張 萌，鐘 南

(華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣州 510642)

?

徑向基神經(jīng)網(wǎng)絡(luò)在豬胴體瘦肉率預(yù)測(cè)中的應(yīng)用

張 萌，鐘 南

(華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣州 510642)

豬胴體瘦肉率(LMP)是評(píng)價(jià)豬肉品質(zhì)的重要指標(biāo)之一，在生產(chǎn)線上快速而準(zhǔn)確地預(yù)測(cè)出其數(shù)值并進(jìn)行分級(jí)是并不可少的。目前，國(guó)內(nèi)大部分廠家依然采取屠宰后人工稱(chēng)重測(cè)量的方法，耗時(shí)耗力，且存在相當(dāng)大的誤差。為此，隨機(jī)抽取了116頭皖北地區(qū)商品豬，選定眼肌面積、背膘厚及腿臀比作為參考數(shù)據(jù)，以MatLab工具箱作為研究工具，利用BP、Elman和RBF等3種不同的神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，統(tǒng)計(jì)后進(jìn)行比較分析。實(shí)驗(yàn)表明：3種模型的神經(jīng)網(wǎng)絡(luò)均可用于瘦肉率預(yù)測(cè)，但RBF網(wǎng)絡(luò)誤差最小，訓(xùn)練速度最快，學(xué)習(xí)能力最強(qiáng)，最適合用于建立瘦肉率的預(yù)測(cè)模型。

瘦肉率；RBF神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；Elman神經(jīng)網(wǎng)絡(luò)

0 引言

隨著人們對(duì)物質(zhì)生活要求的不斷提高，豬肉品質(zhì)評(píng)定越來(lái)越受到人們的關(guān)注，豬胴體瘦肉率作為豬肉品質(zhì)的重要指標(biāo)之一，在豬的育種、收購(gòu)等方面都占據(jù)著重要的地位。目前，在國(guó)內(nèi)大部分食品加工廠采用的測(cè)量瘦肉率的手段，仍然是將左側(cè)胴體的皮、脂、肉、骨分離，稱(chēng)重后計(jì)算其百分比。這種方法不僅耗費(fèi)人力物力，測(cè)量誤差大，經(jīng)濟(jì)效益也偏低[1]。

國(guó)內(nèi)外關(guān)于預(yù)測(cè)豬胴體瘦肉率的研究已經(jīng)有很長(zhǎng)的歷史，預(yù)測(cè)技術(shù)也日趨完善。由于豬瘦肉率與其胴體、活體形狀部分特性存在著密切相關(guān)的關(guān)系[2]，據(jù)此可以將部分胴體或活體性狀作為指標(biāo)，經(jīng)過(guò)計(jì)算處理后建立預(yù)測(cè)模型，再通過(guò)預(yù)測(cè)模型得到檢測(cè)目標(biāo)的瘦肉率。預(yù)測(cè)模型的建立一般是通過(guò)統(tǒng)計(jì)軟件或人工計(jì)算得出[3]，不僅計(jì)算量大，得出的模型誤差也較大。

人工神經(jīng)網(wǎng)絡(luò)是一種模仿人腦神經(jīng)網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，具有泛化能力，通常表現(xiàn)在能夠進(jìn)行預(yù)測(cè)，即掌握已有數(shù)據(jù)的內(nèi)在規(guī)律后對(duì)新的情況做出預(yù)測(cè)，目前被廣泛應(yīng)用于各個(gè)領(lǐng)域中[4]。其中，BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測(cè)方面都有不錯(cuò)的應(yīng)用前景。目前，國(guó)內(nèi)外對(duì)神經(jīng)網(wǎng)絡(luò)已經(jīng)做了相當(dāng)多的研究工作，技術(shù)也相當(dāng)成熟，但使用神經(jīng)網(wǎng)絡(luò)用于瘦肉率預(yù)測(cè)的基本都是BP網(wǎng)絡(luò)及其改進(jìn)模型。本文以MatLab為實(shí)驗(yàn)工具，分別采用BP、Elman和RBF等3種不同的神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，同實(shí)際數(shù)據(jù)進(jìn)行對(duì)比分析，說(shuō)明RBF網(wǎng)絡(luò)較其他兩種網(wǎng)絡(luò)的優(yōu)勢(shì)。

1 數(shù)據(jù)采集與處理

1.1 實(shí)驗(yàn)原理

國(guó)內(nèi)外對(duì)豬胴體瘦肉率預(yù)測(cè)模型的研究已經(jīng)有比較長(zhǎng)的歷史，研究表明瘦肉率與眼肌面積、背膘厚及腿臀比等特性存在一定的關(guān)系[5]。這些指標(biāo)在生產(chǎn)流水線上都比較容易獲得，而超聲波、機(jī)器視覺(jué)、核磁共振、電子鼻等新興技術(shù)的發(fā)展也使得獲取上述指標(biāo)更加便利和準(zhǔn)確[6]。

MatLab神經(jīng)網(wǎng)絡(luò)相關(guān)功能豐富，除了具備建立、仿真、測(cè)試網(wǎng)絡(luò)等一系列函數(shù)外，還有專(zhuān)門(mén)的神經(jīng)網(wǎng)絡(luò)工具箱，在工具箱界面中只需修改相關(guān)參數(shù)，即可獲得相應(yīng)的神經(jīng)網(wǎng)絡(luò)相關(guān)數(shù)據(jù)[7]；在后期決定隱含層神經(jīng)元個(gè)數(shù)、分布密度等數(shù)值時(shí)，利用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行對(duì)比更加便捷和可靠。

采集眼肌面積、背膘厚和腿臀比數(shù)據(jù)后，將其作為輸入數(shù)據(jù)，將瘦肉率作為輸出數(shù)據(jù)，建立3輸入1輸出的神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)訓(xùn)練成功后，只要采集待檢測(cè)目標(biāo)的3個(gè)指定數(shù)據(jù)并將其輸入模型，就可以得到對(duì)應(yīng)的瘦肉率數(shù)據(jù)。

1.2 數(shù)據(jù)采集

實(shí)驗(yàn)對(duì)象為皖北地區(qū)商品豬，生豬品種為外三元(杜長(zhǎng)大、杜大長(zhǎng))。生豬經(jīng)過(guò)沐浴后，進(jìn)行屠宰放血，去毛、頭、蹄、尾、內(nèi)臟后劈半，然后在每頭豬左半胴體上測(cè)量數(shù)據(jù)[8]，得出其眼肌面積、背膘厚、腿臀比3個(gè)指標(biāo)數(shù)據(jù)；將皮、脂、肉、骨分離后稱(chēng)重計(jì)算得出瘦肉率,并將數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。實(shí)驗(yàn)數(shù)據(jù)均由安徽省東升食品有限公司提供，考慮到人工測(cè)量存在一定的誤差，排除部分誤差較大的數(shù)據(jù)后，選取116組數(shù)據(jù)作為實(shí)驗(yàn)材料。

眼肌面積指家畜背最長(zhǎng)肌的橫斷面面積。目前，在屠宰測(cè)定上一般采用公式法，即

眼肌高(cm)×眼肌寬(cm)×系數(shù)0.7=眼肌面積(cm2)

這種公式法計(jì)算準(zhǔn)確率高，大大降低了測(cè)量難度。背膘厚表示豬脂肪的多少，背膘厚度越厚瘦肉率越低；相反，則瘦肉率越高。我國(guó)現(xiàn)在背膘厚的測(cè)量標(biāo)準(zhǔn)為取三點(diǎn)測(cè)量，即肩胛后沿、最后肋處及腰薦結(jié)合處距背正中線4cm處作為測(cè)量點(diǎn)，之后取三點(diǎn)平均值(cm)。腿臀比一般指左側(cè)后腿臀重占左側(cè)胴體體重的百分比(%)。

在116組數(shù)據(jù)中隨機(jī)抽選100組作為訓(xùn)練數(shù)據(jù)，用于訓(xùn)練建立神經(jīng)網(wǎng)絡(luò)，其余16組作為驗(yàn)證數(shù)據(jù)，用以分析網(wǎng)絡(luò)模型的預(yù)測(cè)效果。

1.3 數(shù)據(jù)處理

樣本數(shù)據(jù)的標(biāo)準(zhǔn)不一樣，需要對(duì)其進(jìn)行歸一化，統(tǒng)一評(píng)價(jià)標(biāo)準(zhǔn)。雖然不進(jìn)行歸一化也可以進(jìn)行網(wǎng)絡(luò)訓(xùn)練，但訓(xùn)練歸一化后的數(shù)據(jù)有利于提高網(wǎng)絡(luò)收斂速度，尤其在輸入信號(hào)全部是正值時(shí)，與第1層隱含層神經(jīng)元連接的權(quán)值只能同時(shí)增大或減小，導(dǎo)致學(xué)習(xí)速度很慢。用mapminmax函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，使用歸一化后的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練將更加有效，加快網(wǎng)絡(luò)的收斂速度。將輸入輸出映射到[-1,1]范圍內(nèi)進(jìn)行訓(xùn)練，再將仿真輸出進(jìn)行反歸一化映射到原數(shù)值范圍內(nèi)，這樣輸入輸出信號(hào)都是原始信號(hào)標(biāo)準(zhǔn)，歸一化反歸一化只在神經(jīng)網(wǎng)絡(luò)內(nèi)部訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)時(shí)使用。歸一化處理公式為

其中，x為樣本數(shù)據(jù)；xmin為樣本最小值；xmin為樣本最大值；ymax=1；ymin=-1；y為歸一化后的樣本值[9]。

輸入數(shù)據(jù)為100×3的矩陣數(shù)據(jù)，輸出數(shù)據(jù)為100×1的矩陣數(shù)據(jù)，將100組歸一化后的數(shù)據(jù)傳輸?shù)組atLab神經(jīng)網(wǎng)絡(luò)工具箱中進(jìn)行訓(xùn)練；然后，將16×3的驗(yàn)證輸入數(shù)據(jù)傳輸?shù)接?xùn)練好的網(wǎng)絡(luò)中，將得到的16×1輸出數(shù)據(jù)并進(jìn)行反歸一化后，與驗(yàn)證數(shù)據(jù)中的輸出數(shù)據(jù)作對(duì)比，檢測(cè)網(wǎng)絡(luò)的可用性。

2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，可以看作是一個(gè)從輸入到輸出的高度非線性映射，調(diào)整網(wǎng)絡(luò)權(quán)值的訓(xùn)練算法是誤差反向傳播學(xué)習(xí)算法。其結(jié)構(gòu)簡(jiǎn)單，可調(diào)參數(shù)多，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層3個(gè)部分構(gòu)成，上下層之間實(shí)行權(quán)連接，而每層神經(jīng)元之間無(wú)任何連接[10]。BP學(xué)習(xí)算法的實(shí)質(zhì)就是求解誤差函數(shù)的最小值問(wèn)題，通過(guò)不斷調(diào)整神經(jīng)元權(quán)值來(lái)逼近最小誤差。

在BP網(wǎng)絡(luò)結(jié)果中，隱含層的神經(jīng)元個(gè)數(shù)是影響網(wǎng)絡(luò)效果的最重要因素，決定其數(shù)量的過(guò)程十分復(fù)雜，一般根據(jù)設(shè)計(jì)者經(jīng)驗(yàn)和多次實(shí)驗(yàn)比較來(lái)決定。神經(jīng)元個(gè)數(shù)過(guò)多，會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，誤差也不一定會(huì)更小。本實(shí)驗(yàn)中，分別建立神經(jīng)元個(gè)數(shù)N=11、12、15、17時(shí)的4個(gè)網(wǎng)絡(luò)，比較其預(yù)測(cè)結(jié)果。其他參數(shù)的選擇中，隱含層傳遞函數(shù)選取tansig(雙曲正切S型傳遞函數(shù))，輸出層傳遞函數(shù)選取purelin(線性傳遞函數(shù))，訓(xùn)練函數(shù)選取trainlm(自適應(yīng)BP的梯度遞減)，性能函數(shù)選取mse均方誤差，將100組訓(xùn)練數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并用16組驗(yàn)證數(shù)據(jù)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)的準(zhǔn)確率，預(yù)測(cè)結(jié)果如圖1所示。

圖1 不同神經(jīng)元個(gè)數(shù)的BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.1 Predicted results of BP neural network by different number of neurons

由圖1可以看出：當(dāng)神經(jīng)元個(gè)數(shù)N=15時(shí)，預(yù)測(cè)值的準(zhǔn)確性明顯比N=11、13時(shí)要高；當(dāng)N=17時(shí)，雖然個(gè)別樣本比N=15時(shí)的網(wǎng)絡(luò)預(yù)測(cè)值要準(zhǔn)確，但是整體的準(zhǔn)確性卻沒(méi)有比N=15時(shí)高，而且神經(jīng)元個(gè)數(shù)越多網(wǎng)絡(luò)訓(xùn)練時(shí)間越長(zhǎng)，模型結(jié)構(gòu)越復(fù)雜。綜上所述，神經(jīng)元個(gè)數(shù)取15時(shí)，BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果最佳。

2.2 Elman神經(jīng)網(wǎng)絡(luò)

Elman網(wǎng)絡(luò)是一種局部回歸網(wǎng)絡(luò)，等同于一個(gè)具有局部記憶和局部反饋功能的前向網(wǎng)絡(luò)模型。Elman模型在隱含層中添加了一個(gè)承接層，作為一步延時(shí)算子[11]，因此Elman網(wǎng)絡(luò)具有記憶的功能，而系統(tǒng)有能力適應(yīng)時(shí)變特性。除了承接層外，其余結(jié)構(gòu)與BP網(wǎng)絡(luò)相差無(wú)幾，Elman網(wǎng)絡(luò)在進(jìn)行權(quán)值修正時(shí)依舊采用BP算法。

從理論上講，Elman網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù)是任意確定的，但是隨著其數(shù)目的提高，可以解決越來(lái)越復(fù)雜的問(wèn)題，足夠多的神經(jīng)元數(shù)目使得網(wǎng)絡(luò)保證了足夠高的精度和速度。鑒于Elman網(wǎng)絡(luò)和BP網(wǎng)絡(luò)均采用BP算法，為了比較Elman網(wǎng)絡(luò)與BP網(wǎng)絡(luò)的優(yōu)劣，本次實(shí)驗(yàn)中訓(xùn)練Elman網(wǎng)絡(luò)的參數(shù)全部與BP網(wǎng)絡(luò)相同，用16組驗(yàn)證數(shù)據(jù)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)的準(zhǔn)確率，預(yù)測(cè)結(jié)果如圖2所示。

圖2 Elman網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.2 Predicted result of Elman neural network

2.3 RBF神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)，由一組感知單元組成的輸入層、計(jì)算節(jié)點(diǎn)的隱含層和輸出層3部分組成。在RBF網(wǎng)絡(luò)中，輸入矢量將被直接映射到隱含層空間，很多在低維空間線性不可分的問(wèn)題，映射到高維空間后就線性可分了。與BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)不同的是，前兩種網(wǎng)絡(luò)隱含層的傳遞函數(shù)一般選取S型函數(shù)，而RBF網(wǎng)絡(luò)隱含層常選用高斯函數(shù)。高斯函數(shù)是通過(guò)對(duì)輸入與函數(shù)中心點(diǎn)的距離來(lái)算權(quán)重的，這樣使得徑向基函數(shù)對(duì)輸入信號(hào)在局部產(chǎn)生響應(yīng)，故這種網(wǎng)絡(luò)結(jié)構(gòu)具有局部逼近的能力，而這種能力也使得RBF網(wǎng)絡(luò)可以以任意精度逼近任意連續(xù)函數(shù)。

在MatLab中使用newrbe函數(shù)創(chuàng)建RBF神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元個(gè)數(shù)等于輸入樣本數(shù)，修正權(quán)值和閾值的方法不一，沒(méi)有專(zhuān)門(mén)的訓(xùn)練和學(xué)習(xí)函數(shù)。RBF網(wǎng)絡(luò)的訓(xùn)練參數(shù)沒(méi)有前兩種網(wǎng)絡(luò)那樣繁多，確定輸入和輸出矢量后，只需要確定分度密度Spread，分布密度越大，輸出結(jié)果越光滑；但太大會(huì)使傳遞函數(shù)的作用域擴(kuò)大到全局，這樣就會(huì)喪失局部收斂的優(yōu)勢(shì)。多次測(cè)試后，當(dāng)Spread=0.8時(shí)，網(wǎng)絡(luò)效果最佳。用16組驗(yàn)證數(shù)據(jù)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)的準(zhǔn)確率，預(yù)測(cè)結(jié)果如圖3所示。

圖3 RBF網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.3 Predicted result of RBF neural network

3 結(jié)果與討論

BP和Elman網(wǎng)絡(luò)在按照上文所述參數(shù)設(shè)置后，開(kāi)始訓(xùn)練網(wǎng)絡(luò)模型，達(dá)到最佳訓(xùn)練精度或訓(xùn)練步數(shù)達(dá)到1 000后會(huì)停止訓(xùn)練，其均方誤差曲線分別如圖4所所示。

圖4 BP網(wǎng)絡(luò)與Elman網(wǎng)絡(luò)學(xué)習(xí)誤差曲線Fig.4 The error curve of BP and Elman neural network

由圖4可知：BP網(wǎng)絡(luò)在訓(xùn)練大約460步后近似達(dá)到最佳精度，Elman網(wǎng)絡(luò)在訓(xùn)練大約240步后近似達(dá)到最佳精度，而最佳精度都近似為10-2。以上兩種網(wǎng)絡(luò)采取的都是全局最優(yōu)化，而RBF網(wǎng)絡(luò)只需進(jìn)行局部最優(yōu)，盡管RBF網(wǎng)絡(luò)的激活函數(shù)為徑向基函數(shù)，神經(jīng)元輸入空間區(qū)域很小，神經(jīng)元個(gè)數(shù)更多、結(jié)構(gòu)更復(fù)雜，但RBF網(wǎng)絡(luò)卻仍然有著更快的學(xué)習(xí)速率。

將16組歸一化處理后的驗(yàn)證數(shù)據(jù)的輸入量分別傳輸?shù)?種已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中，記錄3種網(wǎng)絡(luò)模型反歸一化后的輸出信號(hào)(即瘦肉率)，并與人工測(cè)量的瘦肉率指標(biāo)做對(duì)比，計(jì)算預(yù)測(cè)數(shù)據(jù)和人工測(cè)量數(shù)據(jù)的絕對(duì)誤差[12]，結(jié)果如表1所示。

表1 幾種預(yù)測(cè)方法的結(jié)果對(duì)比

通過(guò)圖1中左下角部分(N=15的BP網(wǎng)絡(luò)擬合圖)和表1可知:在BP網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果中，大部分?jǐn)?shù)據(jù)的誤差都比較小，滿(mǎn)足預(yù)測(cè)瘦肉率所需精度；但是，6、12號(hào)樣本的誤差較大,考慮到BP神經(jīng)網(wǎng)絡(luò)的不足之處[13]，很可能是陷入了局部極小點(diǎn)。

通過(guò)圖2和表1可知：Elman網(wǎng)絡(luò)的預(yù)測(cè)誤差比較平均，精度也達(dá)到所需水準(zhǔn)，均在1%以下。從Elman網(wǎng)絡(luò)的擬合圖中可以看出：雖然個(gè)別樣本預(yù)測(cè)結(jié)果不如BP網(wǎng)絡(luò)，但是Elman網(wǎng)絡(luò)比BP網(wǎng)絡(luò)更穩(wěn)定，不存在誤差特別大的點(diǎn)，具有更好的實(shí)用性。

通過(guò)圖3和表1可知：RBF網(wǎng)絡(luò)所有樣本的預(yù)測(cè)誤差都接近0，擬合圖中實(shí)際值和預(yù)測(cè)值幾乎全部重合，從而足以證明RBF網(wǎng)絡(luò)具有最佳的學(xué)習(xí)能力和預(yù)測(cè)能力。

4 結(jié)論

實(shí)驗(yàn)表明：BP、Elman和RBF等3種神經(jīng)網(wǎng)絡(luò)均可用于豬胴體瘦肉率預(yù)測(cè)，RBF網(wǎng)絡(luò)適應(yīng)性最強(qiáng)。國(guó)內(nèi)大多數(shù)廠家依然采取人工測(cè)量的手段，采用BP網(wǎng)絡(luò)等技術(shù)的方法也已經(jīng)研究了很長(zhǎng)一段時(shí)間，然而RBF和Elman網(wǎng)絡(luò)在此領(lǐng)域卻沒(méi)有被應(yīng)用。雖然BP網(wǎng)絡(luò)現(xiàn)在仍然是應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，但是RBF網(wǎng)絡(luò)明顯具有更好的適應(yīng)性。與其采用不同方法改進(jìn)后的BP網(wǎng)絡(luò)模型[14]，選擇RBF神經(jīng)網(wǎng)絡(luò)將更有效率和實(shí)用性。

[1] 石忠志,王敏,龔海巖,等.我國(guó)生豬屠宰行業(yè)豬肉分級(jí)標(biāo)準(zhǔn)現(xiàn)狀與對(duì)策[J].中國(guó)食物與營(yíng)養(yǎng),2014,20(10):22-24.

[2] Maria Font i Furnols,Marina Gispert.Comparison of different devices for predicting the lean meat percentage of pig carcasses [J]. Meat Science, 2009, 83(3):443-446.

[3] 尹佳,周光宏,徐幸蓮.基于豬胴體影像分級(jí)儀的我國(guó)商品豬瘦肉率預(yù)測(cè)方程的建立[J].食品科學(xué),2010,31(23):84-87.

[4] A A Argyri, E Z Panagou, P A Tarantilis, et al. Rapid qualitative and quantitative detection of beef fillets spoilage based on Fourier transform infrared spectroscopy data and artificial neural networks [J]. Sensors and Actuators B: Chemical, 2010, 145(1): 146-154.

[5] 羅明,朱礪.屠宰加工線上瘦肉型豬胴體瘦肉率估測(cè)方法的研究[J].四川農(nóng)業(yè)大學(xué)學(xué)報(bào),2002,20(2):153-155.

[6] 成芳,廖宜濤,馬君偉.豬肉品質(zhì)無(wú)損檢測(cè)研究進(jìn)展[J].浙江大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版,2010,36(2):199-206.

[7] 鄭麗敏,田立軍,朱虹,等.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)在豬等級(jí)評(píng)定中的應(yīng)用研究[J].計(jì)算機(jī)應(yīng)用研究,2008,25(6):1642-1644.

[8] 王麗紅,葉金鵬,王子戡,等.畜禽胴體分級(jí)技術(shù)[J].肉類(lèi)工業(yè),2014(10):37-41.

[9] 張靠社,羅釗.基于RBF-BP組合神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)研究[J].可再生能源,2014,32(9):1346-1351.

[10] K. Manikya Kanti, P. Srinivasa Rao. Prediction of bead geometry in pulsed GMA welding using back propagation neural network[J].Journal of Materials Processing Technology, 2008, 200(1-3):300-305.

[11] Cheng-Yuan Liou, Jau-Chi Huang, Wen-Chie Yang. Modeling word perception using the Elman network[J].Neurocomputing,2008,71(16-18):3150-3157.

[12] A B Doeschl-Wilson, D M Green, A V Fisher, et al. The relationship between body dimensions of living pigs and their carcass composition [J].Meat Science,2005,70(2):229-240.

[13] A. Fortin, A K M Tong, W M Robertson, et al.A novel approach to grading pork carcasses: computer vision and ultrasound [J].Meat Science,2003,63(4):451-462.

[14] David I Ellis, David Broadhurst, Royston Goodacre. Rapid and quantitative detection of the microbial spoilage of beef by Fourier transform infrared spectroscopy and machine learning [J]. Analytica Chimica Acta,2004,514(2):193-201.Abstract ID:1003-188X(2017)06-0188-EA

Lean Meat Percentage Prediction of Pig Carcass Based on Radial Basis Function Neural Network

Zhang Meng, Zhong Nan

(College of Engineering, South China Agricultural University, Guangzhou 510642, China)

Lean meat percentage(LMP) of pig carcass is one of the important indexes of pork quality evaluation. It is necessary to predict the data accurately and quickly, and complete grading on the production line. Most of the producers still use the traditional manual dissection method, which is not only time and labor consuming, but also inaccurate, to measure the LMP after slaughtering. Research of neural network in this field of LMP measurement has been conducted, but was always operated on BP neural network structure. In this study, 116 commercial pigs from the northern Anhui Province were randomly selected as the research materials, and the parameters acquired were loin eye area, back-fat thickness and ham percentage. MatLab was used to build up and train BP network, Elman network and RBF network, and to generate LMP values for further analysis. As the data shows, all three types of neural networks can be used for LMP prediction, while RBF, with the minimum error, the fastest training speed and the strongest learning ability, proves to be the most suitable model for LMP prediction.

lean meat percentage; RBF neural network; BP neural network; Elman neural network

2016-05-09

廣東省科技計(jì)劃項(xiàng)目(2012A020602039)；教育部國(guó)家留學(xué)回國(guó)人員啟動(dòng)基金項(xiàng)目(2011-1568)；廣州市產(chǎn)學(xué)研協(xié)同創(chuàng)新重大專(zhuān)項(xiàng)(201508010013)

張 萌(1991-)，男，安徽亳州人，碩士研究生。

鐘 南(1965-)，女，湖北荊州人，教授，博士生導(dǎo)師，(E-mail)zhongnan@scau.edu.cn。

S815.4；TP368

A

1003-188X(2017)06-0188-05