ارايه مدل كامپيوتري جهت پيش بيني ماندگاري لاكتو باسيلوساسيدوفيلوس در ماست پروبيوتيك

Quality of probiotic yoghurt Prediction Using Intelligent Computing Expert System Models

در سالهاي اخير، استفاده از شبكههاي عصبي مصنوعي )شبكههاي عصبي( در بسياري از بخشهاي صنايع غذايي افزايش يافته و از شبكههاي عصبي مصنوعي در حل بسياري از مشكلات كنترل كيفيت استفاده شده است. هدف از اين مطالعه توسعه شبكههاي عصبي جهت ارزيابي كيفيت ماست پروبيوتيك ميباشد. در اين مطالعه، شبكه عصبي پس انتشار با الگوريتم لونبرگ ماركوارت به - عنوان مدل استفاده شد. پارامترهاي مختلف از جمله: اسيديته، pH ، آباندازي، رنگ و شمارش باكتريايي )استرپتوكوك ترموفيلوس، لاكتوباسيلوسبولگاريكوس بهعنوان عوامل موثر بر زنده ماندن باكتري لاكتوباسيلوساسيدوفيلوس در نظر گرفته شد. كارايي مدل توسعه يافته از طريق محاسبه ميانگين مربعات خطا، ضريب تبيين مورد ارزيابي قرار گرفت. همچنين تحقيقات نشان داده است نوع تابع تحريك نيز در كارايي مدل شبكه عصبي موثر است بنابراين دو نوع تابع تحريك تانژانت سيگموييد و خطي در مرحله پيش پردازش براي بهينه سازي مدل بهكار گرفته و با هم مقايسه شدند براساس نتايج 1 بهدست آمده، تابع تحريك تانژانت سيگموييد با 11 نرون در لايه مخفي در روزهاي 1 و ميانگين مربعات خطا ) / 1 و 1113 /114 ،1/ 1 بهترتيب داراي بيشترين ضريب ، 11 ،،،14 MSE د. البته به طوركلي بيشتر مدلها از دقت تخمين مناسبي جهت پيش / 1/111،0 و 11104 ،1/11100 بيني قابليت زندهماني باكتري لاكتوباسلوس اسيدوفيلوس در سه دوره زماني برخوردار بودند. بنابراين بهترين ساختار شبكه عصبي 34 11 3 براي پيشبيني زندهماني بود.

Over the last few years, the use of artificial neural networks (ANNs) has increased in many areas of food science and artificial neural network have been applied to many Quality Control problems. The aim of this study is to develop and optimize artificial neural network models for forecast of viability of probiotic bacteria in yogurt. In this study, A Levenberg-Marquardt algorithm trained feed-forward artificial neural was used as a model. Several parameters such as titratable acidity, pH, syneresis, color and bacterial counts (Streptococcus thermophilus, L. delbrueckii ssp. bulgaricus Lactobacillus acidophilus and the viability of probiotic bacteria are considered. The efficiency of the developed model was assessed through a calculate the Mean Square Error (MSE) and value of R2. The transfer function of the neural network model is effective in performance. The two tangent sigmoid and linear transfer function model is used to optimize pre-processing and were compared. According to the results, the tangent sigmoid stimulation with 10 neurons in the hidden layer Here, the highest coefficients of determination on days 1, 7 and 14 during storage were (0.997, 0.994, 0.993) and the mean square error (MSE) 0.00056, 0.00075 and 0.00084 respectively. The overall accuracy of most models suitable for predicting viability of probiotic bacteria on during storage. Therefore, the best structure of a neural network to predict survival was 34-10-3.