Érzékszervi kedveltség predikciója mesterséges neurális hálózatokkal, fagyasztott csemegekukorica-fajták példáján bemutatva Prediction of sensory preference by artificial neural networks, using sweet corn varieties as an example

Sipos, László and Losó, Viktor and Nyitrai, Ákos and Kókai, Zoltán and Gere, Attila (2017) Érzékszervi kedveltség predikciója mesterséges neurális hálózatokkal, fagyasztott csemegekukorica-fajták példáján bemutatva Prediction of sensory preference by artificial neural networks, using sweet corn varieties as an example. ÉLELMISZERVIZSGÁLATI KÖZLEMÉNYEK, 63 (4). pp. 1740-1757. ISSN 0422-9576

Preview

Text Wessling EVIK 16 - Sipos-tudomany.pdf Download (460kB) | Preview

Abstract

A nemzeti és nemzetközi fajtajegyzékben található csemegekukorica (Zea mays var. saccharata L.) hibridek fajtákra lebontott érzékszervi profiljellemzőiről, fogyasztói preferenciáiról a rendelkezésünkre álló irodalmi forrásokban ismereteink szerint csak néhány publikáció született. Kutatásunkban a mesterséges neurális hálózatok (artificial neural networks, ANNs) gyakorlati alkalmazását mutatjuk be. Vizsgálatunkban 41 fagyasztott csemegekukorica-fajtát egy szakértői érzékszervi bírálócsoport értékelt (14 fő), teljeskörű profilanalízis módszerével (MSZ ISO 11035:2001; ISO 13299:2003), 0-100- ig terjedő strukturálatlan skálán, majd nagymintás tesztben, fogyasztók (167 fő) a 41 fajta közül 6 fajtát jellemeztek kedveltség alapján, 9 elemű strukturált skálán. A mesterséges neurális hálózatok nagymennyiségű adatot igényelnek, ezért a 6 fajtára elkészült szakértői és fogyasztói adatokon 1000-szeres Monte Carlo szimulációt futtattunk, amelynek 80 %-án tréningeztük, 20 %-án pedig teszteltük a létrejött neurális hálókat. A legjobb predikciót a 4 nóduszos többrétegű előrecsatolt (multi-layer feedforward neural net, MLFN) adta, ebben az esetben adódtak a legkisebb maradékok a tréning és a teszt során, amelyeket véletlen számokon történő előrejelzéssel, és keresztellenőrzéssel is validáltunk. Ezzel a felépített modellel jeleztük előre a többi 35 kukoricafajta kedveltségi értékét. A leginkább kedveltnek a ‘Shinerock’ fajta (8,46), míg a predikciók szerint a legkevésbé kedvelt a ‘Madonna’ és a ‘Rustler’ fajták lettek 2,7-es átlagos kedveltségi értékekkel rendelkeztek (1-9 tagú skálán). A mesterséges neurális hálózat modell megalkotása során sikeresen azonosítottuk azokat a terméktulajdonságokat is, amelyek a fogyasztói elfogadás fő mozgatórugói: édes íz, globális ízintenzitás és lédússág. Összefoglalóan megállapítható, hogy a bemutatott validált termékspecifikus mesterséges neurális hálózat lehetővé teszi az egyes fajtákra vonatkoztatott kedveltség előrejelzését. According to our knowledge, there are only a few publications in available literature sources on the sensory characteristics and consumer preferences of sweet corn varieties. In our research, practical application of artificial neural networks (ANNs) is presented. In our study, 41 frozen sweet corn varieties were evaluated by a panel of expert sensory panelists (14 persons), by the method of profile analysis (MSZ ISO 11035:2001; ISO 13299:2003), on an unstructured scale of 0 to 100, then, in large-scale tests, 6 of the 41 varieties were evaluated by consumers (167 people) according to preference, on a structured scale of 1 to 9. Artificial neural networks require large amounts of data, therefore, on the expert and consumer data for the 6 varieties, 1,000 Monte Carlo simulations were run. 80% of the resulting dataset was used to train the created neural networks, and 20% was utilized to test them. The best prediction was given by the 4-node multi-layer feedforward neural network (MLFN), the smallest residues were obtained in this case during the training and the test, which were also validated by predictions on random numbers and cross-checking. Preference values of the other 35 corn varieties were predicted by this model. The most preferred variety was ‘Shinerock’ (8.46), while the least preferred ones, according to the predictions, were ‘Madonna’ and ‘Rustler’, with and average preference value of 2.7 (on a scale of 1 to 9). During the establishment of the artificial neural network model, product characteristics that are the main drivers of consumer acceptance were successfully identified: sweet taste, global taste intensity and juiciness. In general, it can be stated that prediction of the preference of different varieties is made possible by the validated product-specific artificial neural network presented.

Actions (login required)

Edit Item