一种基于生成对抗网络的多味觉交互感知逆向配方设计方法及系统

本发明属于食品风味科学与人工智能交叉，具体涉及一种基于生成对抗网络的多味觉交互感知逆向配方设计方法及系统，尤其涉及柠檬酸/辣椒素、乙酸-胡椒碱、乳酸-姜酚等体系的味觉交互预测与配方逆向生成。

背景技术：

1、食品风味是消费者选择食品的核心驱动力之一。在复合风味食品（如酸辣酱、泡椒凤爪、酸辣汤料等）的开发过程中，研发人员通常需要经过大量的反复试验，才能确定各风味物质的配比，以达到预期的感官体验。这种传统的“试错法”配方开发模式效率低下、成本高昂，且高度依赖经验丰富的调配师的个人经验。

2、近年来，随着感官科学与计算技术的发展，研究人员开始尝试建立数学模型来描述味觉感知与刺激物浓度之间的关系。基于weber-fechner定律，建立味觉交互感知变化模型，可实现对酸-辣交互感知的定量预测。然而，该模型存在以下技术缺陷：

3、（1）仅能实现正向预测（浓度→感知），无法逆向设计（感知→配方）。在实际产品开发中，研发人员通常先确定目标风味轮廓，再反推所需配方，正向预测模型无法满足这一核心需求。

4、（2）模型仅适用于某种单一体系，未能扩展至其他多种重要的酸-辣刺激物组合，应用范围受限。

5、（3）模型为静态模型，未考虑味觉感知的时间动态变化特性（如 onset delay、峰值时间、持续时间等），无法指导具有特定时序风味特征的产品开发。

6、（4）模型基于群体平均数据建立，未考虑个体差异，无法实现个性化配方设计。

7、在人工智能领域，生成对抗网络（gan）已被成功应用于图像生成、药物分子设计等领域，但在食品风味配方逆向设计中的应用尚属空白。将gan与感官科学模型相结合，有望突破上述技术瓶颈。

技术实现思路

1、本发明的目的在于提供一种基于生成对抗网络的多味觉交互感知逆向配方设计方法及系统，以解决现有技术中存在的无法逆向设计、体系单一、缺乏时序动态特性和个性化能力不足的技术问题。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于生成对抗网络的多味觉交互感知逆向配方设计方法，包括以下步骤：

4、s1：构建多味觉交互感知判别模型。所述判别模型基于改进的weber-fechner定律，引入浓度依赖型交互修正因子α(csour, cspicy)和时序动态衰减函数β(t)，用于预测多种酸-辣刺激物组合体系中各味觉的感知强度时间序列。

5、所述多种酸-辣刺激物组合体系包括但不限于：柠檬酸-辣椒素体系、乙酸-胡椒碱体系、乳酸-姜酚体系、苹果酸-辣椒素体系、酒石酸-山椒素体系。

6、所述改进的weber-fechner定律的数学表达式为：

7、；

8、其中，s(c,t)为t时刻的感知强度，k为刺激物特异性系数，c为刺激物浓度，dt为检测阈值。

9、所述交互修正因子α(csour,cspicy)通过以下分段函数计算： 当csour ≤ ccritical时，α = a·ln(csour) + b·ln(cspicy) + c；当csour > ccritical时，α = d·ln(csour) + e·ln(cspicy) + f；

10、其中ccritical为临界浓度（对于乙酸-胡椒碱体系，ccritical≈1.0 g/l；对于乳酸-姜酚体系，ccritical≈1.5 g/l），a、b、c、d、e、f为通过感官实验拟合得到的体系特异性参数。

11、所述时序动态衰减函数β(t)的表达式为：

12、；

13、其中λ为衰减系数，γ为振荡幅度系数，ω为振荡角频率。对于乙酸-胡椒碱体系，λ≈0.015 s-1，γ≈0.08，ω≈0.05 rad/s；对于乳酸-姜酚体系，λ≈0.012 s-1，γ≈0.06，ω≈0.04 rad/s。

14、s2：以目标味觉感知强度时间曲线ptarget(t)=[ssour(t), sspicy(t)]作为生成器网络的输入条件向量。所述目标感知轮廓可由研发人员通过图形界面绘制，或从现有产品的感官评价数据中提取。

15、s3：所述生成器网络基于条件transformer架构，包括编码器层、交叉注意力层和解码器层。编码器层将目标感知轮廓ptarget(t)编码为隐空间表示；交叉注意力层融合配方参数先验分布信息；解码器层输出候选配方参数向量r=[csour, cspicy, caux, tprocess, ph]。

16、所述生成器网络的损失函数为：

17、；

18、其中lrecon为感知轮廓重建损失，lphys为配方参数物理约束损失，ladv为判别器反馈损失，λ1和λ2为平衡系数。

19、所述配方参数物理约束损失lphys包括：浓度非负约束：lnonneg = σ[max(0, -ci)]²；浓度上限约束：lupper = σ[max(0, ci - cmax)]²；酸碱度平衡约束：lph = |ph - pheq(csour, cspicy)|；

20、s4：将所述候选配方参数r输入所述判别模型，获得预测感知强度曲线ppred(t)。

21、s5：计算所述ppred(t)与ptarget(t)之间的感知轮廓差异度d： d = w1·mse(ssour,pred, ssour,target) + w2·mse(sspicy,pred, sspicy,target) + w3·|tmax,pred – tmax,target| +w4·|durpred - durtarget|；

22、当d < ε（预设阈值，通常取ε=5.0）时，输出候选配方参数r作为最终配方；否则，将d反馈至生成器网络进行梯度更新，返回步骤s3迭代优化。

23、本发明还提供一种基于生成对抗网络的多味觉交互感知逆向配方设计系统，包括：目标感知输入模块、生成器模块、判别器模块、优化迭代模块、配方输出模块和在线学习模块。

24、所述系统还包括配方数据库和个体化适配模块。所述个体化适配模块基于用户的历史偏好数据和基因型信息（如tas2r38苦味受体基因型、trpv1变异等），采用元学习算法在少量个体样本上快速适应基础味觉交互模型。

25、有益效果

26、与现有技术相比，本发明具有以下有益效果：

27、（1）实现了从“浓度→感知”到“感知→配方”的技术突破，大幅缩短复合风味食品的研发周期，降低研发成本。

28、（2）将模型扩展至乙酸-胡椒碱、乳酸-姜酚等多种酸-辣刺激物组合体系，适用范围显著扩大。

29、（3）引入时序动态衰减函数，可精准预测味觉感知的onset delay、峰值时间、持续时间等动态特征，指导具有特定时序风味特征的产品开发。

30、（4）通过个体化适配模块，可根据消费者的基因型、年龄、饮食习惯等个体特征，生成个性化配方，满足精准营养和个性化食品的市场需求。

31、（5）通过在线学习模块，系统可持续积累感官验证数据，实现模型的自我进化，预测精度随使用次数增加而提升。