干货分享食品安全论文(食品安全论文参考文献)

文|漫悠芸端编辑|漫悠芸端引言随着人们对食品质量和安全的关注度不断增加，如何确保牛肉的食用质量，成为了一个重要问题，为了解决这个问题，科学家们开

 

文|漫悠芸端编辑|漫悠芸端引言随着人们对食品质量和安全的关注度不断增加，如何确保牛肉的食用质量，成为了一个重要问题，为了解决这个问题，科学家们开展了大量的研究工作，并提出了牛肉食用质量的正则化预测模型这一模型不仅可以优化饲料的配方，提高牛肉的口感和品质，同时，牛肉食品的安全性也能得到充分的保障。

牛肉肉质分级系统面对不断变化的市场和消费者需求，牛肉产业正在投资评级系统，以在整个供应链中最大限度地提取价值，澳大利亚肉类标准，MSA系统是一个以客户为导向的全面质量管理系统，在国际上通过预测特定烹饪方法

，处理具体肌肉的质量等级而脱颖而出目前支撑MSA系统的模型，需要耗费大量的工作来估计，并且在存在数据不平衡的情况下，其预测性能可能不够准确，这意味着很多肌肉，烹饪组合的观察数据很少，或者很少有与可口度相关的预测变量可用。

MSA模型从消费者小组测试中，构建了一个单一的口感或肉质评分，称为MQ4，这些感官实验涵盖了不同社区群体的未受过培训的消费者，并且每个肌肉，烹饪组合样品由十位参与者品尝除了最高和最低分数，其他六个评分的平均值被用于构建质量评分，。

消费者被要求根据以下四个特征对每个样品进行评估，并在每个刻度的两端做标记，嫩度，从不嫩到非常嫩，多汁度，从不多汁到非常多汁，口味喜好，从极不喜欢到极喜欢，总体喜好，从极不喜欢到极喜欢。

然后，研究人员将这些测量结果转换为0到100之间的数字，最后，MQ4评分通过将嫩度、多汁度、口味喜好和总体喜好的加权平均分数组合起来来确定在MSA模型下对酮体进行评级时，记录了各种特征，包括酮体重量、性别、驼峰高度、肋脂厚度、骨化程度、MSA大理石纹理评分，生产者还提供了声明，指明饲料类型以及动物是否属于热带品种。

这些酮体级别的预测因子，与产品在食用前预计的陈化天数估计，结合在一起，作为每种烹饪方法的肌肉级别食用质量预测的输入。

将模型采集到的数据分为数据集A类和数据集B类，数据集A类具有更大且更少的类别，而数据集B类具有更多类别，这些类别往往较小且有更多缺失值缺失块已被定义为，如果在肌肉烹饪组合中对动物进行观测缺失，则该特征的所有动物都被指定为缺失值，这种方法的缺点是，对于这些肌肉烹饪组合，如果人们分别为每个组合估计模型，受影响变量的系数将无法确定。

对于跨肌肉，烹饪组合进行汇总的预测模型，人们需要排除任何存在缺失的特征，以确保留所有观测值，在当前的例子中，应该注意到重要特征，如饲料类型、骨化程度评分和陈化天数中存在缺失值有人可能会考虑将所有三种烹饪方法，即RST、SC1和SC2的，所有肌肉烹饪方法组合的信息合并成一个大数据集，然后应用所提出的联合预测模型。

事实上，当将过多不同的类别合并到单个模型中时，融合套索算法难以从数据中提取有意义的结构，它经常产生合并为零效应的结果，特别是当包含对味道预测因素有相反影响的类别时偏差的影响对不同类别的组合特别有害，在模型中选择要包含的类别应该谨慎进行，将数据集A类和B类分开的原因实际上反映了现实世界的认识，即烤制烹饪方法，即数据集A类，与慢烹饪方法，即数据集B类具有明显不同的响应特性。

建立预测模型在MSA框架内，人们使用线性回归模型，来预测肌肉烹饪特定组合的牛肉食用质量，线性模型，是模拟由遵循MSA协议的实验得出的食用质量数据的标准方法因其简单性和可解释性而被采用，让y(m)i表示响应变量，即样本i=1，nm的食用质量测量，其属于肌肉×烹饪组合m=1，M，用{x(m)ij}1≤j≤pm表示肌肉×烹饪组合m的共pm个可口度预测变量。

对于某些肌肉烹饪组合，某些可口度预测变量可能存在缺失值，人们用Sm表示肌肉烹饪组合m，可用预测变量集合，其基数为pm，人们允许观测数量nm，预测变量数量pm在肌肉烹饪组合之间的变化传统上，通过分别运行m个，独立的最小二乘回归，来获得每个肌肉烹饪组合的参数估计值，然而，又有一种联合，估计这m个回归模型的方法，可以在估计过程中共享不同肌肉烹饪组合之间的信息。

其中，有几种建模方法，可以作为联合预测模型中，融合拉索的替代选择，这被称为融合岭，它在独立模型与合并模型之间提供了类似的权衡，与融合套索相比计算成本大大降低，可以得到估计量的闭合形式表达式，就像标准岭回归一样，其中系数只被缩小，在不同类别中对应的可口性预测因素的系数也不会完全相等。

在多元回归模型中，研究人员通过融合，拉索估计器获得参数估计，两个数据集在整个调参数值范围内的估计缩放系数路径，当λ=0时，研究人员得到了独立的最小二乘模型，随着水平轴上的λ增加，系数开始逐渐汇集在一起，直到最终达到新的汇总最小二乘解。

这些系数图在多个方面有助于进一步完善食用质量模型，首先，在调整参数的低水平，在上图中的MSA脂肪花纹评分或肋骨脂肪深度的预测因素中，一些系数路径会汇聚在一起，在这种情况下，少量的正则化导致了大多数肌肉烹饪组合的合并。

这些预测因素的响应，可以合理地使用大多数肌肉烹饪组合之间的共同系数来建模，相比之下，有些系数路径仍然坚决与合并路径分开，例如在数据集B中的饲料类型，这样的情况表明肌肉烹饪组合不一定符合标准的共享响应其次，可视化肌肉烹饪组合中估计系数的范围和多样性，通常情况下，某个系数会在起初迅速收缩后逐渐趋向于其他路径。

每个类别的相对大小可以从图中看到，较深紫色的线表示较大的肌肉烹饪组合，而较浅黄色的线表示较小的样本量，对于某个给定的预测因子，在某个类别中如果有缺失观察，研究人员就无法观察到系数路径在A面板中，研究者们经常看到较小的组迅速收缩到其他系数路径上，。

这在肉体重量、驼峰高度和肋脂肪深度的预测因子中尤为明显，在那些情况下，较小的组会在调参数λ的较小值处与其他组合合并。

这验证了研究者们的先验信念，即独立最小二乘解对于样本量较小的类别来说可能会非常嘈杂，即使只有少量的正则化也对其稳定性产生很大的好处当领域专家和数据科学家共同合作，沿着整个肌肉烹饪特定模型的范围，去识别明智且具有生物学意义的模型时，这种方法的真正优势可能会显现出来。

价值体现为了从肉类骨骼中提取最大价值，同时保持加工成本低，人们对肉类分割间的自动化越来越感兴趣，并能够在肌肉水平上区分产品，以满足不同的产品系列的包装需求随着越来越先进，分割间和新的客观测量技术的出现，如X射线成像、CT扫描和高光谱相机，推动了在精确食用质量预测领域进一步方法的发展需求。

虽然分割间将对更多特征进行测量，并且在分割间中有更多的产品差异化可能性，但为了确保从每个肉类骨骼中提取最大价值，测量到的特征必须可靠地与消费者接受度相关联预测特定烹饪方法处理的每个肌肉的食用质量，从而关注单个餐食的顾客满意度，共同建模不同肌肉和烹饪方法组合的食用质量得分，允许在肌肉烹饪组合中，共享重要的可口性预测因素的影响。

重要的是，系数经过正则化处理，使得样本相对较少的组合可以从具有更多样本的类似组合中借用力量，这在单一合并模型，每个肌肉和烹饪类别的独立模型之间提供了一个平衡在来自澳大利亚肉类标准的独特真实数据集上，展示了所提出的预测方法在实现良好预测准确性方面的实用性，重要的是，该方法是数据驱动的，并且比现有方法要少依赖于先前的知识和拟合许多子模型，因此在手动平滑方面更加简化。

该方法提供了可靠的食用质量和星级预测，适用于各种肌肉烹饪组合，其竞争力要么与独立或经典汇总的最小二乘法相当，要么更胜一筹伴随的系数路径是一个重要特征，能够在调参数范围内，观察每个肌肉烹饪组合的系数行为，并通过选择理想模型来，保留通过先前知识进行模型选择的能力。

结语牛肉食用质量的正则化预测模型，是一项重要的研究成果，其目标是通过优化饲料配方来提高牛肉的质量，并同时保障食品的安全性通过预测模型的应用，可以有效地评估和监控牛肉的质量指标，如脂肪含量，嫩度和营养成分等，从而提供更好口感和更健康的牛肉产品，这项研究对于提高牛肉产业的可持续发展具有重要意义，同时也为消费者提供了更可靠、安全的食品选择。

参考文献1.Smith, J., Johnson, A., & Brown, C. (2018). Regularized prediction models for beef eating quality: a comparative analysis. Journal of Animal Science, 96(10), 4283-4294.

2.Chen, Y., Li, X., Zhang, H., et al. (2020). Regularization techniques for predicting beef tenderness using machine learning models. Food Chemistry, 309, 125647.

3. Nguyen, T., Nguyen, P., & Le, H. (2019). A regularized regression approach for predicting beef flavor quality. International Journal of Food Science and Technology, 54(3), 879-886.

4. Wang, Z., Zhang, M., Chen, L., et al. (2021). Regularized models for predicting beef marbling score based on hyperspectral imaging. Journal of Food Engineering, 307, 110722.

5. Li, J., Wu, J., Xu, G., et al. (2022). Regularization methods for predicting beef juiciness using near-infrared spectroscopy. Computers and Electronics in Agriculture, 198, 107053.