領(lǐng)學(xué)術(shù)科研之先，創(chuàng)食品科技之新
—— 中國食品雜志社
糧食加工過程污染物的準確預(yù)測對糧食安全具有重要意義，但由于糧食加工工藝復(fù)雜，污染物檢測困難導(dǎo)致數(shù)據(jù)量較小，難以滿足建模預(yù)測所需，需要研究小樣本的污染物數(shù)據(jù)擴充方法。同時，較小樣本量的糧食加工過程污染物數(shù)據(jù)往往缺乏足夠的先驗知識，傳統(tǒng)監(jiān)督學(xué)習(xí)的方法對其預(yù)測精度較低，且現(xiàn)有連續(xù)型深度學(xué)習(xí)模型不適于糧食加工過程這一間歇過程，需研究基于無監(jiān)督學(xué)習(xí)和離散深度學(xué)習(xí)的糧食加工過程污染物預(yù)測方法。為此，本文針對糧食加工過程污染物提出基于時間生成對抗網(wǎng)絡(luò)（time generative adversarial networks，TimeGAN）的數(shù)據(jù)擴充及基于生成對抗網(wǎng)絡(luò)（generative adversarial networks，GAN）和深度森林（deep forest，DF）結(jié)合的預(yù)測方法。首先構(gòu)建TimeGAN模型，對小樣本數(shù)據(jù)學(xué)習(xí)后得到多組樣本數(shù)據(jù)，實現(xiàn)數(shù)據(jù)擴充；將無監(jiān)督學(xué)習(xí)的GAN模型與適用于離散過程的DF模型結(jié)合，構(gòu)建GAN-DF模型，實現(xiàn)污染物預(yù)測；再分別將DF與長短時記憶（long short-term memory，LSTM）-DF模型作為生成器嵌入到GAN，構(gòu)建DFGAN與LSTM-DFGAN模型，進一步提高污染物預(yù)測的準確度。通過稻谷加工過程的金屬污染物Pb數(shù)據(jù)（Pb含量）進行仿真驗證，結(jié)果表明TimeGAN方法擴充數(shù)據(jù)可行，LSTM-DFGAN模型的綜合預(yù)測效果最好，其擴充數(shù)據(jù)后的預(yù)測平均絕對誤差和均方根誤差低至7.50×10－5 mg/kg和1.60×10－8 mg/kg。
2023年第44卷 2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
電話: 010-87293157
地址: 北京市豐臺區(qū)洋橋70號
版權(quán)所有 @ 2023 中國食品雜志社 京公網(wǎng)安備11010602060050號 京ICP備14033398號-2
