BP神经网络训练函数对肉类可见光谱识别效果比较

该研究论文探讨了"不同训练函数的BP神经网络对肉类可见谱识别的影响"。作者李晓天、张铁强、刘兵辉和李兆凯来自吉林大学南岭校区物理实验室，他们利用自行研发的光纤探头式光谱仪，针对猪肉和牛肉的不同新鲜度，对420-535纳米的可见光谱范围进行了测量。通过采用具有双隐层的BP-人工神经网络（BP-ANN），他们对收集到的光谱数据进行了分析，旨在实现肉类的自动识别。 论文的关键点在于对比了自适应附加动量梯度算法和Polak-Ribiere共扼梯度算法两种训练BP-ANN的方法。结果显示，这两种方法在对肉类进行识别时，正确率分别达到了91.67%和92.71%，这表明训练函数的选择对识别性能有显著影响。传统上，肉的种类识别在国内主要依赖肉眼鉴别和化学分析，而国际上则使用光谱技术，但通常涉及可见光和近红外光的联合，导致识别过程复杂且成本较高。 论文的创新之处在于将BP神经网络应用于仅限于颜色相似的猪肉和牛肉的识别，并通过可见光谱训练来简化流程。研究者深入解释了数据采集原理，强调了肉的表面特性如何影响其反射光谱，以及漫反射体的光谱反射率计算。此外，论文详细介绍了BP神经网络的多层结构和误差反向传播的工作机制，强调了四层网络的设计选择，包括输入、隐藏和输出层，用于处理复杂的数据模式。 总结来说，该研究不仅提供了肉类可见谱识别的新方法，还展示了不同训练函数在提升识别准确性和效率方面的效果，为今后在肉类品质检测、食品安全监控等领域应用神经网络技术提供了有价值的数据支持。