃品質之間的關系。MENLIK等的研究中，提出了使用人工神經網絡的方法建立蘋果凍干過程中含水量、含水率、干燥速率等干燥預測模型。該網絡采用了列文伯格-馬夸爾特法（Levenberg-Marquardt，LM）和費米函數作為變量的反向傳播學習算法，用確定系數、均方根誤差和平均絕對百分率誤差確定了模型的統(tǒng)計有效性。結果表明，所建立的神經網絡模型可以用于蘋果凍干特性的測定和預測。從統(tǒng)計檢驗結果和相關分析可知，建立的神經網絡模型在蘋果干燥過程中的含水量、含水率和干燥速率的預測上是成功的。冷凍干燥與紅外干燥和真空干燥不同，是非線性和滯后性工作系統(tǒng)，需要考慮和評估許多關鍵參數，過程過于復雜，用一般的數學方法難于精確表述其工作過程和實現(xiàn)過程的精確控制，而神經網絡在非線性函數最佳逼近和全局最優(yōu)方面具有良好的能力，能夠很好的優(yōu)化工藝參數和預測試驗結果。因此越來越多的研究者開始借助ANN對食品冷凍干燥過程中的數據進行訓練模擬。
 

　　2.4 ANN在光譜數據分析方面的應用

　　高光譜成像技術是評估食品質量和安全性的有前途的工具，它將成像技術與光譜技術相結合，是一種具有高維特征空間的非線性結構數據，由于其標注困難，所以對數據標注時需消耗大量人力和物力等資源。而借助神經網絡可以使高光譜圖像試驗更加精確的分組，并且可以同時提取光譜特征和空間特征。對水果和肉類食品的各種物理化學特性進行無損檢測，在食品工業(yè)中有很大發(fā)展前景。王浩云等為解決水果品質無損檢測中成本、效率、精度問題，借助高光譜圖像和三維卷積神經網絡的方法，采集245個蘋果的高光譜圖像，通過樣本擴充之后將原始數據集擴充至9800個樣本后進行建模預測。試驗結果顯示：該方法相對傳統(tǒng)方法預測精度有很大提升，能夠較準確實現(xiàn)蘋果多品質參數同時檢測。王九清等的研究中，為了對雞肉進行快速、無損檢測，從雞肉的高光譜數據中提取出了反映雞肉內部品質的光譜數據以及反映雞肉外部特征的圖像數據，利用卷積神經網絡模型對提取到的數據進行模擬驗證，結果表明，基于光譜和圖像的綜合卷積神經網絡模型可以準確預測，其準確率和損失函數分別達93.58%和0.30。高光譜技術還可借助神經網絡預測食品新鮮度。Chen等采用總揮發(fā)性堿性氮含量對太平洋牡蠣的新鮮度進行了評價，高光譜成像被用來測定太平洋牡蠣中總揮發(fā)性堿性氮的含量，借助多元線性回歸和反向傳播人工神經網絡技術預測太平洋牡蠣的新鮮度，結果證明了高光譜成像和化學計量學方法的結合可以用來檢測和準確預測太平洋牡蠣貯藏期間的新鮮度。伍恒等通過采集不同實物候期哈密瓜果實的高光譜數據，采用廣義回歸神經網絡和概率神經網絡2種模型，對哈密瓜物候期進行識別，以模型判別正確率為評價指標，結果顯示：所建模型均能很好地識別哈密瓜果實物候期。利用ANN在光譜數據分析與利用ANN對計算機視覺技術有很多相似之處，都是通過計算機對圖像進行分析后預測結果。計算機視覺技術應用起來更加方便，能夠很好地展現(xiàn)產品直觀的狀態(tài)，而光譜數據分析是結合更多高光譜成像系統(tǒng)展現(xiàn)產品內在的本質狀態(tài)。ANN都能夠很好的進行準確的預測。
 

　　2.5 ANN在其它食品加工領域的應用

　　人工神經網絡已成功地應用于預測食品加工過程中的性質和質量變化，它在食品加工的其它領域也得到廣泛的應用，KIM等開發(fā)了一種用于測量食物分解程度的氣味監(jiān)測系統(tǒng)，分析了每種輸入氣體的模式特征，并采用遺傳人工神經網絡評價了與輸出氣味物質數據的匹配結果，最終匹配度達到97%，為水產品有害揮發(fā)性物質檢測提供理論依據。趙璐等利用電荷耦合器件圖像傳感（charge couple ddevice，CCD）傳感器檢測袋膜跑偏量，將跑偏量信號傳送到控制器中，成功提高了袋食品包裝產品質量，提升食品包裝美觀度，介紹包裝機拉膜機構工作過程，并分析拉膜機構工作過程中袋膜跑偏原因，利用神經網絡比例積分微分（proportion integration differentiation，PID）控制方法對執(zhí)行機構進行控制，仿真結果表明，神經網絡PID控制方法相比于傳統(tǒng)PID控制方法，超量明顯減小、響應速度更快。王萌等結合徑向基函數神經網絡（radical basis function，RBF）神經網絡和PID控制方法設計了一種智能恒溫控制系統(tǒng)，給出了控制系統(tǒng)結構，包括控制器、溫度和濕度傳感器、顯示電路、鼓風電動機、排濕電動機等。最后進行了試驗研究。試驗結果表明：RBF-PID控制算法能夠明顯提高溫度控制精度，其烤箱溫度偏差最大值為0.8℃，偏差絕對值平均值約為0.36℃。隨著ANN在食品加工領域的廣泛應用，未來將有更多研究者使用ANN在食品加工領域進行更多的嘗試。
 

　　3 結論
 

　　人工神經網絡技術對工藝預測、識別和建模優(yōu)化相比于一般計算機程序不同，通過輸入一系列樣本進行訓練的，給產品創(chuàng)新和工藝設計提供了技術支撐。食品加工通常涉及的參數、安全品質控制體系屬于非線性或不穩(wěn)定的系統(tǒng)，而人工神經網絡技術作為預測復雜系統(tǒng)輸出響應的方法，對于不能用數學模型、規(guī)則或公式描述的原始數據系統(tǒng)和問題非常適用，人工神經網絡技術在食品工業(yè)的發(fā)展中定會發(fā)揮重要作用。相比于前期的模式識別方法，ANN在食品發(fā)酵、圖像分析、感官評定、氣味分析、含水率測定、食品無損檢測、食品加工過程中的仿真和控制等方面具有顯著的優(yōu)勢。由于BP神經網絡的部分數據受試驗操作者的主觀因素的影響，容易出現(xiàn)過度擬合的現(xiàn)象，使其在未來發(fā)展中面臨更多的挑戰(zhàn)。隨著近年來神經網絡與遺傳算法、模糊系統(tǒng)、進化機制相結合形成人工智能，在不久的將來，神經網絡技術在食品工業(yè)應用中會越來越成熟，越來越完善。