机器学习用于食品风味预测和调节:模型,数据集成和未来的前景

科学领域:

• 味道科学和食品质量分析.
• 机器学习在食品研究中的应用.
• 分析化学和数据科学的整合.

背景情况:

• 传统的风味评估方法是主观的,并且可扩展性有限.
• 高通量技术和多模式数据集需要先进的分析方法.
• 机器学习 (ML) 为复杂的风味系统分析提供了强大的解决方案.

研究的目的:

• 审查当前的风味检测技术和在不同领域的ML应用.
• 为了比较各种ML模型,包括监督学习,集合算法和深度学习.
• 讨论数据维度的作用,未来的前景,和可解释的AI在味道科学.

主要方法:

• 审查监督学习 (SVM,DT),组合 (XGBoost,LightGBM) 和深度学习 (CNN,ANN) 的模型.
• 结合电子鼻子 (E-nose),电子舌头 (E-tongue),GC-MS和GC-IMS的综合系统的分析.
• 纳入可解释AI (XAI) 工具,如SHAP,以实现模型透明度.

主要成果:

• ML能够准确地预测风味,复合物选和实时过程控制.
• 集体和深度学习模型在复杂,非线性数据集方面表现出色.
• 通过将预测与特征联系起来,XAI工具提高了模型透明度,提高了准确性和通用性.

结论:

• 机器学习为味道科学开辟了新的技术途径,用于预测和控制味道的形成.
• ML有助于验证产品的真实性和设计有针对性的风味化合物.
• 像注意力机制和数字双胞胎这样的创新支持动态风味调制和基因型-表型关系识别.