Slajd 1

1
The 6th sensometrics meeting took place July 31
- August 2, 2002 at the Department of
Statistics, University of Dortmund, Germany.
108 persons from all over the world participated
in this meeting. We hope that you all had a
pleasant stay in Dortmund and took benefit from
the conference. We thank you for coming to
Germany and contributing to the conference by
presenting and discussing very different topics
of Sensometrics.
http//www.statistik.uni-dortmund.de/sensometrics/

2
(No Transcript)
3
(No Transcript)
4
(No Transcript)
5
(No Transcript)
6
(No Transcript)
7
(No Transcript)
8
(No Transcript)
9
http//www.statistik.uni-dortmund.de/sensometrics/

10
Estimating intensity of composite odours in air
samples using an artificial neural
network Joanna Kosmider, Malgorzata
Zamelczyk-Pajewska Technical University of
Szczecin, Institute of Chemical Engineering and
of Processes of Environmental Protection, Air
Odour Quality Laboratory, Aleja Piastów 42,
71-065 Szczecin, Poland
Key words intensity of odour, the artificial
smell idea, GC-ANN method
(robocza wersja polska)
11
Introduction Intensywnosc zapachu jest, obok
jakosci hedonicznej, jedna z najbardziej
charakterystycznych cech artykulów spozywczych.
Jest jedna z cech, które moga stanowic kryterium
autentycznosci aromatu podczas jego kontroli i
wplywac na akceptacje lub negacje zywnosci.
Próby sformulowania równan wiazacych
intensywnosc zapachu mieszanin odorantów z
analitycznie oznaczanymi stezeniami
poszczególnych skladników (ppm lub mg/m3) sa
dotychczas podejmowane na podstawie wyników badan
mieszanin dwóch (wyjatkowo trzech) odorantów
(Laing Willcox, 1983 Berglund Olsson,
1993). Proponowane równania nie maja charakteru
ogólnego. Ich parametry sa wyznaczane empirycznie
dla okreslonej pary zwiazków i zachowuja stale
wartosci tylko w ograniczonym zakresie stezen i
wzajemnych proporcji (Wyszynski, 2001 Kosmider
Wyszynski Zamelczyk-Pajewska, 2002). Z
wymienionych wzgledów analityczna kontrola
przebiegu produkcji artykulów spozywczych i
jakosci wyrobów rzadko dostarcza wystarczajacych
informacji o jakosci zapachu. Konieczne jest
wykonywanie analiz sensorycznych (Amerine
Pangborn Roessler, 1965 Herschdorfer, 1967
Barylko-Pikielna, 1975 ASTM E-18, 1968 ISO
5492, 1992). Metody analizy sensorycznej sa
równiez wykorzystywane podczas ocen jakosci
srodowiska i jego zagrozen badan wody,
powietrza lub gazów odlotowych (Van Langenhove
Schamp, 1984 VDI-Richtlinien 3881, 1986-1989
VDI-Richtlinien 3882, 1989 Van Harreveld, 1993
EN 13725, draft 1999 EN 1622, 1997 Kosmider
Mazur-Chrzanowska, 1998 Kosmider Mazur
Chrzanowska Wyszynski, 2002). Cechuje je duza
czasochlonnosc i wysokie koszty, co sprawia ze
nie ustaja poszukiwania metod instrumentalnej
oceny intensywnosci zapachu. Duze nadzieje budzi
mozliwosc monitoringu zapachu z uzyciem
elektronicznego nosa (sztuczny wech) - techniki
nasladujacej dzialanie ludzkiego wechu.
Elektroniczny nos - analizator rozpoznajacy
wzorce zapachowe, zawiera pole kilkunastu lub
kilkudziesieciu sensorów o zróznicowanej
charakterystyce, równoczesnie poddawanych
dzialaniu badanej mieszaniny (Yang Yang Wang
2000 Keller, 1999 Keller Kangas Liden
Hashem Kouzes, 1995 Kosmider Wyszynski,
2000). Zbiór sygnalów o okreslonym pobudzeniu
sensorów jest analizowany z wykorzystaniem
róznych technik analizy statystycznej oraz
sztucznych sieci neuronowych (ANN).
12
Sztuczne sieci neuronowe ANN sa dzisiaj bardzo
popularnym narzedziem obliczeniowym majacym
zastosowanie w wielu dziedzinach zycia.
Wykorzystywane sa do analizy danych pochodzacych
z pomiarów sensorycznych (grupy panelistów lub
uklady sensorów) i instrumentalnych (miedzy
innymi chromatografy, spektrometry). Coraz
czesciej korzysta sie z ANN do okreslania
sensorycznych cech próbek na podstawie wyników
analiz instrumentalnych. Zaleznosci pomiedzy
sensorycznymi i instrumentalnymi wlasciwosciami
próbek charakteryzuja sie na ogól duza
nieliniowoscia. Sztuczne sieci neuronowe
umozliwiaja przeprowadzanie analiz w
skomplikowanych i zlozonych zbiorach danych o
nieprzewidywalnym rozkladzie. Sa nazywane
klasyfikatorami i aproksymatorami
znalezionych zaleznosci (Wilkinson Yuksel,
1997). Dzieki duzej zdolnosci zapamietywania i
samouczenia sie, potrafia uogólniac zdobyta
wiedze (generalizacja). Glówne obszary
zastosowan sztucznych sieci neuronowych to
ochrona srodowiska, medycyna i przemysl
spozywczy. W ochronie srodowiska powodzeniem
zakonczyly sie próby zastosowania ANN w kontroli
jakosci powietrza i wód. Przeprowadzono
klasyfikacje odpadów i scieków na podstawie
sygnalów z zestawów róznych sensorów.
Wykorzystywano czujniki gazowe umozliwiajace
identyfikacje oparów chemicznych, optyczne - do
identyfikacji rozpuszczalników - oraz spektrometr
promieniowania gamma do identyfikacji izotopów
promieniotwórczych (Keller Kouzes Kangas,
1994). Inne charakterystyczne przyklady dotycza
zastosowan ANN do predykcji stezen ditlenku azotu
i tlenku wegla w zakresie 0-45 ppm CO i 0-125
ppb NO2 (Martin Santos Agapito, 2001),
klasyfikacji lotnych zwiazków mieszaninach
metanol-etanol-aceton (Da-Qi, 1998 Shukla Das
Dwivedi, 1998) lub klasyfikacji par acetonu,
etanolu, amoniaku, izopropanolu i kwasu octowego
na podstawie reakcji sensorów przewodnosci
elektrycznej, wilgotnosci i temperatury (Keller
Kangas Liden Hashem Kouzes, 1995).
Sztuczne sieci neuronowe sa równiez cennym
narzedziem diagnostyki medycznej (Keller, 1999).
Diagnozowano juz miedzy innymi raka piersi,
cukrzyce, choroby serca, nad i niedoczynnosc
tarczycy (Linder Pöppl, 2001). Zestawy sensorów
dostarczaly danych o próbkach wydychanego
powietrza, plynów ustrojowych lub wymazów
pobranych z ran. Klasyfikacja zgromadzonych
informacji z uzyciem ANN umozliwiala przypisanie
im okreslonych stanów zapalnych lub chorób.
Stwierdzono, ze predykcje stanów chorobowych
charakteryzuje duza odtwarzalnosc i
obiektywnosc. W testach otrzymano 96-98
poprawnego rozpoznania raka piersi oraz 94-98 -
nad i niedoczynnosci tarczycy.
13
Rosnie zainteresowanie mozliwosciami
wykorzystania sztucznych sieci neuronowych w
przemysle spozywczym (kontrola jakosci surowców i
produktów, monitoring procesów produkcyjnych
itp.). Powodzeniem zakonczyly sie na przyklad
próby klasyfikacji lotnych zwiazków (równiez
zapachowych) wytwarzanych przez rózne gatunki
bakterii w przetwórstwie drobiu (Arnold Senter
Russell, 1998). Wyniki analiz GC-MS i ANN
wykorzystano do sortowania - zgodnie z cechami
sensorycznymi - takich gotowych wyrobów jak
cukier krystaliczny (Kaipainen Ylisuutari
Lucas Moy, 1997). Wyniki analiz
chromatograficznych i sztuczne sieci neuronowe
zastosowano równiez z powodzeniem do predykcji
smakowitosci koncentratów owocowych. Badania
dotyczyly ekstraktów z czarnej porzeczki,
pochodzacej z róznych obszarów geograficznych i
róznych procesów przetwarzania (Boccorh
Paterson, 2002). Sztuczna siec neuronowa
umozliwila tez poprawna klasyfikacje zapachowych
zwiazków chemicznych pochodzacych z róznych
napojów alkoholowych - piwa, spirytusu, wina
(Yang Yang Wang, 2000). Pozytywne wyniki
wymienionych i podobnych badan zachecily nas do
podjecia prób predykcji intensywnosci zapachu.
Intensywnosc zapachu traktujemy jako synonim sily
wrazenia wechowego - okreslanej werbalnie (np.
slaby, mocny, bardzo mocny) lub z uzyciem innych
metod skalowania (skale wzorców, graficzne,
punktowe).
Temu terminowi bywa przypisywane inne znaczenie.
Zapach lub smakowitosc koncentratów sa uznawane
za bardziej "intensywne", jezeli zanikaja po
dodaniu wiekszej ilosci bezwonnego
rozpuszczalnika (np. woda, powietrze). Wedlug
stosowanej przez nas terminologii dotyczacej
smakowitosci wody pitnej stopien rozcienczenia
próbki powodujacy osiagniecie progu wyczuwalnosci
nie jest miara intensywnosci wrazenia, lecz miara
stezenia zanieczyszczen, okreslanego jako
threshold flavour number, TFN (EN 1622, ...).
Analogicznie stopien rozcienczenia próbek
gazowych czystym powietrzem do progu
wyczuwalnosci jest miara stezenia odorantów
wyrazonego w jednostkach zapachowych (ou) w
metrze szesciennym. Jest ono okreslane terminem
threshold odour number, TON ou/m3 (EN 13725,
draft 1999). Wplyw tak zdefiniowanego stezenia
odorantów na intensywnosc zapachu (sile wrazenia)
opisuja prawa psychofizyczne, miedzy innymi
logarytmiczne równanie Webera-Fechnera lub
wykladnicze Stevensa (Fechner, 1877 Stevens,
1972 Zimbardo Ruch, 1977 Berglund Olsson,
1993 Kosmider Wyszynski, 2002). Podjelismy
próby sprawdzenia mozliwosci wykorzystania ANN do
okreslania intensywnosci zapachu zlozonych
mieszanin na podstawie ich chromatogramów.
Informacje istotne z punktu widzenia zapachu sa
na nich ukryte wsród wielu danych nie istotnych -
dotyczacych zwiazków nie wplywajacych na zapach.
14

• Wytypowanie danych istotnych jest zwykle bardzo
  trudne. Zalozono, ze zastosowanie sieci
  neuronowej umozliwi unikniecie tych trudnosci -
  intensywnosc zapachu moze byc okreslana przez
  wytrenowana siec na podstawie calego zbioru cech
  chromatogramu.
• Opisane wczesniej badania dotyczyly
  hipotetycznych mieszanin trójskladnikowych
  (Kosmider Zamelczyk-Pajewska, 2001) oraz
  rzeczywistych próbek powietrza zanieczyszczonego
  heksanem i cykloheksanem (Kosmider
  Zamelczyk-Pajewska, 2002). W drugim wypadku
  treningowe zbiory wzorców zawieraly informacje o
  intensywnosci zapachu próbek i stezeniach obu
  zanieczyszczen. Po treningu wykonanym z uzyciem
  750 wzorców odpowiedzi udzielane przez siec byly
  niemal dokladnie równe srednim z opinii
  uczestników pomiarów.
• Celem niniejszej pracy bylo zbadanie przebiegu
  treningów sieci neuronowej przygotowywanej do
  ocen intensywnosci zapachu bardziej
  skomplikowanych mieszanin rzeczywistych.
• Badano próbki powietrza zawierajacego
  cykloheksanol (A), cykloheksanon (B) i
  cykloheksan (C) oraz rózne ilosci zwiazków
  neutralnych (bezwonnych i nie wplywajacych na
  zapach). Liczne zbiory informacji o intensywnosci
  zapachu próbek zanieczyszczonych w róznym stopniu
  zwiazkami A, B i C zaciagnieto z literatury
  (Wyszynski, 2001). Okreslono wielkosci zbiorów
  treningowych umozliwiajacych przygotowanie sieci
  do ocen intensywnosci.
• Experimental
• Przygotowanie próbek i oznaczenia sensoryczne

Wzorcowe próbki powietrza sporzadzano metoda
statyczna w workach z folii zaopatrzonych w
teflonowe rurki wlotowe z zatyczka. Do
odmierzonej ilosci powietrza wprowadzano
strzykawka chromatograficzna (Hamilton 700 Series
Syringe) okreslone ilosci jednego, dwóch lub
trzech zanieczyszczen. Porcje cykloheksanolu (A),
cykloheksanonu (B) i cykloheksanu (C) zostaly
dobrane tak, ze po odparowaniu ustalaly sie
stezenia przedstawione w tabeli 1. Po uplywie 30
? 40 minut kondycjonowania folii worki oprózniano
i powtarzano procedure odmierzania powietrza i
odorantów. Oceny intensywnosci zapachu
wykonywano w laboratorium odorymetrycznym
wyposazonym w wysokosprawna instalacje
wentylacyjna. Zapach oceniala grupa osmiu osób
(studenci, po krótkim instruktazu i sesji
szkoleniowej). Pomiary wykonywano z uzyciem
wzorców intensywnosci.
15
(No Transcript)
16
Wzorcami byly wodne roztwory n-butanolu
umieszczone w kolbkach stozkowych o pojemnosci 50
cm3. Przygotowywano je z roztworu podstawowego
(symbol NrB 1) o ulamku molowym n-butanolu x
0,017, sporzadzonego przez rozcienczenie 8 cm3
n-butanolu woda destylowana do 100 cm3. Stezenie
n-butanolu w powietrzu nad takim roztworem,
ustalajace sie w stanie równowagi w temperaturze
pokojowej, wynosi okolo S1 20 g/m3. Zapach
roztworu jest bardzo intensywny. Wzorzec NrB
2 otrzymywano dodajac 13 cm3 wody do 7 cm3
roztworu NrB 1. Analogicznie sporzadzano
kolejne wzorce NrB 3 10. Zapach wzorca NrB
10 byl wyczuwalny dla mniej niz 20 oceniajacych
(stezenie w powietrzu w stanie równowagi S10
1,5 mg/m3). Ze sposobu przygotowania roztworów
wynika, ze w powietrzu nad nimi ustalaja sie
stezenia n-butanolu (S) stanowiace malejacy
szereg geometryczny o czynniku 7/20 Sn S1
(7/20)n-1. Odleglosci miedzy poziomami
intensywnosci zapachu takich próbek uwaza sie za
równoodlegle. Wynika to z równania
Webera-Fechnera I k log (S /Sth) gdzie I -
intensywnosc zapachu, S - stezenie odoranta, Sth
próg wyczuwalnosci, k wspólczynnik
Webera-Fechnera. Liniowosc otrzymanej skali
wzorców potwierdzaja przeksztalcenia In k
log (Sn /Sth) In1 k log (Sn1/Sth) Sn S1
(7/20)n-1 Sn1 S1 (7/20)n In - In1 k log
(Sn /Sth) - k log (Sn1 /Sth) - k log (7/20)
const Prawo Webera-Fechnera jest powszechnie
akceptowane w odniesieniu do zakresu srednich
intensywnosci zapachu. Przyjmujemy, ze obowiazuje
w zakresie ograniczonym poziomami odpowiadajacymi
wzorcom NrB 1 (n 0) i NrB 10 (n 9).
Pozwala to uznac róznice (10 - NrB) za miare
poziomu intensywnosci zapachu. Nadanie otrzymanej
skali liczbowej wlasciwosci proporcjonalnej skali
intensywnosci zapachu wymaga wyznaczenia punktu
zerowego (NrB0, I0). Sposób wyznaczania NrB0 i
stosowania otrzymanej skali wzorców ilustruje
przyklad przedstawiony na rysunku 1.
W celu wyznaczenia NrB0 kazdy z uczestników
pomiarów wacha kolejne wzorce rozpoczynajac od
najbardziej rozcienczonego (NrB 10) i wskazuje
ten, którego zapach jest najslabszy, ale juz
wyczuwalny. Rzeczywisty próg wyczuwalnosci lezy
miedzy ostatnim wzorcem bezwonnym i pierwszym
wzorcem pachnacym.
17
(No Transcript)
18
Przyjmujemy, ze poziom NrB0 lezy w polowie
miedzy poziomami ograniczajacymi ten przedzial
(rys. 1a wskazanie wzorca NrB 8 jako
najslabiej pachnacego oznacza, ze NrB0 8,5).
Oceniajac intensywnosc zapachu próbek powietrza
zawierajacego rózne ilosci odorantów uczestnicy
pomiarów poszukiwali wzorca o zblizonej
intensywnosci lub przedzialu miedzy wzorcem nieco
slabiej i nieco mocniej pachnacym. W przypadku
przedstawionym na rysunku 1b-c oceniajacy
stwierdzil, ze intensywnosci zapachu próbki
pierwszej i wzorca NrB 6 sa porównywalne, a
zapach próbki drugiej jest silniejszy od zapachu
NrB 3, ale slabszy od zapachu NrB 2. Rysunek
1d ilustruje sposób rejestracji ocen oraz
obliczania intensywnosci zapachu jako róznicy I
NrB0 - NrB.
Wyniki indywidualnych ocen intensywnosci zapachu
(I1) zilustrowano zamieszczonym w tabeli 2
przykladem dotyczacym próbek o jednakowych
stezeniach zanieczyszczen A i B, zmienianych w
zakresie 18?360 ppm (see tab.1, proportion ABC
110). Wyniki ocen intensywnosci zapachu
kazdej z próbek byly bardzo zróznicowane. Oceny
próbki zawierajacej po 18 ppm A i B miescily sie
w zakresie od I1,AB 1,0 do I1,AB 3,0.
Intensywnosci zapachu próbki o najwiekszym
stezeniu zanieczyszczen przypisywano wartosci
I1,AB 4,0 7,0. Przyczyna duzego rozrzutu
wyników jest zróznicowanie indywidualnych
wechowych wrazliwosci osób bioracych udzial w
pomiarach i zmiany tej wrazliwosci w czasie.
Zestawione w tabeli 2 wyniki pomiarów oraz
analogiczne dane pozostalych próbek o innych
stezeniach A, B i C (tab. 1) wykorzystano do
sporzadzenia zestawów danych treningowych w
programie STATISTICA Neural Networks. Przygotowan
ie zbiorów treningowych Zbiór ocen intensywnosci
zapachu wszystkich badanych próbek o okreslonych
stezeniach SA, SB i SC (stezenia - patrz
tab.1) wzbogacono w hipotetyczne dane dotyczace
stezen zanieczyszczen neutralnych (N1, N2, N3,
..., N20) - nie pachnacych i nie wplywajacych na
zapach odorantów A, B i C. Zanieczyszczenia
neutralne pelnily role szumu jaki zawsze
wystepuje w zlozonych sensoryczno-instrumentalnych
zbiorach danych. Celem ich wprowadzenia bylo
sprawdzenie czy siec podczas modelowania potrafi
odrzucic szum i rozpoznac, ze intensywnosc
zapachu zalezy tylko od stezen zwiazków
zapachowych odorantów.
19
(No Transcript)
20
Zalozono, ze stezenia kazdego z zanieczyszczen
neutralnych charakteryzuja rozklady normalne o
róznych wartosciach sredniej (z zakresu 20750
ppm) i róznych odchyleniach standardowych
(1,43,2). Sposób tworzenia zbiorów treningowych
ilustruja tabele 3 i 4.

• Tabela 3 zawiera czesc danych pochodzacych z
  tabeli 2. Zostaly zamieszczone w kolumnach SA, SB
  i I1,AB. Pozostale kolumny zawieraja liczby
  losowe - stezenia hipotetycznych zanieczyszczen
  wechowo neutralnych (w przedstawionym wypadku
  SN1, SN2, SN3, ..., SN20). W tabeli 4
  przedstawiono fragment zrandomizowanego zbioru
  danych treningowych, otrzymanego z wykorzystaniem
  wyników wszystkich ocen intensywnosci zapachu
  próbek zawierajacych odoranty A i B (see tab.1,
  proportion ABC 110, 130, 310).
• Analogiczne zbiory treningowe sporzadzano
  wykorzystujac wyniki sensorycznych badan próbek
  powietrza zanieczyszczonego trzema odorantami (A,
  B i C). Wszystkie zbiory zawieraly
• wyniki pomiarów sensorycznych jako kolumny danych
  wyjsciowych (I1,AB lub I1,ABC,),
• kolumny z odpowiednimi wartosciami SA i SB lub
  SA, SB i SC (wejscia istotne),
• rózne ilosci kolumn z liczbami losowymi (wejscia
  SN1, SN2, SN3, ... szum ).
• Treningi przeprowadzano z uzyciem zbiorów
  zawierajacych rózne ilosci wzorców.
• Treningi i testy ANN
• Zastosowano Automatic Network Designer
  narzedzie programowe umozliwiajace wybór
  najdokladniejszych modeli predykcyjnych sposród
  zawartych w programie STATISTICA Neural Networks
  (Linear, PNN, GRNN, Radial Basis Function and
  Multilayer Perceptron). W wiekszosci przypadków
  Designer wybieral siec Multilayer Perceptrons
  feed-forward with three or four hidden layers.
  Kazdemu ze skladników próbki (zwiazków
  zapachowych i wechowo neutralnych) odpowiadal
  jeden neuron w warstwie wejsciowej. Liczba
  neuronów w warstwach ukrytych miescila sie w
  zakresie 3 35. Kazda z sieci miala jedno
  wyjscie (oceniana intensywnosc zapachu).
• Stosowano zbiory zawierajace 5-400 wzorców
  uczacych, 100-200 wzorców weryfikacyjnych oraz
  tyle samo wzorców testowych. Wzorce prezentowano
  w kolejnosci losowej.
• Precyzje okreslania intensywnosci zapachu,
  osiagana w toku szkolenia, weryfikacji i testów
  oceniano na podstawie miernika SD.RATIO oraz
  wartosci bledu RMS. Dodatkowo obliczano
  bezwzgledna wartosc róznicy miedzy srednia z
  indywidualnych ocen intensywnosci zapachu próbki
  o znanych stezeniach A, B i C (I1m) i srednia
  zodpowiedzi sieci (I2m), uzyskiwanych w czasie
  testów po prezentacji tych samych stezen A, B i C
  wraz z dodatkowymi informacjami o stezeniach
  hipotetycznych zanieczyszczen neutralnych.
  Zalozono, ze odpowiedzi sieci udzielane w czasie
  testów beda uznawane za poprawne, jezeli I1m
  I2m lt 0,5.

21
(No Transcript)
22
(No Transcript)
23
Results and discussion Po zakonczonych
treningach otrzymano niskie wartosci mierników
SD.Ratio mieszczace sie w granicach 0,072-0,233
oraz bledów RMS 0,242-0,479.
W serii szkolen dotyczacych powietrza
zawierajacego dwa odoranty (A i B) oraz 20
zanieczyszczen wechowo neutralnych zastosowano
zbiory treningowe o osmiu wielkosciach z zakresu
5 - 400. Na rysunku 2 przedstawiono rezultaty
treningu wykonanego z uzyciem 200 wzorców.
Porównano wartosciI1,AB i I2,AB, dotyczace
mieszanin testowych o stezeniach SA SB 360
ppm i róznych stezeniach zanieczyszczen
neutralnych. Stwierdzono, ze srednia z wartosci
okreslonych przez siec (I2m,AB 6,4) jest niemal
dokladnie równa sredniej z indywidualnych ocen
sensorycznych (I1m,AB 6,2). Drugie istotne
spostrzezenie dotyczy rozrzutu danych w obu
zbiorach. Zmiennosc I1,AB, wynikajaca ze
zróznicowania wrazliwosci wechu oceniajacych,
jest wieksza od zmiennosci odpowiedzi sieci
I2,AB, zwiazanej z wplywem celowo wprowadzonego
szumu.
Wystepowanie bardzo podobnych bezwzglednych
bledów I1m,AB - I2m,AB stwierdzono po
zastosowania wiekszych zbiorów treningowych
zawierajacych 300 i 400 wzorców (rys. 3). Nie
mialo istotnego znaczenia równiez zmniejszanie
wielkosci zbioru w zakresie od 200 do 25.
Wyraznie wieksze bledy wystapily dopiero po
zredukowaniu zbioru treningowego do 10 wzorców.
Stwierdzono, ze w przypadku mieszanin
zawierajacych dwa odoranty i dwadziescia zwiazków
neutralnych spelnienie kryterium I1m,AB
I2m,AB lt 0,5 umozliwia zbiór co najmniej 25
wzorców treningowych.
Trudniejszy zadaniem, które zostalo postawione
przed siecia, bylo okreslenie intensywnosci
zapachu próbek zawierajacych trzy odoranty (A, B
i C) i rózne ilosci zwiazków wechowo neutralnych.
Zaleznosc bezwzglednego bledu I1m,ABC I2m,ABC
od ilosci skladników w mieszaninach i od
wielkosci zbiorów treningowych ilustruje rysunek
4. Zbiory treningowe zlozone z 50 wzorców
umozliwialy skuteczne przygotowanie sieci do
okreslania intensywnosci zapachu próbek
zawierajacych poza odorantami 10 lub 15
zanieczyszczen neutralnych (I1m,ABC I2m,ABC lt
0,3). W przypadku próbek zawierajacych
dwadziescia zanieczyszczen neutralnych uzycie
piecdziesieciu wzorców okazalo sie
niewystarczajace (I1m,ABC I2m,ABC gt 0,5).
Osiagniecie zalozonej precyzji wymagalo uzycia
ponad stu wzorców. Rysunki 3 i 4 umozliwiaja
oszacowanie spadku dokladnosci predykcji
intensywnosci zapachu po wprowadzeniu dodatkowego
odoranta. W wypadku mieszanin zawierajacych dwa
odoranty (A i B) i dwadziescia zwiazków
neutralnych po zastosowaniu zbioru 50 wzorców
treningowych róznica (I1m,AB I2m,AB wynosila
okolo 0,2 (rys. 3). Wprowadzenie dodatkowego
odoranta (C) spowodowalo zwiekszenie tego bledu
do wartosci wiekszej od 0,5 (rys. 4).
24
(No Transcript)
25
(No Transcript)
26
(No Transcript)
27

• Acknowledgement
• This work has been supported by the State
  Committee for Scientific Research, as a part of
  the research project.
• References
• Amerine, M. A. Pangborn, R. M. Roessler, E.
  B. (1965). Principles of sensory evaluation of
  food, New York-London Academic Press.
• Arnold, J.W., Senter, S.D. Russell, B. R.
  (1998). Use of digital aroma technology and SPME,
  GC-MS to compare volatile compounds produced by
  bacteria isolated from processed poultry. J. Sci.
  Food Agric., 78 (3), 343-348.
• ASTM - American Society for Testing and
  Materials, Committee E-18 (1968). Manual on
  sensory testing methods. Philadelphia ASTM
  Publ..
• Barylko-Pikielna, N. (1975). Zarys analizy
  sensorycznej zywnosci (An outline of sensoric
  analysis of food). Warszawa PWN.
• Berglund, B., Olsson, M.J. (1993). A
  theoretical and empirical evaluation of
  perceptual and psychophysical models for
  odour-intensity interaction. Reports from the
  Department of Psychology, Stockholm University,
  no. 764.
• Boccorh, R. K., Paterson, A. (2002). An
  artificial network model for predicting flavour
  intensity in blackcurrant concentrates. Food
  Quality and Preference, 13 , 117-128.
• Da-Qi, G. (1998). Artificial olfactory analyses
  of micro-and simple-component vapors. Gaodeng
  Xuexiao Huaxue Xuebao, 20 (10), 1523-1527.
• EN 13725 (draft 1999). EN 1622 (1997). Committee
  Européen de Normalisation CEN - TC 264. CEN-TC
  264/WG2 Air Quality Determination of odour
  concentration by dynamic olfactometer.
• EN 1622 (1997). Committee Européen de
  Normalisation CEN - TC TC 230 Water analysis -
  Determination of the threshold odour number (TON)
  and threshold flavour number (TFN).
• Herschdoerfer, S. M. ed. (1967). Quality control
  in food industry. vol. 1, New-York Academic
  Press.
• ISO 5492, Pr PN-ISO 5492 (1992). International
  Standard Organization Sensory Analysis.
  Terminology
• Kaipainen, A., Ylisuutari, S., Lucas, Q. Moy,
  L. (1997). A new approach to odor detection.
  Comparison of thermal desorption GC-MS and
  electronic nose. Two techniques for the analysis
  of headspace aroma profiles of sugar. Int. Sugar
  J., 99 (1184), 403-408.
• Keller, E.P. (1999). Physiologically Inspired
  Pattern Recognition for Electronic Noses. SPIE
  Applications and Science of Computation
  Intelligence II Conference, Orlando, USA. SPIE
  Proceedings, 3722 (13), 144-153.
• Keller, E.P., Kangas, J.L., Liden, H.L., Hashem,
  S., Kouzes, T.R. (1995). Electronic noses and
  their applications. IEEE Northcon/Technical
  Applications Conference (TAC95), Portland, USA.

28

• Keller, E.P., Kouzes, T.R., Kangas, J.L.
  (1994). Three Neural Network Based Sensor Systems
  for Environmental Monitoring. IEEE Electro/94
  International Conference, Boston, USA.
• Kosmider, J., Mazur-Chrzanowska, B. (1998).
  Uciazliwosc zapachowa. Terenowa weryfikacja
  wyników obliczen komputerowych (Odour annoyance.
  Field verification of the computer calculations).
  Arch. Ochr. Srod. (Archives of Environmental
  Protection), 3-4, 19-24.
• Kosmider, J., Wyszynski, B. (2000). Artificial
  olfaction. Chemia Analityczna (Warsaw), 45,
  483-500.
• Kosmider, J., Zamelczyk-Pajewska, M. (2001).
  Trening sieci neuronowej okreslajacej
  intensywnosc zapachu (Training of artificial
  neural network for prediction of odour
  intensity). Inz. Chem. i Proc. (Chemical and
  Process Engineering), 22, 645-660.
• Kosmider, J., Zamelczyk-Pajewska, M. (2002).
  Siec neuronowa oceniajaca zapach mieszanin
  cykloheksanu i heksanu (Neural network predicting
  the odour of cyclohexane and hexane mixtures).
  Inz. Chem. i Proc. (Chemical and Process
  Engineering), 23, 207-218.
• Kosmider, J., Mazur-Chrzanowska, B., Wyszynski,
  B. (2002). Odory. Warszawa Wydawnictwo Naukowe
  PWN.
• Kosmider, J., Wyszynski, B., Zamelczyk-Pajewska,
  M. (2002). Odour of mixtures of cyclohexane and
  cyclohexanone. Archives of Environmental
  Protection (Arch. Ochr. Srod.), 28 (2), 29-43.
• Laing, D. G., Willcox, M. E. (1983). Perception
  of components in binary odour mixtures, Chemical
  Senses, 7, 249-264.
• Linder, R. Pöppl, J. S. (2001). ACMD A
  Practical Tool for Automatic Neural Net Based
  Learning. Proceedings of the Second International
  Symposium on Medical Data Analysis (ISMDA),
  Madrid, Spain. LNCS 2199, Berlin, 168-73.
• Martin, A.M., Santos, J.P., Agapito, J.A.
  (2001). Application of artificial neural networks
  to calculate the partial gas concentrations in a
  mixture. Sensors and Actuators B, 3905, 1-4.
• Shukla, K.K., Das, R.R., Dwivedi, R. (1998).
  Adaptive resonance neural classifier for
  identification of gases/odors using an integrated
  sensor array. Sensors and Actuators B, 50 (3),
  194-203.
• Van Harreveld, A. P. (1993). European
  standardisations of olfactometry, Semin.
  ODOURS93, Odours - Control, Measurement,
  Regulations, Swinoujscie, 140-175.
• Van Langenhove, H., Schamp, N. (1984). Chemical
  and olfactometric measurement of odours, Proc.
  International Symp. Characterization and Control
  of odoriferous pollutants in process industries,
  Louvain-Neuve (Belgium) Ed. SBF, 23-36.
• VDI-Richtlinien 3881, Blatt 1-4 (1986-1989).
  Olfaktometrie. Geruchsschwellenbestimmung.
• VDI-Richtlinien 3882 (1989). Olfaktometrie.
  Bestimmung der Geruchsintensität. Bestimmung der
  hedonischen Geruchswirkung.
• Wilkinson, C., Yuksel, D. (1997). Using
  artificial neural networks to develop prediction
  models for sensory-instrumental relationships
  an overview. Food Quality and Preference , 8
  (5/6), 439-445.
• Wyszynski, B. (2001). Metody oceny skutecznosci
  dezodoryzacji (Methods of deodorization
  effectiveness assessments). Doct. thesis,
  Szczecin Politechnika Szczecinska.
• Yang, Y-M., Yang, P-Y., Wang, X-R. (2000).
  Electronic nose based on SAWS array and its odor
  identification capability. Sensors and Actuators
  B, 66 (1-3), 167-170.
• Zimbardo, P.G. Ruch, F. L. (1977). Psychology
  and Life. Illinois Ed. Scott, Foresman Company