机器学习方法的批判性评估用于分类,动态预测和替代模型在食品发酵中的模型

科学领域:

• 食品科学 食品科学 食品科学
• 生物技术是生物技术.
• 计算机建模 计算建模

背景情况:

• 机器学习 (ML) 正在获得食品科学数据分析的引力,但其优越性比传统的机械知识基础 (KB) 模型尚不清楚,特别是食品生物工艺中常见的有限数据.
• 葡萄酒发酵作为一个实际的案例研究,比较监督的ML技术 (决策树,支持矢量机器,神经网络) 与KB模型.

研究的目的:

• 在不同的数据条件下,批判性地评估监督ML技术与KB模型在食品生物工艺中的性能.
• 评估ML在分类酵母菌株和预测发酵动态方面的有效性.
• 开发和验证一个融合ML和KB方法的混合模型,以加强发酵过程控制.

主要方法:

• 监督的ML算法 (决策树,SVM,神经网络) 和KB模型应用于葡萄酒发酵数据.
• 执行了三个任务:酵母菌株分类,发酵动态预测和使用合成数据开发ML替代模型.
• 结合KB预测与残余神经网络的混合模型被开发和验证.

主要成果:

• 在完全的代谢物数据的基础上,ML在酵母菌株分类中实现了74%的准确性.
• 在预测发酵动力学方面,KB模型在预测发酵动力学方面表现优于ML (6%的NRMSE与7.6%的ML与附加数据相比).
• 一个深度学习替代模型实现了0.6%的误差,并将模拟时间减少了30倍.
• 混合模型将NRMSE总体从6%降低到5%.

结论:

• 机器学习模型擅长使用大型,多样化的数据集,但在有限的数据或外推方面却很难.
• KB模型提供了更好的概括性和生物解释性.
• 结合ML和KB模型的优势的混合方法可以在复杂的发酵系统中进行更强大,更准确的预测.
• 开发的混合模型显著提高了关键发酵化合物的预测准确性.