Анализ и оценка качества некоторых молокосодержащих продуктов

Рис. 6. Изменение активной (а) и титруемой (б) кислотности

при хранении сыворотки

Рис. 7. Количественный состав микрофлоры сыворотки

Результаты сенсорометрического анализа многокомпонентной смеси ароматобразующих соединений анализируемых продуктов коррелируют с данными микробиологических исследований, а также изменением титруемой и активной кислотности при хранении.

С применением разработанной методики установлены следующие оптимальные сроки хранения при 6 ± 2 оC: сыворотки – до 3-х суток, ультрафильтрата – до 6-ти суток, экстракта пищевых компонентов стевии – до 10-ти суток.

Для прогнозирования показателей качества сыворотки применяли мультисенсорную систему в сочетании с компьютерной обработкой сигналов сенсоров методом искусственных нейронных сетей.

Работа по прогнозированию показателей качества сыворотки включает: получение аналитических сигналов матрицы сенсоров при их одновременном экспонировании в многокомпонентной парогазовой смеси ароматобразующих веществ 3-х проб сыворотки (производители – ООО «Малыш», ЗАО «Рикон» г. Воронеж, молкомбинат «Воронежский»); обучение нейронной сети; проверку полученной модели по тестовой выборке.

Для получения корректных выходных сигналов необходимо предварительное обучение нейронной сети, которое осуществляли по величинам аналитических сигналов матрицы пьезосенсоров с пленками сорбентов на электродах, полученным при одновременном экспонировании в парах равновесной газовой фазы сыворотки. Мультисенсорный анализ трех проб сыворотки проводили каждые сутки в течение 6 дней с интервалом измерений 12 ч, сыворотку хранили при 6 ± 2 оC.

Одновременно определяли титруемую и активную кислотность проб сыворотки, показатель преломления, а также общую микробиологическую обсемененность. Значения этих показателей служили выходными параметрами для обучения нейронной сети.

Применяли трехслойную нейронную сеть с 9 нейронами во входном слое (по числу сенсоров в массиве), 22 нейронами во внутреннем слое и 4 нейронами в выходном слое (по числу выходных параметров). Для обучения сети применяли алгоритм обратного распространения ошибки.

Оценка значимости входных сигналов сети показала, что все 9 входных сигналов являются значимыми и влияют на точность прогноза. Прогнозирование показателей качества сыворотки проведено по 9 исходным признакам.

Полученная сеть прогнозирует показатели качества сыворотки практически безошибочно, относительная погрешность не превышает 1 % при прогнозировании активной и титруемой кислотности и показателя преломления, 3 % - при прогнозировании общей микробиологической обсемененности. Для проверки соответствия сети поставленной задаче нейронную сеть тестировали с применением проб сыворотки, не входивших в обучающую выборку (табл. 4).

Таблица 4

Прогнозирование показателей качества творожной сыворотки