Schlußbericht zurForschungsprojektförderung

Vorhaben

Fuzzy Neuronale Netze zur Qualitätssicherung in derLebensmittelanalytik

des BMBF (1705097 vom 1. 9. 1997 - 30. 4. 1999)

Projektleiter: Prof. Dr. rer. nat. Dietlind Hanrieder

Projektbearbeiter: Dr. rer. nat. Monika Hirschfelder,Dr. rer. nat. Florian Lauer,Antje Förster

Einrichtung: Hochschule Anhalt (FH)Hochschule für Angewandte WissenschaftenFachbereich Landwirtschaft,Ökotrophologie und Landespflege

1

Aufgabenstellung

Mit dem Vorhaben wurde das Ziel verfolgt, an der Hochschule Anhalt (FH) Expertenkompe-tenz für die Auswertung von mehrdimensionalen Daten, wie sie in Qualitätssicherungssyste-men anfallen, zu etablieren. Dadurch sollte die Hochschule Anhalt zu einem kompetentenPartner für die Industrie werden, was für das Erreichen der Drittmittelfähigkeit auf diesemGebiet unabdingbar ist.

Voraussetzungen, unter denen das Vorhaben durchgeführt wurde

Materielle Voraussetzungen:

Zur Verfügung standen das mit 18 halbleitenden Metalloxidsensoren unterschiedlicherSelektivität bestückte Gassensor-Array Fox 4000 („Elektronische Nase“) der Firma Alpha-M.O.S., Toulouse, der Texturanalyzer TA-XT2 der Firma Stable Microsystems sowie das pH-Impedanz-Messgerät Meatcheck 160 (sigma electronic GmbH Erfurt). Im Rahmen derKooperation mit der Bundesanstalt für Züchtungsforschung an Kulturpflanzen, Quedlinburg,konnten an dem sich dort befindenden Minolta Photometer CM-508-d Messungendurchgeführt werden.

Personelle Voraussetzungen:

Während des Bearbeitungszeitraums standen neben der hauptberuflich als Professorin an derHochschule Anhalt tätigen Projektleiterin zur Verfügung:− ein promovierter Wissenschaftler (0,5 BAT IIa Ost) für 8 Monate− ein promovierter Wissenschaftler (BAT IIa Ost) für 4 Monate und− eine Diplomandin für 6 Monate.In der Schlußphase (Verlängerung) des Projekts wurde auf Honorarbasis und darüber hinauspersonelle Unterstützung durch das Prof.-Hellriegel-Insitut, Aninstitut der Hochschule Anhalt,geleistet.

2

Planung und Ablauf des Vorhabens

Installation von Hard- undSoftware

Texturmessungen

Farbmessungen

Aufnahme derGeruchskurven*

Trenderfassung durchLangzeitbeobachtung**Anwendung neuronaler

NetzeErstellen des

AbschlußberichtesMonat S O N D J F M A M J J A S O N D J F M A MJahr 1997 1998 1999

* Messungen mit dem Gassensor-Array** Driftverhalten der Sensoren

geplanter Zeitraum

tatsächlicher Zeitraum

Die Veränderungen gegenüber den geplanten Zeiträumen ergaben sich - wie schon bei derBeantragung auf kostenneutrale Verlängerung erwähnt - aus folgenden Gründen:• Mit Projektbeginn standen nicht alle Mitarbeiter zur Verfügung, da ein wissenschaftlicher

Mitarbeiter (0,5 BAT IIa Ost) erst zum 1. November eingestellt werden konnte. Ursprüng-lich war geplant, die Stelle mit einem Informatiker zu besetzen, was bei einem Projekt„Fuzzy Neuronale Netze“ thematisch naheliegend ist. Jedoch konnte bei der derzeitigenArbeitsmarktsituation für Informatiker und einem Gehalt von 0,5 BAT IIa Ost ein solchernicht gefunden werden.

• Weiterhin fielen einige Proben im Rahmen der Zusammenarbeit mit der Bundesanstalt fürZüchtungsforschung an Kulturpflanzen ernte- und verarbeitungsbedingt erst gegen Pro-jektende an (ca. 1000 Majoranproben).

• Durch die Zusammenarbeit mit der TU Magdeburg, Institut für Wissens- und Sprachverar-beitung, wurde bekannt, dass im Januar/Februar 1999 eine überarbeitete windowsbasierteVariante von NEFCLASS, dem verwendeten Neuro-Fuzzy-System, von dieser Arbeits-gruppe herausgegeben werden sollte. Somit bestand die Möglichkeit, zusätzliche Algo-rithmen, die diese neue Software bietet (automatische Reduktion des Klassifikators,Kreuzvalidierung) in die Ergebnisse des Projektes mit einzubringen.

3

Wissenschaftlicher und technischer Stand

Bedingt durch Entwicklungen in der Analytik (Benchtop-MS, LC-MS, Gassensor-Arrays,Farbmessgeräte, ...) ist es heute möglich, in relativ kurzen Analysenzeiten eine Vielzahl vonanalytischen Daten zu einem zu untersuchenden Lebensmittel zu gewinnen /27/. Dies ist auchnotwendig, denn Qualitätseinbußen eines Lebensmittels können sich auch aus - für sich ge-nommen - durchaus noch akzeptierbaren Abweichungen in mehreren Qualitätsparametern(Aroma, Aussehen, Konsistenz, ... ) ergeben. Am Ende der Messungen liegen zahlreiche ana-lytische Daten vor, mit deren Hilfe es gilt, Proben minderer Qualität auszusondern. Ein sol-ches Vorgehen erfordert zwangsläufig eine multivariate Auswertung der vorhandenen Mess-daten. Wegen des erwarteten nichtlinearen Zusammenhangs zwischen Messdaten und Quali-tätsklassen erscheinen Methoden der Datenverarbeitung, bei denen aus Beispielen gelerntwird, ohne das zugrundeliegende mathematische Modell kennen zu müssen, also NeuronaleNetzwerke bzw. Neuro-Fuzzy-Systeme, als besonders geeignet. Die Aufgabe, aus zahlreichenBeispielen zu lernen, ist jedoch nicht nur für die instrumentell-analytischen Daten zu lösen,sondern trifft auch auf die Auswertung der im Rahmen humansensorischer Analysen erhobe-nen Daten zu. Infolgedessen wird bereits von führenden Lebensmittelunternehmen das Trai-ning des Personals der Lebensmittelindustrie im Umgang mit Neuronalen Netzwerken und derFuzzy Logik für notwendig erachtet /1/.Bei der Steuerung von Prozessgrößen der Lebensmittelherstellung gibt es erste Versuche derAnwendung von Neuro-Fuzzy-Systemen, z. B. bei der Herstellung von Bier /2/ oder Sake /3/.Demgegenüber erfolgt der Einsatz dieser Systeme zur Vorhersage der humansensorischenEigenschaften eines Lebensmittels aus instrumentellen Daten /4/ bzw. zur Auswertung multi-variater humansensorischer Daten /5/ noch zögerlich. Häufiger werden Neuronale Netzwerkeund die Fuzzy Logik bereits zur Auswertung der von Gassensor-Arrays („Elektronischen Na-sen“) generierten Daten verwendet /4, 6-17/. Dabei fanden einige Autoren eine Überlegenheitdieser Systeme gegenüber Verfahren der klassischen multivariaten Statistik. So konnte z. B.anhand der Messdaten eines Gassensor-Arrays die Kaffeemarke erkannt werden, obwohl derKaffee mit Wasser von jeweils unterschiedlicher Qualität zubereitet wurde /8/. Auch die Ver-arbeitung von instrumentellen Daten, die das Aussehen (Farbe, Gestalt) von Lebensmittelncharakterisieren sollen, erfordert Verfahren der mehrdimensionalen Datenauswertung, so dassauch hier Anwendungen von Neuro-Fuzzy-Systemen zu verzeichnen sind /18/.

Die Fachliteratur wurde− durch regelmäßige Nutzung des Recherchesystems STN, Derwent Information LTD

(Chemical Abstracts und World Patent Index), über die Hochschulbibliothek derHochschule Anhalt,

− durch CD-ROM-Suche (Chemical Abstracts, FSTA und Human Nutrition) und− über Internet (z. B. ftp://ftp.sas.com/pub/neural/FAQ.html)recherchiert.

Im Bearbeitungszeitraum wurde mit zahlreichen anderen Institutionen zusammengearbeitet(Tab. 1).

4

Tab. 1: Zusammenarbeit mit anderen Stellen

Institution bzw. Unternehmen Gegenstand der Kontakte bzw.Zusammenarbeit

Otto-von-Guericke-UniversitätMagdeburg, Fakultät für Informatik,

Institut für Wissens- undSprachverarbeitung

Nutzung der Software „NEFCLASS“,Problemdiskussion

Bundesanstalt für Züchtungsforschung anKulturpflanzen,

Quedlinburg

Untersuchung und Datenauswertung der an derBAZ geernteten und hedonisch bzw. mittels

GC/MS beurteilten Erdbeer- und Majoranproben

Otto-von-Guericke-UniversitätMagdeburg, Fakultät Elektrotechnik,

LehrstuhlMesstechnik/Mikrosystemtechnik

Erfahrungsaustausch, Vereinbarung gegenseitigerInformation zu neuen Entwicklungen auf dem

Gassensor-Gebiet, Erörterung künftigerKooperationsmöglichkeiten

TU Bergakademie Freiberg, Institut fürPhysikalische Chemie

Beantragung eines gemeinsamen Projektes bei derBundesumweltstiftung und Beginn der

Zusammenarbeit

Iteration Informatik Technologien GmbH,Wetzlar

mögliche Zusammenarbeit auf dem Gebietgenetischer Algorithmen erörtert

Fachhochschule Münster, Zentralewissenschaftliche Einrichtung für

Informatik

Erfahrungsaustausch, mögliche Zusammenarbeitdiskutiert

Fachhochschule Magdeburg, FachbereichChemie

Absprache über künftige Kooperation

Universität für Ökonomie Poznan, Institutfür Warenkunde

Diplomarbeit, Gastvorträge, Erfahrungsaustausch,gegenseitige Information

JAS Bereitstellung eines Autosamplers

5

Ergebnisse

Fähigkeit eines Neuro-Fuzzy-Systems, aus der humansensorischen Profilanalyse vonErdbeerproben deren Beliebtheit vorherzusagen

Im Rahmen der Zusammenarbeit mit der Bundesanstalt für Züchtungsforschung (BAZ) anKulturpflanzen, Quedlinburg, sollte geprüft werden, ob aus den dort von Erdbeeren erhobenenDaten einer sensorischen Profilanalyse /19/ deren Beliebtheit vorhergesagt werden könne.

Tab. 2: Ein- und Ausgangsdaten bei der Vorhersage der Beliebtheit von ErdbeerprobenEingangsdaten (Intensitäten beurteilt

anhand einer 10 cm langen,nichtgraduierten Skala)

Ausgangsklassen für das Neuro-Fuzzy-System (Beliebtheit beurteilt unter

Verwendung einer 5-stufigen-Skala;1 = unbeliebt und 5 = sehr beliebt)

Intensität des grünen, Z-3-Hexenolähnelnden grasartigen Geruchs

Beliebtheit = „3“

Intensität des aromatischen, der Walderdbeereähnelnden Geruchs

Beliebtheit = „4“

Intensität des FremdgeruchsIntensität des fruchtigen, esterähnlichen

GeruchsIntensität des blumigen, β-Ionon ähnelnden

GeruchsIntensität des süßen GeschmacksIntensität des sauren Geschmacks

Intensität des harmonischen GeschmacksIntensität des aromatischen Geschmacks

Intensität des FremdgeschmacksIntensität des wäßrigen Mundgefühls

Intensität des Reifegeschmacksdurch Anfassen beurteilte Konsistenz

(Festigkeit)

Zur Datenauswertung benutzt wurde das Programm „NEFCLASS-PC“ (NEuro-Fuzzy-CLASSification) /20/ des Institutes für Wissens- und Sprachverarbeitung der TU Magdeburg(http://www.iik.cs.uni-magdeburg.de). Es wurden nur die Beliebtheitsklassen „3“ und „4“zum Trainieren des Neuro-Fuzzy-Systems verwendet, da die Anzahl an untersuchtenErdbeerproben, die die Beliebtheitsklassen „1“, „2“ und „5“ ergaben, nicht ausreichend fürdas Erlernen von Regeln für diese Klassen waren. Alle zum „Trainieren“ des Neuro-Fuzzy-Systems verwendeten, den Lernvorgang des Systems spezifizierenden Parameter sind Tab. 3zu entnehmen.

Im Lern- bzw. Testdatensatz enthalten waren von dem Panel der BAZ gelieferte humansensorische Daten zu denErdbeersorten ‘Polka’, ‘Elsanta’, ‘Honeoye’, ‘Weghorna’, ‘Kent’, ‘Elvira’, ‘Tenira’, ‘Lester’, ‘Korona’,‘Flandelfa’, ‘Hummi Stugarta’, ‘Senga Sengana’, ‘Surecrop’, ‘Ostara’, ‘Red Gauntlet’, ‘Bogota’, ‘SengaGourmella’, ‘Mieze Schindler’, ‘Chandler’ sowie zu 14 an der BAZ neu gezüchteten Sorten, von denen am 17.,18., 19., 20., 21., 24., 25., 26., 27. und 28. Juni 1996 sowie am 1., 2., 3. und 9. Juli 1996 jeweils vollreiferscheinende Früchte geerntet und noch an demselben Tag humansensorisch beurteilt wurden.

6

Tab. 3: Eingabeparameter für das NEFCLASS-ProgrammSpezifikation im NEFCLASS-Programm Bedeutung /20/

Do Not Pass Neighbors (•) YesDie Zugehörigkeitsfunktionen sollen ihrerelativen Positionen beim Lernvorgangbehalten.

Learn Asymmetically (•) YesDie Zugehörigkeitsfunktionen dürfen sich zuasymmetrischen Dreiecken entwickeln.

FS Intersect at 0.5: (•) NoDie Zugehörigkeitsfunktionen müssen sichnicht in der Höhe 0,5 schneiden.

Fixed Conclusions (•) Yes Regelgewichte sollen verwendet werden.

Conclusions in [0,1]: (•) YesDie Regelgewichte sollen aus dem Intervall[0,1] stammen.

Rule Learning Procedure: (•) Best Optimales Regellernen

Relearn the Rule Base: (•) NoEine eventuell bereits existierende, ausVorwissen eingegebene Regelbasis sollerneut gelernt werden.

Number of Fuzzy Sets: (•) same for all units: (3)

Zunächst wurde mit drei unscharfen Mengen(groß, mittel, klein) für jede Eingabegrößebegonnen (Bild 1).

Stop learning, when the error value was notreduced for 500 epochs

Der Lernprozess wird abgebrochen, wenninnerhalb der letzten 500 Epochen keineFehlerverbesserung mehr eingetreten ist.

Rule units

Anzahl zu bildender Regeln - wurdeoptimiert mit dem Ziel maximalerWiederfindungsraten im Lern- undTestdatensatz

sigma a = sigma b = sigma c = sigma = 0,1 Lerngeschwindigkeit

Zu

geh

örig

keit

zur

unsc

harf

en M

enge

Wert der Eingabegröße

klein großmittel

Bild 1. Zugehörigkeit verschiedener Werte einer Eingabegröße zu den unscharfen Mengen„klein“, „mittel“ und „groß“

7

Da sowohl aus GC-MS-Olfaktometrie-Messungen /19/ als auch aus unseren Messungen miteinem Gassensor-Array /21/ die Sortenabhängigkeit des von Erdbeeren generiertenDampfraums bekannt ist, wurde zunächst versucht, den Lern- und Testdatensatz so zugestalten, dass in beiden Datensätzen sensorische Daten zu jeder Sorte enthalten sind.Andererseits schwanken die Intensitäten der humansensorisch ermittelten Größen von anunterschiedlichen Tagen geernteten Proben einer Erdbeersorte. Die Ursache hierfür istvermutlich im jeweiligen Verlauf der Witterung in der Zeit zwischen den Erntetagen zusuchen /19/. Deshalb wurden in einem zweiten Versuch Trainings- und Testdatensatz sozusammengestellt, dass für jedes Erntedatum mindestens ein Datenmuster im Lern- und imTestdatensatz vorhanden war (Tab. 4).Tab. 4: Wiederfindung der Beliebtheit von Erdbeerproben aus den Daten einer

humansensorischen Profilanalyse

Zusammenstellung von Lern-und Testdatensatz

Anzahl an Proben mitrichtig erkannter Beliebtheit

Fehler-rate(%)

Gu*(%)

Go*(%)

Lerndatensatz: 20 von 24 16,7 7 36Gleichmäßige Verteilung derMessdaten von Proben aller

Erdbeersorten aufLern- und Testdatensatz

Testdatensatz: 22 von 31 29,0 16 47

Lerndatensatz: 18 von 21 14,3 5 35Gleichmäßige Verteilung derMessdaten von Proben aller

Erntezeitpunkte aufLern- und Testdatensatz Testdatensatz: 25 von 34 26,5 15 43

* Gu, Go: untere bzw. obere Grenze des 95 % Konfidenzintervalls der Fehlerrate

Tab. 5: Von NEFCLASS ermittelte Regeln für Geruch und Konsistenz von Erdbeer-proben mittlerer und großer Beliebtheit (Berücksichtigung Erntedatum)*

Intensität gemäß ProfilanalyseBeliebtheit Grün Aromatisch Fremd Fruchtig Blumig Konsistenzmittel (Regel 1) klein groß groß klein klein kleinmittel (Regel 2) klein klein klein klein klein großmittel (Regel 3) klein groß groß groß groß kleinmittel (Regel 4) klein klein klein klein klein kleinmittel (Regel 5) klein groß groß klein klein großmittel (Regel 6) klein klein klein klein klein kleinmittel (Regel 13) klein groß klein klein klein großmittel (Regel 15) klein klein klein klein klein kleinmittel (Regel 16) klein groß klein klein klein kleinmittel (Regel 17) klein klein klein klein klein kleinmittel (Regel 18) klein klein groß klein klein groß

groß (Regel 7) klein klein klein klein klein kleingroß (Regel 8) klein groß klein groß klein kleingroß (Regel 9) klein groß klein klein klein kleingroß (Regel 10) klein klein klein klein klein kleingroß (Regel 11) klein klein klein klein klein kleingroß (Regel 12) klein klein klein groß klein großgroß (Regel 14) klein klein klein klein klein klein* rot = Eigenschaften, die man von einer Probe hoher Beliebtheit erwartet hätte und die

uns qualitativ verständlich sind

8

Tab. 6: Von NEFCLASS ermittelte Regeln für den Geschmack von Erdbeerprobenmittlerer und großer Beliebtheit (Berücksichtigung Erntedatum)*

Intensität gemäß Profilanalyse

Beliebtheit Süß Sauer Harmonisch Aromatisch Fremd Wäßrig Reifmittel (Regel 1) groß groß klein klein groß klein großmittel (Regel 2) klein klein klein klein klein groß großmittel (Regel 3) groß groß groß groß groß klein großmittel (Regel 4) klein klein groß groß klein groß kleinmittel (Regel 5) groß groß groß groß groß klein großmittel (Regel 6) klein klein klein klein klein groß kleinmittel (Regel 13) groß klein groß groß klein groß großmittel (Regel 15) klein klein groß klein klein groß kleinmittel (Regel 16) klein groß klein klein klein groß kleinmittel (Regel 17) klein groß klein groß klein klein kleinmittel (Regel 18) groß klein groß klein klein klein klein

groß (Regel 7) groß klein groß groß klein klein kleingroß (Regel 8) groß klein groß klein klein klein kleingroß (Regel 9) groß klein groß groß klein klein kleingroß (Regel 10) groß klein groß klein klein klein kleingroß (Regel 11) groß klein groß groß klein groß kleingroß (Regel 12) groß klein groß groß klein groß kleingroß (Regel 14) klein klein groß groß klein groß klein* rot = Eigenschaften, die man von einer Probe hoher Beliebtheit erwartet hätte

Von den Prüfern wurden den Erdbeerproben in der humansensorischen Analyse Werte von„2“ bis „4,8“ für die Beliebtheit erteilt. Zum Trainieren wurden ausschließlich Datenmuster,die zu Proben der Beliebtheit „4“ (Beliebtheit „groß“) bzw. „3“ (Beliebtheit „mittel“)gehörten, verwendet (Tab. 5, 6). Im Testdatensatz waren zusätzlich Datenmuster enthalten,denen Noten wie „2“; „2,5“; „3,3“ für die Beliebtheit erteilt wurden und die in dieBeliebtheitsklasse „mittel“ eingestuft wurden. Datenmuster des Testdatensatzes, denen eineBeliebtheit von „3,8“; „4,5“ bzw. „4,8“ zugeteilt wurde, wurden hingegen zurBeliebtheitsklasse „groß“ gezählt. Pro Eingangsgröße (13 sensorische Deskriptoren) wurdenje 2 Fuzzy-Mengen („klein“; „groß“) für die Berechnung des Neuro-Fuzzy-Systemsverwendet.Unabhängig von der Zusammenstellung von Lern- und Testdatensatz ergab sich eine hoheWiederfindungsrate für die Beliebtheit aus den Daten der humansensorischen Profilanalyse(Tab. 4). Im Testdatensatz, der selbstverständlich nicht zum Training des Neuro-Fuzzy-Systems benutzt wurde, ist diese Wiederfindungsrate erwartungsgemäß niedriger als imLerndatensatz, aber immer noch befriedigend hoch. Dabei wurde die maximale Zahl anRegeln, die durch den NEFCLASS-Algorithmus gebildet werden durften (vgl. Tab. 3), sobestimmt, dass sich eine maximale Wiederfindungsrate für den Lern- und Testdatensatz ergibt(18 Regeln für den unter Berücksichtigung unterschiedlicher Erntezeitpunktezusammengestellten Datensatz bzw. 22 Regeln für den nach Sorten zusammengestelltenDatensatz).Die für den unter Berücksichtigung der Erntedaten zusammengestellten Datensatz erhaltenenRegeln sind in Tab. 5 und 6 aufgeführt. Geschmack, Konsistenz und Geruch sind dabei imZusammenhang zu sehen und wurden nur aus Übersichtsgründen in zwei Tabellen dargestellt.So lautet z. B. Regel 12:

9

Wenndie Intensität des grünen Geruchs klein ist unddie Intensität des aromatischen Geruchs klein ist unddie Intensität des Fremdgeruchs klein ist unddie Intensität des fruchtigen Geruchs groß ist unddie Intensität des blumigen Geruchs klein ist unddie Intensität des Süßgeschmacks groß ist unddie Intensität des sauren Geschmacks klein ist unddie Intensität des harmonischen Geschmacks groß ist unddie Intensität des aromatischen Geschmacks groß ist unddie Intensität des Fremdgeschmacks klein ist unddie Intensität des wäßrigen Geschmacks groß ist unddie Intensität des Reifegeschmacks klein ist unddie Konsistenz (Festigkeit) groß istdann ist die Beliebtheit = 4 (groß).

Aus den Regeln ist zu erkennen, dass der Parameter „grüner, grasartiger Geruch“ für dasuntersuchte Probenmaterial keine Rolle für die Unterscheidung von Proben mittlerer undgroßer Beliebtheit spielt, weil seine Intensität in jedem Fall zur unscharfen Menge „klein“zugeordnet wurde (Tab. 5, Spalte 1). Des Weiteren ist vom Netzwerk keine Regel gebildetworden, die vollständig unserer Erwartung von einer beliebten Erdbeerprobe entspricht (Tab.5, 6: rote Kennzeichnung). Alle Regeln, die Erdbeerproben hoher Beliebtheit beschreiben,fordern eine Zugehörigkeit zur unscharfen Menge „klein“ für die Intensität des grünen-grasartigen, blumigen und Fremdgeruchs und mit einer Ausnahme für dieKonsistenz/Festigkeit (Tab. 5) sowie des sauren, Reife- und Fremdgeschmacks (Tab. 6) undeine Zugehörigkeit zur unscharfen Menge „groß“ für die Intensität des süßen (1 Ausnahme)und harmonischen Geschmacks (Tab. 6). Die Tatsache, dass für eine beliebte Erdbeerprobedie Intensität des Reifegeschmacks klein sein sollte, wirft jedoch Fragen auf. Die Regeln fürdie Beschreibung von Erdbeerproben der Beliebtheit „groß“ fordern eher kleine Werte für dieKonsistenz/Festigkeit (1 Ausnahme).Unabhängig davon, ob bei der Erstellung des Lern- und Testdatensatzes auf dieGleichverteilung von Sorten oder Erntedaten geachtet wurde, läßt sich in den Regeln folgendeTendenz erkennen:

Beliebter sind solche Proben, für die vom sensorischen Panel auf der nichtgraduiertenBewertungsskala

− eher kleine Intensitätswerte für grünen Geruch, aromatischen Geruch, blumigen Geruch,sauren Geschmack, Fremdgeschmack und -geruch, für die Konsistenz (Festigkeit), denwäßrigen Geschmack sowie Reifegeschmack und

− eher große Intensitätswerte für harmonischen Geschmack, aromatischen Geschmack, süßenGeschmack und fruchtigen Geruch

vergeben wurden.

10

Tab. 7: Von NEFCLASS ermittelte Regeln für Geruch und Konsistenz vonErdbeerproben mittlerer und großer Beliebtheit (Berücksichtigung Sorte)*

Intensität gemäß ProfilanalyseBeliebtheit Grün Aromatisch Fremd Fruchtig Blumig Konsistenzmittel (Regel 4) klein groß klein groß klein kleinmittel (Regel 5) klein groß klein groß klein kleinmittel (Regel 6) klein groß klein klein klein großmittel (Regel 7) klein groß groß groß groß großmittel (Regel 8) klein groß klein groß klein kleinmittel (Regel 10) klein groß klein klein klein kleinmittel (Regel 11) klein klein klein klein klein großmittel (Regel 14) groß groß klein klein klein kleinmittel (Regel 15) klein groß klein groß klein großmittel (Regel 16) klein klein klein klein klein großmittel (Regel 17) klein klein groß klein klein kleinmittel (Regel 19) klein klein groß klein klein großmittel (Regel 22) klein groß klein groß klein klein

groß (Regel 1) klein groß klein groß klein kleingroß (Regel 2) klein groß klein klein klein kleingroß (Regel 3) klein klein klein groß klein großgroß (Regel 9) klein groß klein groß klein kleingroß (Regel 12) klein groß klein groß klein kleingroß (Regel 13) klein klein klein groß klein kleingroß (Regel 18) klein groß klein groß klein großgroß (Regel 20) klein groß klein klein klein kleingroß (Regel 21) klein groß klein groß klein klein* rot = Eigenschaften, die man von einer Probe hoher Beliebtheit erwartet hätte

Die Betrachtung der Häufigkeitsverteilung der von den Experten vergebenen Werte (Bild 2)gibt Hinweise über die Vorhersagefähigkeit der einzelnen in der Profilanalyse ermitteltenParameter für die Beliebtheit. Nimmt beispielsweise die Variable „Reifegeschmack“ (Bild 2)exakt die gleichen Werte (schwarze Striche in Bild 2) sowohl für beliebte als auch für wenigerbeliebte Proben an, so ist diese Variable nicht gut zur Unterscheidung solcher Probengeeignet.Im Gegensatz dazu wurde vom sensorischen Panel niemals ein- und derselbe Intensitätswertfür den aromatischen Geruch von Proben unterschiedlicher Beliebtheit vergeben (Fehlenschwarzer Striche in Bild 3). Demzufolge scheint diese Variable schon eher für eineVorhersage der Beliebtheit von Erdbeerproben geeignet zu sein. Andererseits erkennt man ausBild 2 und 3 auch, dass keine einfachen (linearen) Beziehungen zwischen den abgebildetenVariablen und der Beliebtheit bestehen. Einfache Beziehungen würde man daran erkennen,dass sich z. B. alle grün gekennzeichneten, also weniger beliebten Proben bei eher kleinerenWerten für den „aromatischen Geruch“ befänden und alle rot gekennzeichneten Proben, alsobeliebteren Proben, bei eher größeren Werten. Ausgehend von diesen Häufigkeitsverteilungenwurde ein weiteres Neuro-Fuzzy-System zur Vorhersage der Beliebtheit von Erdbeerprobenberechnet, in das nur solche Größen eingingen, bei denen nicht derselbe Wert für Probenunterschiedlicher Beliebtheit auftrat.

11

Tab. 8: Von NEFCLASS ermittelte Regeln für Geschmack von Erdbeerproben mittlererund großer Beliebtheit (Berücksichtigung Sorte)*

Intensität gemäß ProfilanalyseBeliebtheit Süß Sauer Har-

monischAromatisch Fremd Wäßrig Reif

mittel (Regel 4) klein klein groß klein klein groß großmittel (Regel 5) groß groß groß klein klein klein kleinmittel (Regel 6) groß klein groß groß groß groß großmittel (Regel 7) klein groß klein klein groß klein großmittel (Regel 8) klein groß klein klein klein klein großmittel (Regel 10) klein groß klein groß groß klein kleinmittel (Regel 11) klein groß klein groß klein groß kleinmittel (Regel 14) klein groß groß groß klein klein kleinmittel (Regel 15) klein groß klein klein klein groß kleinmittel (Regel 16) klein groß klein klein klein groß kleinmittel (Regel 17) klein groß klein klein klein klein kleinmittel (Regel 19) klein klein klein klein klein groß kleinmittel (Regel 22) klein groß groß groß klein groß klein

groß (Regel 1) klein groß groß groß klein klein kleingroß (Regel 2) klein groß groß groß klein klein kleingroß (Regel 3) groß groß groß groß klein klein kleingroß (Regel 9) klein groß klein groß klein klein kleingroß (Regel 12) groß klein groß groß klein klein kleingroß (Regel 13) groß klein groß groß klein klein kleingroß (Regel 18) klein klein groß klein klein klein großgroß (Regel 20) klein groß groß groß klein groß kleingroß (Regel 21) groß klein groß groß klein klein groß* rot = Eigenschaften, die man von einer Probe hoher Beliebtheit erwartet hätte

- Beliebtheit “groß”- Beliebtheit “mittel”- Beliebtheit “groß” “mittel”und

Anz

ahl a

n P

rob e

n m

it de

m e

ntsp

rec h

en-

den

Inte

nsitä

tsw

ert d

es R

eife

gesc

hmac

ks

Intensität des Reifegeschmacks10

Bild 2. Häufigkeitsverteilung der von den Experten für die Eigenschaft „Reifegeschmack“vergebenen Punkte im Zusammenhang mit der Beliebtheit von Erdbeerproben

12

- Beliebtheit “groß”- Beliebtheit “mittel”

Anz

ahl

an

Pro

ben

mit

dem

ent

spre

chen

den

Inte

nsitä

tsw

ert d

es a

rom

atis

chen

Ger

uchs

Intensität des aromatischen Geruchs

10

Bild 3. Häufigkeitsverteilung der von den Experten für die Eigenschaft „aromatischerGeruch“ vergebenen Punkte im Zusammenhang mit der Beliebtheit derErdbeerproben

Das war nur für die Größen „aromatischer Geruch“ und „süßer Geschmack“ der Fall. Fürdiese beiden Größen wurden je 3 unscharfe Mengen gebildet und ein Neuro-Fuzzy-Netzwerkfür die beiden Ausgaben „Beliebtheit groß“ und „Beliebtheit mittel“ berechnet (Bild 4). Für79,2 % bzw. 19 von 24 Proben des Lerndatensatzes sowie für 71,0 % bzw. 22 von 31 Probendes Testdatensatzes wurde unter Verwendung von 8 Regeln die richtige Beliebtheitvorhergesagt. Das beweist eine relativ gute Vorhersagefähigkeit der Beliebtheit nur aus diesenbeiden Größen. Andererseits ist zu erkennen, dass der in Bild 4 auf der horizontalen Achseaufgetragene Süßgeschmack der Proben bereits wesentlich zu einer Trennung von Probenmittlerer und guter Beliebtheit beiträgt.

13

Bild 4. Von Experten vergebene Werte für den aromatischen Geruch (Abszisse) und densüßen Geschmack (Ordinate) für Proben der Beliebtheit „groß“ und „mittel“ .Eingekreiste Proben wurden vom Netzwerk fehlklassifiziert.oben: Lerndatensatz, unten: Testdatensatz

Fähigkeit von Neuro-Fuzzy-Systemen, aus instrumentellen Messdaten die human-sensorische Beurteilung von Majoranproben vorherzusagen

Lebensmittelhersteller sind auf eine gleichbleibend hohe Qualität der von ihnen verwendetenGewürze angewiesen. Zur Überprüfung dieser Qualität wären schnelle Testmethodenwünschenswert. Solche Methoden könnten im Fall des Majorangewürzes (Blatt-Blütenfraktion von Origanum majorana L.) Messungen mit einem Gassensor-Array und/odereinem Farbmessgerät sein. Folglich sollte überprüft werden, ob sich aus instrumentellenDaten, die den Dampfraum über den Majoranproben charakterisieren und/oder den

14

Ergebnissen einer instrumentellen Farbmessung die von einem Expertenpanel vorgenommenehumansensorische Bewertung des Aussehens, des Geschmacks bzw. des Geruchs dieserProben vorhersagen läßt. Die Untersuchungen wurden in Zusammenarbeit mit derBundesanstalt für Züchtungsforschung an Kulturpflanzen (BAZ), Quedlinburg, durchgeführt,an der im Projektzeitraum ein von der Europäischen Gemeinschaft gefördertes Projekt (FAIR3CT96-1914), das sich mit der Züchtung und Charakterisierung von Majoranhybridpflanzenbefasst, bearbeitet wurde.

20 unterschiedliche Majoranpopulationen wurden 1997 an der BAZ nach einem randomisierten Blockdesign mit4 Wiederholungen angebaut, geerntet und getrocknet /1/.2,3 g der Blatt-Blütenfraktion jeder Population wurden 45 s lang in einem Mörser pulverisiert. Von diesemPulver wurden zehn 10-ml Probengefäße mit je 300 mg befüllt. Nach einer Wartezeit von 8 h zum Abklingenmöglicher durch das Pulverisieren ausgelöster Reaktionen und einer Inkubationszeit von 4 min (35 °C) wurden2,5 ml des Dampfraumes der Probe mit Hilfe des automatischen Probengebers CTC HS 500 in dieSensorkammern des Fox 4000 (Alpha M.O.S., Toulouse; 18 halbleitende Metalloxidsensoren) überführt(Spritzentemperatur 35 °C, Füllgeschwindigkeit der Spritze 0,3 ml/s, Injektionsgeschwindigkeit 3 ml/s). DieSensorantworten wurden 180 s lang registriert (1,5 Messpunkte/s). Dabei betrug die Trägergasgeschwindigkeit200 ml/s. Diese wurde nach jeder Probe 900 s lang auf 500 ml/s erhöht (Purge). Danach wurde weitere 600 s dieSensorerholung abgewartet /22/. Die Reflexion der Probe wurde mit Hilfe eines Minolta CM-508-d Photometers/29/ im Bereich von 400 bis 700 nm in 10-nm-Schritten registriert. Aus diesen Reflexionswerten werden durchFaltung mit der relativen spektralen Energieverteilung der Beleuchtung (Strahlungsfunktion) und denSpektralwertfunktionen für einen 2°-Normalbeobachter (kleine Proben, die ein Gesichtsfeld von 2° ausfüllen) die2°-Normfarbwerte XYZ berechnet. Aus diesen 2°-Normfarbwerten lassen sich die von der CommissionInternationale d’Eclairage definierten L*-a*-b*-Werte, auch CIELAB-Werte genannt, berechnen. Dabei zeigt dasVorzeichen des a*- bzw. b*-Wertes den Buntton an (+a*: Richtung Rot, -a*: Richtung Grün, +b*: Richtung Gelb,-b*: Richtung Blau), während der absolute Betrag des a*- bzw. b*-Wertes die Farbsättigung angibt (Betrag 0entspricht Grau, größere Beträge entsprechen größerer Buntheit). Der L-Wert gibt die Helligkeit an.Die Anzahl der vom NEFCLASS-Algorithmus zu generierenden Regeln und die Anzahl der unscharfen Mengenpro Eingangsgröße wurde wiederum so gewählt, dass die Zahl der Fehlklassifikationen minimiert wurde.Die humansensorische Beurteilung (Geschmack, Geruch, Aussehen) wurde im Majoranwerk Ascherslebendurchgeführt. Jede Eigenschaft wurde anhand einer fünfstufigen Boniturskala (1 = schlechteste, 5 = besteBeurteilung, genaue Erläuterung der Noten s. Bild 5-7) beurteilt.Insgesamt wurden 15 Sensorantworten für die Berechnungen herangezogen; ein Sensor stellte sich als defektheraus, 2 Sensoren lieferten nur geringe Response, die das Klassifikationsergebnis nicht verbesserten.

Die in Tab. 9 zusammengefassten Ergebnisse der Neuro-Fuzzy-Berechnungen zeigen, dassmit Ausnahme des Versuchs, einen mit der Bonitur 4 bewerteten Geruch von einem mitBonitur 5 bewerteten ausgehend von den Sensorantworten von 15 Gassensoren zuunterscheiden, gute Wiederfindungsraten sowohl im Lern- als auch im davon unabhängigenTestdatensatz erreicht wurden. Auch gelingt offensichtlich die Vorhersage der für dasAussehen (hauptsächlich von der Farbe bestimmt) vergebenen Boniturnote nicht so gut, wennnur von Gassensor-Signalen ausgegangen wird. Das ist nicht überraschend, da bislang nochungeklärt ist, ob es überhaupt einen Zusammenhang zwischen der Farbe von gerebeltemMajoran und seinem Geschmack, Geruch bzw. Gehalt an Inhaltsstoffen gibt /22/.Nichtsdestotrotz orientieren sich Großverwender von Majoran (Metzgereien etc.) beimEinkauf hauptsächlich an der Farbe des Gewürzes.Insgesamt wurden 15 Sensorantworten für die Berechnungen herangezogen; ein Sensor stelltesich als defekt heraus, 2 Sensoren lieferten nur geringe Response, die dasKlassifikationsergebnis nicht verbesserten.

15

Tab. 9. Vorhersage der humansensorischen Bewertung von Geruch, Geschmack und Aussehen von Majoranproben anhand instrumenteller Messdaten durch ein Neuro-Fuzzy-System

Eingabe(Instrumentelle

Daten)

Ausgabe(humansen-

sorische Daten)

Anzahlrichtig klas-

sifizierterProben

(Trainings-daten)

Erken-nungs-

rate(Trai-nings-daten)

Anzahlrichtig

klassifizier-ter Proben(Testdaten)

Erken-nungs-

rate(Test-daten)

Vorhersage der Geruchsbewertung, “Feinunterscheidung”15 Gassensor-Signale

Bonitur 4,Bonitur 5

47/70 67,1 % 41/70 58,6 %

Vorhersage der Geruchsbewertung, “Grobunterscheidung”15 Gassensor-Signale

Bonitur 3,Bonitur 5

24/30 80,0 % 21/30 70,0 %

L*-a*-b*-Werte(CIELAB)

Bonitur 3,Bonitur 5

14/18 77,8 % 10/12 83,3 %

15 Gassensor-Signale & L*-a*-b*-Werte

Bonitur 3,Bonitur 5

15/18 83,3 % 12/12 100,0 %

Vorhersage der Geschmacksbewertung, “Feinunterscheidung”15 Gassensor-Signale

Bonitur 3,Bonitur 5

39/50 78,0 % 71/100 71,0%

L*-a*-b*- Werte(CIELAB)

Bonitur 3,Bonitur 5

24/30 80,0 % 38/45 84,4 %

15 Gassensor-Signa-le & L*-a*-b*-Werte

Bonitur 3,Bonitur 5

26/30 86,7 % 18/20 90,0 %

Vorhersage der Geschmacksbewertung, “Grobunterscheidung”15 Gassensor-Signale

Bonitur 1-3;Bonitur 4-5

103/125 82,4 % 102/125 81,6 %

L*-a*-b*- Werte(CIELAB)

Bonitur 1-3;Bonitur 4-5

16/16 100,0 % 14/15 93,8 %

Vorhersage der Bewertung des Aussehens15 Gassensor-Signale

Bonitur 4,Bonitur 5

61/100 61,0 % 63/100 63,0 %

L*-a*-b*-Werte(CIELAB)

Bonitur 4,Bonitur 5

48/60 80,0 % 28/40 70,0 %

15 Gassensor-Signale & L*-a*-b*-Werte

Bonitur 4,Bonitur 5

49/60 81,7 % 31/40 77,5 %

16

Diskriminanzfunktion 1

Dis

krim

inan

zfun

ktio

n 2

Bild 5. Diskriminanzanalyse der Sensorsignale des Fox 4000 (Majoranproben),Gruppenbildung den Ergebnissen der humansensorischen Geruchsbewertungentsprechend:arteigen, sortentypisch vollaromatisch-würzig (Boniturnote 5)arteigen, sortentypisch aromatisch-würzig (Boniturnote 4)noch arteigen, etwas schwach aromatisch, nicht ganz rein, schwach würzig(Boniturnote 3)Jeder Datenpunkt ist ein Mittelwert aus 10 Parallelbestimmungen.

Wie die bereits im Zwischenbericht aufgeführten Ergebnisse (Bild 5 - 7) zeigen, gelingt dieWiderspiegelung humansensorischer Befunde aus den Signalen des Fox 4000 mit einemVerfahren der linearen Datenreduktion nicht oder nur teilweise. Lediglich eine gewisseSeparation der in der sensorischen Analyse als am wenigsten aromatisch empfundenen Proben(in Bild 5 - 7 grün gekennzeichnet) deutet sich an. Allerdings gelingt auch mit einem Neuro-Fuzzy-System die „Feinunterscheidung“ zwischen der Boniturnote 4 und 5 aus Gassensor-Signalen für den Geruch nicht (Tab. 9). Das kann einerseits an zu geringen Unterschieden derSensorantworten auf mit der Bonitur 4 bzw. 5 bewertete Proben liegen - die in„Elektronischen Nasen“ verwendeten Gassensoren reagieren unspezifisch - und andererseitsunterliegt natürlich auch die Beurteilung der Proben durch die Prüfer einer Varianz. Leiderlagen zu letzterer keine Daten vor.Die „Grobunterscheidung“ zwischen der Bewertung mit der Boniturnote 3 und 5 desGeschmacks und Geruchs von Majoranproben gelingt sowohl ausgehend von denGassensorsignalen als auch von den L*-a*-b*-Werten mit einer guten Erkennungsrate, wobei

17

mit Ausnahme des Trainingsdatensatzes für den Geruch die L*-a*-b*-Werte alsEingangsgrößen eine bessere Vorhersagefähigkeit als die Gassensor-Signale aufweisen.Allerdings ist die ausgehend von den Gassensor-Signalen ermittelte Erkennungsrate durcheine höhere Anzahl von Datensätzen statistisch besser abgesichert. Diese Erkennungsrateerhöht sich, wenn Gassensor-Signale und L*-a*-b*-Werte als Eingangsgrößen des Neuro-Fuzzy-Systems verwendet werden. Ebenso ergibt die Kombination von Farbdaten undGassensor-Signalen eine verbesserte Vorhersagefähigkeit der für das Aussehen erteiltenBoniturnote 4 oder 5.

Diskriminanzfunktion 1

Dis

krim

inan

zfun

ktio

n 2

Bild 6. Diskriminanzanalyse der Sensorsignale des Fox 4000 (Majoranproben),Gruppenbildung den Ergebnissen der humansensorischen Geschmacksbewertungentsprechend:arteigen, sortentypisch vollaromatisch würzig, schwach brennend, milde, bittereNote, frisch, krautig (Boniturnote 5)arteigen, sortentypisch aromatisch-würzig, frisch krautig, milde bittere Note(Boniturnote 4)kaum arteigen, etwas schwach aromatisch, bittere Note, heuartig (Boniturnote 3)Jeder Datenpunkt ist ein Mittelwert aus 10 Parallelbestimmungen.

18

Diskriminanzfunktion 1

Dis

krim

inan

zfun

ktio

n 2

Bild 7. Diskriminanzanalyse der Sensorsignale des Fox 4000 (Majoranproben),Gruppenbildung den Ergebnissen der humansensorischen Farbbewertung ent-sprechend:arteigen, sortentypischer grüner bis graugrüner Farbton, zerkleinerte rundliche Blatt-und Blütenteile,vereinzelt Stielchen, ganz geringer Feinanteil (Bonitur 5)arteigen, sortentypischer noch grüner bis grau-grüner Farbton, ganz vereinzelt bräun-liche Blatteile, zerkleinerte rundliche Blatt- und Blütenteile, vereinzelt Stielchen, ge-ringer Feinanteil (Bonitur 4)Der Umriss um die Koordinaten von Proben, denen die Boniturnote 5 bzw. 4 erteiltwurde, wurde ausgedehnt, um eine bessere Lesbarkeit der Probenbezeichnung zuerreichen. Jeder Datenpunkt ist Mittelwert aus je 10 Parallelbestimmungen.

Fähigkeit eines Neuro-Fuzzy-Systems, durch gleichzeitige Auswertung mehrererinstrumenteller Daten die humansensorische Beurteilung von Fleischprobenvorherzusagen

Durch die Verarbeitung von Geruchs-, Geschmacks-, Seh- und “Tast”-Eindrücken im ZNSentsteht das Urteil des Konsumenten über das von ihm verzehrte Fleisch. Soll dieses Urteilvorhergesagt werden, genügen folglich die nur von einem einzelnen Messverfahren, z. B. voneinem Gassensor-Array, gelieferten Messdaten nicht. Deshalb wurden neben denSensorsignalen des Gassensor-Arrays auch Messdaten zur Textur, zumTrockensubstanzgehalt, zur ausdrückbaren Feuchte, zum pH-Wert und zur Impedanz für dieVorhersage herangezogen.

Im Handel erworbene Schweinekotelettstränge (musculus longissimus dorsi) wurden in 1 cm breite Scheibengeschnitten, in einem mit Dämpfeinsatz versehenen Topf 10 min lang über 500 ml kochendem Wasser gedämpftund dann den Prüfern (5 - 6 Prüfpersonen) auf 60 °C warmen Tellern, die sich auf 140 °C heißen Plattenbefanden, vorgelegt. Die Proben wurden unter Verwendung nichtgraduierter Skalen nach der Beliebtheit(“Angenehmheit”) ihres Geschmacks, Geruchs, ihrer Textur und nach der Gesamtbeliebtheit beurteilt, wobei 0eher unbeliebt/unangenehm und 100 sehr beliebt/sehr angenehm bedeutet. Für die Messungen mittels Gassensor-Array wurden 25 g rohes bzw. 15 g gedämpftes, zuvor im Haushaltsmixer homogenisiertes Fleisch in die 120-mlProbengefäße des Fox 4000 gegeben. Nach 15 min Inkubation bei 30 °C wurden der Trägergasstrom (200

19

ml/min) 60 s lang über den Dampfraum der Probe geleitet und 180 s lang die Sensorsignale registriert. EinSensor erwies sich als beschädigt, so dass nur 17 Sensorsignale als Eingangsgrößen für die Neuro-Fuzzy-Systemeverwendet werden konnten.

Zusätzlich wurde durch Aufnahme einer Kraft-Weg-Kurve am Texturanalyzer TA.XT2 jene Maximalkraftermittelt, die auf den ersten 50 mm Weg beim Durchschneiden eines 2 cm x 2 cm x 2 cm großen rohen bzw. 2 cmx 2 cm x 1 cm großen garen Probenstückes an einem Warner-Bratzler-Schermesser auftritt. Dabei wurde dasSchermesser mit einer konstanten Geschwindigkeit von 2 mm/s quer zur Faser vorwärtsbewegt. Impedanz undpH-Wert wurden mit Hilfe des Gerätes „Meatcheck 160 pH“ (sigma electronic GmbH, Erfurt) bestimmt. DerTrockensubstanzgehalt wurde nach dreistündigem Trocknen von 3 - 5 g einer zuvor homogenisierten, mit 10 - 30g Seesand verriebenen Fleischprobe bei 105 °C im Trockenschrank bestimmt.Das locker gebundene Wasser wurde an einer 0,3 - 0,5 g schweren, auf Filterpapier bekanntenWasserbindevermögens (8,4 mg/cm2) mit 1 kg Gewicht 10 min lang belasteten Rohfleischprobe nach folgenderFormel ermittelt:

( )locker gebundenes Wasser

b a

m(%)

,=

− ⋅ ⋅0 0084 100

a: Fläche, die von der inneren Front eingeschlossen wird (cm2)b: Fläche, die von der äußeren Front eingeschlossen wird (cm2)m: Masse der Probe (g)0,0084 resultiert aus dem Wasserbindevermögen des Filterpapiers (8,4 mg/cm2)

Ergebnisse der Humansensorik

Bild 8 zeigt an exemplarisch ausgewählten Proben, dass das Urteil über Geruch, Geschmack,Textur und die Gesamtbeliebtheit zwischen unterschiedlichen Prüfpersonen mitunter starkvariiert. Im Gegensatz dazu zeigen unterschiedliche Proben ähnliche Mittelwerte, so dass eint-Test insbesondere bei Geschmack und Geruch selten signifikante Unterschiede derPrüferurteile nachweisen konnte (Tab. 10).Von den signifikanten Unterschieden ausgehend, war lediglich eine Unterscheidung derKlassen „eher mehr beliebt“ und „eher weniger beliebt“ möglich. Folglich wurden die beidenAusgabeneuronen des zu trainierenden Neuro-Fuzzy-Systems mit diesen Ausdrückenversehen.Die in Tab. 11 gezeigten Korrelationskoeffizienten zwischen den Prüferurteilen zuunterschiedlichen sensorischen Eigenschaften sowie die grafische Darstellung in Bild 9weisen auf einen engen Zusammenhang zwischen den Urteilen zur Gesamtbeliebtheit und zurTextur hin. Folglich ist dasselbe Neuro-Fuzzy-System zur Vorhersage der Beliebtheit derTextur und der Gesamtbeliebtheit geeignet.

20

Beliebtheit des Geschmacks

0

100

Probe C Probe D Probe A

Beliebtheit des Geruchs

0

100

Probe B Probe E Probe A

Beliebtheit der Textur

0

100

Probe A Probe B Probe D

Gesamtbeliebtheit

0

100

Probe A Probe B Probe C

Bild 8. Mittelwert und Standardabweichung der Prüferurteile exemplarisch ausgewählterProben.Die jeweils links außen stehende Probe (n) ist signifikant verschieden von dermittleren (n); jedoch nicht von der rechts außen stehenden (n) (P = 0,95).

21

Tab. 10: Ergebnisse der sensorischen Beurteilung von Fleischproben (0 = eher weniger beliebt ,100 = eher mehr beliebt)* = signifikanter Unterschied

Gesamt-urteil

49,7 71,4 51,1 71,5 70,5 60,7 73,6 57,0 79,5 76,8

ProbeA

ProbeB

ProbeC

ProbeD

Probe 1 Probe 2 Probe 3 Probe 4 Probe 5 Probe 6

Probe A - * * * * * *Probe B * - * * *Probe C * - * * * *Probe D * * -Probe 1 * * -Probe 2 - * *Probe 3 * * - *Probe 4 * * - * *Probe 5 * * * * * -Probe 6 * * * -

Beliebtheitdes

Geschmacks

62,6 75,3 60,8 75,9 69,5 69,3 80,0 76,0 75,8 78,2

ProbeA

ProbeB

ProbeC

ProbeD

Probe 1 Probe 2 Probe 3 Probe 4 Probe 5 Probe 6

Probe A -Probe B -Probe C - * * * *Probe D * -Probe 1 -Probe 2 -Probe 3 * -Probe 4 * -Probe 5 * -Probe 6 -

Beliebtheitdes Geruchs

60,7 60,3 73,3 53,5 71,7 74,0 74,2 64,2 77,5 73,8

ProbeA

ProbeB

ProbeC

ProbeD

Probe 1 Probe 2 Probe 3 Probe 4 Probe 5 Probe 6

Probe A -Probe B - * *Probe C -Probe D - *Probe 1 -Probe 2 * -Probe 3 -Probe 4 - * *Probe 5 * * * -Probe 6 * -

22

Fortsetzung von Tab. 10: Ergebnisse der sensorischen Beurteilung von Fleischproben (0 = eher weniger beliebt , 100 = eher mehr beliebt) * = signifikanter UnterschiedBeliebtheitder Textur

45,3 64,6 30,3 63,9 67,3 49,0 64,6 44,2 78,5 71,5

ProbeA

ProbeB

ProbeC

ProbeD

Probe 1 Probe 2 Probe 3 Probe 4 Probe 5 Probe 6

Probe A - * * * * * *Probe B * - * * *Probe C * * - * * * * *Probe D * -Probe 1 * * - * *Probe 2 * * - * *Probe 3 * * - * *Probe 4 * * * - * *Probe 5 * * * * * * -Probe 6 * * * -

Tab.11. Korrelationskoeffizienten zwischen den Prüferurteilen bei FleischEigenschaften Korrelationskoeffizient

Beliebtheit der Textur und Gesamtbeliebtheit 0,909Beliebtheit des Geschmacks und

Gesamtbeliebtheit0,778

Beliebtheit der Textur und Beliebtheit desGeschmacks

0,655

40455055606570758085

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Nr. der Probe

0 =

un

bel

ieb

t;

100

=seh

r b

elie

bt

Beliebtheit des Geschmacks Beliebtheit des GeruchsBeliebtheit der Textur Gesamtbeliebtheit

Bild 9. Mittelwerte der Prüferurteile (Beliebtheit, „Angenehmheit“) in Bezug auf dieuntersuchten FleischprobenDie rot gezeichneten Linien zeigen Eigenschaften, bei denen die Prüferurteilekorrelieren.

23

Messungen von pH-Wert und Impedanz

Betrachtet man die ermittelten pH-Werte und Impedanzen der Fleischproben imZusammenhang mit der jeweils zugehörigen Gesamtbeliebtheit der Proben (Bild 10), so zeigtsich, dass beispielsweise ein pH-Wert von ca. 5,4 sowohl für Proben der Gesamtbeliebtheit49,7 als auch der Gesamtbeliebtheit 71,5 ermittelt wurde. Ebenso wurde die Impedanz „0“ fürProben, deren Beliebtheit die Prüfer im Durchschnitt mit 57 bzw. 79,5 Skalenteilenbewerteten, gemessen. Folglich sind pH-Wert und Impedanz von beliebig im Handelerworbenen Schweinefleischstücken nicht zur Vorhersage der Gesamtbeliebtheit geeignet undwurden daher nicht als Eingabeneuronen benutzt. Im Gegensatz dazu ist ein niedriger pH-Wert, wenn er kurz nach der Schlachtung gemessen wurde, ein Hinweis auf das Vorliegen vonsogenanntem PSE-Fleisch (pale-soft-exudative). Üblicherweise wird der 45 min post mortemermittelte pH-Wert verwendet, um eine Aussage darüber zu treffen, ob PSE (pale-soft-exudative) vorliegt. PSE-Fleisch, das durch eine überstürzt gebildete zellaktive Milchsäureund hohe Wasserlässigkeit gekennzeichnet ist, kann im Ergebnis falscher prämortalerHaltungsbedingungen der Tiere (Streß) entstehen. Da jedoch für die Versuche verbrauchernahFleisch im Handel erworben wurde, ist der Zeitpunkt post mortem, an dem die pH-Messungdurchgeführt wurde, nicht bekannt.

0

5

10

15

20

25

30

49.70 57.00 63.50 68.33 70.50 71.40 71.50 76.83 79.50

Gesamtbeliebtheit

Mes

swer

t

pH-Wert

Impedanz

Bild 10. Ermittelte pH-Werte und Impedanzen für Fleischproben unterschiedlicherGesamtbeliebtheit

Die Impedanz, d. h. der komplexe Widerstand des Fleisches, sinkt, wenn die Zellmembranenbeschädigt sind und intrazelluläre Substanzen zur Erhöhung der Leitfähigkeit beitragenkönnen. Die Beschädigung der Zellmembran kann durch vorzeitige Säuerung (PSE-Fleisch)oder durch einsetzenden Proteinabbau bei langer Lagerung eintreten. Die normalerweisezwischen 12 und 24 Stunden, maximal jedoch 4 bis 72 Stunden nach der Schlachtungermittelten Impedanzwerte (Py) sollen eine Einteilung in

− normalqualitatives, wasserbindiges, wohlschmeckendes Schweinefleisch (Py-Wert 50 bis80),

− Schweinefleisch, dessen Qualitätsparameter geringfügig verändert sind (Py-Wert 30 bis 49)und

− wasserlässiges, geschmacklich verändertes, roh weiches und gar zähes Schweinefleisch(Py-Wert < 30)

24

ermöglichen. Weiterhin sollen niedrige Py-Werte bei Schweinefleisch, das über die Normhinaus gelagert wurde, gehäuft auftreten /33/. Entsprechend sollte Fleisch, bei dem die Zell-membranen beschädigt sind, wasserlässig sein. Daher wurde als zusätzlicher instrumentellerParameter das Wasserbindevermögen ermittelt.

Texturmessungen

Es ist zu erkennen, daß die Maximalkraft, die während des Zurücklegens eines Weges von 50mm am Schermesser benötigt wird, für gares Fleisch höher ist als für rohes (Bild 11). Dieswar bei allen bislang untersuchten Proben von Kotelett der Fall. Bild 12 zeigt, in welcherGrößenordnung sowohl der Texturanalyzer als auch die Prüfpersonen in ihrer Beurteilung derTextur schwanken. Es ist auch zu erkennen, daß eine weiche Konsistenz des Rohfleisches, diesich in einem kleinen Wert für „TA roh“ manifestiert, nicht zwingend zu einer gutenBeurteilung der Konsistenz durch die Prüfer führen muß. Das könnte ein Zeichen dafür sein,daß die weiche Rohfleischkonsistenz durch eine hohe Wasserlässigkeit bedingt ist.Demgegenüber scheinen hohe Maximalkräfte an gegartem Fleisch (TA gar) auf eine vomPrüfer als schlecht empfundene Textur hinzuweisen - und umgekehrt! Sowohl gegarte alsauch rohe Proben wurden parallel mittels Fox 4000 vermessen.

Bild 11. Registrierte Kraft am Warner-Bratzler-Schermesser, um einen vorgegebenen Wegvon 50 mm zurückzulegen (Probe 3)___

, ___

, ___

Parallelbestimmungen an rohem Fleisch___

, ___

, ___

Parallelbestimmungen an garem Fleisch

25

0

20

40

60

80

100

120

140

160

Probe 3 Probe 4 Probe 5 Probe 6

TA roh

TA gar

Sens gar

Bild 12. Vergleich der sensorischen Bewertung der Fleischtextur durch Prüfpersonen (Sensgar) mit der Maximalkraft am Warner-Bratzler-Schermesser eines Texturanalyzersbei Zerschneidung eines rohen (TA roh) und gegarten (TA gar) Probenwürfels.Ordinatenwerte:für Sens gar: 0 als schlecht, 100 als sehr gut von Prüfpersonen empfundene Texturfür TA gar und TA roh: Maximalkraft in NFehlerbalken entsprechen der Standardabweichung

Die im Projektantrag vorgesehenen Farbmessungen wurden am Fleisch nicht weiter durchge-führt, da aufgrund der Feuchte des Fleisches Reflexionen auftraten, die die Werte L-a-b(CIELAB-System) verfälschten.

Die für die Vorhersage der sensorischen Beurteilung benutzten Datensätze waren also wiefolgt zusammengesetzt:

Rohfleisch: - 17 Gassensor-Signale- Maximalkraft (Warner-Bratzler-Messer)- Trockensubstanzgehalt- ausdrückbares Wasserjeweils an der rohen Fleischprobe ermittelt

Gedämpftes Fleisch: - 17 Gassensor-Signale, am gedämpften Fleisch ermittelt- Maximalkraft (Warner-Bratzler-Messer), an gedämpften

Fleisch ermittelt- übrige Daten von rohem Fleisch übernommen

26

Tab. 12 zeigt, dass sowohl für den Lerndatensatz als auch für den davon unabhängigenTestdatensatz die Beurteilung der jeweiligen sensorischen Eigenschaft mit großer Genauigkeitvorhergesagt werden kann.

Tab.12. Vorhersage der humansensorischen Beurteilung von Schweinefleisch ausinstrumentellen Daten

InstrumentelleDaten von

Vom Prüfer-panel zu beur-

teilendeEigenschaft

AnzahlRegeln

Anzahlrichtig

klassifi-zierterProben

Anzahlfehlklas-sifizier-

terProben

Fehler-rate(%)

Gu**(%)

Go**(%)

Rohfleisch,Lerndatensatz

Geruch 30 47 1 2,1 0 11

Rohfleisch,Testdatensatz

Geruch 30 41 1 2,4 0 12

Rohfleisch,Lerndatensatz

Textur,Gesamt-

beliebtheit*42 48 0 0,0 0 7

Rohfleisch,Testdatensatz

Textur,Gesamt-

beliebtheit*42 38 4 9,5 4 22

GedämpftemFleisch,

LerndatensatzGeruch 37 48 0 0,0 0 7

GedämpftemFleisch,

TestdatensatzGeruch 37 41 3 6,8 2 18

GedämpftemFleisch,

Lerndatensatz

Textur,Gesamt-

beliebtheit*42 48 0 0,0 0 7

GedämpftemFleisch,

Testdatensatz

Textur,Gesamt-

beliebtheit*42 38 6 13,6 6 27

* hochkorreliert** Gu, Go: untere bzw. obere Grenze des 95 % Konfidenzintervalls der Fehlerrate

Wurden Messungen an gedämpftem Fleisch durchgeführt, trat eine sehr lange Sensorerho-lungszeit (ca. 1 h) auf, die vermutlich durch die hohe Affinität der Sulfidverbindungen zurZinndioxidoberfläche der Sensoren verursacht wurde. Da sich die Erkennungsraten der Be-liebtheit von Geruch und Textur von Fleischproben ausgehend von Messungen an rohenFleischproben nicht von den Erkennungsraten ausgehend von Messungen an gedämpftenFleisch unterscheiden, könnte auf die Messungen an gedämpftem Fleisch verzichtet und damitdas Abwarten der langen Sensorerholungszeiten vermieden werden.

27

Fähigkeit eines Neuro-Fuzzy-Systems, aus Daten eines Gassensor-Arrays 3 unter-schiedlich riechende Carbonsäuren zu unterscheiden

Die Leistungsfähigkeit von Neuro-Fuzzy-Systemen sollte am Beispiel von Substanzen, beidenen „Elektronische Nasen“ an ihrer Nachweis-/Selektivitätsgrenze sind, die aber anhandihres Geruchs sehr wohl in der humansensorischen Analyse unterscheidbar sind, erprobtwerden. Dazu wurden zunächst die Gassensor-Signale gegenüber Essig-, Butter- undValeriansäure in jeweils starker Verdünnung registriert.

Kieselgel der Porengröße 18 – 30 mesh wurde 4 h bei 350° C getrocknet. Nach Abkühlen im Exsikkator wurdenje 300 mg Essig-, Butter- bzw. Valeriansäure zu 10 g Kieselgel gegeben und 5 min mit der Hand sowie 1 h aufdem Rütteltisch (250 min-1) geschüttelt. Davon wurde nach einstündigem Abkühlen auf 4° C je 1 g in ein 10 mlProbengefäß des Fox 4000 gegeben. Pro Carbonsäure wurden 10 Parallelbestimmungen durchgeführt. DerDampfraum über dieser Probe wurde 6 min lang bei 60 °C generiert. Mit Hilfe des automatischen Probengeberswurden dann 2,5 ml dieses Dampfraumes in den Fox 4000 injiziert (Spritzentemperatur 60 °C, Füllgeschwindig-keit der Spritze 2 ml/min, Injektionsgeschwindigkeit 3 ml/min) und 180 s lang die Antwort der Sensoren (1Messpunkt/1,5 s) aufgezeichnet (Bild 11). Dabei betrug die Trägergasgeschwindigkeit 200 ml/min. Zwischen denParallelbestimmungen wurde 900 s lang gespült (500 ml/s) und zusätzlich 420 s lang die Sensorerholungabgewartet. Zufällig ausgewählte 5 Datenmuster je Carbonsäure wurden dem Lerndatensatz und die übrigen 5Datenmuster dem Testdatensatz zugeordnet.

Zur Auswertung konnte in Zusammenarbeit mit dem Institut für Wissens- und Sprachver-arbeitung der Fakultät für Informatik der Otto-von-Guericke-Universität Magdeburg dasnunmehr in JAVA vorliegende Programm NEFCLASS-J /32/ verwendet werden. Neben deranwenderfreundlicheren Bedienoberfläche bietet diese Implementierung des NEFCLASS-Modells neue Funktionen wie z. B.

• Batch-Learning anstelle von on-line-Learning

Das bisher im NEFCLASS-Programm implementierte „on-line-Learning“ bedeutet, dassdie Gewichte nach Propagierung jedes einzelnen Musters durch den Klassifikator ver-ändert werden. Das kann u. a. dazu führen, dass man unterschiedliche Wiederfindungs-raten für ein- und denselben Datensatz erhält, wenn die Reihenfolge der Datenmuster indiesem Datensatz verändert wird. Ursache hierfür ist das Auffinden unterschiedlicherMinima der Fehlerfunktion bei unterschiedlicher Reihenfolge der Propagierung derDatenmuster. Beim nunmehr verwendeten „Batch learning“ werden die Gewichte erstnach Propagierung aller Datenmuster verändert.

• die automatische Bestimmung der optimalen Regelanzahl

Die Bestimmung der Anzahl von Regeln ist ein Optimierungsproblem, welches wir beiAnwendung des NEFCLASS-Programms durch Berechnen von zahlreichen Neuro-Fuzzy-Systemen mit jeweils unterschiedlichen Regelzahlen und Auswahl desjenigen Systems,welches die beste Erkennungsrate aufwies, lösten. Gegenüber dieser Verfahrensweisestellt die automatische Bestimmung der optimalen Regelanzahl eine Verbesserung dar.

• die automatische Kreuzvalidierung (cross validation)

Der Anwender des NEFCLASS-Programms musste die Aufteilung seiner Daten in einenTest- und einen Lerndatensatz vornehmen. Dabei kann es zufällig dazu kommen, dass sichüberproportional viele „Ausreißer“ im Testdatensatz befinden. Der Klassifikator würdedann relativ hohe Erkennungsraten für die Muster des Lerndatensatzes (die „Nichtaus-reißer“) erzielen und relativ niedrige Erkennungsraten für die Muster des Testdatensatzes.

28

Bei Verwendung der Option „Kreuzvalidierung“ des NEFCLASS-J-Programmes hin-gegen wird beispielsweise ein aus 100 Mustern bestehender Datensatz zufällig in 5 Teilegeteilt. 4 Teile, d. h. 80 Muster, werden als Lerndatensatz verwendet. Entsprechend dienen20 Muster als Testdatensatz. Diese Prozedur wird 5 mal wiederholt, wobei jedesmal einanderer Teil des Datensatzes als Testdatensatz verwendet wird. Im Ergebnis erhält manein Konfidenzintervall des berechneten Klassifikators für „nichtgesehene“ Daten.

• die automatische Reduktion des Klassifikators (Pruning), um seine Interpretierbarkeit zuerhöhen

Die Anwendung des NEFCLASS-Programms zeigte seine guten Klassifikationsfähig-keiten, wobei zur Erzielung dieser Ergebnisse relativ hohe Zahlen von Regeln nötigwaren. Dadurch wurde jedoch die Regelbasis unübersichtlich und schwer interpretierbar.So ist das Hinzufügen von Techniken zur Vereinfachung der Regelbasis in NEFCLASS-Jeine Verbesserung. Besonders für die Klassifizierung von Proben ausgehend von den vonihnen hervorgerufenen Gassensor-Signalen ist die Überprüfung der Bedeutung jedeseinzelnen Sensorsignals nützlich, da somit „unbedeutende“ Sensoren ausgesondert bzw.durch „bedeutendere“ ersetzt werden könnten.

• die Behandlung fehlender Werte

Dieses „Werkzeug“ von NEFCLASS-J könnte vorteilhaft sein, wenn während einergroßen Messreihe ein Gassensor ausfällt bzw. wenn mittels NEFCLASS-J die Ergebnissevon Umfragen, bei denen nicht jeder Teilnehmer alle Fragen beantwortet hat, ausgewertetwerden sollen.

Tab. 13 zeigt die dementsprechend veränderten Eingabeparameter für das Softwarewerkzeug„NEFCLASS-J“.Des Weiteren bietet das Programm „NEFCLASS-J“ die Möglichkeiten

• alle Muster des Trainingsdatensatzes zum Training zu verwenden (no validation) odereinen vom Anwender vorgegebenen Teil x der Muster des Trainingsdatensatzes zurKreuzvalidierung zu benutzen und diese dann unter Verwendung unterschiedlicherValidierungsmuster x-mal durchzuführen (cross validation x times)

Wird die oben erläuterte neue Funktion der Kreuzvalidierung von „NEFCLASS-J“ nichtverwendet (no validation), so wird der gesamte Datensatz zum Training des Klassifikatorsverwendet. Ein solches Nichtteilen des Datensatzes in Trainings- und Testdaten kann u. U.notwendig sein, wenn insgesamt nur wenige Datenmuster zur Verfügung stehen.

• unterschiedliche Strategien beim Berechnen des Klassifikators zu verwenden: entwederzunächst einen Klassifikator zu bilden und diesen dann zu optimieren (Create Classifier,Prune Classifier) oder sofort einen optimierten Klassifikator zu bilden (Create PrunedClassifier)

Die Strategie Create Classifier, Prune Classifier beinhaltet zwei Schritte: zunächst wirdein Klassifkator gebildet, d. h. ein Regelsystem wird erstellt und Fuzzy Mengen werdentrainiert; danach wird dieser Klassifikator automatisch reduziert, d. h. die Wichtigkeit vonRegeln und Eingangsgrößen wird überprüft, um den Klassifikator übersichtlich undinterpretierbar zu gestalten. Bei der Strategie Create Pruned Classifier erfolgen Bildungund Reduktion des Klassifikators in einem Schritt. Für die Erstellung eines guten

29

Klassifikators, die eine Interaktion des Anwenders mit „NEFCLASS-J“ erfordert, kann diezwei Schritte umfassende Strategie vorteilhaft, wenn auch zeitlich etwas aufwendiger sein.

Tab. 13: Eingabeparameter für das Programm „NEFCLASS-J“Eingabeparameter Bedeutung Eingabe für

CarbonsäurenNumber of Fuzzy Sets Art der Modellierung von Ausdrücken

der Umgangssprachefür alle Sensor-signale gleich:3 unscharfeMengen: klein,mittel und groß

Type of Fuzzy Sets z. B. für „ungefähr 2“:Dreiecksfunktion oder Glockenkurve;für „zwischen 6 und 8“: trapezförmigeZugehörigkeitsfunktion

Dreiecksfunktionfür alle unscharfenMengen

Aggregation Function entscheidet, welche Regeleinheit einerKlasseneinheit zugeordnet wird

Maximum

Interpretation ofClassification Result

bestimmt, wie die Ausgabewerte derKlasseneinheiten in ein Klassifizie-rungsergebnis umgewandelt werden

„winner takes all“;d. h. es ergebensich immer Zuge-hörigkeiten der Art{0; 0; 1}, nie{0,5; 0,3; 0,2}

Size of the Rule Base sollte klein sein, um Interpretierbarkeitder Regeln zu erhalten

automatischbestimmen

Rule LearningProcedure

wenn Klassen im Trainingssatz von derAnzahl her unterrepräsentiert sind,könnte „best per class“ bessereErgebnisse bringen

„best“

Constraints for theFuzzy Sets

sollten sich nicht „überholen“, d. h.„klein“ sollte nicht größer als „groß“werden; sollten stets überlappen

keep their order,always overlap

Rule Weights Regelgewichte sollten nicht verwendetwerden, um eine Interpretierbarkeit derRegeln abzusichern

not used

Learning Rate Frage der Annäherung an ein möglichstglobales Minimum im Fehlergebirge

0.1

Maximum No. ofEpochs

Durch Austesten mit einer anfänglichhohen Epochenzahl ermitteln

500

No. of Epochs afterOptimum

Nicht zu hoch wählen, um„Auswendiglernen“ desTrainingsdatensatzes zu vermeiden

100

30

Essigsäure

-0.4-0.3-0.2-0.1

00.10.20.30.40.50.6

SY

/LG

SY

/G

SY

/AA

SY

/gH

SY

/gC

Tl

SY

/gC

T

T30

/1

P10

/1

P10

/2

P40

/1

T70

/2

PA

2

P30

/1

P40

/2

P30

/2

T40

/2

T40

/1

TA

2

∆R/R

0

Buttersäure

-0.4-0.3-0.2-0.1

00.10.20.30.40.50.6

SY

/LG

SY

/G

SY

/AA

SY

/gH

SY

/gC

Tl

SY

/gC

T

T30

/1

P10

/1

P10

/2

P40

/1

T70

/2

PA

2

P30

/1

P40

/2

P30

/2

T40

/2

T40

/1

TA

2

∆R/R

0

Valeriansäure

-0.4-0.3-0.2-0.1

00.10.20.30.40.50.6

SY

/LG

SY

/G

SY

/AA

SY

/gH

SY

/gC

Tl

SY

/gC

T

T30

/1

P10

/1

P10

/2

P40

/1

T70

/2

PA

2

P30

/1

P40

/2

P30

/2

T40

/2

T40

/1

TA

2

∆R/R

0

Bild 13. Signale eines Gassensor-Arrays gegenüber unterschiedlich riechendenCarbonsäuren.Mittelwert und Standardabweichung aus jeweils 10 Parallelbestimmungen.(Trainings- und Testdatensatz zusammengefasst)

31

Für die Unterscheidung der drei genannten Carbonsäuren (5 Datenmuster je Säure) ausgehendvon ihren Sensorsignalen ergab sich die geringste Anzahl von Fehlklassifikationen sowohl imTrainings- als auch im davon unabhängigem Testdatensatz, wenn die Optionen „Crossvalidation 5 times“ und „Create a Classifier“ verwendet wurden. Dabei wurden folgende 8Regeln gebildet:

if SY-LG is large and SY-G is small and SY-AA is small and SY-gH is small and SY-gCTl is small and SY-gcTis small and T30/1 is large and P10/1 is large and P10/2 is small and P40/1 is large and T70/2 is large and PA2 islarge and P30/1 is large and P40/2 is large and P30/2 is large and P70/1 is large and T40/1 is small and TA2 issmall then Essigsäureif SY-LG is medium and SY-G is small and SY-AA is small and SY-gH is small and SY-gCTl is small and SY-gcT is small and T30/1 is large and P10/1 is large and P10/2 is large and P40/1 is large and T70/2 is large andPA2 is large and P30/1 is large and P40/2 is large and P30/2 is large and P70/1 is large and T40/1 is large andTA2 is large then Essigsäureif SY-LG is large and SY-G is small and SY-AA is small and SY-gH is small and SY-gCTl is small and SY-gcTis small and T30/1 is large and P10/1 is large and P10/2 is large and P40/1 is large and T70/2 is large and PA2 islarge and P30/1 is large and P40/2 is large and P30/2 is large and P70/1 is large and T40/1 is small and TA2 issmall then Essigsäureif SY-LG is large and SY-G is large and SY-AA is small and SY-gH is large and SY-gCTl is large and SY-gcT islarge and T30/1 is small and P10/1 is small and P10/2 is small and P40/1 is small and T70/2 is small and PA2 issmall and P30/1 is small and P40/2 is small and P30/2 is small and P70/1 is small and T40/1 is small and TA2 issmall then Valeriansäureif SY-LG is large and SY-G is large and SY-AA is large and SY-gH is large and SY-gCTl is large and SY-gcT islarge and T30/1 is small and P10/1 is small and P10/2 is small and P40/1 is small and T70/2 is small and PA2 issmall and P30/1 is small and P40/2 is small and P30/2 is small and P70/1 is small and T40/1 is small and TA2 issmall then Buttersäureif SY-LG is small and SY-G is large and SY-AA is large and SY-gH is large and SY-gCTl is large and SY-gcT islarge and T30/1 is small and P10/1 is small and P10/2 is large and P40/1 is small and T70/2 is small and PA2 issmall and P30/1 is small and P40/2 is small and P30/2 is small and P70/1 is small and T40/1 is large and TA2 islarge then Buttersäureif SY-LG is large and SY-G is large and SY-AA is large and SY-gH is large and SY-gCTl is large and SY-gcT islarge and T30/1 is small and P10/1 is small and P10/2 is large and P40/1 is small and T70/2 is small and PA2 issmall and P30/1 is small and P40/2 is small and P30/2 is small and P70/1 is small and T40/1 is small and TA2 islarge then Buttersäureif SY-LG is medium and SY-G is large and SY-AA is small and SY-gH is large and SY-gCTl is large and SY-gcT is large and T30/1 is small and P10/1 is small and P10/2 is large and P40/1 is small and T70/2 is small andPA2 is small and P30/1 is small and P40/2 is small and P30/2 is small and P70/1 is small and T40/1 is large andTA2 is large then Valeriansäure

(Abkürzungen in den Regeln stehen für die verschiedenen Sensoren des Gassensor-Arrays)

32

Tab. 14. Ergebnis eines Neuro-Fuzzy-Systems zur Unterscheidung von Carbon-säuren ausgehend von ihren Gassensor-Signalen

Lerndatensatz

TatsächlicheSäure

Vorhergesagte Säure/Anzahl der Vorhersagen

Essigsäure Buttersäure Valeriansäure Nichtklassifizierbar

Essigsäure 5 0 0 0

Buttersäure 0 3 2 0

Valeriansäure 0 1 4 0

Korrekt: 12 Muster (80 %); fehlklassifiziert: 3 Muster (20 %)

Testdatensatz

TatsächlicheSäure

Vorhergesagte Säure/Anzahl der Vorhersagen

Essigsäure Buttersäure Valeriansäure Nichtklassifizierbar

Essigsäure 5 0 0 0

Buttersäure 0 0 5 0

Valeriansäure 0 0 5 0

Korrekt: 10 Muster (66,67 %); fehlklassifiziert: 5 Muster (33,33 %)

Der anschließende Versuch, diese Regelbasis zu modifizieren (Prune classifier) zeigte keineVerringerung des Fehlers bzw. der Anzahl an Fehlklassifikationen. Tab. 14 zeigt dieErgebnisse des Klassifikators für Lern- und Testdatensatz. Dabei ist zu erkennen, dass dieEssigsäure ausgehend von beiden Datensätzen immer richtig klassifiziert wird, währendButter- und Valeriansäure miteinander „verwechselt“ werden. Humansensorische Versuche(Dreieckstest) zur Verifizierung der Nichtunterscheidbarkeit des Geruchs von Butter- undValeriansäure, die von uns vermutet wird, werden gegenwärtig vom Prüfpanel der HochschuleAnhalt durchgeführt.

Fähigkeit eines Neuro-Fuzzy-Systems, aus Daten eines Gassensor-Arrays 3 unter-schiedlich riechende Terpene zu unterscheiden

Weiterhin sollte die Leistungsfähigkeit von Neuro-Fuzzy-Systemen am Beispiel der Unter-scheidung dreier unterschiedlich riechender Terpene (Geraniol, Campher und Menthol)ausgehend von den von ihnen hervorgerufenen Gassensorsignalen erprobt werden.Je 83 mg Menthol und Campher bzw. 100 µl Geraniol wurden in Probengefäße des Fox 4000 gegeben. DerDampfraum über diesen Proben wurde 6 min lang bei 35° C generiert. Mit Hilfe des automatischen Probengeberswurden dann 2,5 ml dieses Dampfraumes in den Fox 4000 injiziert (Spritzentemperatur 35 °C, Füllgeschwindig-keit der Spritze 300 µl/min, Injektionsgeschwindigkeit 3000 µl/min) und 120 s lang die Antwort der Sensoren (1Messpunkt/s) aufgezeichnet (Bild 12). Dabei betrug die Trägergasgeschwindigkeit 200 ml/min. Zwischen denParallelbestimmungen wurde 900 s lang gespült (500 ml/s) und zusätzlich 600 s lang die Sensorerholungabgewartet.

33

Tab. 15 zeigt die zur Auswertung verwendeten Eingabeparameter für das Softwarewerkzeug„NEFCLASS-J“.

Tab. 15: Eingabeparameter für das Programm „NEFCLASS-J“Eingabeparameter Eingabe für TerpeneNumber of Fuzzy Sets für alle Sensorsignale gleich:

3 unscharfe Mengen: klein, mittel undgroß

Type of Fuzzy Sets Dreiecksfunktion für alle 3 unscharfenMengen

Aggregation Function MaximumInterpretation of Classification Result „winner takes all“Size of the Rule Base automatisch bestimmenRule Learning Procedure „best“Constraints for the Fuzzy Sets keep their order, always overlapRule Weights not usedLearning Rate 0.5Maximum No. of Epochs 3500No. of Epochs after Optimum 100

Mit der Option „Create Classifier“ wurden vom Programm 4 Regeln gebildet, derenAnwendung sowohl alle 15 Trainingsdatensätze als auch die 15 davon unabhängigenTestdatensätze zu 100 % den richtigen Terpenen zuordnete. Die anschließende automatischeReduktion des Klassifikators (Prune Classifier) ergab folgende 3 Regeln:

if SY-LG is large and PA2 is large then Geraniolif SY-LG is small and PA2 is large then Campherif SY-LG is small and PA2 is small then Menthol

(SY-LG, PA2: zwei verschiedene Gassensoren des Arrays).

34

Geraniol

-1.8

-1.3

-0.8

-0.3

0.2

0.7

1.2S

Y/L

G

SY

/G

SY

/AA

SY

/Gh

SY

/gC

Tl

SY

/gC

T

T30

/1

P10

/1

P10

/2

P40

/1

T70

/2

PA

2

P30

/1

P40

/2

P30

/2

T40

/2

T40

/1

TA

2

∆R/R

0

Campher

-1.8

-1.3

-0.8

-0.3

0.2

0.7

SY

/LG

SY

/G

SY

/AA

SY

/Gh

SY

/gC

Tl

SY

/gC

T

T30

/1

P10

/1

P10

/2

P40

/1

T70

/2

PA

2

P30

/1

P40

/2

P30

/2

T40

/2

T40

/1

TA

2

∆R/R

0

Menthol

-1.8

-1.3

-0.8

-0.3

0.2

0.7

SY

/LG

SY

/G

SY

/AA

SY

/Gh

SY

/gC

Tl

SY

/gC

T

T30

/1

P10

/1

P10

/2

P40

/1

T70

/2

PA

2

P30

/1

P40

/2

P30

/2

T40

/2

T40

/1

TA

2

∆R/R

0

Bild 15. Signale eines Gassensor-Arrays gegenüber unterschiedlich riechenden Terpenen.Mittelwert und Standardabweichung aus jeweils 10 Parallelbestimmungen.(Trainings- und Testdatensatz zusammengefasst)

35

Trotz der Nichtberücksichtigung der übrigen 16 Sensorsignale in diesen drei Regeln ergabsich eine Verbesserung des Fehlers bzw. wiederum eine 100 % richtige Klassifizierung derTerpene anhand der Test- bzw. Lerndaten. Im Gegensatz zu den Carbonsäuren gelingt also mitHilfe des NEFCLASS-J-Programmes eine Reduktion und damit bessere Nachvollziehbar-keitder Regelbasis. Die Reduktion auf die Signale zweier Sensoren geschieht dabei aufgrund derKorrelation der Signale der übrigen Sensoren mit den Signalen der Sensoren SY-LG und PA2.Diese Korrelation ist aber ein Zeichen dafür, dass sich die unterschiedlichen Metalloxid-sensoren ähnlich gegenüber den jeweiligen Terpenen verhalten.Die nach Reduktion des Klassifikators erhaltenen Regeln enthalten das Signal von Sensor SY-LG, der eher wenig intensiv auf Terpene anspricht (Bild 15). Günstiger wären Regeln, dieSignale solcher Sensoren enthalten, die eine intensive – und damit vom Blindwert deutlichverschiedene – Antwort gegenüber Terpenen geben. Somit wäre es sinnvoll, auf die Reduk-tion der Regeln Einfluss nehmen zu können. Die Implementierung eines solchen, vom An-wender beeinflussbaren Reduktionsalgorithmus erfolgt gegenwärtig im Institut für Wissens-und Sprachverarbeitung der Fakultät für Informatik der Otto-von-Guericke-UniversitätMagdeburg.

Nutzen und Verwertbarkeit der Ergebnisse und Erfahrungen

Mit dem Projekt ist es gelungen, die Auswertung mehrdimensionaler Daten mittels Neuro-Fuzzy-Systemen als Methode an der Hochschule Anhalt zu etablieren. Durch die auch überdas Projektende hinaus bestehende Zusammenarbeit mit der Arbeitsgruppe um Prof. Krusevon der Otto-von-Guericke-Universität Magdeburg, Institut für Wissens- und Sprachverarbei-tung, Neuronale Netze und Fuzzy-Systeme, können auch in Zukunft moderne Methoden desnichtparametrischen Lernens (Lernen aus Beipielen, ohne Annahmen über die zugrunde lie-genden statistischen Verteilungsfunktionen treffen zu müssen) für die Auswertung von an derHochschule Anhalt ermittelten instrumentellen Daten zu Lebensmittel- und Umweltproben,aber beispielsweise auch von Daten aus Umfragen oder aus der Wirtschaft, nutzbar gemachtwerden. Gegenwärtig wird es in der analytischen Chemie mehr und mehr notwendig, mitdatenanalytischen Methoden die in den digitalen instrumentellen Profilen einer Probe ver-steckten Informationen zu entschlüsseln /26/. „Elektronische Nasen“, „Elektronische Zungen“/30, 31/, im Full-Scan-Modus betriebene Massenspektrometer mit anschließender multi-variater Datenauswertung /22/ oder Gaschromatografen /23/ sind Geräte, die diesem Trendfolgen. Ist die Methode bei solchen Geräten etabliert, sind diese einfach und schnell in derAnwendung. Dem steht ein großer Arbeits- und auch Intelligenzaufwand in der Trainings-phase solcher Geräte gegenüber, der von potenziellen industriellen Anwendern aus Zeitgrün-den nicht erbracht werden kann. Die im Projekt gewonnenen Erfahrungen an der HochschuleAnhalt bieten somit eine gute Basis für Drittmittelprojekte mit der Industrie.Zusätzlich hat das Projekt die Grundlagen dafür geschaffen, dass sich Diplomanden undinteressierte Studenten in die Datenauswertung mittels Neuro-Fuzzy-Systemen einarbeitenund damit eine fachübergreifende Qualifikation erwerben können. Das sogenannte „DataMining“, die Extraktion der wesentlichen Daten aus dem „Datenberg“, wird gegenwärtig fürdie Industrie immer wichtiger /28/. Der Bedarf der Industrie an Arbeitskräften, die dafürqualifiziert sind, ist deshalb im Moment nicht gedeckt. Mit entsprechender Qualifikationeröffnen sich somit für Ökotrophologen, bei denen im Moment klassische Einsatz-möglichkeiten durch das Gesundheitsstrukturgesetz entfallen, neue Einsatzmöglichkeiten inder Qualitätssicherung der Lebensmittelindustrie.

36

Während des Projektes erfolgter Fortschritt auf dem Gebiet von Neuro-Fuzzy-Systemen zur Qualitätssicherung in der Lebensmittelanalytik beianderen Stellen

Das in sogenannten „Elektronischen Nasen“ oder auch in der NIR-Spektroskopie genutztePrinzip, unspezifische „Sensoren“ an eine multivariate Datenverarbeitung zu koppeln, wurdeim Bearbeitungszeitraum auf die Massenspektrometrie /22/ und die Gaschromatografie /23/angewendet. Allerdings ist uns bislang nichts über die Nutzung von Neuro-Fuzzy-Systemenzur Datenauswertung bei diesen Geräten bekannt. Es ist aber in nächster Zukunft zu erwarten,dass auch für solche Systeme Neuro-Fuzzy-Modelle eingesetzt werden.Einzelne Berichte über Anwendungen von Neuro-Fuzzy-Systemen in der Prozessmesstechnikbei der Herstellung von Lebensmitteln sind publiziert. So wurden solche Systemebeispielsweise zur Temperaturkontrolle des Maischprozesses bei der Herstellung von Sake /3/oder für die Vorhersage der Alkoholbildung in der Bierproduktion angewendet /2/.Der Versuch, humansensorische Befunde aus instrumentellen Daten („Elektronischen Nase“)mit Hilfe von Neuro-Fuzzy-Systemen vorherzusagen, wurde für die Qualitätskontrolle vontraditionellen japanischen Speisen wie „Nukadoko“, „Miso“ und „Shochu“ unternommen /4/.Ähnlich wie im vorliegenden Bericht für die humansensorischen Befunde an Erdbeeren,wurden Daten aus sensorischen Analysen von Kaffeeproben mit Fuzzy Neuronalen Netzenausgewertet /24/. Die dabei erhaltenen Regeln und Zugehörigkeitsfunktionen waren imUnterschied zu den von uns für Erdbeeren erhaltenen Regeln qualitativ verständlich. DesWeiteren spielen Neuro-Fuzzy-Systeme eine Rolle für die Kontrolle der visuellen Qualität(Farbe, Gestalt) von Lebensmitteln /17/.Schließlich wurde versucht, die sensorische Bedeutung von flüchtigen Verbindungen, die fürdas Grünaroma von nativem Olivenöl verantwortlich sind, auch unter Beachtung möglichersynergistischer Effekte zwischen ihnen, zu quantifizieren /25/. Dies geschah allerdings nichtunter Verwendung von Neuro-Fuzzy-Systemen, sondern durch Fuzzy Filterung derquantitativen Daten.

Publikation der Ergebnisse

Poster:

− Hirschfelder, M., Hanrieder D.: Application of an Electronic Nose in the Field of FoodQuality Evaluation and Environmental Analysis. 11th IGWT Symposium, Vienna (Austria)26.08.- 01.09. 1997

− Hirschfelder, M., Hanrieder, D.: Anwendung eines Gassensor-Arrays in derQualitätssicherung von Lebensmitteln und in der Umweltanalytik. InnovationsmesseLeipzig 15. - 20. 9. 1997

− Hirschfelder, M., Hanrieder, D.: Discrimination of Differently Manufactured Apple Juicesby a Gas Sensor Array (Artificial Nose). Analytica, München 21. - 24. 4. 1998

− Hanrieder, D., Hirschfelder, M.: Anwendung eines Gassensor-Arrays („künstliche Nase“)zur Sortenbestimmung von Obst. InCom, Düsseldorf 21. - 24. 3. 1998

− Lauer, F.; Hirschfelder, M.; Langbehn, J.; Pank, F.; Novak, J., Hanrieder, D.: Using an„Electronic Nose“ to Distinguish Different Marjoram Samples. Eurosensors XII,Southampton (GB) 13.-16. 09. 1998

− Hanrieder, D.; Lauer, F.; Hirschfelder, M.: Classification of coffee samples by means of anelectronic nose. 5th International Symposium Olfaction & Electronic Nose 98, Baltimore27.-30. 09. 1998

37

− Hanrieder, D., Förster, A., Lauer, F., Hirschfelder, M.: Prediction of Pork MeatPleasantness from Instrumental Measurements Using Neuro-Fuzzy Systems. Eingereichtzum 6th Int. Symp. Olfaction & Electronic Nose. Tübingen 20. - 22. 9. 99

− Hirschfelder, M., Förster A., Kühne, S., Langbehn J., Junghanns, W., Pank, F., Hanrieder,D.: Using Neuro-Fuzzy Systems to Predict Sensory Quality of Marjoram from InstrumentalData. Proceed. ISOEN 99. Tübingen 20. - 22. 9. 99. hrsgg. v. Weimar, U., Frank, M., IPCTübingen, Tübingen 1999

Vorträge:− Hirschfelder, M., Hanrieder, D.: Recognition of Strawberry Varieties - Correlation to

Human Sensory Evaluation. 4th Int. Symposium on Olfaction and Electronic Noses, Nizza6. - 7. 10. 1997

− Hirschfelder, M.: Problemstellung zur Anwendung von Fuzzy Technologien undNeuronalen Netzen in der Qualitätsbeurteilung von Lebensmitteln. Seminar zuAnwendungen in Datenanalyse und Data Mining, Potsdam (Bergholz-Rehbrücke) 11. 12.1997

− Hirschfelder, M.: Elektronische Nasen - Modischer Trend oder verläßlich Alternative?. X.Fresenius Analytische Tage. Qualitätssicherung von Lebensmitteln und Arzneimitteln.Dresden 14. April 1998, http://analyt.chm.tu-dresden.de/analyt/hirschfd.htm

− Hanrieder, D., Hirschfelder, M.: Qualitätsbestimmung von Lebensmitteln mit Gassensor-Arrays („Elektronischen Nasen“). Kolloquium an der Fachhochschule Anhalt, Bernburg26.05.1998.

− Hanrieder, D.: Human Nose versus Electronic Nose - Chances and Limits of ElectronicNose Applications. 3rd Pangborn Sensory Science Symposium "Sense and Sensibility",Ålesund (Norwegen) 9. - 13. 8. 1998.

− Hanrieder, D.; Lauer, F., Hirschfelder, M.: Investigations on Peppermint Oils UsingElectronic Noses. 5th Int. Symposium on Olfaction and Electronic Noses, Baltimore 27.-30.09. 1998

− Hanrieder, D.: Flüchtige Düfte nachhaltig konserviert auf elektronischen Medien. JedemDuft sein elektronischer Fingerabdruck. 3. DGWT-FachtagungWarenkunde/Warenverkaufskunde, Recklinghausen 05.-07. 11. 1998

− Hanrieder D., Hirschfelder M.: Mapping Food Quality Using a Multidimensional DataBasis Created by Different Analytical Methods. In: A. Koziol, B. Laczkowski, A.Sobczynski, W. Zmudzinski (Hrsg.), Proceedings 12th IGWT Symposium "Quality for theXXIst Century", Sept. 5-11 Poznan - Gdynia (Poland), 1999, p. 427-432.

− Pank, F., Langbehn, J., Schnäckel, W., Hanrieder, D., Schröder, A., Kühne, S., Junghanns,W.: Farbe als Qualitätsmerkmal des Majorans. 9. Bernburger Winterseminar zu Fragen derArznei- und Gewürzpflanzenproduktion 1999. Kurzfassung der Referate und Poster.Verein für Arznei- und Gewürzpflanzen SALUPLANTA e.V. Bernburg

Publikationen

− Hirschfelder, M., Ulrich, D., Hanrieder, D., Hoberg, E.: Rapid Discrimination ofstrawberry varieties using a gas sensor array. Gartenbauwiss. 63 (1998) 185-190

− Hirschfelder, M., Ulrich, D., Hanrieder, D.: Discrimination of Strawberry Varieties by aGas Sensor Array in Correlation to Human Sensory Evaluation. Seminars in Food Analysis3 (1998) 27-36

− Hanrieder, D.; Lauer, F.; Hirschfelder, M.: Investigations on Peppermint Oils UsingElectronic Noses. im Druck durch Technomic Pub. Co., Inc.

38

− Hoberg E., Ulrich D., Hirschfelder M., Hanrieder D.: Methoden zur Qualitätsbewertungvon Erdbeerzuchtmaterial. In: Deutsche Gesellschaft fuer Qualitätsforschung (PflanzlicheNahrungsmittel) e. V. (Hrsg.), Proceedings XXXIV. Vortragstagung, Freising-Weihenstephan 1999, S. 287-298

− Hanrieder D., Förster A., Lauer F., Hirschfelder M.: Prediction of Pork Meat Pleasantnessfrom Instrumental Measurements Using Neuro-Fuzzy Systems. eingereicht bei Sensors &Actuators.

− Hirschfelder M., Förster A., Kühne S., Langbehn J., Junghanns W., Pank F., Hanrieder D.:Using Neuro-Fuzzy Systems to Predict Sensory Quality of Marjoram from InstrumentalData. eingereicht bei Sensors & Actuators.

− Hanrieder D.: Flüchtige Duefte, nachhaltig konserviert auf elektronischen Medien - jedemDuft sein elektronischer Fingerabdruck. FORUM WARE, hsrg. von der DeutschenGesellschaft fuer Warenkunde und Technologie und der Österreichischen Gesellschaft fürWarenkunde und Technologie in Verbindung mit der Internationalen Gesellschaft fürWarenkunde und Technologie, 27 (1999) 126

Literatur

/1/ O’Connor, B.: Development and implementation of a programme of computer studies ina dairy education syllabus. Developing computer literacy/proficiency for managementand personnel in the dairy sector. Bulletin-of-the-International-Dairy-Federation 308(1996) 58-60

/2/ Simutis, R.; Havlik, I.; Luebbert, A.: Fuzzy-aided neural network for real-time stateestimation and process prediction in the alcohol formation step of production-scale beerbrewing. J. Biotechnol. 27 (1993) 203-215

/3/ Honda, H.; Hanai, T.; Katayama, A.; Tohyama, H.; Kobayashi, T.: Temperature controlof Ginjo sake mashing process by automatic fuzzy modeling using fuzzy neural networks.J. Fermentation and Bioengineering 85 (1998) 107-112

/4/ Payne, J. S.; Nakagawa, A.; Iwasaki, H.; Saitoh, C.: Product development combiningsensory techniques. Proceed. 5th Symp. Olfaction and Electronic Nose. Baltimore 1998.wird durch Techpub. veröffentlicht

/5/ Lincklaen-Westenberg, H. W.; Jong S. de; Meel D. A. van; Quadt J. F. A.; Backer E.;Duin R. P. W.: Fuzzy set theory applied to product classification by a sensory panel. J.Sensory Studies; 4 (1989) 55-72

/6/ Fryder, M., Holmberg, M., Winquist, F., Lundstrom, I., A calibration technique for anelectronic nose, 8th Int. Conf. on Solid-State Sensors and Actuators and Eurosensors IX.25-29 June 1995, Stockholm, Found. Sensors & Actuator Technol.,vol.1 (1995) 683-686

/7/ Niebling, G., Identification of gases with classical pattern-recognition methods andartificial neural networks, Sensors and Actuators B, 18-19 (1994) 259-263

/8/ Singh, S., Hines, E. L., Gardner, J. W., Fuzzy neural computing of coffee and tainted-water data from an electronic nose, Sensors and Actuators B30 (1996) 185-190

/9/ Corcoran, P., Lowery, P., Neural processing in an electronic odour sensing system,Fourth International Conference on „Artificial Neural Networks“, Cambridge 1995, IEELondon 1995, p. 415-420

/10/ Nakamoto, T., Fukuda, A., Moriizumi, T., Perfume and flavour identification by odoursensing system using quartz-resonator sensor array and neural-network patternrecognition, Sensors and Actuators B, 10 (1993) 85-90

39

/11/ Craven, M. A., Hines, E. L., Gardner, J. W., Horgan, P., Morgan, D., Ene, I. A., Bacteriadetection and classification using artificial neural networks in conjunction with anelectronic nose, Proceed. of the Internat. Conf. on Neural Networks and Expert Systemsin Medicine and Healthcare, Editors Ifeachor, E. C., Rosen, K. G., Plymouth 23-26 Aug1994, 226-234

/12/ Winquist, F., Hörnsten, E. G., Sundgren, H., Lundström, I., Performance of an electronicnose for quality estimation of ground meat, Meas.Sci.Technol. 4 (1993) 1493-1500

/13/ Winquist, F., Arwin, H., Lund, E., Forster, R., Day, C., Lundstrom, I., Screening ofirradiated tomatoes by means of an electronic nose, 8th Int. Conf. on Solid-State Sensorsand Actuators and Eurosensors IX. 25-29 June 1995, Stockholm, Found. Sensors &Actuator Technol.,vol.1 (1995) 691-694

/14/ Börjesson, T., Sundgren, H, Eklöv, LT., Jonsson, A., Schnürer, J., Grain OdourClassification with an Electronic Nose, 8th Int. Conf. on Solid-State Sensors andActuators and Eurosensors IX. 25-29 June 1995, Stockholm, Found. Sensors & ActuatorTechnol.,vol.3, 1995, 11-12

/15/ Aishima, T., Discrimination of food aromas by applying chemometric pattern recognitionto gas sensor array, Olfaction Taste XI, Proc. Int. Symp. 11th (1994), Editors Kurihara,K., Suzuki, N., Ogawa, H., Springer Tokyo

/16/ Adler, B., Winterstein, M., Brückner, G., Offenlegungsschrift DE 4227727 A1,Anmeldetag; 21. 8. 92

/17/ Steller, J. R., Findlay, M. W., Schroeder, K. M., Yue, C., Penrose, W. R., Qualityclassification of grain using a sensor array and pattern recognition, Analytica ChimicaActa 284 (1993) 1-11

/18/ Gunasekaran, S.: Computer vision technology for food quality assurance. Trends FoodSci. Technol. 7 (1996) 245-256

/19/ Ulrich, D.; Hoberg, E.; Rapp, A.; Kecke, S.: Analysis of strawberry flavour -discrimination of aroma types by quantification of volatile compounds. Z. Lebensm.Unters. Forsch. A 205 (1997) 218-223

/20/ Nauck, D.; Klawonn, F.; Kruse, R.: Neuronale Netze und Fuzzy Systeme. Friedr. Vieweg& Sohn. Braunschweig/Wiesbaden 1996. S. 395-416

/21/ Hirschfelder, M.; Ulrich, D.; Hoberg, E.; Hanrieder, D.: Rapid Discrimination ofStrawberry Varieties Using a Gas Sensor Array. Gartenbauwissenschaft 63 (1998) 185-190

/22/ Pank, F., Langbehn, J., Schnäckel, W., Hanrieder, D., Schröder, A., Kühne, S.,Junghanns, W.: Farbe als Qualitätsmerkmal des Majorans. 9. Bernburger Winterseminarzu Fragen der Arznei- und Gewürzpflanzenproduktion 1999. Kurzfassung der Referateund Poster. Verein für Arznei- und Gewürzpflanzen SALUPLANTA e.V. Bernburg

/23/ Dittmann, B., Horner, G., Nitz, S.: Development of a New Chemical Sensor on a MassSpectrometric Basis, Advances in Food Science 20 (1998) 115

/24/ Schulz, Haiko. Forschungsinstitut für Leder- und Kunstledertechnologie gGmbHFreiberg/Sachsen. Persönliche Mitteilung, Ankündigung der ca. ab Juni 1999 auf demMarkt befindlichen Software „Chromstat“

/25/ Hanai, T., Ohkusu, E., Honda, H., Ito, F., Sugiura, M.; Asano, I., Kobayashi, T.: Qualitymodeling for coffee using the knowledge information processing. J.-of-Japanes-Society-of-Food-Science-and-Technology 44, 8, (1998), 560-568

/26/ Aparicio, R., Morales, M. T.: Characterization of olive ripeness by green aromacompounds of virgin olive oil. J. of Agricultural and Food Chemistry 46 (1998) 1116-1122

/27/ Kvalheim, O. M.: Detection and resolution of overlapping peaks in multidetectionchromatography. Abstracts Analytica Conference 98, S. 392

/28/ http://www.ai.univie.ac.at/oefai/ml/kdd/index.html

40

/29/ Exakte Farbkommunikation. Vom Farbgefühl zur objektiven Messung. Minolta-Broschüre 537321/11.96

/30/ Auge, J., Hauptmann, P., Hartmann, J., Rösler, S., Lucklum, R.: New design for QCMsensors in liquids. Sens. Act. B. 24-25(1995) 39-42

/31/ Rösler, S., Lucklum, R.; Borngräber, R., Hartmann J., Hauptmann P.: Sensor system forthe detection of organic pollutants in water by thickness shear mode resonators. Sens.Act. B48 (1998) 415-424

/32/ Nauck, U.: Konzeption und Implementierung eines Neuro-Fuzzy-Datenanalysetools inJava. Diplomarbeit TU Braunschweig 1999,s. auch: http://fuzzy.cs.Uni-Magdeburg.de/nefclass/nefclass-j/_dld/nefclassj-doc.pdf

/33/ Bedienungsanleitung „Meatcheck 160pH“, sigma electronic GmbH Erfurt