影响啤酒风味物质简述

影响啤酒风味的物质可分为：醇、酯、羰基化合物、酸、含硫化合物、胺（挥发性）和酚基化合物等，而来源于产生于这种物质主要是：麦芽、谷物辅料、酒花、酵母的发酵等，这里主要阐述由于发酵作用而产生的影响啤酒风味的形成机理，当然双乙酸也是影响啤酒风味的重要原因之一。     

影响啤酒风味物质简述

影响啤酒风味的物质可分为醇、酯、碳基化合物、酸、含硫化合物、胺（挥发性）和酚基化合物等。产生这种物质主要来源是麦芽、谷物辅料、酒花、酵母的发酵等。主要阐述了由于发酵作用而产生的影响啤酒风味的形成机理。双乙酰也是影响酒风味的重要原因之一。     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

啤酒风味物质对啤酒风味的影响及控制的研究

啤酒中微量风味物质的含量及正确配伍,赋予了啤酒最佳的口味。讨论了风味物质的影响及其相应的控制。     

基于径向基函数神经网络的体质评估系统的设计

本文将径向基函数神经网络的方法运用到体质评估系统的设计中,获得了对于系统专家知识逼近性能更好的咨询结果     

压力对啤酒风味物质的影响

以酵母菌为研究对象,以气体为加压介质,用麦芽汁作啤洒发酵培养基,研究了不同压力对酵母菌生长以及产生的啤酒风味物质的影响.结果表明,压力对啤酒风味物质的形成有较大影响:即双乙酰生成速率和还原速率都随着压力的升高而降低;醇类、酯类的产量也随着压力的升高而降低;而乙醛的产量却都随着压力的升高而增加.     

啤酒中的风味物质及其防止啤酒风味老化的措施

通过对啤酒中的风味物质及其阈值的分析,研究了防止啤酒风味老化的措施。     

啤酒风味物质的来源及控制

一、啤酒中的醇类在厌氧发酵过程中,产生酒精及ＣＯ２,同时也产生大量的醇类,象高级醇、杂醇,它们是啤酒的重要组成部分。主要形成于酵母蛋白的合成途径,是由酮酸产生的。由麦汁中的氨基酸脱氨转氨作用或由淀粉合成作用形成酮酸,酮酸经氧化还原作用转化成高级醇。啤...     

基于智能优化型径向基神经网络的板形模式识别研究

针对传统基于神经网络的板形模式识别方法具有网络精度较低、在线识别速度慢和网络模型建模复杂等技术问题,提出了一种基于智能优化型径向基神经网络的板形模式识别方法.在基于训练数据进行神经网络建模过程中,采用一种改进的粒子群优化控制算法进行网络架构节点数目和网络参数值的离线优化,因而所得方法具有网络结构简单、泛化能力强等优点.仿真实验结果表明,该方法是一种有效板形模式识别方法,有利于提高板形控制精度.     

GC-MS法分析西瓜精酿啤酒中的风味物质

为了研究分析西瓜精酿啤酒中的风味物质,采用静态-顶空固相微萃取（HS-SPME）结合气相色谱-质谱（GC-MS）联用的方法,对西瓜精酿啤酒及普通精酿啤酒中的风味物质进行了对比分析。结果表明,从西瓜精酿啤酒中共分离出48种物质,确定了其中的36种物质;从普通精酿啤酒中共分离出42种物质,确定了其中的41种物质。与普通精酿啤酒确定风味成分相比,己酸乙酯、癸醛、可卡醛、壬酸乙酯、癸酸乙酯等11种物质仅在西瓜精酿啤酒中检出,这些成分赋予了西瓜精酿啤酒独有风味。     

基于径向基神经网络的储粮通风智能决策研究

仓储通风技术的不断发展可以为储粮的安全提供更好的保障.针对现今机械通风中存在的通风决策问题,在研究了径向基函数神经网络的基础上,提出了一种基于径向基神经网络的储粮通风智能决策模型.以山西省洪洞储备粮直属库的仓储通风进行实例分析,实验和测试结果表明,径向基神经网络输出的通风决策结果和通风专家对通风模式的决策结果有很好的符合度,该模型具有很好的泛化能力,可为仓储通风决策提供一种新的解决方案.     

毛细管柱顶空气相色谱/质谱法分析奶啤中的风味组分

采用毛细管柱顶空气相色谱/质谱法分析奶啤中的风味组分,共检测出20种主要风味成分,它们分别属于酯类、醇类、醛类化合物。此方法操作简便、快速,为研究工作者提供了一种检验产品风味的有效手段。     

反吹-气相色谱法快速检测啤酒中的主要风味物质

采用反吹技术改进了气相色谱检测啤酒中乙醛、高级醇、高级酯等10种主要风味物质的方法。用配备毛细管色谱柱、氢火焰离子化检测器及微板流控装置的气相色谱仪,对啤酒直接进样,建立了一种快速分析的气相色谱分析方法。结果表明,采用内标法定量,啤酒中10种主要的风味物质具有良好的线性关系（R2＞0.999）。对同一啤酒五次进样,测得的相对标准偏差为0.13%～2.77%。对啤酒加标回收,回收率达到96%～104%。采用反吹技术可以省去复杂的样品前处理,有效降低样品基质的影响,缩短样品的分析时间,提高效率,减少材料消耗。该方法以期能快速检测生产过程中啤酒的风味物质含量,有针对性控制啤酒的生产工艺,提高啤酒的质量。     

基于主成分分析、神经网络对啤酒感官评价的预测

该研究运用主成分分析(PCA)结合误差反向传播(BP)神经网络对啤酒感官评价进行了预测。把啤酒中11种理化及风味指标进行主成分分析,以除去数据之间的线性相关性,提取后的理化及风味指标做为输入数据,感官评价得分作为输出数据,运用BP神经网络建立啤酒感官评价预测的模型。使用此模型对50种啤酒的感官得分进行预测,预测最大相对误差为2.68%。结果表明,主成分分析和神经网络相结合的这种方法能够准确预测啤酒感官评价得分。     

Nondestructive determination of salmon fillet freshness during storage at different temperatures by electronic nose system combined with radial basis function neural networks

This study develops a predictive model for determining freshness of salmon fillets during cold storage at different temperatures using electronic nose combined with principal component analysis (PCA) and radial basis function neural networks (RBFNNs). The electronic nose sensed ammonia/amines, hydrocarbons, solvents and aromatics that increased during storage. The concentrations of the volatiles were compared with the increased thiobarbituric acid (TBA), total volatile basic nitrogen (TVB-N), total aerobic bacteria count (TAC) and decreased of sensory assessments (SA). Gas chromatograph–ion mobility spectrometry analysis confirmed the changes in gas species. RBFNNs and PCA were used to establish predictive models and the relative errors of TBA, TVB-N and TAC by the PCA-RBFNNs model were all within ±10% and SA was within ±15%. These results suggest that the PCA-RBFNNs model can be used to predict changes in the freshness of salmon fillets stored at −2 to 10 °C.     

Comparison between the Arrhenius model and the radial basis function neural network (RBFNN) model for predicting quality changes of frozen shrimp (Solenocera melantho)

Changes in quality indices [total volatile base nitrogen (TVB-N), salt extractable protein (SEP), hypoxanthine (Hx), K-value, sensory assessment (SA), and electrical conductivity (EC)] for shrimp (Solenocera melantho) stored at ?28, ?20, and ?12°C for 112 days were investigated in this study. The Arrhenius model and the radial basis function neural network (RBFNN) model were established to predict changes in the quality of shrimp during storage. Quality of shrimp stored at ?12°C changed more quickly during 56–112 days, but those stored at ?28°C deteriorated slowly during the entire storage period. Additionally, the indicators SEP, EC, and SA all fitted to the Arrhenius model well (relative errors within ±10%), but this model did not perform well in the prediction of K-value, Hx, and TVB-N on some days. However, the RBFNN model showed excellent accuracy for all indicators (relative errors within ±0.5%). The RBFNN model performed better than the Arrhenius model in predicting the quality of shrimp stored at ?28°C to ?12°C.     

基于改进神经网络算法的蔬菜图像识别

文章提出了改进神经网络算法,建立了径向基函数神经网络模型,包括梯度下降方法求解权重参数,增大邻域半径的均值聚类方法求取隐函数中心值,利用相邻聚类中心获得核宽度,通过量子遗传算法删除冗余权重和神经元;提取了蔬菜图像的特征,并给出了算法流程。仿真试验表明,试验算法对蔬菜图像的形状特征平均识别率为97.56%,纹理特征平均识别率为95.60%,颜色特征平均识别率为93.25%,训练时间平均为5.83s、识别时间平均为2.18s,优于其他算法。     

连续发酵啤酒风味的研究

研究了工艺因素，连续时间，发酵方式等对连续发酵啤酒风味的影响，结果发现，在本连续发酵系统中，稀释率D选择0．5d^-1，温度T选择13℃，对形成良好的风味物质更为粗利，当连续时间由15d延长至90d后，只有3－甲基丁醇超过了风味阈值20％，乙酸乙酯的差异是造成连续发酵啤酒和分批发酵啤酒风味不同的主要原因。