在冷储存期间,Pauteria sapota Puree中的色彩动力学,颜料和抗氧化剂能力:使用CIELAB色彩空间和机器学习模型的相关性研究

科学领域:

• 食品科学与技术 食品科学与技术
• 计算化学的计算化学
• 营养生物化学 营养生物化学

背景情况:

• 准确预测生物活性化合物和抗氧化剂活性对于食品质量和工业应用至关重要.
• 梅叶纸是一种丰富的生物活性化合物的来源,但它们的量化可能具有挑战性.
• 预测这些特性的传统方法可能无法捕捉食物矩阵中的复杂关系.

研究的目的:

• 为了比较人工神经网络 (ANN) 和多重线性回归 (MLR) 对 mamey 纸中关键生物活性化合物和抗氧化活性的预测性能.
• 为了评估颜色变量 (CIELab) 作为这些属性的预测器的有效性.
• 建立一个更准确和潜在的非破坏性方法来评估食品质量.

主要方法:

• 使用多重线性回归 (MLR) 和人工神经网络 (ANN) 模型.
• 采用颜色变量 (CIELab) 作为预测输入特征.
• 预测的抗氧化活性 (DPPH,ABTS),总胡卜素,和在mamey纸中安氨酸.

主要成果:

• 在所有预测参数中,ANN模型表现出比MLR更好的性能.
• 安恩实现了显著更高的确定系数 (R²) 和更低的误差指标 (MSE,MAE).
• 对ANN的R2的具体改善包括:DPPH (0.78),ABTS (0.92) 和总胡卜素 (0.87).

结论:

• 人工神经网络 (ANN) 在预测生物活性化合物和抗氧化剂活性方面非常有效,在复杂的食物矩阵中,如mamey纸.
• ANN能够建模非线性关系,这使得它成为食品分析的强大工具.
• 这项研究支持ANN与图像分析的整合,用于非破坏性质量控制和功能性食品开发.