基于自组织映射模型对香肠产品喜好度的预测

刘宇佳,朱 杰*,张书艳,李 琳*

(东莞理工学院化学工程与能源技术学院,食品营养健康工程与智能化加工研究中心,广东 东莞 523808)

摘 要:本研究基于感官评定结合自组织映射(self-organizing maps,SOM)模型预测香肠产品的喜好度。采集 9 种原料制备的99 个香肠样品的质构参数与颜色信息作为研究对象,对上述信息与感官评定结果进行线性回归分析与相关性评价,进一步结合主成分分析方法消除冗余数据,最终建立竞争层为6、输出层为36的SOM模型。结果表明,通过对香肠样本特征值的提取与分类预测,基于SOM的模型预测准确率为100%,此时预测集均方根误差为0.118 4,模型具有良好的泛化能力。本研究旨在建立一种准确高效的食品喜好度预测方法,为食品新产品研发及其市场喜好度预期提供数据参考。

关键词:自组织映射;香肠;喜好度;预测

感官评定是一门包括测量、分析以及解释由食品与其他物质相互作用所引发的、最终通过参评人的视觉、嗅觉、味觉及触觉等进行评价的科学[1]。通常需要完整的评定程序与评价体系,对参评人也具有非常严格的要求,才能得到较为真实的评价结果。感官评定可以很好地弥补化学或物理检测过程中无法解释的感官状况,因此在食品行业中起到不可替代的作用[2]。产品喜好度是新型食品产品进入市场前的一个重要参数,对于新产品研发、原料替代、产品更新以及市场预期具有决定性作用,是影响消费者对产品购买意向的关键因素[3-4],感官评定是产品喜好度的主要评价方法。然而,食品的感官评定结果容易受到环境因素、品评过程以及参评人状态等诸多因素的影响[5]。另外,我国很多中、小食品企业不具备完整的评价体系与实施条件,严重阻碍了产品创新与市场开发能力。

食品体系具有多样性与复杂性的特点,原料与加工方式对产品的特性都具有显著影响。科学的产品评价有助于新产品的开发与市场推广,是食品研发领域的一个重要环节[6]。食品产品喜好度的预测涉及到食品物性学、统计学以及消费心理学等诸多学科,具有非常广阔的研究内容与发展空间[7-8]。自组织映射(self-organizing maps,SOM)是一种无导师学习信息处理算法[9],目前广泛应用于水文土壤分类[10-11]、植物群落分布[12]、森林健康评估[13]等具有空间拓扑性质的图像化处理研究,同时在食品加工工艺条件优化[14]、检测检验新方法[15-16]以及农产品原料溯源[17-19]等应用中也有出色表现。因其具有良好的非线性映射特征逼近能力,在食品品种分类方面也取得了良好的效果[20-22],但该技术对食品喜好度预测的应用国内外鲜见相关报道。

本研究通过采集9 种原料香肠的质构参数与颜色信息,基于感官评定结果,结合相关性和主成分分析(principal component analysis,PCA)建立SOM网络模型,将十维特征值映射到二维平面,对香肠产品的喜好度进行预测,建立一种准确高效的食品喜好度预测方法,为食品新产品研发与市场开发提供数据参考。

1 材料与方法

1.1 材料与试剂

鱼肉、鸡肉与猪肉购买于东莞市松山湖农贸市场;食盐 广东盐业有限公司;白砂糖 东莞市东糖集团有限公司。

1.2 仪器与设备

TA.XT Plus质构仪 英国Stable Micro Systems 公司;Hunter Lab比色计 上海精密科学仪器有限公司。

1.3 方法

1.3.1 香肠样品的制备

实验香肠由9 种原料(鱼肉、鸡肉与猪肉各3 种)共制备99 个样品,样品编号与原料信息如表1所示。鱼肉香肠样品通过调控擂溃时间(20、30、40 min)、食盐添加量(1%、2%、3%,以鱼肉质量计)、擂溃温度(5、10、20 ℃)与烘烤时间(32、34、36 h)4 个因素共制备39 个样品;鸡肉与猪肉香肠样品分别经调控盐糖质量比(1∶1、1∶2、1∶3)、烘烤时间(32、34、36 h)与烘烤温度(45、55、60 ℃)3 个因素共制备60 组样品。

表 1 香肠样品分类编号与基本信息
Table 1 Meat sources of sausage samples

编号 1~13 14~26 27~39 40~49 50~59 60~69 70~79 80~89 90~99原料种类 草鱼 鲟鱼 鲢鱼 黄麻鸡 清远鸡 湛江鸡 猪里脊 猪后腿 前腿肉

1.3.2 感官评定分析

感官评定方法依据GB/T 29605ü 2013《感官分析 食品感官质量控制导则》[23]与GB/T 22210ü 2008《肉与肉制品 感官评定规范》[24]作为实施指导标准,每个样品由10 位评分员在设置小隔间的感官实验室独立完成;灯光采取自然光为主,日光灯辅助的形式;每个产品用3 位随机数字编号,置于白色塑料盘中;每次评定于上午10∶00开始,规定时间段内完成,每天完成1 种产品(表1),共9 d完成所有评定。评分员分别对香肠的色泽、外观、风味、口感以及总体接受度5 项指标评分,采用10 分制,评定标准如图2所示。累加各项指标分值计算总分,每个样品盲评3 次,结果取平均值。共得到594 个得分结果作为输入目标进行预测比较。同时为判断所建立模型的预测准确率,将总评分预先分级,其中总分高于35 分为1级、30~35 分为2级、25~30 分为3级、20~25 分 为4级、低于20 分为5级。

表 2 感官评定评分标准
Table 2 Criteria for sensory evaluation

指标 7~10 分 4~6 分 0~3 分色泽 颜色黄润,有光泽 颜色较暗,色泽均匀 呈暗灰色,色泽不均外观肠体干爽,呈完整圆柱形、表面有自然皱纹,切面组织紧密肠体干爽,形状不规则,切面松散肠体滑腻、糜软、膨胀,切面有脱壳、花心现象风味 香味、风味浓郁和谐 香味较淡、风味较淡 腥味较浓,有异味口感 爽口、滑嫩、细腻、软硬适中稍软或不易嚼碎,较爽脆,比较细腻过硬或过软,有渣,无脆感,无韧度总体接受度 良好 一般 较差

1.3.3 质构分析

参考文献[ 2 5 ] 的方法, 将香肠样品切成2.0 cmh 2.0 cmh 2.0 cm的方块,采用TA.XT Plus质构仪测定香肠样品质构参数。测试条件:使用柱形P/50探针,测前速率2 mm/s,测试速率1 mm/s,测后速率5 mm/s, 压缩比50%。通过Texture Expert软件计算得到硬度、弹性、黏聚性、胶着性、咀嚼性和回复性。

1.3.4 颜色数字化

通过Hunter Lab比色计测量香肠样品颜色[26]。使用CIE Lab颜色模型对香肠样品颜色进行数字化,每个样品分别随机选取20 个点进行检测,去除明显误差值并计算平均值。样品白度(W)按式(1)计算。

1.3.5 模型性能评价

考察预测准确率与泛化能力用于评价构建模型的性能。准确率表示模型预测结果的准确程度,泛化能力以预测集与真实值均方根误差(root mean squared error,RMSE)表示,分别按式(2)、(3)计算。

式中: 为预测值;yi为真实值;n为样品数。

1.4 数据处理与分析

采用Excel 2016软件进行数据整理、线性回归分析与RMSE计算;采用SPSS 19.0软件因子分析模块进行PCA;采用MATLAB R2010b软件中SOM模块进行判别分类与预测。

2 结果与分析

2.1 9 种香肠感官评定各指标评分与总分的相关性分析结果

图 1 9 种香肠感官评定各指标评分与总分的线性回归分析
Fig. 1 Linear regression analysis of individual sensory attributes against total sensory score

通过计算得到香肠色泽、外观、风味、口感及总体可接受度评分与感官评定总分的线性回归方程分别为:y=0.086+3.807xR2=0.186 1)、y=0.234-0.706x R2=0.709 6)、y=0.185+0.512xR2=0.589 2)、 y=0.259-2.268xR2=0.845 8)、y=0.232-1.260xR2=0.818 0)。由图1A~E可知,在5 项感官指标中,色泽评分与感官评定总分的线性相关性最低 (R2=0.186 1),其次是风味评分(R2=0.589 2)。所测样品中鱼肉肠肉质白皙细腻,鸡肉肠经过烘烤后颜色略黄,猪肉肠因其含有较多的血红蛋白和大量的Fe2+,经烘制后进一步被氧化,从而具有较深的红褐色与特殊的香味[27],导致3 种不同肉类香肠产品在色泽与风味上产生较大差异。较低的相关性表明,色泽与风味指标对于总分贡献率较低,同时也体现出不同种类香肠产品的喜好度也存在差异。外观、口感与总体可接受度3 项指标与总分均表现出良好的正相关线性关系,表明这3 项指标在香肠总体感官评定过程中具有趋同性,对总分具有较高的贡献率。由图1F可知,9 种香肠样品的总分为15~35 分,具有较大的分数分布区间,因此将感官评定总分作为香肠品质参数的输出目标值是合理的。

表 3 质构参数、颜色信息与感官评定总分的线性回归方程与相关系数
Table 3 Linear regression equations and correlation coefficients of texture and color parameters against total sensory score

指标 线性回归方程 R2硬度 y=241.81x+3 340.30 0.031 5弹性 y=-0.005 2x+0.863 0 0.060 9黏聚性 y=-0.000 5x+0.560 8 0.000 6胶着性 y=129.57x+1 541.40 0.047 9咀嚼性 y=80.608x+1 176.700 0.055 2回复性 y=-0.004 0x+0.308 7 0.099 2 ΔL* y=-1.419 2x+101.820 0 0.531 4 Δa* y=0.429 1x-8.026 5 0.297 4 Δb* y=-0.281x+24.607 0.064 7 W y=-1.195 1x+90.957 0 0.451 2

以感官评定总分为基础进一步分析质构参数、颜色信息与总分的线性关系。由表3可知,质构参数、颜色信息与感官评分总分的线性关系均不明显,尤其是质构参数与总分决定系数(R2)均小于0.1,表明通过线性回归方程无法直观体现质构和颜色指标与感官评定的内在关系,因此需要采取更为有效的数据预处理方法。本研究将所得到的感官评定与仪器测定结果组合为包含16h 99 个数据的二维矩阵,进一步提取有效数据,增加有效信息量的权重。

2.2 PCA结果

图 2 感官评定与仪器测定结果的PCA
Fig. 2 PCA plot of sensory evaluation and instrumental measurement results

PCA是一种有效的数据挖掘手段,可将庞大的无规律数据进行优化,从而体现各指标之间的相关性。相较于线性回归方程,PCA法将原始的16h 99维矩阵信息映射到二维象限中,所有参数归一于XY轴为±1的坐标系中,更直观、简明地发掘各参数指标间的内在关系。由图2可知,第1主成分与第2主成分贡献率分别为54.42%与44.26%,总和达到98.68%,说明2 个主成分可以有效表达原始数据的特征。感官评分、质构参数与颜色信息的分布呈现区域化,感官评分主要分布在X轴上方,其中口感与总分最接近,表明二者的相关性最强,这与线性回归方程相关性结果一致。质构参数主要分布在X轴附近,并且更趋近于直径为1的圆形边缘,说明质构参数对于目标整体特征具有较大的贡献率。同时,回复性、弹性与黏聚性分布在X轴负轴,3 个参数都描述了与香肠弹性相关的信息;硬度、咀嚼性以及胶着性分布在X轴正轴,体现了香肠与硬度相关的信息,符合香肠在实际咀嚼过程中的参数分类情况。另外,颜色信息主要分布在Y轴负轴,表明颜色信息对总分的贡献较小,这与线性回归分析中色泽评分与总分的线性关系较低一致。

PCA是一种将高维度变量数通过相关性转化为低维度变量数的统计分析方法,当输入数据的线性程度不高时,应用PCA方法会出现提取特征能力不足的缺点[28]。分析结果虽然能够进一步阐述各个参数间的相互关系,但仍无法准确构建仪器分析结果与感官评价的内在关系模型。食品样品具有复杂性与多样性的特点,很难得到准确的线性关系,因此PCA方法对于食品体系中提取特征变量后的数据分类具有局限性,需要选用其他方法优化。本研究进一步采用非线性的SOM模型,进一步建立更为准确、优化的预测分类模型。

2.3 SOM模型的建立与结果预测

SOM模型通过对客观事物的观察、分析与比较自主寻找样本属性,提取事物的内在规律,并对其特征进行正确自主分类。因其算法是通过对输入参数的反复学习,捕捉模式特点,在竞争层将分类结果表现出来,分类结果与网络的初始状态无关,具有较强的保持拓扑结构不变的能力,因此特别适用于具有复杂多样性特点的食品体系。本研究建立由仪器测定的质构参数与颜色信息组成的10h 99二维矩阵作为输入层,设置竞争层为6、输出层为36的SOM网络,最终只有1 个神经元在竞争层中获胜以适应当前的输入样本。模型结构如图3所示。

图 3 SOM模型结构图
Fig. 3 Structure diagram of SOM model

利用训练函数train和仿真函数sim进行仿真预测分类,在网络输出误差小于收敛误差临界值时完成训练目标,形成模型预测的拓扑结构。由图4A可知,网络结构中神经元分类具有明显的倾向性,右上角神经元颜色较深,显示出拓扑结构的权重,表明具有更多的预测特征性;图4C为各变量参数对于总矩阵的权重贡献度,颜色越深表明贡献度越大。进一步计算分类数量(图4B),有38 个样本被集中分布在拓扑神经图的右上角,为第1类;56 个样本分布在中部,为第2类;其余5 个样本分布在左下角,为第3类;结果表明通过对输入信息的自组织学习,模型成功对所有样本进行了分类预测。

图 4 SOM模型预测的拓扑结构
Fig. 4 Topological structure predicted by SOM model

图 5 SOM模型中香肠样品的预测值分布(A)及其 与实际值的均方差(B)
Fig. 5 SOM model predicted results of sausage samples (A) and RMSE between the predicted and actual values (B)

对模型预测优劣的评价主要依据鉴别的准确率。通过计算真实集与预测集的RMSE,研究建立的模型是否有效逼近真实样品所蕴含的规律,具有很强的逼近能力与良好的泛化能力[29]。将感官评定总分的分级值与模型预测值进行比较,由图5A可知,可以发现所有样品均获得准确预测,都分布在各分级值附近,并且各样品间具有明显间隔,鉴别准确率为100%,说明所建立的模型具有良好的鉴别能力,能够对香肠产品的喜好度进行有效的准确预测。图5B为所有香肠样品实际值与预测值的均方差,可以观察每个样品的预测值与实际值的误差。最后计算得到预测集RMSE为0.118 4,表明模型已有效逼近样本的内在规律,具有良好的泛化能力。

3 结 论

通过采集99 个香肠制品的质构参数与颜色信息,结合相关性和PCA建立SOM模型,对香肠产品的喜好度进行预测。结果表明,线性回归方程无法完整体现各仪器参数与感官评定总分的相关性,进一步结合PCA分析,探讨了感官评定指标、质构参数与颜色信息的关联性,消除冗余性数据,并建立竞争层为6、输出层为36的SOM模型。通过对香肠样本特征值的提取与分类预测,模型预测准确率为100%,鉴别结果准确,此时预测集RMSE为0.118 4,模型具有良好的泛化能力。基于SOM模型可对香肠产品喜好度进行有效预测,为新型食品的研发及其市场喜好预期提供科学依据。

参考文献:

[1] TUORILA H. From sensory evaluation to sensory and consumer research of food: an autobiographical perspective[J]. Food Quality and Preference, 2015, 40: 255-262. DOI:10.1016/j.foodqual.2014.05.006.

[2] DOETS E L, KREMER S. The silver sensory experience: a review of senior consumers’ food perception, liking and intake[J]. Food Quality and Preference, 2016, 48: 316-332. DOI:10.1016/j.foodqual.2015.08.010.

[3] CHANADANG S, CHAMBERS E I, KAYANDA R, et al. Novel fortified blended foods: preference testing with infants and young children in Tanzania and descriptive sensory analysis[J]. Journal of Food Science, 2018, 83(9): 2343-2350.DOI:10.1111/1750-3841.14287.

[4] 王博, 曹振霞, 刘登勇, 等. 基于网络大数据研究不同区域消费者对红烧肉感官属性及其描述的差异性[J]. 食品科学, 2019, 40(15): 15-22. DOI:10.7506/spkx1002-6630-20180913-131.

[5] SINESIO F, SABA A, PEPARAIO M, et al. Capturing consumer perception of vegetable freshness in a simulated real-life taste situation[J]. Food Research International, 2018, 105: 764-771.DOI:10.1016/j.foodres.2017.11.073.

[6] PEREIRA L J, VAN DER BILT A. The influence of oral processing, food perception and social aspects on food consumption: a review[J]. Journal of Oral Rehabilitation, 2016, 43(8): 630-648. DOI:10.1111/joor.12395.

[7] 陈建设, 王鑫淼. 食品口腔加工研究的发展与展望[J]. 中国食品 学报, 2018, 18(9): 1-7. DOI:10.16429/j.1009-7848.2018.09.001.

[8] SERGIO R, LUIS M S, MICHAEL S. The importance of food naturalness for consumers: results of a systematic review[J]. Trends in Food Science & Technology, 2017, 67: 44-57. DOI:10.1016/j.tifs.2017.06.010.

[9] NOVAES C G, DA SILVA ROMÃO I L, SANTOS B G, et al. Screening of Passiflora L. mineral content using principal component analysis and Kohonen self-organizing maps[J]. Food Chemistry, 2017, 233: 507-513. DOI:10.1016/j.foodchem.2017.04.111.

[10] 马媛媛, 王淑芬, 赖营帅, 等. 基于SOM神经网络的土壤重金属空间分异性研究[J]. 石河子大学学报(自然科学版), 2017, 35(1): 102-107. DOI:10.13880/j.cnki.65-1174/n.2017.01.017.

[11] 周璞, 江志红. 自组织映射神经网络(SOM)降尺度方法对江淮流域逐日降水量的模拟评估[J]. 气候与环境研究, 2016, 21(5): 512-524. DOI:10.3878/j.issn.1006-9585.2016.16097.

[12] 李韦鸿, 杨国栋, 李涌福, 等. 云南鸡足山山桂花和野桂花群落的格局与环境解释[J]. 植物资源与环境学报, 2018, 27(4): 53-62. DOI:10.3969/j.issn.1674-7895.2018.04.06.

[13] 刘晓农, 宋亚斌, 邢元军. 基于SOM神经网络的新化县森林健康评价[J]. 中南林业科技大学学报, 2017, 37(4): 21-26. DOI:10.14067/j.cnki.1673-923x.2017.04.004.

[14] MARINI F. Artificial neural networks in foodstuff analyses: trends and perspectives a review[J]. Analytica Chimica Acta, 2009, 635(2): 121-131. DOI:10.1016/j.aca.2009.01.009.

[15] WONGSAIPUN S, KRONGCHAI C, JAKMUNEE J, et al. Rice grain freshness measurement using rapid visco analyzer and chemometrics[J]. Food Analytical Methods, 2018, 11(2): 613-623. DOI:10.1007/s12161-017-1031-y.

[16] JĘDRKIEWICZ R, TSAKOVSKI S, LAVENU A, et al. Simultaneous grouping and ranking with combination of SOM and TOPSIS for selection of preferable analytical procedure for furan determination in food[J]. Talanta, 2018, 178: 928-933. DOI:10.1016/j.talanta.2017.10.044.

[17] 刘宇佳, 贺丽苹, 张泳, 等. 近红外光谱-人工神经网络的模型优化用于银耳产地识别研究[J]. 食品工业科技, 2016, 37(3): 303-306; 311. DOI:10.13386/j.issn1002-0306.2016.03.055.

[18] 骆仁军, 姜涛, 陈修报, 等. 基于稳定同位素和元素的中华绒螯蟹产地鉴别潜力评价[J/OL]. 食品科学: 1-8. [2019-06-19]. http://kns.cnki.net/kcms/detail/11.2206.TS.20190508.1704.009.html.

[19] MAÁSZ G, TAKÁCS P, BODA P, et al. Mayfly and fish species identification and sex determination in bleak (Alburnus alburnus) by MALDI-TOF mass spectrometry[J]. Science of the Total Environment, 2017, 601: 317-325. DOI:10.1016/j.scitotenv.2017.05.207.

[20] 郝勇, 赵翔, 温钦华, 等. 基于SOM和SVM的食醋品质近红外定性分析[J]. 食品与机械, 2016, 32(5): 48-52. DOI:10.13652/j.issn.1003-5788.2016.05.011.

[21] 朱培逸, 顾晓云, 杜洁, 等. 基于KPCA和SOM网络的电子鼻大闸蟹新鲜度评价[J]. 食品工业, 2017, 38(2): 200-203.

[22] MILOVANOVIC M, ŽERAVÍK J, OBOŘIL M, et al. A novel method for classification of wine based on organic acids[J]. Food Chemistry, 2019, 284: 296-302. DOI:10.1016/j.foodchem.2019.01.113.

[23] 中国标准化研究院. 感官分析 食品感官质量控制导则: GB/T 29605ü 2013[S]. 北京: 中国标准出版社, 2013: 2-17.

[24] 全国肉禽蛋制品标准化技术委员会. 肉与肉制品 感官评定规范: GB/T 22210ü 2008[S]. 北京: 中国标准出版社, 2008: 1-3.

[25] SIKES L, TOBIN B, TUME K. Use of high pressure to reduce cook loss and improve texture of low-salt beef sausage batters[J]. Innovative Food Science & Emerging Technologies, 2009, 10: 405-412. DOI:10.1016/j.ifset.2009.02.007.

[26] WANG X, XU M, CHENG J, et al. Effect of Flammulina velutipes on the physicochemical and sensory characteristics of Cantonese sausages[J]. Meat Science, 2019, 154: 22-28. DOI:10.1016/j.meatsci.2019.04.003.

[27] HERRMANN S S, GRANBY K, DUEDAHL-OLESEN L. Formation and mitigation of N-nitrosamines in nitrite preserved cooked sausages[J]. Food Chemistry, 2015, 174: 516-526. DOI:10.1016/j.foodchem.2014.11.101.

[28] 尹洪旭, 杨艳芹, 姚月凤, 等. 基于气相色谱-质谱技术与多元统计分析对不同栗香特征绿茶判别分析[J]. 食品科学, 2019, 40(4): 192-198. DOI:10.7506/spkx1002-6630-20180120-276.

[29] 欧文娟, 孟耀勇, 张小燕, 等. 紫外可见吸收光谱结合主成分-反向传播人工神经网络鉴别真假蜂蜜[J]. 分析化学, 2011, 39(7): 1104-1108. DOI:10.3724/SP.J.1096.2011.01104.

Prediction of Preference for Sausage Based on Self-Organizing Maps Model

LIU Yujia, ZHU Jie*, ZHANG Shuyan, LI Lin*
(Engineering Research Center of Health Food Design & Nutrition Regulation, School of Chemical Engineering and Energy Technology, Dongguan University of Technology, Dongguan 523808, China)

Abstract: Sausage preference was predicted using self-organizing maps (SOM) based on sensory evaluation. The texture parameters and color data of 99 sausage samples were collected and correlated versus the sensory evaluation results using linear regression analysis. Principal component analysis (PCA) was used to eliminate the redundant data. An SOM model with the competition layer of 6 neurons and the output layer of 36 neurons was established. The results showed that the accuracy rate was 100% by extracting and classifying the eigenvalues of sausage samples. At this time, the root mean square error (RMSE) of the prediction set was 0.118 4, which implies that the model showed good generalization ability. This study aims to establish an accurate and efficient method for predicting food preference, which will provide useful data for new food product development and market preference prediction.

Keywords: self-organizing maps; sausage; preference; prediction

收稿日期:2019-06-19

基金项目:“十三五”国家重点研发计划重点专项(2016YFD0400206);广东省普通高校青年创新人才类项目(2018KQNCX259);东莞理工学院高层次人才(创新团队)科研启动项目(KCYCXPT2017007)

第一作者简介:刘宇佳(1987—)(ORCID: 0000-0002-5201-8363),男,讲师,博士,研究方向为食品智能加工与信息化处理。E-mail: yujialiu@dgut.edu.cn

*通信作者简介:

朱杰(1986—)(ORCID: 0000-0002-9107-9628),男,副教授,博士,研究方向为食品组分大分子结构及功能性质。E-mail: zhujie@dgut.edu.cn

李琳(1962—)(ORCID: 0000-0002-2422-2826),男,教授,博士,研究方向为食品生物化工。E-mail: lilin@dgut.edu.cn

DOI:10.7506/spkx1002-6630-20190619-219

中图分类号:TS251.1

文献标志码:A

文章编号:1002-6630(2020)01-0055-06

引文格式:

刘宇佳, 朱杰, 张书艳, 等. 基于自组织映射模型对香肠产品喜好度的预测[J]. 食品科学, 2020, 41(1): 55-60. DOI:10.7506/spkx1002-6630-20190619-219. http://www.spkx.net.cn

LIU Yujia, ZHU Jie, ZHANG Shuyan, et al. Prediction of preference for sausage based on self-organizing maps model[J]. Food Science, 2020, 41(1): 55-60. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20190619-219. http://www.spkx.net.cn