基于MFO优化BP神经网络构建冷鲜肉品质预测模型OA北大核心CSTPCD

为能准确预测冷鲜肉在贮藏中品质的变化规律及质量安全,本文探究贮藏温度(0、4和25℃)对冷鲜肉菌落总数、TVB-N、pH、水分含量、色度和生物胺含量的影响,确定冷鲜肉的特征品质指标。基于反向传播(Backpropagation,BP)神经网络和飞蛾火焰优化(Moth-Flame Optimization,MFO)BP神经网络,利用特征指标作为训练数据,构建不同贮藏温度下冷鲜肉的品质预测模型,快速准确评价和预测食品的质量安全。结果表明,不同贮藏温度下冷鲜肉的菌落总数、pH、TVB-N、色泽和生物胺含量随着贮藏时间的延长均呈上升趋势(P<0.05),且各指标在不同贮藏温度下的变化规律不一致,温度越高,腐败变质的速度越快。通过相关性分析得出菌落总数和TVB-N为冷鲜肉品质特征指标,以特征指标为训练数据构建BP神经网络和MFO优化BP神经网络模型。结果显示,MFO优化BP神经网络优于单一的BP神经网络模型,指标菌落总数和TVB-N通过BP神经网络模型训练后的R值分别为0.95018、0.94283,通过MFO算法优化训练后的R值分别为0.97538、0.98001,更接近于1,且优化后的RMSE、MSE和MAE值相对较小,其模型拟合度更好,在整个贮藏期的预测性能更好,准确率更高。因此,MFO优化BP神经网络可用于预测冷鲜肉在贮藏过程中品质的变化规律。