人工神經網絡在新鮮奶酪中的應用現狀及發展前景

孫嘉，鄭遠榮，劉振民*，徐杏敏，張娟

（1.上海大學生命科學學院，上海 201899；2.乳業生物技術國家重點實驗室，上海乳業生物工程技術研究中心，光明乳業股份有限公司乳業研究院，上海 200436）

新鮮奶酪，也稱新鮮干酪，是一種以生牛乳或生羊乳為原料乳，在加工過程中不經過熟化的奶酪。新鮮奶酪通常具有質地柔軟、水分含量相對較高、奶酪味清淡、奶香濃郁的特點，因此擁有著很好的市場發展前景[1]。隨著國內生活水平的提高，人們在飲食的營養性和多樣性上展示出更大的需求，因而新鮮奶酪逐漸受到國內研究者和消費者的關注，尤其是馬蘇里拉奶酪（Mozzarella cheese）和哈羅米奶酪（Halloumi cheese）。

相較于美國、歐洲等其他國家和地區，目前我國工業化生產新鮮奶酪的廠家較少，導致國產新鮮奶酪產量難以滿足日益增長的市場需求，因此，優化新鮮奶酪的生產工藝，對提高奶酪的生產得率顯得十分必要。然而，新鮮奶酪的生產過程具有多變量耦合性，因而僅通過試驗的方式來尋求最優生產工藝具有一定難度，且容易導致產品研發周期過長、試驗成本過高、優化結果不理想等問題。因此，當前在新鮮奶酪生產工藝方面缺乏一種科學高效的工藝優化方法。

人工神經網絡是一種能夠模仿生物進行歸納、學習、分析和邏輯思考等神經行為的數學模型，通常簡稱為神經網絡或類神經網絡。經過近80年的發展[2]，ANN 已經具備了良好的智能性，并憑借其強大的自學習能力和高速尋優能力，在圖像處理、醫學、生物學等領域中均得到了廣泛應用。在食品中的新鮮奶酪領域，ANN 目前多用于對生產和貯存過程中的指標數據進行預測，并取得了很好的應用效果。

1 新鮮奶酪的種類及研究進展

受各地奶源品質差異和飲食習慣不同的影響，各個國家或地區出現了各種具備當地特色的新鮮奶酪[3]，如意大利的馬蘇里拉奶酪、法國的白干酪（fromage frais）、英國的農家奶酪（cottage cheese）、丹麥的奶油奶酪（cream cheese）以及塞浦路斯的哈羅米奶酪等。其中，馬蘇里拉奶酪是全球產量最多、應用最為廣泛的新鮮奶酪，而哈羅米奶酪在近幾年逐漸成為研究熱點，因此本文選取這2 種新鮮奶酪進行重點介紹，為未來該新鮮奶酪的生產研究和優化提供參考。

1.1 馬蘇里拉奶酪

馬蘇里拉奶酪是一種拉伸型的半硬質奶酪，呈乳白色或乳黃色，口感清淡、味道柔和、并具有一定咀嚼性。在馬蘇里拉奶酪的生產加工中，熱燙拉伸是其獨特工藝。這一工藝使得馬蘇里拉奶酪具備纖維狀的蛋白結構以及融化拉絲的功能，因此馬蘇里拉奶酪通常被用于制作比薩、漢堡夾心、意面調料、焗飯調料等[4]。馬蘇里拉奶酪的工藝流程如圖1所示。

圖1 馬蘇里拉奶酪的工藝流程Fig.1 Preparation process of mozzarella cheese

目前，國內外學者對馬蘇里拉奶酪的原料乳及關鍵工藝參數的影響展開了較多研究。在原料乳方面，Gon?alves 等[5]研究表明，牛奶中脂肪含量的降低會引起馬蘇里拉奶酪硬度的增加，進而導致其融化性降低。Bhat 等[6]研究了不同奶源（牛奶和水牛奶）對馬蘇里拉奶酪化學特性、流動性和感官特性的影響，研究結果顯示，由牛奶制備的馬蘇里拉奶酪的蛋白含量更高、彈性更好、感官品質更好，而由水牛奶制備的馬蘇里拉奶酪的脂肪含量更高、奶酪得率更高。盡管馬蘇里拉奶酪在生產時具有高溫拉伸過程，但這并不能完全消除奶酪中的病原體，因此仍需對原料乳進行巴氏殺菌處理。根據Rynne 等[7]研究，巴氏殺菌溫度為72 ℃最佳，更高的溫度會降低馬蘇里拉奶酪的流動性和拉伸性，更低的溫度會降低殺菌效果。在發酵pH 值方面，Mcauliffe 等[8]認為馬蘇里拉奶酪的最佳pH 值范圍為5.2～5.5，低于該范圍的pH 值會導致酪蛋白流失，高于該范圍的pH 值會導致奶酪中的鈣含量偏高，從而影響硬度和流動性。在添加鹽方面，張文青等[9]研究了3 種鈣鹽對再制馬蘇里拉奶酪質構的影響，認為3 種鈣鹽按影響力大小的排序為檸檬酸鈣＞氯化鈣＞乳酸鈣，并且3 種鈣鹽的最適添加量分別為1.0%，2.0%和1.5%。熱燙拉伸過程對奶酪的功能特性和得率均有一定影響[10]。因此，周穎喆[4]研究了熱燙溫度（40、60 ℃和80 ℃）和拉伸程度（40、80 次和120 次）對馬蘇里拉奶酪功能特性的影響，并認為60 ℃下中高程度的拉伸處理更能保證奶酪良好的功能特性。此外，Fox 等[10]研究了拉伸時間（180、420 s 和600 s）和拉伸溫度（55、60 ℃和70 ℃）對馬蘇里拉奶酪得率的影響，與恒溫下凝乳的初始質量相比，當拉伸溫度從55 ℃升高到70 ℃，奶酪產量會從0.88 g/g 降低到0.59 g/g，并且得率會隨著拉伸時間的延長而降低。因此，綜合來看，55～60 ℃的拉伸溫度有利于保證奶酪具有良好的功能特性和較高的得率，而較多的拉伸次數（即拉伸時間更長）雖然有利于提高奶酪的功能特性，但會導致奶酪得率降低，這需要在實際生產中進行權衡。此外，為提高馬蘇里拉奶酪的保質期，劉沛毅等[11]通過應用一種新型凝膠鹵水的方式，將馬蘇里拉奶酪的保質期提高了10 d 以上。在工藝參數優化方面，目前傳統的方法是將正交試驗法[12]與響應面分析法[13]相結合，這一方法能夠通過合理設計試驗方案的方式來減少試驗次數，但由于回歸方程相對簡單，因此計算值與試驗值之間的誤差通常較大。

1.2 哈羅米奶酪

哈羅米奶酪是一種煎烤型的半硬質奶酪，多呈金黃色。新鮮哈羅米奶酪具有溫和的奶油風味，呈現無孔半固體狀態，富有彈性而易切割[14]。區別于其他新鮮奶酪，在哈羅米奶酪的生產加工中，其凝乳過程可以僅使用凝乳酶而不添加其他發酵劑[15]。此外，經過在乳清中進行燙漂[16]，哈羅米奶酪具有了更好的抗融性，因此其通常作為燒烤或油炸食品的原料。哈羅米奶酪的工藝流程[17]如圖2所示。

圖2 哈羅米奶酪的工藝流程Fig.2 Preparation process of halloumi cheese

在原料乳的選取上，有研究對比了羊奶和牛奶的差異。在以羊奶為原料制備哈羅米奶酪時，奶酪的得率和蛋白質含量相對更高，但容易保留羊奶的奶腥味，從而在一定程度上影響奶酪的口感和風味[18]。作為對比，在以牛奶為原料時，哈羅米奶酪的奶香味更易被人們接受，但奶酪的咀嚼性相對較差[16]。根據趙賽楠等[18]研究，綜合考慮奶酪得率、質地和感官評分，當牛羊乳體積比為1∶1 時，奶酪的整體情況最佳，此時的奶酪得率為11.99%。此外，趙賽楠等[19]認為65 ℃和30 min的巴氏殺菌條件，0.015%的CaCl2添加量以及分級壓榨（先0.2 MPa 預壓20 min，后0.6 MPa 壓榨40 min）是哈羅米奶酪的最佳工藝方案。Kaminarides 等[20]研究了加熱排乳清時間對哈羅米奶酪化學特性、結構特性以及揮發性成分的影響，研究結果表明：通過加熱乳排清工藝，奶酪中的Ca 和P 含量會增加，硬度會由于水分的顯著降低而增大，揮發物中醇類化合物的占比降低，而γ-十內酯、3-羥基丁醛、2-呋喃甲醇和2-羥基呋喃酮的占比會增加。之后，該研究通過感官評價，認為30 min 的加熱排乳清時間優于60 min。為了進一步探究加熱排乳清過程的影響，李紅娟等[21]研究了加熱排乳清溫度（60～90 ℃）對哈羅米奶酪理化特性的影響，研究表明，隨加熱溫度升高，奶酪的油脂析出性、硬度、脂肪含量逐漸增大，而蛋白質、水分含量的變化不明顯，綜合評價后認為加熱溫度為80～90 ℃最佳，此時的哈羅米奶酪質地較為堅硬，油脂易于析出，品質相對較好。為了進一步分析不同鹽漬過程的影響，Kaminarides 等[22]對比了干鹽漬和鹽水鹽漬對哈羅米奶酪化學和結構特性的影響，試驗發現：經鹽水鹽漬的奶酪，其水分含量會隨著鹽水濃度、鹽水溫度以及鹽漬時間的增加從53.55 g/100 g 逐漸降低至45.53 g/100 g，且其鉀、鈣、鎂、磷的含量均低于干鹽漬，因此，該研究認為干鹽漬更適合于哈羅米奶酪。Kamleh 等[23]通過試驗觀察不同冷藏溫度下哈羅米奶酪微生物的變化情況，發現當冷藏溫度從15 ℃降低至5 ℃時，奶酪的保質期會從37.8 d 增加至79.6 d。

2 人工神經網絡概述

人工神經網絡的概念最早由心理學家McCulloch和數理邏輯學家Pitts 于1943年提出[2]。之后，Rosenblatt[24]進一步提出了感知機的概念。但是，作為第一代神經網絡，感知機的單層結構限制了其自學習的能力，因此只能被用來處理一些線性問題[25]。第二代神經網絡出現于19世紀80年代，由Hopfield 等[26]和Rumelhart等[27]提出。相較于第一代，其優點是采用了多層結構，并使用了反向傳播（back-propagation，BP）算法，通用性更好，但仍存在網絡收斂速度慢、容易出現局部最小值的問題。因此，Hinton 等[28]于2006年提出了第三代人工神經網絡，也被稱為深度置信網絡（deep belief networks，DBN）。卷積神經網絡（convolutional neural network，CNN）和全連接神經網絡（fully connected neural network，FCNN）是2 種常見的深度算法[29]。相比于第二代人工神經網絡，DBN 降低了學習隱藏層參數的難度。以下對當前應用較為廣泛的3 種ANN 模型進行詳細介紹。

2.1 多層感知器神經網絡

單層感知器（single-layer perceptron，SLP）是人工神經網絡最基本的模型，其結構示意圖如圖3所示。

圖3 SLP 示意圖Fig.3 Schematic diagram of SLP

由圖3 可知，在SLP 工作時，首先將輸入值xi和權值wj分別相乘，求和后經激活函數運算后進入輸出層，進行輸出。在SLP 基礎上提出的多層感知器（multi-layer perceptron，MLP）共分為3 層，分別為輸入層、隱藏層（一層或多層）和輸出層。MLP 的具體計算公式如下。

Key words: “Internet +”; professional ability of university teachers; strategies for professional development

式中：x為輸入層的輸入；z為隱藏層的輸出；i、j、p為神經網絡節點的標號；n為層數的索引；w、w0分別為神經元間的權重和偏向；a為輸出層的輸入；F（·）為激活函數；y為輸出層的輸出。

僅含有一個隱藏層的MLP 示意圖如圖4所示。

圖4 含有一個隱藏層的MLP 示意圖Fig.4 Schematic diagram of an MLP with one hidden layer

相比于SLP，MLP 具有很好的非線性計算能力和全局優化的特點，因此，MLP 能夠很好地應用于相對復雜的非線性目標的預測[30]。目前，MLP 在奶酪研究中已經得到了廣泛應用。Barile 等[31]將MLP 與主成分分析（principal component analysis，PCA）相結合，實現了對奶酪產地的準確鑒定。Cho 等[32]將壓電和超聲傳感器測量的數據輸入MLP 中，建立了能夠高精度預測奶酪楊氏模量和硬度的ANN 模型，預測精度分別達到97.5%和98.4%。Soto-Barajas 等[33]驗證了利用脂肪酸和近紅外光譜數據建立的MLP 模型預測乳酪乳型和成熟程度的可行性。此外，Santos 等[34]和Ghasemi-Varnamkhasti 等[35]還分別研究了MLP 在奶酪分類上的應用，研究結果均表明所建立MLP 模型能夠實現奶酪的有效識別和分類。然而，盡管MLP 具有上述優點，但由于缺少對輸出結果誤差的反饋修正，MLP 容易出現訓練誤差遠小于測試誤差的問題，即產生過擬合現象。

2.2 反向傳播神經網絡

反向傳播神經網絡的結構如圖5所示。圖5 中各字母注釋與上式（1）～式（3）保持一致，因此不再重復。

圖5 BP 神經網絡示意圖Fig.5 Schematic diagram of BP neural network

相較于MLP，BP 增加了由輸出層向隱藏層的反向傳輸，即圖5 中的虛線。其作用是傳輸實際輸出與期望輸出之間的誤差，并以此為依據不斷地調整式（1）～式（2）中的權重和偏向來減小誤差，最終達到實際輸出接近期望輸出的目的。從本質上講，BP 算法就是采用梯度下降法來計算網絡誤差平方最小值的一種局部優化技術。BP 神經網絡是目前應用最為廣泛一種的神經網絡。Morita 等[36]利用BP 神經網絡成功地識別和排序了影響奶酪感官評分的香氣成分，并實現了對奶酪質量的快速評價。Hernández-Ramos 等[37]研究了使用BP 神經網絡預測奶酪生產所用牛奶的體細胞數量的可行性，并認為脂肪酸度是影響該模型正確運作的關鍵變量。

2.3 卷積神經網絡

卷積神經網絡（CNN）是一種深度算法，具有自動提取輸入目標特征，并能按規律進行分類的功能，主要應用于圖像處理、目標識別和自然語言處理等領域[38]，其示意圖如圖6所示。

圖6 CNN 示意圖Fig.6 Schematic diagram of CNN

區別于MLP 和BP 神經網絡，CNN 的各層是由神經元組成的二維平面所構成，且其隱藏層由三部分組成，分別為卷積層、池化層和全連接層。其中，卷積層是CNN 的關鍵步驟，其作用是對輸入層進行特征提取。卷積層的輸出通過池化層進行壓縮，以簡化網絡計算的復雜度。在進行池化處理時，一般選取均值池化法或最大池化法[39]。全連接層則是負責將池化層提取到的特征圖轉變為特征向量，并將這些特征進行非線性組合，以此得到輸出。

CNN 是近年來逐漸興起的深度神經網絡，因此，相較于MLP 和BP，CNN 在奶酪研究中的應用還相對較少。將計算機視覺和圖像分析方法與CNN 相結合是一種能夠實現奶酪品質評價的新方法[40]，相較于傳統的評價方法，該方法將更加高效、可靠。

3 ANN 在新鮮奶酪中的應用

在使用傳統的工藝優化方法時，如正交試驗法、響應面分析法等，即使選取的工藝參數和優化目標不同，但其優化流程大致相同。基于ANN 的工藝優化方法同樣具有這一特點。也就是說，雖然不同ANN 方法的使用方式各有差異，但在使用ANN 對新鮮奶酪的生產工藝參數進行優化時，其流程大致相同。圖7 為以感官評分為優化目標，對某一生產方案進行優化時的流程示意圖，主要包括以下4 個步驟：設計正交試驗并建立數據樣本、訓練并檢驗神經網絡模型、對新工藝參數組合進行預測、試驗檢驗。

圖7 基于人工神經網絡的工藝優化流程示意圖Fig.7 Schematic diagram of process optimization based on artificial neural network

3.1 在發酵過程中的應用

奶酪的發酵機理比較復雜，這使得建立發酵質量的評估模型具有很大的挑戰性。第一性原理模型已經被用于奶酪發酵過程的研究[41]。然而，由于第一性原理模型計算所需的一些數據不能被直接測量，如生物量、底物乳糖和產物乳酸等，使得第一性原理模型不能及時地獲取發酵情況[42]。因此，需要尋找一種更為高效、可靠，且能夠及時預測和反映發酵情況的替代模型。為了驗證ANN 作為替代模型的可行性，Ebrahimpour 等[43]建立了一種用以預測奶油奶酪發酵pH 值的ANN 模型，并將ANN 模型預測結果與基于第一性原理所建立的動力學模型作比較。研究結果表明：由于pH值不能簡單地與模型狀態（如乳酸濃度）相關聯，因此使用動力學模型很難實現對發酵pH 值的準確計算；而在使用ANN 模型時，雖然在預測發酵過程中間pH值時有一定誤差，但對發酵結束時pH 值的預測準確度較高，預測值與試驗值之間的相對誤差僅為0.2%～1.5%。此外，ANN 模型的輸入量為可直接測量獲取的數據，這將有利于在大規模實際生產中，及時對發酵過程進行調整和優化，以保證奶酪的最終質量。

3.2 在鹽漬過程中的應用

在鹽漬過程中，浸泡在飽和鹽溶液中的奶酪會在其表面形成一層薄膜，該薄膜對不同鹽溶液的擴散有不同的阻礙作用。為了研究NaCl 和KCl 在馬蘇里拉奶酪表面薄膜中的擴散速率，Borsato 等[44]基于COMSOL Multiphysics 軟件建立了三維有限元模型，模擬了NaCl和KCl 在奶酪表面薄膜中的擴散過程。使用仿真軟件是一種很好的研究手段，但是仿真結果會在一定程度上受到模型簡化處理的影響，從而導致其與試驗結果之間出現一定誤差。為了驗證通過ANN 實現對NaCl和KCl 擴散速率預測的可行性，Borsato 等[44]建立了一種MLP 神經網絡，以鹽漬時間、鹽濃度以及鹽水有無攪拌作為輸入數據，以NaCl 和KCl 擴散到奶酪不同位置的時間作為輸出數據，研究表明：在5%置信水平（Tukey 檢驗）下，MLP 神經網絡的預測結果是可信的。之后，De Oliveira 等[45]還進一步通過可視化的自組織圖（self-organized maps，SOM）神經網絡研究了馬蘇里拉奶酪表面薄膜對Na+和K+擴散的影響，并得到了相似的結論。

3.3 在預測質構特性中的應用

奶酪的成分參數對其質構特性具有直接影響，如奶酪中的鈣含量與其硬度成正比。對于馬蘇里拉奶酪來說，奶酪硬度的增加意味著其流動性的降低[46]。因此，需要先采取合適的方法將馬蘇里拉奶酪的鈣含量與流動性相關聯，以在實際生產過程中控制其鈣含量大小。Ganesan 等[47]建立了一種BP 神經網絡模型，實現了基于馬蘇里拉奶酪鈣含量的流動性的預測，并將該模型的預測精度與傳統的統計回歸模型進行了比較，研究結果表明：在以奶酪的熔融面積、軟化溫度、軟化時間、融化時間、流動程度和流動速率為預測目標時，回歸模型的預測值與試驗值之間的R2分別為0.57、0.52、0.66、0.74、0.53 和0.67，而BP 神經網絡模型的預測值與試驗值之間的R2分別為0.92、0.89、0.95、0.97、0.95 和0.99。相關系數越接近于1.0 表示模型的預測結果越接近于試驗結果。該研究表明，相較于統計回歸模型，ANN 模型在預測精度上具有明顯優勢。

3.4 在預測保質期中的應用

保質期以及奶酪存放一段時候后的酸度是評價新鮮奶酪的兩個重要指標。奶酪的保質期受存儲環境的溫度、濕度以及包裝條件等因素影響。為了評估ANN模型對新鮮奶酪保質期及酸度的預測能力，Sánchez-González 等[48]建立了一種BP 人工神經網絡模型，并利用Weibull 分析法來計算奶酪的保質期。研究結果表明，在對保質期和酸度分別進行預測時，BP 人工神經網絡模型的R2分別為0.999 6 和0.689 7。因此，結合Weibull 分析法的BP 人工神經網絡模型能夠很好地預測奶酪的保質期，但在預測其酸度時表現一般。

3.5 在預測滲濾液量中的應用

放置一段時間后，馬蘇里拉奶酪會釋放出少量的滲濾液，這將直接影響奶酪的口感和消費者的喜愛程度。研究表明，奶酪的原料乳、切割方式以及包裝方式會對馬蘇里拉奶酪釋放的滲濾液量產生影響[49]，具體表現：相較于鹽水包裝，馬蘇里拉奶酪在真空包裝下的滲濾液量明顯更多，同時，在真空包裝下，奶酪的切割方式會對滲濾液產生顯著影響；此外，在牛奶中添加羊奶能夠在一定程度上削弱真空包裝對滲濾液釋放的影響。為了實現對馬蘇里拉奶酪滲濾液的預測，Biegalski 等[49]建立了一種MLP 人工神經網絡，模型的輸入包括4 個獨立變量，分別為時間（24 h 內）、原料類型（牛奶或牛羊奶）、奶酪切割方式（整份、1/4 份、切片）以及包裝方法（真空包裝和鹽水包裝），模型的輸出為不同時間下滲濾液的體積。在該研究中，模型預測結果的R2達到了0.996。因此，Biegalski 等[49]認為ANN 模型可用于馬蘇里拉奶酪的生產工藝優化，并有潛力應用于其他新鮮奶酪的加工中。這一結論進一步支撐了ANN 在當前新鮮奶酪的工藝優化中有著很好的發展前景。

3.6 ANN 的優勢及存在的問題

通過上述研究可以看出，在新鮮奶酪的研究中應用ANN 方法主要有以下優勢：1）相較于傳統的預測模型，ANN 模型在預測精度上具有明顯優勢；2）在通過ANN 進行預測時，對模型輸入量的約束更少，可使用能夠直接測量獲取的數據，因此更容易實現對生產過程的及時調整和優化；3）ANN 能夠避免預測結果受仿真模型簡化處理的影響，使預測結果更為可靠。

然而，ANN 方法在當前應用時仍存在以下問題：1）相較于ANN 在其他相關食品領域中應用的廣泛性，比如在成熟奶酪[34-35，50]或牛奶[37]中，當前在新鮮奶酪領域中，基于ANN 方法開展的研究相對較少，這體現在ANN 尚沒有被應用于多種關鍵工藝的研究中，如馬蘇里拉奶酪的熱燙拉伸工藝、哈羅米奶酪的加熱排乳清和燙漂工藝等；2）在以往的研究中，所應用的ANN模型多為第二代人工神經網絡，而缺少對已經發展成熟的第三代深度神經網絡的應用，且缺少對不同神經網絡方法應用效果的橫向對比以及對ANN 模型本身參數的優化；3）當前研究更多是將ANN 模型用于單個目標結果的預測，而沒有進一步將該方法用于生產過程的多工藝參數優化。

3.7 ANN 在新鮮奶酪領域中的發展前景

目前，我國是全球主要的乳制品進口市場之一。僅2021年，我國進口的乳品數量就累積達到了395 萬t，累積金額高達1 382.55 億人民幣，累積數量和累積金額分別比2020年同期增加18.5%和13.9%[51]。這表明，國內乳制品的生產量與需求量之間尚存較大差距。此外，由于國內對乳制品質量的要求也在不斷提升，迫使國內乳制品行業進入快速發展和升級階段[52-53]。而新鮮奶酪憑借其獨特的口感和高營養價值的優勢，將受到更多青睞。因此，結合ANN 方法，加快新鮮奶酪的研發和工藝優化進度，將為企業快速占據國內市場提供關鍵支撐。

通過對馬蘇里拉奶酪和哈羅米奶酪的調研可以看出，新鮮奶酪的評價指標往往不是單一的，需兼顧生產得率、感官評分、保質期等多個指標，且這些指標又受到不同生產過程的影響。因此，在之后的研究中，ANN 方法的發展前景如下：1）將ANN 方法用于更多工藝參數的研究中，如馬蘇里拉奶酪的熱燙拉伸過程、哈羅米奶酪的加熱和燙漂過程等，進一步明確各工藝參數對不同評價指標的影響力大小，為后續關鍵參數的選取提供參考；2）將ANN 用于多目標（如奶酪得率、感官評分等）預測，并結合遺傳算法、魚群算法等方式對預測結果進行尋優，實現對生產過程的多工藝參數優化，從而獲得綜合評分最佳的新鮮奶酪；3）構建和應用結合深度算法或模型本身參數被深度優化的ANN 模型，進一步提高ANN 模型的預測能力和計算精度。

4 結語

近年來，國內對新鮮奶酪領域的研究逐漸增加，但在該領域內缺少對人工神經網絡方法的關注，而國外基于人工神經網絡方法已在該領域內取得一定研究成果，并證明了該方法具有很好的應用前景。通過研究人工神經網絡方法在新鮮奶酪領域中的研究進展，提供了一種科學、高效且同樣具有普適性的工藝優化思路，并分析了應用該方法的優勢以及當前存在的主要問題。之后，指出了該方法在新鮮奶酪領域內的未來發展前景，即使用深度人工神經網絡模型，并結合遺傳算法和魚群算法等尋優方式，實現對生產過程的多目標預測和多工藝參數優化，從而提高新鮮奶酪的優化效率和綜合評分。