崔方超，毛智超，李婷婷，励建荣*

    (1 渤海大学食品科学与工程学院 生鲜农产品贮藏加工及安全控制技术国家地方联合工程研究中心中国轻工业海水鱼加工重点实验室 辽宁锦州121013 2 大连民族大学生命科学学院 辽宁大连 116600)

    水产品营养丰富，含有大量的蛋白质、维生素和矿物质，是保持人体健康的重要营养物质。水产品在死后容易受到微生物、内源酶以及周围环境的影响而导致腐败变质[1]。货架期是消费者判别食品新鲜度和品质安全的重要依据之一[2]，因此构建一个准确的水产品货架期预测模型显得尤为重要。

    在构建模型之前，需要选取能够指示水产品新鲜度的指标。在内源酶或细菌降解的作用下，水产品体内的挥发性盐基氮(TVB-N)会不断增加，TVB-N 常被作为评价水产品新鲜度的一个重要指标。K 值是腺苷三磷酸(ATP)降解产物次黄嘌呤核苷、次黄嘌呤的和与腺苷三磷酸关联化合物总量的百分比，反映ATP 降解的整个循环，也是衡量水产品新鲜度的重要指标。菌落总数(TVC)是从微生物角度评价水产品新鲜度的一个重要指标。感官评分是人们对鱼类新鲜度最直观的打分，也是评价水产品新鲜度不可或缺的一个指标[1，3]。本研究采用TVC、TVB-N、K 值、感官评分等新鲜度指标来预测水产品的剩余货架期。

    传统的货架期模型一般是基于动力学方法建立的，包括化学动力学和微生物动力学[2]。雷志方等[4]利用动力学模型并结合Arrhenius 方程，根据金枪鱼的相关新鲜度指标建立金枪鱼的货架期预测模型，结果表明根据不同的新鲜度指标建立的货架期预测模型的相对误差也不同，误差范围在20%之内。丁婷等[5]研究了不同储藏温度下三文鱼片中菌落总数、假单胞菌、乳酸菌等微生物的生长情况，利用微生物动力学模型结合Belehradek 方程，建立了三文鱼片的货架期预测模型，结果表明根据不同的微生物生长情况建立的货架期预测模型的相对误差是不同的，误差范围在18.9%之内。传统货架期模型是基于单一的新鲜度指标或单一的微生物生长情况来建立货架期模型，这样会导致根据不同新鲜度指标或不同微生物生长情况所建立的货架期模型的预测精度有所差别，从而使模型的预测精度降低，并且只能预测对应的一种水产品，不能够同时对多种水产品的货架期进行预测。因此，研究一种更准确、更快速且能够同时预测多种水产品货架期的预测模型迫在眉睫。

    随着机器学习的发展，基于神经网络的预测模型已经应用于化学、生物、天气、工业、食品等领域。Li 等[6]采用BP 神经网络模型预测生物气溶胶浓度，结果表明BP 模型具有较好的预测性能 ......