论文荐读

基于BP神经网络和遗传算法的新鲜Halloumi奶酪生产工艺优化

作者：

孙嘉1, 2，郑远荣1，刘振民1*，张娟2，徐杏敏1，贾向飞1

单位：

1.乳业生物技术国家重点实验室，上海乳业生物工程技术研究中心，光明乳业股份有限公司乳业研究院

2.上海大学 生命科学学院

基金项目：

上海乳业生物工程技术研究中心能力提升项目(19DZ2281400)

摘要&关键词

摘要：为提升Halloumi奶酪品质，采用BP神经网络和遗传算法优化Halloumi奶酪生产过程的多工艺参数。选取CaCl2添加量、热烫温度和压榨压强为优化变量，以成品奶酪得率和感官评分为优化目标，分别建立了两个神经网络模型，模型精度分别达到了98.936%和98.255%。之后，通过遗传算法进行寻优，结果表明，在得率不低于10%以及感官评分不低于85的前提下，以奶酪得率为目标的最优生产工艺条件为CaCl2添加量为0.014 4%、热烫温度为83.5 ℃、压榨压强为5.12 kPa，最高得率为12.01%；以感官品质为目标的最优生产工艺条件为CaCl2添加量为0.017 1%、热烫温度为83.7 ℃、压榨压强为10.38 kPa，最高感官评分为94.5。该方法能够有效实现Halloumi奶酪生产工艺的快速优化，为促进Halloumi奶酪工业化提供理论基础。

关键词：新鲜奶酪；Halloumi奶酪；神经网络；遗传算法；工艺优化

主要结论

本研究基于BP神经网络和遗传算法，实现了对新鲜Halloumi奶酪生产工艺参数的优化。所建立的BP神经网络模型示意图如图1所示。

本研究选取CaCl2添加量、热烫温度和压榨压强作为优化变量，并分别以奶酪得率和感官评分作为优化目标建立了两个多输入、单输出的BP神经网络模型。经验证，两个模型均具有较高的拟合精度，拟合准确率分别达到了98.936%和98.255%。

a-训练；b-验证；c-测试；d-整体

图2 以得率为优化目标的模型回归性能

a-训练；b-验证；c-测试；d-整体

图3 以感官评分为优化目标的模型回归性能

之后，利用遗传算法寻求最优工艺条件，最终确定：以得率为目标的Halloumi奶酪最优生产工艺条件为：CaCl2添加量为0.014 4%、热烫温度为83.5℃、压榨压强为5.12 kPa，该条件下获得的成品奶酪的得率和感官评分分别为(12.01±0.5)%和89.3±2.7；以感官品质为目标的最优生产工艺条件为：CaCl2添加量为0.017 1%、热烫温度为83.7℃、压榨压强为10.38 kPa，该条件下获得的成品奶酪的得率和感官评分分别为(10.69±1.1)%和94.5±1.2。在得率不低于10%以及感官评分不低于85的限制条件下，相较于通过实验获得的数据样本中的最优值，本研究得到的两个最优工艺条件分别实现了奶酪得率和感官评分分别提升4.8%和2.3%，达到了期望效果。

团队介绍

光明乳业研究院是光明乳业股份有限公司的产品研发和技术支持基地。目前拥有“乳业生物技术国家重点实验室”、“国家乳品加工技术研发分中心”、“国家级企业技术中心”和“上海乳业生物工程技术研究中心”四大科研平台。

本课题主要负责人为光明乳业研究院刘振民老师和郑远荣老师，并得到了上海大学张娟老师指导，团队主要从事乳品加工与开发方面工作。

本文图片来源于文章原文及作者团队。