人工神经网络 (ANN) 是一种基于人脑神经结构的定标模型。 自上世纪 90 年代初以来，随着计算能力的进步，定标可以使用非常大的数据集，ANN 定标模型得到了很大的发展。
在有很多变量的情况下，如不同的原材料、不同的产品品种和多个参数，数据集的影响会很大。 乳制品应用中使用的单个 ANN 定标可覆盖产品组中的所有产品。 例如，福斯 FoodScan 奶酪定标包括硬奶酪和半硬奶酪以及软奶酪、奶油奶酪和加工奶酪，以及脂肪、水分/总固体、干物质形式的脂肪、盐和蛋白质等各种参数。
定标中可能包含数千个数据点。 再举一个例子，福斯 ANN 肉类定标包括脂肪、水分、蛋白质和胶原蛋白等参数，开发过程中使用了大约 20,000 个光谱数据，这些数据采集自 1989 年以来全球安装的超过 1,000 台福斯专用肉类分析仪。 巨量的光谱数据使定标同时具有可靠性和通用性。
何时使用 ANN 定标？
与其他定标方法相比，ANN 定标的主要优点是，可以包括各种参数，不必在多个单独定标之间切换。 例如，对肉类进行检测时，操作人员可以对不同的脂肪范围和不同的产品采用相同的定标，不必决定是否改用其他定标以及是否在仪器上进行定标。
无论在什么地方使用，ANN 定标都能节省时间、让操作人员更轻松，同时降低操作人员出错的风险。
使用 ANN 定标还可以减少定标验证，最大程度减少验证时间和相关成本。 如果涉及很多产品和参数，使用该方法可以显著节省成本。
机器学习和 ANN
如今，可以对仪器（包括分析仪）的各种参数进行设定以处理日益复杂的任务，这让人们感到兴奋不已。
正如本视频所解释的，实际上，使用 ANN 定标进行食品和农业分析的工作已经进行了很多年。 该方法对于处理肉类和乳制品行业需要检测的肉类和奶酪等样品的变化特性尤其有用。
