كاربرد شبكه عصبي مصنوعي در پيش‌بيني هدايت الكتريكي شير بازساخته

Application of Artificial Neural Network in Predicting the Electrical Conductivity of Recombined Milk

در اين تحقيق هدايت الكتريكي شير بازساخته با استفاده از روش شبكه عصبي مصنوعي مل­سازي و پيش­بيني گرديد. پروتئين (1، 2، 3و 4%)، لاكتوز (4، 6، 8 و 10%)، چربي (3 و 6%) و دما (50، 55، 60 و 65 درجه سلسيوس) به عنوان پارامترهاي مستقل ورودي و هدايت الكتريكي شير بازساخته به عنوان متغير وابسته خروجي تعريف شدند. داده هاي به دست آمده از دستگاه سنجش هدايت الكتريكي به منظور آموزش و آزمون شبكه استفاده گرديد. به منظور توسعه مدلهاي شبكه عصبي مصنوعي ابتدا داد­ ها به سه بخش آموزشي (70%)، اعتبارسنجي (15%) و آزمون (15%) مدل­ها تقسيم شدند. شبكه ها با ساختار پرسپترون چند لايه به صورت دو، سه و چهار لايه آموزش داده شدند. تعداد لايه هاي مخفي و تعداد نرون ها در هر لايه به روش سعي و خطا به دست آمد. بهترين الگوريتم آموزشي، لونبرگ- ماركوارت با كمترين ميزان ميانگين مربعات خطا بود. معيار انتخاب بهترين شبكه، بيشترين ضريب تبيين (R2) و كمترين مقدار متوسط مربع خطا (MSE) بود. در پيش بيني هدايت الكتريكي شير بازساخته شبكه با ساختار 1-4-4 بهترين نتيجه را داد. اين شبكه در لايه پنهان 4 نرون دارد. مقادير ضريب تبيين و خطاي آن به ترتيب 992/0 و 011/0 بود. از اين نتايج در كارخانجات فراوري شير مي­توان بهره گرفت. همبستگي ميان مقادير آزمايشي و پيش بيني شده در ساختارهاي مطلوب بيشتر از 99% به دست آمد.

In this study, the moisture content of kiwifruit in vacuum dryer was predicted using artificial neural networks (ANN) method. The protein (1, 2, 3 and 4%), lactose (4, 6, 8 and 10%), fat (3 and 6%) and temperature (50, 55, 60 and 65ºC) were considered as the independent input parameters and electrical conductivity of recombined milk as the dependent parameter. Experimental data obtained from electrical conductivity meter, were used for training and testing the network. In order to develop neural network firstly experimental data were randomly divided into three sets of training (70%), validating (15%) and testing model (15%). In order to develop ANN models, we used multilayer perceptron with back propagation with momentum algorithm. MLP models trained as two, three and four layers. The total number of hidden layers and the number of neurons in each hidden layer were chosen by trial and error. The best training algorithm was LM with the least MSE value. The highest coefficient of determination (R2) and lowest mean squared error (MSE) were considered as the criterion for selecting the best network. The network having three layers with a topology of 4-4-1 had the best results in predicting the electrical conductivity of recombined milk. This network has two hidden layers with 8 neurons in the first hidden layer and 5 neurons in the second hidden layer. For this network, R2 and MSE were 0.992 and 0.011, respectively. These results can be used in milk processing factories. The correlation between the predicted and experimental values in the optimal topologies was higher than 99%.