BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法優(yōu)化羊肉湯中香辛料的添加量

姬云云，田洪磊，詹 萍*，未志勝，王 鵬，張 芳

（1 陜西師范大學(xué)食品工程與營養(yǎng)科學(xué)學(xué)院 西安710119 2 石河子大學(xué)食品學(xué)院 新疆石河子832000）

風(fēng)味的優(yōu)劣是影響人們選擇食品的重要因素?，F(xiàn)如今，人們越來越注重肉制品的風(fēng)味、香氣等感官要求。羊肉湯是一道傳統(tǒng)美食[1]，不僅營養(yǎng)豐富，還有一定的藥用價(jià)值，經(jīng)常食用能溫中暖下，補(bǔ)益氣血，然而，羊肉特殊的“膻味”，為羊肉湯的消費(fèi)帶來極大的負(fù)面影響[2]。為改善膻味對羊肉湯的影響，在羊肉湯制作過程中經(jīng)常需要輔以多種香辛料[3]。每種香辛料都有其獨(dú)特的風(fēng)味，搭配使用配制的組合香辛料，使其能夠提供更加豐富的風(fēng)味層次[4]，在掩蓋羊肉湯本身的不良?xì)馕兜耐瑫r(shí)，對羊肉湯的風(fēng)味起到助力的作用。相關(guān)研究表明，百里香[5]、生姜[6]和花椒[7]3 種香辛料被廣泛應(yīng)用于各種肉類的除膻去腥，適量的添加對肉制品的風(fēng)味具有很好的改善及調(diào)節(jié)作用[8]。如徐建忠等[9]利用生姜和花椒等原料進(jìn)行復(fù)配制作出一款能夠降低羊肉膻味的方便面調(diào)味包。

近年來，隨著人工智能的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的運(yùn)用也越來越廣泛，通過對生物神經(jīng)結(jié)構(gòu)的模擬建立一種非線性的動(dòng)力學(xué)系統(tǒng)，通過自學(xué)與訓(xùn)練去解決問題，不必計(jì)算出對象的數(shù)學(xué)模型[10]。遺傳算法是模仿自然界生物進(jìn)化思想而得出的一種全局優(yōu)化方法。遺傳算法可以解決BP 神經(jīng)網(wǎng)絡(luò)收斂速度慢，容易陷入局部最小值的問題[11]。將BP 神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合進(jìn)行尋優(yōu)的方法在食品領(lǐng)域的組合優(yōu)化、感官評分的預(yù)測等方面得到成功應(yīng)用。如任亦賀等[12]利用遺傳算法和神經(jīng)網(wǎng)絡(luò)建立了啤酒感官評價(jià)模型和預(yù)測模型，發(fā)現(xiàn)預(yù)測精度的最大誤差在16.8%（＜20%認(rèn)為預(yù)測模型是可用的）。李黎等[13]利用正交結(jié)合BP神經(jīng)網(wǎng)絡(luò)對木糖醇紅棗酸奶的工藝參數(shù)進(jìn)行了優(yōu)化，得到具有優(yōu)良感官評分的木糖醇紅棗酸奶制品。

本研究在預(yù)試驗(yàn)及相關(guān)文獻(xiàn)[14-15]的基礎(chǔ)上，選擇百里香、生姜和花椒3 種香辛料的不同添加量作為影響因素，做單因素和響應(yīng)面優(yōu)化試驗(yàn)。同時(shí)，利用BP 神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法將3 種香辛料的添加量對感官評分的影響進(jìn)行優(yōu)化，并對相應(yīng)香辛料對感官評分的影響進(jìn)行預(yù)測，考察上述各種香辛料的配比對羊肉湯感官評分的影響，得到最優(yōu)添加量的配方。

1 材料與方法

1.1 試驗(yàn)材料、試劑與設(shè)備

羊肉（大尾羊）及香辛料（百里香、生姜和花椒），購自石河子市農(nóng)貿(mào)市場。

電磁爐、湯鍋，浙江蘇泊爾股份有限公司。

1.2 試驗(yàn)方法

將購買的新鮮羊肉切塊放入鍋中，加入去離子水煮沸后撇凈浮沫加入香辛料。

1.3 單因素試驗(yàn)設(shè)計(jì)

香辛料添加量單因素試驗(yàn)：在其它試驗(yàn)條件不變，生姜添加量為0.50%，花椒添加量0.15%，調(diào)整百里香添加量為0%，0.30%，0.60%，0.90%和1.20%，做百里香添加量單因素試驗(yàn)。百里香添加量為0.60%，花椒添加量為0.15%，調(diào)整生姜添加量為0%，0.20%，0.40%，0.60%和0.80%，做生姜添加量單因素試驗(yàn)。百里香添加量為0.60%，生姜添加量為0.50%，調(diào)整花椒添加量為0%，0.05%，0.10%，0.15%和0.20%，做花椒添加量單因素試驗(yàn)。

1.4 香辛料添加量的響應(yīng)面試驗(yàn)設(shè)計(jì)（BBD）

將百里香、生姜和花椒這3 個(gè)因素的添加量分別命名為A、B 和C，進(jìn)行單因素試驗(yàn)，把羊肉湯的感官評分結(jié)果作為試驗(yàn)的響應(yīng)值，因素水平編碼見表1。

1.5 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練擬合

參考張芳等[16]的方法通過MATLAB 2016b 對BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練擬合。將tansig 函數(shù)作為隱含層激活函數(shù)；將purelin（線性函數(shù)）作為輸出層激活函數(shù)；2 個(gè)函數(shù)之間的傳遞函數(shù)使用S 型函數(shù)。根據(jù)BBD 響應(yīng)面試驗(yàn)如表3所示，確定該試驗(yàn)中BP 神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為3：分別是百里香添加量、生姜添加量和花椒添加量；輸出層神經(jīng)元為羊肉湯樣品的感官評分；根據(jù)試錯(cuò)法[17-18]多次嘗試訓(xùn)練選取最佳隱含層神經(jīng)元個(gè)數(shù)為10，該模型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為3-10-1 型。所有輸入和輸出數(shù)據(jù)在網(wǎng)絡(luò)訓(xùn)練前均應(yīng)進(jìn)行歸一化。通過變化的輸入/輸出數(shù)據(jù)集訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)。使用相對誤差 （relative error）和均方誤差（mean square error，MSE）對BP 神經(jīng)網(wǎng)絡(luò)建立模型的能力進(jìn)行評估，利用R2（描述建模變量差異度的系數(shù)）確定模型的擬合優(yōu)度。MSE 利用如下公式計(jì)算：

1.6 遺傳算法（GA）尋優(yōu)

本研究的遺傳算法是以建立的神經(jīng)網(wǎng)絡(luò)模型為適應(yīng)度函數(shù)。遺傳算法尋優(yōu)[19-20]步驟如圖1所示。

表1 Box-Behnken 設(shè)計(jì)的響應(yīng)面試驗(yàn)因素及水平編碼表Table 1 Box-Behnken design factors and the levels coding of experiment of response surface analysis

圖1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)合GA 優(yōu)化的流程圖Fig.1 The flow chart of the BP neural network coupled GA optimization

應(yīng)用該網(wǎng)絡(luò)分析香辛料添加量對羊肉湯感官品質(zhì)的影響。將GA 與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合以尋求羊肉湯中香辛料添加量的最佳組合。利用適應(yīng)度函數(shù)也被稱為目標(biāo)函數(shù)對個(gè)體的優(yōu)劣程度進(jìn)行選擇操作[21-22]。

1.7 感官評分

采用Lee 等[23-24]的方法對5 組DTS 樣品進(jìn)行感官評價(jià)，共有12 位具有感官評定基礎(chǔ)的人員（5男7 女，年齡22～40 歲），對“肉香”、“脂肪香”、“花椒香”、“清草香”、“生姜味”和“膻味”進(jìn)行感官評價(jià)，參考王琳琛[25]的方法分別對樣品的“肉香”、“脂肪香”、“膻味”進(jìn)行定義。對各評價(jià)人員評價(jià)結(jié)果進(jìn)行記錄。每個(gè)樣品進(jìn)行3 組平行試驗(yàn)。產(chǎn)品感官評價(jià)標(biāo)準(zhǔn)與香氣類別描述見表2。

1.8 統(tǒng)計(jì)分析

采用Origin 2017 軟件進(jìn)行單因素實(shí)驗(yàn)折線圖的制作；Design-Expert 8.0.6 軟件中的 Box-Behnken Design（BBD）進(jìn)行3 因素3 水平的香辛料的Box-Behnken 試驗(yàn)設(shè)計(jì)；Matlab 2017b 軟件構(gòu)建神經(jīng)網(wǎng)絡(luò)和遺傳算法模型。

2 結(jié)果與分析

2.1 3 種香辛料的單因素實(shí)驗(yàn)

由圖2可知，當(dāng)其它條件不變，百里香、生姜和花椒的添加量分別為0%時(shí)感官評分分別為10，12 和11，當(dāng)3 種香辛料添加量均不為0 時(shí)，隨著香辛料添加量的增加，從感官評分來看總體表現(xiàn)為“先上升后下降”，整體感官指標(biāo)得分表現(xiàn)出先趨勢一致后偏離的現(xiàn)象。由圖2a 可以看出，當(dāng)百里香添加量為0.60%時(shí)，感官評分最高為19分，隨后隨著百里香的含量增加至1.2%感官評分下降至11 分，這主要是由于較高的百里香添加量掩蓋了羊肉湯樣品中的其它氣味，因此在百里香添加量較高時(shí)，由于百里香氣味的過于突出導(dǎo)致風(fēng)味的不協(xié)調(diào)因此獲得了較低的感官評分。

表2 感官評價(jià)標(biāo)準(zhǔn)與感官指標(biāo)香氣描述Table 2 Sensory evaluation standard and sensory index aroma description

圖2 各香辛料對羊肉湯感官評分的影響Fig.2 Effect of spices on sensory evaluation of stewed mutton soup

2.2 香辛料添加量的響應(yīng)面優(yōu)化分析

試驗(yàn)的中心組合試驗(yàn)設(shè)計(jì)矩陣及試驗(yàn)結(jié)果見表3。

對百里香（A）、生姜（B）和花椒（C）3 種香辛料的添加量對羊肉湯感官評分的影響進(jìn)行分析，由表3可知，感官評分在11～20 之間，當(dāng)百里香、生姜和花椒添加量分別為0.6%，0.5%和0.15 時(shí)，羊肉湯具有最高的感官評分，添加量分別為0.9%，0.6%和0.15 時(shí)具有最低的感官評分。

在方差分析（ANOVA）過程中，只有當(dāng)模型的P 值顯著（P<0.05），而失擬項(xiàng)的P 值不顯著（P>0.05）時(shí)預(yù)測模型的適應(yīng)性才能夠被驗(yàn)證[26]。方程相應(yīng)參數(shù)值如表4所示，修正復(fù)相關(guān)系數(shù)R2=0.9897>0.95 說明該模型能解釋98.97%的響應(yīng)值變化，R2調(diào)整-R2預(yù)測=0.0844<0.2；R2預(yù)測=0.8929>0.7；變異系數(shù)=3.65%<10；精密度=21.503（精密度對噪音比的信號進(jìn)行了衡量，當(dāng)精密度大于4 時(shí)可用于模擬）。通過以上對于模型中的各項(xiàng)進(jìn)行分析發(fā)現(xiàn)模型具有較好的回歸性，可以用該模型對香辛料對羊肉湯感官評分的影響進(jìn)行分析和預(yù)測。

表3 BBD 試驗(yàn)設(shè)計(jì)與結(jié)果Table 3 Design and results of the BBD

表4 單因素模型的方差分析Table 4 Analysis of variance in single factor model

通過表4可以看出A，B，AC，BC，A2，B2，C2這些項(xiàng)目在該模型中具有顯著性（P<0.05），因此，在該試驗(yàn)中百里香與生姜添加量的線性效應(yīng)和所有的二次項(xiàng)的影響均達(dá)到了顯著水平，花椒添加量與百里香添加量以及花椒添加量與生姜添加量的交互作用均顯著。

利用因子編碼表示的回歸方程為：

Y=19.8-0.5A-1.12B-0.38C+AC+0.75BC-4.03A2-3.27B2-3.27C2

式中：Y——羊肉湯的感官評分；A——百里香添加量；B——生姜添加量；C——花椒添加量。

由于公式中的各項(xiàng)參數(shù)由編碼單位表示，因此可以將系數(shù)間的相對大小進(jìn)行比較，以評估其對響應(yīng)值影響的大小[27]。從公式中可以看出對于響應(yīng)值影響大小的排序?yàn)椋篊（花椒）>A（百里香）>B（生姜）。

2.3 Box-Behnken 試驗(yàn)結(jié)果與分析

響應(yīng)面分析方法（response surface methodology，RSM）是對因變量響應(yīng)中幾個(gè)因素的交互作用進(jìn)行評價(jià)，使因變量的響應(yīng)最大化[28]。

通過表4方差分析結(jié)果可以看出，AB 間的交互作用對響應(yīng)值的交互作用不顯著 （P<0.05），即百里香添加量和生姜添加量之間存在的交互作用對感官評分的影響不顯著，因此在此不做討論。

圖3和圖4分別反映了AC 和BC 對響應(yīng)值的交互作用的影響。由圖3b 和3c 可以看出，當(dāng)花椒添加量大于0.10%，百里香添加量大于0.30%時(shí)對羊肉湯的感官評分具有正向影響，即隨著添加量的增加感官評分隨之增加；而當(dāng)花椒添加量大于0.15%，百里香添加量大于0.55%時(shí)響應(yīng)值即羊肉湯的感官評分隨之下降，這一結(jié)果表明，羊肉湯的感官評分將在百里香添加量為0.55%左右和花椒添加量為0.15%左右時(shí)達(dá)到最大；同理，由圖4c可以看出，當(dāng)生姜添加量在0.40%～0.50%之間時(shí)對羊肉湯的感官評分具有正向影響。當(dāng)添加量高于0.50%時(shí)，感官評分將會(huì)隨著添加量的增加呈現(xiàn)下降趨勢。因此，從以上分析可以看出，在響應(yīng)面分析中羊肉湯的最優(yōu)感官評分將在百里香添加量為0.55%左右，生姜添加量為0.50%左右和花椒添加量為0.15%左右這一范圍的組合附近取得。

圖3 百里香和花椒對感官評分作用的響應(yīng)面圖Fig.3 Response surface plot of sensory score as a function of thyme and pepper

圖4 生姜和花椒對感官評分作用的響應(yīng)面圖Fig.4 Response surface plot of sensory score as a function of ginger and pepper

2.4 BP 神經(jīng)網(wǎng)絡(luò)模型分析

圖5為神經(jīng)網(wǎng)絡(luò)MSE 圖，由于MSE 值越小，所建立的神經(jīng)網(wǎng)絡(luò)模型在描述試驗(yàn)數(shù)據(jù)時(shí)能夠表現(xiàn)出的精確度越高[29]。由圖5可知，當(dāng)訓(xùn)練步數(shù)逐漸增加時(shí)，MSE 逐漸趨近于誤差的最優(yōu)值。BP 神經(jīng)網(wǎng)絡(luò)通過第1 次迭代時(shí)，相應(yīng)的誤差已低于誤差最優(yōu)值，相應(yīng)誤差為0.0344，同時(shí)驗(yàn)證誤差也趨近于誤差的最優(yōu)值；當(dāng)模型迭代至第2 次時(shí)，網(wǎng)絡(luò)訓(xùn)練穩(wěn)定且迅速收斂，說明該模型能夠滿足需求；在驗(yàn)證曲線增加之前，測試曲線未顯著增加，因此網(wǎng)絡(luò)沒有過度訓(xùn)練[16]。

人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練制備條件優(yōu)化模型，其擬合回歸系數(shù)R 值表示輸出數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的相關(guān)狀況。訓(xùn)練（Training）、驗(yàn)證（Validation）、測試（Test）和總體（All）中比較試驗(yàn)結(jié)果和神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果的散點(diǎn)圖如圖6所示。數(shù)據(jù)在直線X=Y附近散射，這一現(xiàn)象表明試驗(yàn)結(jié)果和BP 神經(jīng)網(wǎng)絡(luò)預(yù)測值間具有較好的兼容性[30]。如圖6所示，當(dāng)驗(yàn)證誤差為0.0344 時(shí)，BP 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練（圖6a）、測試（圖6c）與總體（圖6d）的系數(shù)分別為0.9914，1 和0.9849（相關(guān)系數(shù)均大于0.95），說明神經(jīng)網(wǎng)絡(luò)模型不存在欠擬合狀態(tài)，表明開發(fā)的BP網(wǎng)絡(luò)模型對于訓(xùn)練樣本、測試樣本和總體樣本都有很好的逼近能力，能很好地描述香辛料添加量和羊肉湯感官評分間的關(guān)系。R （test）=R（validation）=1，說明神經(jīng)網(wǎng)絡(luò)模型不存在過擬合的狀態(tài)，且在當(dāng)前設(shè)置的參數(shù)下，擬合結(jié)果的隨機(jī)驗(yàn)證效果優(yōu)良。因此，我們可以認(rèn)為該神經(jīng)網(wǎng)絡(luò)模型經(jīng)過訓(xùn)練與自學(xué)習(xí)后對羊肉湯樣本感官評分具有很強(qiáng)的解釋能力且誤差較小，具有較好的訓(xùn)練效果、預(yù)測能力和整體擬合效果。通過以上訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)模型能夠模擬并表達(dá)出的輸入端的3 個(gè)因素變量（百里香添加量、生姜添加量和花椒添加量）與輸出端（羊肉湯的感官評分）之間的映射關(guān)系，能夠保證模擬仿真效果，進(jìn)而準(zhǔn)確地預(yù)測試驗(yàn)結(jié)果。因此，可以用于羊肉湯中香辛料添加量的優(yōu)化。

圖5 BP 神經(jīng)網(wǎng)絡(luò)的誤差下降曲線Fig.5 Error drop curve of BP neural network

2.5 BP 神經(jīng)網(wǎng)絡(luò)泛化能力的驗(yàn)證

圖6 BP 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練、驗(yàn)證、測試和所有預(yù)測集Fig.6 BP neural network model with training，validation，test，and all prediction set

神經(jīng)網(wǎng)絡(luò)模型的泛化能力是經(jīng)過訓(xùn)練的BP網(wǎng)絡(luò)模型對不在其訓(xùn)練范圍內(nèi)的數(shù)據(jù)的預(yù)測能力，因此BP 神經(jīng)網(wǎng)絡(luò)模型泛化能力只有在完全看不見的數(shù)據(jù)集中才能被判斷[16，31]。在響應(yīng)面試驗(yàn)設(shè)計(jì)因素水平表中重新隨機(jī)組合并選取試驗(yàn)因素水平（表5）對BP 神經(jīng)網(wǎng)絡(luò)泛化能力進(jìn)行驗(yàn)證。通過決定系數(shù)R2表示相應(yīng)模型的擬合度。由圖7可知，R2為0.9922，因此變異性的99.22%可以被此模型解釋，建立的BP 神經(jīng)網(wǎng)絡(luò)模型具有很好的泛化能力，模型能夠準(zhǔn)確預(yù)測不在其訓(xùn)練集內(nèi)的數(shù)據(jù)集的輸出結(jié)果。

表5 BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果及其相對誤差Table 5 The prediction results and error of BP neural network

2.6 香辛料添加量的優(yōu)化

圖7 試驗(yàn)值與預(yù)測值擬合度Fig.7 The fitting degree between experimental value and predicted value

遺傳算法是對BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)化[32-33]，利用遺傳算法對已建立的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行全局尋優(yōu)，設(shè)定GA 的基本參數(shù)（種群規(guī)模size=20，交叉概率cross=0.4，變異概率mutation=0.2，采用浮點(diǎn)數(shù)編碼，個(gè)體長度length=3）后，調(diào)用以網(wǎng)絡(luò)模型為fitness 函數(shù)，以感官得分最大為目標(biāo)的遺傳算法進(jìn)行優(yōu)化，迭代100 次，其適應(yīng)度曲線如圖8所示。

圖8為個(gè)體（香辛料添加量）的感官得分隨遺傳算法尋優(yōu)進(jìn)化代數(shù)的變化曲線。在開始階段，GA 的群體搜索特性具有明顯的作用，被選擇個(gè)體的感官得分值發(fā)生了急劇下降的正向變化。隨后，GA 進(jìn)行平穩(wěn)的交叉操作，感官得分沒有發(fā)生變化；然后遺傳算法的尋優(yōu)過程進(jìn)行了一次選擇操作，被選擇個(gè)體的感官得分有了小范圍的正向變化，一步步向目標(biāo)靠近。由圖8中的曲線變化過程可以知道，感官得分曲線在進(jìn)行第70 次迭代時(shí)于21.54 附近收斂。經(jīng)過交叉-選擇-變異-交叉-選擇一系列循環(huán)迭代操作，當(dāng)GA 的尋優(yōu)進(jìn)化代數(shù)增加到100 代時(shí)，GA 停止并輸出感官得分最高的個(gè)體。得到的優(yōu)化結(jié)果為：香辛料的添加量的配比達(dá)到最優(yōu)為：百里香添加量0.54%，生姜添加量0.48%，花椒添加量0.16%，最優(yōu)感官評分21.54分，這一結(jié)果與響應(yīng)面的優(yōu)化結(jié)果相一致（圖3和圖4）。

圖8 遺傳算法的最優(yōu)適應(yīng)度曲線Fig.8 Optimized fitness curve of genetic algorithm

按照優(yōu)化結(jié)果對應(yīng)的工藝參數(shù)進(jìn)行驗(yàn)證試驗(yàn)，其結(jié)果見表6。

表6 神經(jīng)網(wǎng)絡(luò)優(yōu)化結(jié)果及驗(yàn)證Table 6 Neural network optimization results and verification

如表6所示，驗(yàn)證試驗(yàn)的感官評分為20，比神經(jīng)網(wǎng)絡(luò)優(yōu)化值20.54 低2.7%（相對誤差在±5%以內(nèi)），符合模型對精確度的要求。表明該神經(jīng)網(wǎng)絡(luò)與遺傳算法優(yōu)化獲得的香辛料添加量的配比所制作的羊肉湯樣品參數(shù)可以獲得較為理想的感官評分，且預(yù)測值誤差較小，因此，BP 神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法能夠用于羊肉湯制作過程中香辛料的最優(yōu)添加量的優(yōu)化。

3 結(jié)論

1）BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為“3-10-1”。驗(yàn)證數(shù)據(jù)和訓(xùn)練數(shù)據(jù)的MSE 均大于0.0345；訓(xùn)練、測試和總體數(shù)據(jù)的相關(guān)系數(shù)分別為0.9914，1 和0.9849，R（test）=R（validation）=1 表明BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型有很好的準(zhǔn)確性，可以用于羊肉湯感官評分結(jié)果的預(yù)測。BP 神經(jīng)網(wǎng)絡(luò)外推能力驗(yàn)證試驗(yàn)的結(jié)果與BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的擬合度（R2）為0.9922，表明試驗(yàn)建立的BP 神經(jīng)網(wǎng)絡(luò)模型有很好的泛化能力，能夠預(yù)測不在訓(xùn)練集內(nèi)的數(shù)據(jù)集的輸出值。

2）通過BBD 試驗(yàn)設(shè)計(jì)和BP 神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法對百里香、生姜和花椒3 種香辛料的最優(yōu)添加量進(jìn)行復(fù)配，得到3 種香辛料最佳添加量為：百里香0.54%，生姜0.48%，花椒0.16%，在此條件下進(jìn)行試驗(yàn)發(fā)現(xiàn)羊肉湯的感官評分為20，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果為20.54，試驗(yàn)值與預(yù)測值的誤差為2.70%，預(yù)測準(zhǔn)確度較高，因此神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法對羊肉湯中復(fù)配香辛料的添加具有很好的預(yù)測能力，可以利用這一方法對相應(yīng)的羊肉湯風(fēng)味進(jìn)行預(yù)測。