این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و صنایع غذایی ایران، جلد ۱۶، شماره ۹۶، صفحات ۶۵-۷۴
عنوان فارسی کاربرد شبکه عصبی مصنوعی در پیش‌بینی هدایت الکتریکی شیر بازساخته
چکیده فارسی مقاله در این تحقیق هدایت الکتریکی شیر بازساخته با استفاده از روش شبکه عصبی مصنوعی مل­سازی و پیش­بینی گردید. پروتئین (1، 2، 3و 4%)، لاکتوز (4، 6، 8 و 10%)، چربی (3 و 6%) و دما (50، 55، 60 و 65 درجه سلسیوس) به عنوان پارامترهای مستقل ورودی و هدایت الکتریکی شیر بازساخته به عنوان متغیر وابسته خروجی تعریف شدند. داده های به دست آمده از دستگاه سنجش هدایت الکتریکی به منظور آموزش و آزمون شبکه استفاده گردید. به منظور توسعه مدلهای شبکه عصبی مصنوعی ابتدا داد­ ها به سه بخش آموزشی (70%)، اعتبارسنجی (15%) و آزمون (15%) مدل­ها تقسیم شدند. شبکه ها با ساختار پرسپترون چند لایه به صورت دو، سه و چهار لایه آموزش داده شدند.  تعداد لایه های مخفی و تعداد نرون ها در هر لایه به روش سعی و خطا به دست آمد. بهترین الگوریتم آموزشی، لونبرگ- مارکوارت با کمترین میزان میانگین مربعات خطا بود. معیار انتخاب بهترین شبکه، بیشترین ضریب تبیین (R2) و کمترین مقدار متوسط مربع خطا (MSE) بود. در پیش بینی هدایت الکتریکی شیر بازساخته شبکه با ساختار 1-4-4 بهترین نتیجه را داد. این شبکه در لایه پنهان 4 نرون دارد. مقادیر ضریب تبیین و خطای آن به ترتیب 992/0 و 011/0 بود. از این نتایج در کارخانجات فراوری شیر می­توان بهره گرفت. همبستگی میان مقادیر آزمایشی و پیش بینی شده در ساختارهای مطلوب بیشتر از 99% به دست آمد.  
کلیدواژه‌های فارسی مقاله شیر بازساخته،هدایت الکتریکی،مدل‌سازی،شبکه عصبی مصنوعی
عنوان انگلیسی Application of Artificial Neural Network in Predicting the Electrical Conductivity of Recombined Milk
چکیده انگلیسی مقاله 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%.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حیدر ناصری | Haidar Naseri
Graduate Master, Biosystem Engineering, Lorestan University, Khorramabad, Iran
دانش آموخته کارشناسی ارشد، گروه مکانیک بیو سیستم، دانشگاه لرستان، خرم آباد، ایران

عیسی حزباوی | isa hazbavi
Assistant Professor, Biosystem Engineering, Lorestan University, Khorramabad, Iran
استادیار، گروه مکانیک بیو سیستم، دانشگاه لرستان، خرم آباد، ایران

فیض اله شهبازی | Feizollah Shahbazi
Associate Professor, Biosystem Engineering, Lorestan University, Khorramabad, Iran
دانشیار، گروه مکانیک بیو سیستم، دانشگاه لرستان، خرم آباد، ایران فیض اله شهبازی

نشانی اینترنتی http://journals.modares.ac.ir/browse.php?a_code=A-10-45898-2&slc_lang=fa&sid=7
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/969/article-969-2279796.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات