Prediction of sensory preference by artificial neural networks, using sweet corn varieties as an example

Sipos László; Losó Viktor; Nyitrai Ákos; Kókai Zoltán; Gere Attila: Prediction of sensory preference by artificial neural networks, using sweet corn varieties as an example. In: Élelmiszervizsgálati közlemények, (63) 4. pp. 1752-1757. (2017)

Cikk, tanulmány, mű elelmiszervizsgalati_kozlemenyek_2017_04_1752-1757.pdf Letöltés (230kB)

Absztrakt (kivonat)

According to our knowledge, there are only a few publications in available literature sources on the sensory characteristics and consumer preferences of sweet corn varieties. In our research, practical application of artificial neural networks (ANNs) is presented. In our study, 41 frozen sweet corn varieties were evaluated by a panel of expert sensory panelists (14 persons), by the method of profile analysis (MSZ ISO 11035:2001; ISO 13299:2003), on an unstructured scale of 0 to 100, then, in large-scale tests, 6 of the 41 varieties were evaluated by consumers (167 people) according to preference, on a structured scale of 1 to 9. Artificial neural networks require large amounts of data, therefore, on the expert and consumer data for the 6 varieties, 1,000 Monte Carlo simulations were run. 80% of the resulting dataset was used to train the created neural networks, and 20% was utilized to test them. The best prediction was given by the 4-node multi-layer feedforward neural network (MLFN), the smallest residues were obtained in this case during the training and the test, which were also validated by predictions on random numbers and cross-checking. Preference values of the other 35 corn varieties were predicted by this model. The most preferred variety was ‘Shinerock’ (8.46), while the least preferred ones, according to the predictions, were ‘Madonna’ and ‘Rustler’, with and average preference value of 2.7 (on a scale of 1 to 9). During the establishment of the artificial neural network model, product characteristics that are the main drivers of consumer acceptance were successfully identified: sweet taste, global taste intensity and juiciness. In general, it can be stated that prediction of the preference of different varieties is made possible by the validated product-specific artificial neural network presented.

Mű típusa:	Cikk, tanulmány, mű
Egyéb cím:	Érzékszervi kedveltség predikciója mesterséges neurális hálózatokkal, fagyasztott csemegekukorica-fajták példáján bemutatva
Rovatcím:	Tudomány = Science
Befoglaló folyóirat/kiadvány címe:	Élelmiszervizsgálati közlemények
Dátum:	2017
Kötet:	63
Szám:	4
ISSN:	0422-9576
Oldalak:	pp. 1752-1757
Nyelv:	angol
Kiadó:	WESSLING Nemzetközi Kutató és Oktató Központ Közhasznú Nonprofit Kft.
Kiadás helye:	Budapest
Befoglaló mű URL:	http://acta.bibl.u-szeged.hu/79003/
Kulcsszavak:	Élelmiszervizsgálat - módszer
Megjegyzések:	Bibliogr.: p. 1756-1757. ; összefoglalás angol nyelven
Szakterület:	02. Műszaki és technológiai tudományok 02. Műszaki és technológiai tudományok > 02.10. Egyéb műszaki tudományok és technológiák 02. Műszaki és technológiai tudományok > 02.10. Egyéb műszaki tudományok és technológiák > 02.10.02. Élelmiszer és italfélék
Feltöltés dátuma:	2023. júl. 07. 15:18
Utolsó módosítás:	2023. aug. 26. 08:18
URI:	http://acta.bibl.u-szeged.hu/id/eprint/79183

Bővebben:

Tétel nézet