پیش‌بینی رطوبت و دانسیته در میگو طی سرخ‌کردن هوای داغ با مدل شبکه‌های عصبی مصنوعی

معروف پور, بهاره; ضیائی فر, امان محمد; صباغی, حسن; قربانی, محمد; یلقی, سعید

doi:10.22034/FSCT.22.161.121

	پیش‌بینی رطوبت و دانسیته در میگو طی سرخ‌کردن هوای داغ با مدل شبکه‌های عصبی مصنوعی
مجله علوم و صنایع غذایی ایران
Article 8, Volume 22, Issue 161, April 1404, Pages 121-136 PDF (874.26 K)
DOI: 10.22034/FSCT.22.161.121
Authors
بهاره معروف پور¹; امان محمد ضیائی فر^* ²; حسن صباغی³; محمد قربانی²; سعید یلقی⁴
¹علوم کشاورزی و منابع طبیعی گرگان، گرگان
²دانشگاه علوم کشاورزی و منابع طبیعی گرگان
³استادیار، گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی و دامپروری، مجتمع آموزش عالی تربت جام، تربت جام، استان خراسان رضوی، ایران
⁴مرکز تحقیقات شیلات استان گلستان
Abstract
در این پژوهش، شبکه‌های عصبی مصنوعی (ANN) برای پیش‌بینی تغییرات رطوبت و دانسیته میگو طی فرآیند سرخ‌کردن هوای داغ (در سه دمای 140، 160 و 180 درجه سانتی‌گراد به مدت 15 دقیقه) ارائه گردید. شبکه‌های عصبی به صورت پرسپترون چند لایه (MLP) با تابع انتقال تانژانت سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی برای پیش‌بینی رطوبت (با دو ورودی: دما و زمان) و دانسیته (با سه ورودی: دما، زمان و رطوبت) در نرم افزار MATLAB طراحی شد. الگوریتمهای مختلف پسانتشار شامل لونبرگ-مارکوارت، گرادیان نزولی، گرادیان نزولی با نرخ تطبیقی یادگیری، انتشار برگشتی با نرخ یادگیری متغییر، گرادیان نزولی با مومنتم وگرادیان مزدوج مقیاس‌شده بودند. ساختار مدل‌ها با محاسبه ضریب تبیین (R²)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) اعتبار سنجی شد. در نهایت، اهمیت ورودی‌ها از نظر تاثیر بر متغیر خروجی برای پیش‌بینی رطوبت و دانسیته با طراحی شبکه‌های عصبی پیش فرض تانژانت هایپربولیک در نرم افزار SPSS بررسی گردید. نتایج نشان داد که با کاهش رطوبت و توسعه منافذ در میگو، دانسیته محصول نیز طی سرخ‌کردن هوای داغ به تدریج کاهش یافت و با افزایش دمای فرآیند کاهش بیشتری در دانسیته مشاهده شد. در مدل رطوبت، الگوریتم پس انتشار گرادیان نزولی با مومنتم (R²=0.989, RMSE=0.171, MAE=0.131) و در مدل دانسیته، الگوریتم لونبرگ-مارکوارت (R²=0.974, RMSE=0.0096, MAE=0.0066) کمترین میزان خطا را در آزمون نشان دادند. در محاسبات عصبی رطوبت، اهمیت متغیر زمان و دما به ترتیب برابر با 883/0 و 117/0 بود. در محاسبات عصبی دانسیته نیز اهمیت متغیر رطوبت، زمان و دما به ترتیب برابر با 588/0، 278/0 و 134/0 بود. از یافته‌های این پژوهش در طراحی هوش مصنوعی برای کنترل و ایجاد اتوماسیون در سرخ‌کن‌های هوای داغ می‌توان استفاده کرد.
Keywords
شبکه‌های عصبی مصنوعی; رطوبت; دانسیته; میگو; سرخ کردن هوای داغ
References

Statistics Article View: 299 PDF Download: 72

Statistics

Number of Journals	45
Number of Issues	2,160
Number of Articles	24,568
Article View	19,752,938
PDF Download	15,973,949