【摘 要】
：
肉类食品具有极高的营养价值和食用价值,但由于微生物的生长和大量繁殖,其鲜品很难长时间贮藏。肉类的微波干燥是目前肉干制品加工贮藏的主要手段之一。本课题以牛通脊肉试样,展开牛肉微波干燥特性研究,利用神经网络模型预测牛肉微波干燥水分含量的变化,以期为肉干制品微波干燥过程产品质量精准控制提供理论依据。本课题主要研究内容包括以下两个方面,首先以牛通脊肉为试样,通过微波干燥单因素试验研究了牛肉的微波干燥特性,
论文部分内容阅读
肉类食品具有极高的营养价值和食用价值,但由于微生物的生长和大量繁殖,其鲜品很难长时间贮藏。肉类的微波干燥是目前肉干制品加工贮藏的主要手段之一。本课题以牛通脊肉试样,展开牛肉微波干燥特性研究,利用神经网络模型预测牛肉微波干燥水分含量的变化,以期为肉干制品微波干燥过程产品质量精准控制提供理论依据。本课题主要研究内容包括以下两个方面,首先以牛通脊肉为试样,通过微波干燥单因素试验研究了牛肉的微波干燥特性,分析了微波功率、干燥时间、干燥质量及干燥箱内空气湿度等对牛肉微波干燥特性的影响。其次,以微波干燥特性试验结果为基础展开牛肉微波干燥水分含量预测研究。引入粒子群（Particle Swarm Optimization,PSO）算法对经典误差反向传播（Error Back Propagation,BP）神经网络优化。通过优化PSO算法的惯性因子ω和学习因子c1、c2,构建优化惯性权重的PSO-BP神经网络模型,与典型BP网络相比,本文所提改进PSO神经网络预测精度更高。为了克服粒子群算法容易陷入局部最优的缺陷,本文进一步将模拟退火（Simulated Annealing,SA）算法与优化惯性权重PSO算法相结合,构建SA-PSO-BP神经网络预测模型,对牛肉以微波干燥方式的含水率进行建模预测。预测结果表明SA-PSO-BP神经网络模型拟合度为0.99158,训练样本均方误差为1.7382.10-4。与BP神经网络、改进的PSO-BP神经网络模型分析比较,本文所提出的SA-PSO-BP预测模型在预测精度、建模时间和模型预测效率方面有显著提高。
其他文献
近年来,随着传统能源的逐渐衰竭以及全球环境气候问题的不断恶化,为了使电力科学技术能够得到更好的发展,以风力发电、光伏发电等新能源为主的分布式发电技术逐渐成为电网运行发展的趋势。然而,分布式电源的接入对于配电网的整体结构会有一定的影响,使得配电网的运行状态不够稳定。因此,在保证电网稳定运行的前提下,快速稳定的对含分布式电源的配电网进行故障恢复是一个非常重要的研究内容。本文针对这一研究主题,以故障恢复
沙尘天气是世界范围内常见的一种恶劣天气,由于空气中的沙尘颗粒与光线发生吸收和散射等光学作用,造成获取的图像发生严重的色偏、对比度降低、细节缺失。这严重阻碍了户外依赖于计算机视觉系统的正常运转,例如城市安全监控系统和交通道路监控系统。沙尘退化图像的清晰化技术作为图像视频处理和计算机视觉领域的重要分支,该研究课题具有广阔的应用前景和重要的现实意义。在此背景下,本文针对退化的沙尘图像进行增强研究,具体的
图像分割是当代计算机视觉技术领域的研究重点,对分割方法的改进优化一直都是众多学者的研究方向。如今利用生物仿生智能算法对图像分割技术进行改进优化成为研究的热点。目前大多群体智能算法虽然具有较强的寻优能力,但同时又存在容易陷入局部极值以及后期收敛速度下降等不足。针对原始布谷鸟搜索算法存在的缺陷,本文将分数阶微分引入布谷鸟算法中,利用分数阶微分的特性对其缺陷进行优化改进,并将改进后的布谷鸟算法应用到阈值
目前人工智能技术发展极其迅速,在相当多的应用场景中,人工智能技术得到了应用,然而在算法、算力等方面都大幅度的提升,人们对数据隐私的保护也更为重视。如今的机器学习算法越来越依赖于大量的数据,在隐私保护和数据分散等方面人工智能的发展面临着极大的挑战:数据安全、隐私保护以及数据孤岛等。因此Google在2016年首次提出了联邦学习的概念。联邦学习是一种能够在不泄露用户数据隐私的前提下训练人工智能的一种深
由于光线不足、光照不均匀、背光等因素的影响,在弱光环境下捕获的图像不可避免地会出现图像视觉效果差、细节不清等问题。这使得某些应用的使用范围受到了极大的限制,如人脸检测、自动驾驶、监控安防等。因此,对于低照度图像增强技术的研究具有重要的意义。随着计算机视觉技术的不断发展,利用深度学习的方法处理低照度图像已成为主流的研究方向之一。本文主要研究自监督和有监督两种深度学习的方法增强低照度图像,具体内容如下
显著性目标检测已经在自然场景图像（NSI-SOD）中取得了长足的进步;相比之下,光学遥感影像（RSI-SOD）显著性目标检测是具有挑战性的新兴话题。光学遥感图像独特的光学特性,例如尺度、照明和成像方向,带来NSI-SOD和RSI-SOD之间的显著差异。光学遥感图像的显著性目标检测算法能够检测出图像中最显著的目标,逐渐成为显著性目标检测领域研究热点,但是仍然存在模型复杂、特征提取不足、检测精度不准确
随着我国铁路运营里程不断增加,铁路覆盖范围变得非常广阔,使得行驶环境更加地复杂,铁轨作为行驶的路基,其异物入侵问题严重影响了行车安全。目前轨道异物检测主要是人工巡检与传统检测技术辅助排查,这些检测方式存在成本高和适应性低等不足,并不能很好的满足需求。本文提出了基于深度学习的铁轨异物检测方法,选取一阶段算法YOLO-v5进行铁轨异物的检测研究,旨在提高检测精度及检测速度。本文主要研究内容包括:第一,
随着新课程改革的深入，学生学习方式的转变使得原有的教育教学模式面临着巨大挑战，新课程对教学提出了更高要求，对教师来说也提出了更多挑战，如何充分发挥教师的主观能动性和创造性，培养学生具有较强科学思维能力就显得尤为重要。目前，教育研究领域已有不少学者对科学思维的内涵、本质、形成过程以及相关概念进行了探讨和研究。然而在这些讨论和研究中多强调教师或专业人员的主导作用，很少有学者从隐性角度来研究科学思维形成
光学遥感图像的分辨率高、时效性强、背景信息丰富、包含的物体种类多且数据量爆发式增长,在民用领域和军用领域具有重要的研究价值。基于传统方法的舰船检测存在候选区域冗余、人工设计的特征鲁棒性差、精度低、场景适用性差和智能化程度较低的问题。基于深度学习的目标检测算法种类丰富,且已广泛的应用在图像识别领域并取得了巨大的成功。本文尝试将深度学习技术运用到光学遥感图像舰船检测领域,主要开展了以下三个方面的工作:
为了优化能源结构,减少CO2的排放量,我国已将“碳达峰、碳中和”的“3060”目标上升为国家层面的战略方案。针对电力行业导致的CO2排放过量问题,已将其列为重点减排领域。随着我国分布式电源及其并网技术的成熟,以分布式电源代替传统发电单元,逐步实现电力行业的结构转型。风力发电和光伏发电的发电效率均易受环境因素的影响,但风能和太阳能在发电时存在天然性的优势互补,可通过配置储能装置构成风光互补微电网,以