基于多层感知器神经网络的光照干燥水果色泽变化预测模型研究

本研究通过遗传算法(GA)优化多层感知器(MLP)神经网络架构，结合贝叶斯正则化(BRANN)技术，构建了能精准预测太阳能干燥橙子CIELAB色度空间变化的模型。该模型在训练集和测试集上分别达到R2=1和0.98667，MAPE仅5.88%，为食品工业实时质量控制提供了创新解决方案。

　　

Highlight

本研究亮点在于开发了首个整合遗传算法(GA)优化与贝叶斯正则化(BRANN)的多层感知器(MLP)神经网络模型，可精准预测动态光照条件下干燥水果的CIELAB(Lab^*)色泽演变，突破传统太阳能干燥过程不可控的技术瓶颈。

Materials and methods

采用MATLAB R2024A构建9-15-3-11-4-5-15-1-16-13-3架构的MLP模型，输入参数涵盖干燥室温度(35–55°C)、相对湿度(8–56%)及环境太阳辐射(148–1038W/m²)等9变量。通过GA优化（种群25，突变率10%，35代迭代）和70/30分层随机抽样确保模型鲁棒性。

Results

实验数据显示，模型在独立测试集上表现优异：训练R²=1，测试R²=0.98667，误差指标MAPE=5.88%，RMSE=2.13。对比支持向量机(SVM)，MLP预测精度提升23.6%，证实其对环境波动的强适应性。

Discussion

不同于红外/冷冻干燥等可控工艺，太阳能干燥受天气波动显著影响。本模型通过动态学习环境参数与色泽的非线性关系，首次实现不稳定条件下的精准预测，较?umi?等研究的真空干燥模型提升17.2%的泛化能力。

Conclusions

该GA-MLP模型为太阳能干燥领域提供了革命性的质量控制工具，其创新性体现在：①架构遗传优化提升计算效率；②贝叶斯正则化有效抑制过拟合；③首次实现动态环境下的实时色泽预测，推动食品工业智能化发展。