人工神经网络(artificial neural networks,ANN)建立在仿生学的基础上,主要原理是模拟人类大脑的神经网络结构与功能特征[1]。它可以应用于联想记忆[2]、非线性映射[3]、分类与识别[4]、优化计算[5]、知识处理[6]。具有信息存储的分布式存储、计算的并行性与存储的分布性(结构特点)、非线性、鲁棒性与容错性(性能特点)以及自学习和自适应性(能力特点),在信息存储方面主要有卷积神经网络(convolutional neural networks,CNN)、循环神经网络(recurrent neural networks,RNN)和生成对抗网络(generative adversarial networks,GAN)三种结构[7],如表1所示。
表1 神经网络主要解释方法
Table 1 The main interpretation methods for neural networks
网络结构解释方法优点卷积神经网络(CNN)隐层表征法直观清晰敏感性分析法能知道图像中像素的重要程度可解释网络构建法滤波器具有更好的语义解释性模型模仿法提供良好的解释性文本解释法能生成分类结果的自然语言解释多模态解释法同时具备视觉解释和文本据解释循环神经网络(RNN)可视化法能针对特定问题进行一定程度的解释可解释网络构建法针对特定问题更易于解释生成对抗网络(GAN)可视化法能可视化理解图像中单位、对象和场景生成
人工神经网络有多种算法,但大体可以分为两类:一是需要对样品进行学习训练及预测的有管理的人工神经网络;二是无须训练的无管理的人工神经网络[8]。
人工神经网络目前已经在信息处理领域、自动化领域、工程领域、医学领域、经济领域等应用并取得的一定的成果。本文分别从水产养殖技术检测,水产品工艺优化,活性成分分析,产品品质评价等方面就人工神经网络在相关领域中的应用进行归纳总结,为后续人工神经网络在水产品中的应用梳理思路,提供理论依据[9]。
1 养殖技术
目前,我国渔业捕捞量增长迅猛,与养殖量不匹配,并且生产效率和专业技术与国外相比相差较大[10]。水生生物生长主要受环境、种群和物种的影响,如图1所示,本文从ANN预测养殖环境、种群丰度和养殖品种对水产养殖生物生长相关性研究进展进行系统整理,并从经济角度对养殖管理方式和水产价格进行分析,以期为水产后续生长研究提供借鉴,从而更好地服务于我国水产养殖业。
1.1 环境因素
影响水产养殖的环境因素主要有水质、温度、溶氧量、亚硝酸盐含量、氨氮和硫化氢浓度以及酸碱度等,水质情况直接影响到水产品的生长发育,进而关系到养殖产量以及经济效益。谢万里等[11]将反向传播和径向基函数人工神经网络的评估方法综合运用于活鱼运输中,确定了不同训练函数及不同隐含层神经元个数,该方法避免了传统运输水质评价方法存在局限性和单一性的问题,对实现活鱼运输储存过程中水质的精准调控有重要意义;马真[12]通过ANN输入变量,以确定模型的各结构参数,建立了凡纳滨养殖虾水质预测模型,并根据养殖周期水质实时监测数据对模型进行了训练和拟合,结果显示:反向传播人工神经网络(back-propagation artificial neural network， BP-ANN)的预测效果较好,能以较高精度预测养殖水质状况,并能对水质恶化进行早期预警提示。
图1 人工神经网络在养殖技术中的应用
Fig.1 Application of artificial neural network in breeding technology
水产养殖池中如果溶氧量低于标准值,会导致池中潜在的致病因子突然释放。CARBAJAL等[13]通过监测溶氧量的相关环境因子,对破坏生态稳定因子进行分类,以预测相关水质指标;CAO等[14]在利用紫外吸收光谱法快速测定养殖废水中化学需氧量的过程中,使用BP-ANN,以有效波长为基础,得到了最佳预测结果。
由于水产动物属于变温动物,体温随水温的变化而变化,因此养殖水温是水产生物生长和繁殖的重要条件。柳海涛等[15]基于大量实测数据分析,建立了松花江站水温人工神经网络预报模型,通过输入上游吉林水文站的水温与流量,以及地区气象条件,利用递推法,预测出下游鱼类繁殖地水温变化过程;倪玉红等[16]基于BP-ANN的逐层水温及溶氧量预报模型,提高了江苏省夏季虾塘管理水平,为龙虾养殖和气象灾害防御提供理论支持。
1.2 种群预测
在水生生物种群预测方面,利用ANN高效、精确智能的特点,对群落资源丰度进行预测,JABEEN等[17]利用前馈多层感知器(multilayer perceptron,MLP)网络,根据鲍鱼物理属性,对鲍鱼生长程度进行预测,结果表明基于Levenberg-Marquardt算法的MLP网络模型是预测鲍鱼生长阶段的最佳方法。同时,ANN还可以应用于种群生长曲线的监测预报,从而对我国传统的经济鱼类、贝类、虾类和藻类的生长趋势进行实时检测。朱艺峰[18]通过分析各影响因素,采用交叉验证方法,对实验数据进行了人工神经网络预测分析,结果表明:人工神经网络对花鲈增重、特定生长率具有良好的预测效果;FRANCO等[19]利用不同藻类吸光值差异特性,以单藻和混合藻培养物的吸光度作为输入数据,建立了一种区分单藻和混合藻的人工神经网络预测模型,该系统能够识别主要藻类。
1.3 物种识别
养殖品种识别主要利用了人工视觉技术,该技术在物种识别方面应用广泛,可为实现良种引进,提高水产养殖的经济效率提供理论支持(如图2所示)。研究表明,CNN模型是目前常用的人工视觉技术,基于CNN深度学习特性,HIMABINDU等[20]利用视觉技术提取鱿鱼的形态特征,通过对图像中指定区域的裁剪,采用反向传播MLP方法将鱿鱼不同部位的数据进行分类,准确率高达98.6%,实现养殖水产品生长状态识别。另外,现阶段我国更加注重水产新品种的选育工作,张帆等[21]提出一种基于图像特征与竞争型神经网络相结合的蟹苗密度估算识别系统,采用全局性密度等级分类算法结合局部性线性回归算法,对蟹苗图像的密度等级特征由竞争型神经网络进行划分和判断,得到较高的正确率,再次证实人工视觉技术将成为水产养殖优质高产的重要途径;不仅如此,基于人工神经网络具有处理速度快、结果预估客观和可重复性较高的特点,MOSLEH等[22]研发出一种淡水藻类自动识别系统,该系统由图像预处理、分割、特征提取和人工神经网络分类4个步骤组成,通过对藻类图像特征参数的提取,经过主成分分析,使系统的准确率达到93%。
图2 物种识别的基本原理
Fig.2 Basic principles of species identification
1.4 养殖管理
通常来讲,水产养殖管理方法具有季节性、长期性以及多样性等特点。传统的养殖管理方法包括饲料管理、水质管理和底质管理以及塘口环境管理、疾病预防管理等。在养殖虾场燃料管理方面,ATIA等[23]建立了以质子交换膜燃料电池驱动的扩散式曝气系统,通过控制输入气体流量来控制燃料电池的输出功率;LEUNG等[24]建立了一种越南养殖虾疾病控制的神经网络预测模型,比较了概率神经网络和logistic回归方法在相同数据集上的预测性能,结果表明:概率神经网络模型比logistic回归模型具有更好的预测能力;ABDELLATIF等[25]利用HadCM3、CSIRO和CGCM2CMS的气候变量,采用混合广义线性人工神经网络模型,对降雨量进行控制,结果表明:总溢水量、总溢时间和溢水频率每年增加37%、32%,实际值与预测结果相符。
1.5 价格
水产养殖的收益离不开对市场价格的判断,但其价格受供求和时节等因素的影响,因此具有一定的周期性和波动性。传统的价格预估方法是基于时间的指数及回归方程进行预判,误差较大。目前,经验证利用人工神经网络预测价格,既克服了信息的不对称性也提高了预测精度。XU等[26]提出了应用人工神经网络预测价格的可行性;李宏伟等[27]尝试在传统反向传播算法的基础上将网络神经元中的激励函数换成小波子函数,进而组建出小波神经网络,通过对新疆乌伦古湖水产综合基地三类主要鱼类价格预测验证,结果表明:该模型可用于预测鱼类价格的短期预测;胡涛[28]建立了松散型小波层神经网络预测模型,在预测模型中,利用了遗传算法对神经网络结构参数进行优化,通过实证检验,预测值误差较小。
2 水产品工艺优化
传统的食品加工以及配方优化的方法已经比较成熟,如响应面设计、正交试验和均匀设计等。他们均可以通过严格反复的试验获得最佳的实验结果,但试验精度不够是其显著的缺陷。另外,人工神经网络一般使用标准的非线性最小二乘回归法来拟合数据,因此容易在处理数据的过程中存在数据过度拟合的问题。但是随着科技的不断进步与发展,人工神经网络越来越多地应用于食品加工中的各个环节,可以对加工过程中的数据进行非线性的处理,设计动态型模型以选择出最优的方案。
人工神经网络在水产品加工过程中的品质和风味调控过程中应用广泛。CHINDAPAN等[29]在用电渗析降低鱼露中钠离子浓度的过程中,采用遗传算法对人工神经网络进行目标优化,优化后的人工神经网络模型对鱼露的基本特性、总氨基酸和总芳香化合物的浓度以及风味差异预测准确;王回忆等[30]将动力学和径向基神经网络相结合用于预测鲟鱼片冷藏过程中品质变化,其预测值与试验值之间的相对误差较小;TATAR等[31]在以半纤维素作为包覆材料对微胶囊鱼油吸附能力优化过程中,采用ANN与平衡含水率相互拟合,预测样品的电磁兼容,其结果与经验模型相比更准确,满足焓-熵补偿理论;GHOSH等[32]在木糖醇生产工艺的研究中,通过对比响应面法(response surface method,RSM)和ANN来确定最优反应条件和预测最优产率,结果表明ANN的预测精准度优于RSM;张斌等[33]利用RSM数据辅助ANN进行训练与仿真,建立级联BP-ANN对超高压技术法提取河蚌肉多糖工艺进行分析优化,虽然对比ANN 与RSM最佳工艺条件下多糖得率实测值略小,但其优化结果的准确率高,预测值的可信度强。
由于ANN对非线性和非稳态系统的酶催化反应具有较好的预测能力,目前,已经有大量研究将其应用在水产品酶解过程中工艺条件优化方向。吴燕燕等[34]利用Matlab软件,对风味蛋白酶水解合浦珠母贝柱的工艺条件进行优化,克服了抗菌肽纯度低、提取率低等缺点;邓志程等[35]利用人工神经网络预测胰蛋白酶及胰凝乳蛋白酶的双酶解过程,验证人工神经网络可以提高产率;刘斌等[36]利用newrbe(P,T,SPREAD)函数建立径向基网络,经过样本训练以及径向基神经网络预测,建立间歇式酶膜耦合制备紫菜降压肽模型,同样可以实现提高产率的效果。
3 活性成分分析
由于水产品中功能性活性成分提取条件的复杂性,目前传统提取方法已不能满足实际生产要求,ANN可以通过模型仿真进而预测提取效果,为达到批量可控化生产提供依据。
表2 人工神经网络在水产品活性成分中的应用
Table 2 Application of artificial neural network in aquatic active ingredients
活性成分预测对象预测方法预测效果糖类海参岩藻聚糖分子质量[37]单隐层BP网络模型预测数据和真实值的平均误差为1.06%河蚌多糖超高压提取条件优化[33]3-8-1结构的级联BP-ANN多糖得率预测值为7.18%,实测值为7.12%%,相对误差为0.84葡萄糖胺产量[38]遗传算法(GA)、粒子群优化(PSO)和MLP神经网络对比研究GA、PSO和ANN预测产量的平均误差分别为6.84%、7.11%和5.49%。MLP模型更易于生成,验证错误更少脂类鱿鱼油中分离ω-3化合物浓度[39]ANN全局模型人工神经网络模型可以分两个阶段预测分子蒸馏过程中ω-3脂肪酸的浓度鱼油氧化值[40]傅里叶变换红外光谱结合ANN预测值与实际测得过氧化值和茴香胺值相关系数均大于0.873,且无需制备样品,可用于测定氧化值的快速替代法不同温度和光照条件下加速储存的鱼油氧化值[41]用1H-NMR、FT-MIR、FT-NIR测定的实际值,建立ANN模型NMR测得的过氧化值建立的ANN模型,预测系数Q2=0.961;MIR/NIR提供的茴香胺值ANN模型Q2=0.993;MIR测的茴香胺值建立的ANN模型得到Q2=0.988蛋白质鱿鱼蛋白酶解过程[42]利用ANN建立鱿鱼蛋白酶解动力学模型在酶解的任何时间点,底物浓度的实验值和预测值之间的误差范围为0.098～0.29 g/L(3%～4%),相关系数范围为0.988～0.992鳙鱼抗氧化肽[43]利用反向传播网络模拟制备活性肽通过实际酶解得到的三种活性肽,自由基清除率分别为91.8%、77.73%、58.05%,与预测值误差均在±3%以内鳕鱼骨蛋白水解过程[44]利用赖氨酸生物传感器和ANN预测水解过程实际值和预测值之间R2值为0.996 4,平均相对误差为0.94%
应用人工神经网络对生物活性物质进行定量预测,具有生物学检测所不具备的优点,它不仅可以较为准确地预测糖类、脂类和蛋白质含量,还能对其他生物活性物质含量的变化进行估计,例如,水产品中的毒素、微量元素以及含氮化合物等。人工神经网络可以避免盲目投入造成的浪费,而且可以保证精准度与建模效果。ERTÜRK等[45]分析了30种酚类化合物源于海洋藻邓氏藻毒性,利用四参数对反向传播人工神经网络(counter propagation artificial neural network,CP-ANN)结合多元线性回归(multiple linear regression,MLR)方法建立模型,该模型将多次预测结果取平均值,改善了全局模型的统计特性,CP-ANN通过对每个单独线性模型中出现的6个描述符中选取4个来取平均值,提供了良好的外部预测性;PAPADOPOULOS等[46]用实验设计方法结合人工神经网络以基质固相分散萃取法测定鱼类中氯化物得到准确的预测结果;MOGHADDAM等[47]通过比较ANN和RSM,预测出微波辅助提取鱼肉中锌元素含量,实验采用Box-Behnken Design法验证,结果表明:与RSM模型相比,ANN模型预测准确率更高;CHEN等[48]通过对高光谱像数据进行相关系数分析建立一种MLR和BP-ANN模型,结果表明:相关系数MLR预测值低于BP-ANN预测值;相对误差MLR预测值误差更小,二者均可以检测和准确预测储藏期太平洋牡蛎总挥发性盐基氮(total volatile based nitrogen,TVB-N)含量,进而判断新鲜度。
4 品质评价
食品品质,是指食品的各种固有特性满足要求的程度。食品的固有特性包括安全性、营养性、可食性、保藏性、经济性和方便性等。对食品品质的调控可以体现在产品的相关国家标准中,如安全卫生标准、感官特性标准、营养和成分标准等,还包括包装、贮运等方面的要求。本节就人工神经网络在食品的营养性、安全性和保藏性的应用进行总结,旨在为食品品质安全提供理论性的模型预测结果。
4.1 营养性
人工神经网络模型在预测出水产品营养价值方面也得到广泛应用,如预测营养组成、感官评分、水分含量以及产品新鲜度等。
食品中的营养成分主要包括:水、无机盐、糖类、脂肪、蛋白质和维生素六大类,人工神经网络与其检测方法结合,可以达到准确、快速、多组分同时测定等目的,徐文杰等[49]采用近红外光谱数据分别与偏最小二乘法、主成分分析和BP-ANN结合技术、偏最小二乘法和BP-ANN结合技术建立了3种鲢鱼营养成分近红外定量模型。
传统感官评价方法可对感知属性进行即时测定,但由于评价人员对相同刺激水平的反应存在差异,可能导致测试的结果不准确。ANN模拟生物视觉、嗅觉和味觉等感官特性,不仅避免了传统感官检测中评价人员的主观性,还大幅提高了检测效率和准确性。LIU等[50]建立了一种动力学模型结合人工神经网络的组合模型,用于预测真空包装的鳙鱼鱼片在不同温度下感官评分、TAC和k值变化,结果表明:预测值相对误差均在5%以内。
水分含量是判断水产品品质的重要指标之一,目前常用的水分检测方法对产品破坏度较高,导致测试结果差异性较大,因此检测水分含量等指标需要通过ANN预测技术辅佐。MOHEBBI等[51]应用多层反向传播神经网络模型成功预测出化学法测定的活体虾水分含量与颜色特征;HOSSEINPOUR等[52]利用多层感知器人工神经网络结构利用图像纹理参数成功预测了虾的含水率。
水产品新鲜度直接与消费者感官属性如外观、质地、气味和口感有关,同时对于水产食品安全、运输仓储及加工过程也有着重要意义。因此,通过人工神经网络建立新鲜度预测模型,是保证水产品消费安全的重要手段。薛大为等[53]采提出了综合阻抗模值结合ANN预测淡水鱼新鲜度的方法,以模值和相角作为输入因子,以TVB-N作为输出因子,建立预测淡水鱼新鲜度的3层BP-NAA模型得到较高预测率;刘欢等[54]在确定近红外光谱数据最佳预处理方法和适宜波段的基础上,分别采用偏最小二乘法、主成分分析和BP-NAA、偏最小二乘法和BP-NAA建立了鲫鱼新鲜度预测定量模型,结果表明:以pH为鲜度指标,采用偏最小二乘法和 BP-NAA结合模型预测效果最佳。
4.2 营养性
食品中对人体健康造成危害的物质主要有生物危害物、化学危害物和物理危害物。在水产养殖过程中,生物危害物和化学危害物的影响较大。
生物危害物包括细菌、病毒、寄生虫、原生动物、藻类及其所产生的毒性物质,其中致病性微生物(细菌)是造成食品生物危害最广泛的全球性问题。DUAN等[55]研究一种比目鱼冷冻鱼片细菌总数的测定方法,并用便携式近红外光谱仪进行验证,结果表明:遗传算法和BP-ANN相结合的方法检测时间短,检测效率高,该技术可以为渔业无损、现场以及快速检测提供理论依据;段翠等[56-57]以便携式近红外光谱仪为基础,以三文鱼为研究对象得到了相同验证;BRION等[58]以ANN结合MLR模型用PCR方法预测欧洲不同国家市售的贝类中病毒种类,结果表明:ANN模型比MLR模型更精准地预测出贝类中所含的病毒。
化学危害物包括了药物残留、天然毒素和食品添加剂等物质,一般为生产中环境或人为因素造成的。YANG等[59]使用褐藻作为一种低成本的吸附剂,采用ANN对汞离子的吸附性能进行预测,结果表明:该模型具有较高的预测Hg(II)吸附的潜力;KIM等[60]利用ANN研发出一种气味监测系统,以检测室温或冰箱中,牛肉、鱼、贝类等食物分解产生的有害气体,检测结果准确全面,为水产品有害挥发性物质检测提供理论依据。
4.3 保藏性
食品保藏是为了防止食品腐败变质延长其储藏期所采用的处理方法,食品的腐败变质也是本身所含的酶和受外界污染的微生物产生一系列的化学反应造成的。肌苷酸是重要的风味前体物,也是淡水鱼主要的成味物质,SHI等[61]通过建立了BP-ANN,在不同温度、不同热加工时间下,完成了未经处理的淡盐鲢鱼和1.8%盐渍鲢鱼中的肌苷酸含量贮藏过程中降解曲线的预测;席庆等[62]利用 Box-Behnken 响应面实验设计建立数据集合,以贮藏10 d后的菌落总数以及感官评分为响应因子,建立了即食鲍鱼栅栏模式的神经网络模型,结果表明:建立的神经网络模型对于鱼类贮藏过程中品质变化具有良好的预测精确性。
5 展望
水产制品对人体健康有益,但是水产品在养殖、加工、流通、储藏等过程中十分复杂,无论是在水产品养殖过程中环境、管理等因素、水产品原料安全性,还是水产品的加工过程以及加工后对产品品质的评价等都十分重要。本文以人工神经网络为论述对象,从水产品养殖、生产以及品质调控过程等角度入手,归纳总结了其对于养殖环境预测、物种分类识别、贮存品质及风味变化检测等特点;主要可以分为四类:养殖技术、工艺优化、活性成分分析和品质评价。目前人工神经网络技术在水产品中的应用仍有一定的局限性,今后需要加快食品的智能化加工和智能产品的研发,加强标准化、智能化生产技术的研发,并结合水产品可追溯体系,建立全程监控的智能化监控系统,实现传统水产食品生产加工模式实现向智能化、自动化、标准化生产的跨越。希望通过对人工神经网络在水产领域中应用的研究,为计算机模拟技术在食品相关领域的发展提供一定的理论基础。
[1] 吴燕燕, 陶文斌,张涛.计算机模拟技术在食品加工中的研发现状和趋势[J].中国渔业质量与标准,2018,8(2):1-8.
WU Y Y,TAO W B,ZHANG T.Advance on computer Simulation technology in food processing[J].Chinese Fishery Quality and Standards,2018,8(2):1-8.
[2] 卢晓建, 张晓康,王宾,等.基于Seesaw门的双向联想记忆神经网络[J].广州大学学报(自然科学版),2020,19(1):42-49.
LU X J,ZHANG X K,WANG B,et al.Bidirectional associative memory neural network based on Seesaw gate[J].Journal of guangzhou university (natural science edition),2020,19(1):42-49.
[3] RICARDO M,VLADIMIR K,ALVES J H G M,et al.Nonlinear wave ensemble averaging in the gulf of Mexico using neural networks[J].Journal of Atmospheric and Oceanic Technology,2019,36(1)DOI:10.1175/JTECH-D-18-0099.1.
[4] 张明.基于计算机视觉技术的马铃薯病害识别研究[D].兰州：甘肃农业大学,2018
ZHANG M.Research on potato disease recognition based on computer vision technology[D].Lanzhou:Gansu Arigcultural University,2018.
[5] YEEKHADAY T,MUANGSIN V,GOWANICH C.Neural network based application with particle swarm optimization algorithm in prediction model of L.vannamei shrimp cultivation system[J].International Journal of Civil Engineering and Technology,2018,9(6):971-979.
[6] 管彬彬,陈彬.基于可视嗅觉指纹技术的水产品新鲜度快速表征[J].食品与发酵工业,2019,45(9):171-175.
GUAN B B,CHEN B.Rapid characterization of aquatic products’ freshness based on colorimetric sensor array[J].Food and Fermentation Industries,2019,45(9):171-175.
[7] 苏炯铭, 刘鸿福,项凤涛,等.深度神经网络解释方法综述[J].计算机工程,2020,46(9):1-15.
SU J M,LIU H F,XIANG F T,et al.Survey of Interpretation Methods for Deep Neural Networks[J].Computer Engineering,2020,46(9):1-15.
[8] EKPENYONG M,ASITOK A,ANTAI S,et al.Statistical and artificial neural network approaches to modeling and optimization of fermentation conditions for production of a surface/bioactive glyco-lipo-peptide[J].International Journal of Peptide Research and Therapeutics,2021,27(1):475-495.
[9] 李海涛, 刘泰麟.基于决策树优化的BP神经网络在海参养殖产量预测中的应用[J].水产学杂志,2019,32(5):71-75.
LI H T,LIU T L.Application of BP neural network based on decision tree optimization in sea cucumber breeding yield prediction[J].Journal of Fisheries,2019,32(5):71-75.
[10] ALMERO V J,CONCEPCION R,ROSALES M,et al.An aquaculture-based binary classifier for fish detection using multilayer artificial neural network[C].2019 IEEE 11th International Conference on Humanoid,Nanotechnology,Information Technology,Communication and Control,Environment,and Management (HNICEM).IEEE,2019.
[11] 谢万里, 蒲斌,王涛,等.人工神经网络在活鱼运输中水质评价的应用[J].江苏农业科学,2019,47(4):134-139.
XIE W L,PU B,WANG T,et al.Application of artificial Neural network in water Quality Evaluation of live fish transport[J].Jiangsu Agricultural Sciences,2019,47(4):134-139.
[12] 马真. 人工神经网络在对虾养殖水质预测中的应用[D].中国海洋大学,2013.
MA Z.Application of artificial neural network in water Quality prediction of penaeus chinensis[D].Ocean University of China,2013.
[13] CARBAJAL H J J,S
NCHEZ-FERNNDEZ L P.Neural network modelling for dissolved oxygen effects in extensive Litopenaeus vannamei culture[M]//Advances in Soft Computing.Cham:Springer International Publishing,2017:132-140.
[14] CAO H,QU W J,YANG X L.A rapid determination method for chemical oxygen demand in aquaculture wastewater using the ultraviolet absorbance spectrum and chemometrics[J].Analytical Methods,2014,6(11):3 799-3 803.
[15] 柳海涛,孙双科,郑铁刚,等.水电站下游鱼类产卵场水温的人工神经网络预报模型[J].农业工程学报,2018,34(4):185-191.
LIU H T,SUN S K,ZHENG T G,et al.Prediction of water temperature regulation for spawning sites at downstream of hydropower station by artificial neural network method[J].Transactions of the Chinese Society of Agricultural Engineering,2018,34(4):185-191.
[16] 倪玉红,孙擎,王学林,等.盱眙龙虾池塘夏季水温与溶解氧变化特征及预报模型研究[J].中国农学通报,2015,31(32):33-39.
NI Y H,SUN Q,WANG X L,et al.Changing characteristics and prediction model of water temperature and dissolved oxygen in Xuyi lobster pond in summer[J].Chinese AgriculturalScience Bulletin,2015,31(32):33-39.
[17] JABEEN K,AHAMED K I.Abalone age prediction using artificial neural network[J].IOSR Journal of Computer Engineering,2016,18(5):34-38.
[18] 朱艺峰,陈芝丹,关文静,等.鱼类饥饿处理量化及处理因子贡献率的神经网络随机化测试[J].应用生态学报,2008,19(3):667-673.
ZHU Y F,CHEN Z D,GUAN W J,et al.Quantification of fish starvation treatments and randomization test for the contribution rates of treatment factors by BP network[J].Chinese Journal of Applied Ecology,2008,19(3):667-673.
[19] FRANCO B M,NAVAS L M,G
MEZ C,et al.Monoalgal and mixed algal cultures discrimination by using an artificial neural network[J].Algal Research,2019,38:101 419
[20] HIMABINDU K,JYOTHI S,MAMATHA D M.Classification of squids using morphometric measurements[J].Gazi University Journal of Science,2017,30(2):61-71.
[21] 张帆,徐建瑜.基于图像特征与竞争型神经网络的蟹苗密度估计[J].计算机应用与软件,2017(8):236-240.
ZHANG F,XU J Y.Crab larvae density estimation based on image feature and competitive neural network[J].Computer Applications and Software2017(8):236-240.
[22] MOSLEH M A,MANSSOR H,MALEK S,et al.A preliminary study on automated freshwater algae recognition and classification system[J].Bmc Bioinformatics,2012,13(17):S25.
[23] ATIA D M,FAHMY F H,AHMED N M,et al.Design and control of PEM fuel cell diffused aeration system using artificial intelligence techniques[J].International Journal of Electrical,Computer,Electronics and Communication Engineering,2011,5(9):60-67.
[24] LEUNG P S,TRAN L T.Predicting shrimp disease occurrence:artificial neural networks vs.logistic regression[J].Aquaculture,2000,187(1-2):35-49.
[25] ABDELLATIF M,ATHERTON W,ALKHADDAR R M,et al.Quantitative assessment of sewer overflow performance with climate change in northwest England[J].Hydrological Sciences Journal,2015,60(4):636-650.
[26] XU D S,LI X C,WANG C,et al.Forecasting of litopenaeus vannamei prices with artificial neural networks[C].Advances in Education and Management, 2011:281-287.DOI:10.1007/978-3-642-23062-2_40.
[27] 李宏伟, 高小翔,程可军.基于小波神经网络的鱼类价格预测研究[J].中国渔业经济,2014,32(4):61-66.
LI H W,GAO X X,CHENG K J.Research on price forecasting of fish based on wavelet neural network method[J].Chinese Fisheries Economics,2014,32(4):61-66.
[28] 胡涛.基于非参数的水产品价格预测系统研究[D].北京:中国农业大学,2005.
HU T.A forecasting system for aquatic products price based on non-parameter model[D].Beijing:China Agricultural University,2005.
[29] CHINDAPAN N,SABLANI S S,CHIEWCHAN N,et al.Modeling and optimization of electrodialytic desalination of fish sauce using artificial neural networks and genetic algorithm[J].Food & Bioprocess Technology,2013,6(10):2 695-2 707.
[30] 王回忆,孔春丽,罗永康.鲟鱼片冷藏过程中品质变化规律与预测模型[J].中国农业大学学报,2016，21(8):98-104.
WANG H Y,KONG C L,LUO Y K.Modeling quality changes in sturgeon (Acipenser sinensis) fillets during storage [J].Journal of China Agricultural University，2016,21(8):98-104.
[31] TATAR F,CENGIZ A,KAHYAOGLU T.Effect of hemicellulose as a coating material on water sorption thermodynamics of the microencapsulated fish oil and artificial neural network (ANN) modeling of isotherms[J].Food and Bioprocess Technology,2014,7(10):2 793-2 802.
[32] GHOSH P,DAS S,GANGULY A,et al.Optimization of xylose production by alkaline hydrolysis of water hyacinth biomass using response surface methodology and artificial neural network[J].International Journal of Applied Biology and Pharmaceutical Technology,2015,6(3):34-45.
[33] 张斌,孙兰萍,施颖,等.基于人工神经网络法优化河蚌多糖超高压提取工艺[J].食品机械,2016,32(11):148-153.
ZHANG B,SUN L P,SHI Y,et al.Optimization on ultra high pressure extraction process of mussel polysaccharide based on artificial neural network[J].Food & Machinery,2016,32(11):148-153.
[34] 吴燕燕,宫晓静,李来好,等.风味蛋白酶水解合浦珠母贝肉制备抗菌肽人工神经网络法优化工艺[J].食品科学,2011,32(20):63-68.
WU Y Y,GONG X J,LI L H,et al.Process optimization for preparation of antimicrobial peptides fromPinctada fucata muscle by flavourzyme hydrolysis using artificial production neural network[J].Food Science,2011,32(20):63-68.
[35] 邓志程, 吉宏武,曹文红,等.人工神经网络优化酶法制备马氏珠母贝低聚肽的工艺研究[J].广东农业科学,2014,41(24):99-104.
DENG Z C,JI H W,CAO W H,et al.Optimization of hydrolysis conditions for production of oligosaccharide from Pinctada martensii using artificial neural networks[J].Guangdong Agricultural Sciences,2014,41(24):99-104.
[36] 刘斌,马海乐,李树君,等.紫菜降压肽酶膜耦合反应制备工艺RBF神经网络优化[J].农业机械学报,2010,41(5):120-125.
LIU B,MA H L,LI S J,et al.Production of ACE inhibitor peptides fromPorphyra yezoensis in batch membrane reactor based on RBF-ANN[J].Transactions of the Chinese Society for Agricultural Machinery,2010,41(5):120-125.
[37] 续晓琪,薛长湖,常耀光.基于人工神经网络的海参岩藻聚糖硫酸酯酶解模型建立及抗氧化活性研究[J].中国食品学报,2019,19(1):20-27.
XU X Q,XUE C H,CHANG Y G.The model of enzymatic degraded sea cucumber fucoidans established by artificial neural network and studies on their antioxidant activity[J].Journal of Chinese Institute of Food Science and Technology,2019,19(1):20-27.
[38] VALIZADEH H,POURMAHMOOD M,MOJARRAD J S,et al.Application of artificial intelligent tools to modeling of glucosamine preparation from exoskeleton of shrimp[J].Drug Development and Industrial Pharmacy,2009,35(4):396-407.
[39] ROSSI P,GAYOL M,RENAUDO C,et al.The use of artificial neural network modeling to represent the process of concentration by molecular distillation of omega-3 from squid oil[J].Grasas y Aceites,2014,65(4):0231141.
[40] KLAYPRADIT W,KERDPIBOON S,SINGH R K.Application of artificial neural networks to predict the oxidation of menhaden fish oil obtained from fourier transform infrared spectroscopy method[J].Food and Bioprocess Technology,2011,4(3):475-480.
[41] GIESE E,WINKELMANN O,ROHN S,et al.Determining quality parameters of fish oils by means of 1H nuclear magnetic resonance,mid-infrared,and near-infrared spectroscopy in combination with multivariate statistics[J].Food Research International,2018,106(4):116-128.
[42] ABAKAROV A,TEIXEIRA A,SIMPSON R,et al.Modeling of squid protein hydrolysis:Artificial neural network approach[J].Journal of food process engineering,2011,34(6):2 026-2 046.
[43] 李琳, 赵谋明,张黎.利用人工神经网络优化制备鳙鱼抗氧化肽[J].四川大学学报(工程科学版),2006,38(1):81-85.
LI L,ZHAO M M,ZHANG L.Production of antioxidant peptides from bighead carp (Arisitchthys nobilis) with alcalase using artificial neural network[J].Journal of Sichuan University (Engineering Science Edition),2006,38(1):80-85.
[44] HOU H,LU J H,FAN Y,et al.Enzymatic Hydrolysis of Alaska Pollock Proteins Based on Kinetics Model and Lysine Biosensor-Neural Network Model[J].Journal of Aquatic Food Product Technology,2017,26(3):267-278.
[45] ERTÜRK M D,SAÇAN M T,NOVIC M,et al.Quantitative structure-activity relationships (QSARs) using the novel marine Algal toxicity data of phenols[J].Journal of Molecular Graphics & Modelling,2012,38:90-100.
[46] PAPADOPOULOS V D,BELIGIANNIS G N,HELA D G.Combining experimental design and artificial neural networks for the determination of chlorinated compounds in fish using matrix solid-phase dispersion[J].Applied Soft Computing,2011,11:5 155-5 164.
[47] MOGHADDAM M G,KHAJEH M.Comparison of response surface methodology and artificial neural network in predicting the microwave-assisted extraction procedure to determine zinc in fish muscles[J].Food and Nutrition Sciences,2011,2(8):803-808.
[48] CHEN L P,LI Z J,YU F,et al.Hyperspectral Imaging and chemometrics for nondestructive quantification of total volatile basic nitrogen in pacific oysters (Crassostrea gigas)[J].Food Analytical Methods,2019,12(3):799-810.
[49] 徐文杰,刘欢,陈东清,等.基于近红外光谱技术的鲢鱼营养成分的快速分析[J].食品安全质量检测学报,2014,5(2):516-527.
XU W J,LIU H,CHEN D Q,et al.Rapid analysis on nutrient of silver carp based on near-infrared spectroscopy[J].Journal of Food Safety and Quality Inspection,2014,5(2):516-527.
[50] LIU X C,QIN N,LUO Y K.Application of a combination model based on an error-correcting technique to predict quality changes of vacuum-packed bighead carp (Aristichthys nobilis) fillets[J].LWT-Food Science and Technology,2016,74:514-520.
[51] MOHEBBI M,AKBARZADEH-T M R,SHAHIDI F,et al.Computer vision systems (CVS) for moisture content estimation in dehydrated shrimp[J].Computers and Electronics in Agriculture,2009,69(2):128-134.
[52] HOSSEINPOUR S,RAFIEE S,AGHBASHLO M,et al.Computer vision system (CVS) for in-line monitoring of visual texture kinetics during shrimp (Penaeus spp.) drying[J].Drying Technology,2015,33(2):238-254.
[53] 薛大为,杨春兰.基于生物阻抗技术的淡水鱼新鲜度检测方法研究[J].西南民族大学学报(自然科学版),2014,40(4):603-607.
XUE D W,YANG C L.Study on detection method of freshwater fish freshness based on bioimpedance technology[J].Journal of Southwest University for Nationalities (Natural Science Edition),2014,40(4):603-607.
[54] 刘欢,徐文杰,刘友明,等.鲫鱼新鲜度近红外定量预测模型的建立[J].现代食品科技,2015,31(7):173-182.
LIU H,XU W J,LIU Y M,et al.Establishment of quantitative model to predict the freshness of crucian carp (Carassius auratus) based on near-infrared spectroscopy[J].Modern Food Science and Technology,2015,31(7):173-182.
[55] DUAN C,CHEN C G,KHAN M N,et al.Non-destructive determination of the total bacteria in flounder fillet by portable near infrared spectrometer[J].Food Control,2014,42:18-22.
[56] 段翠. 近红外光谱法快速检测几种海洋鱼类的菌落总数[D].青岛:中国海洋大学,2014.
DUAN C.Rapid detection of the total number of colonies of several marine fishes by near infrared spectroscopy[D].Qingdao:Ocean University of China,2014.
[57] 段翠,陈春光,刘永志,等.基于手持式近红外光谱仪的三文鱼菌落总数检测技术[J].食品安全质量检测学报,2014,5(3):889-893.
DUAN C,CHEN C G,LIU Y Z,et al.Detection of total number of salmon colonies by handheld near infrared spectrometer[J].Journal of Food Safety & Quality,2014,5(3):889-893.
[58] BRION G,VISWANATHAN C,NEELAKANTAN T R,et al.Artificial neural network prediction of viruses in shellfish[J].Applied and Environmental Microbiology,2005,71(9):5 244-5 253.
[59] YANG S L,ZHANG Y,ZHANG H,et al.Comparative analysis of different models in fishery CPUE standardization[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(21):259-264.
[60] KIM E,LEE J H,SHIN B J,et al.An odor monitoring system based on differentiated pattern recognition implemented a semiconductor gas sensor array[J].Advanced Science Letlers,2013,19(10):2 901-2 904.
[61] SHI C,CUI J Y,LIU X C,et al.Application of artificial neural network to predict the change of inosine monophosphate for lightly salted silver carp (Hypophthalmichthys molitrix) during thermal treatment and storage[J].Journal of Food Processing and Preservation,2017,41(6):1-8.
[62] 席庆,章超桦,曾少葵.基于神经网络法优化即食皱纹盘鲍栅栏模式[J].现代食品科技,2013,29(6):1311-1315.
XI Q,ZHANG C H,ZENG S K.Optimization of hurdle pattern for preservation of ready-to-eat abalone(Haliotis discus Hannai ino) based on neural network[J].Modern Food Science and Technology,2013,29(6):1 311-1 315.