FNN与高级算法在蘑菇热加工过程中无损水分状态估计方面的比较

《Food Analytical Methods》：Comparison of FNN with Advanced Algorithms in Non-destructive Estimation of Water State of Mushroom During Thermal Processing

　　新型快速非破坏性可见-近红外光谱结合多光谱成像系统在预测未加工食品化学成分方面展现潜力，研究开发了GA、WOA算法与PLS、BPNN等模型的组合，通过70℃下热风、远红外和冷冻干燥处理的蘑菇实验，发现FNN模型预测效果最佳（R2=0.9794），热风脱水效率最高，验证了VIS-NIR光谱与化学计量学结合在食品质量在线评估中的有效性。

　　

新型快速、无损的可见光-近红外（VIS–NIR）光谱技术与多光谱成像（MSI）系统的结合，在405至970纳米波长范围内展现出巨大的应用潜力，尤其适用于未加工食品的化学成分预测。本研究旨在开发更先进的模型，并结合这些光谱数据（405–970纳米），以提高预测的稳定性和处理复杂非线性光谱的效率。所采用的模型包括遗传算法（GA）、鲸鱼优化算法（WOA）、偏最小二乘法（PLS）、反向传播神经网络（BPNN）、支持向量机（SVM）以及前馈神经网络（FNN），以应对更加复杂的非线性数据。实验对象为蘑菇，在70°C的恒定温度下，通过热风干燥（HD）、远红外干燥（FIR）和冷冻干燥（FD）三种方法对其水分含量进行测定。结果表明，热风干燥法能够显著降低蘑菇的水分含量，最终水分含量仅为8.68%，而远红外干燥和冷冻干燥法经过240分钟后水分含量仍较高。在所有模型中，前馈神经网络（FNN）的预测效果最佳，决定系数（R2p）达到0.9794，预测均方根误差（RMSEP）最低，仅为4.6781。从模型稳健性的角度来看，遗传算法与BPNN结合使用的模型（GABPNN）表现最为出色，其R2p值介于5.01至9.54之间。VIS–NIR光谱技术与MSI的结合为利用化学计量学方法在线评估食品质量特性提供了有力工具。