این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش و نوآوری در علوم و صنایع غذایی، جلد ۵، شماره ۴، صفحات ۳۲۵-۳۳۶
عنوان فارسی مدل‌سازی روند تغییرات شاخص‌های فیزیکوشیمیایی، بافتی و حسی ماست غنی‎شده با آهن و روی توسط شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله در این ‌پژوهش جهت تعیین مدلی برای پیش‌بینی روند تغییرات خصوصیات مختلف ماست غنی‎شده با آهن و روی، محصول مایه‌خورده با غلظت‌های برابر 20، 40 و 60 میلی‌گرم این املاح به ازای یک کیلوگرم شیر غنی‌سازی شدند و نمونه‌ها در دوره‌های زمانی 1، 7 و 14 روز مورد آزمون قرار گرفتند. ویژگی‎های فیزیکوشیمیایی (اسیدیته، pH، آب‎دهی، ظرفیت نگهداری آب و ویسکوزیته)، ویژگی‌های بافتی (سختی، فنریت، نیروی چسبندگی و پیوستگی) و حسی (طعم، بو، رنگ، بافت و پذیرش کلی) نمونه‎ها مورد بررسی قرار گرفت و جهت پیش‌بینی روند تغییرات از ابزار شبکه‌های عصبی مصنوعی در نرم‌افزار MATLAB R2013a استفاده شد. با بررسی شبکه‌های مختلف به‎ترتیب برای ماست غنی‌شده با آهن و روی شبکه‌های پس‌انتشار پیش‎خور با توپولوژی‌های 2-2-3-14 و 2-4-14 با ضرایب همبستگی 0/997 و 0/991 و میانگین مربعات خطای 0/4090 و 0/1040 با به‎کارگیری تابع فعال‌سازی تانژانت سیگموئید هیپربولیکی، الگوی یادگیری لونبرگ-مارکوات و چرخۀ یادگیری 1000 به‎عنوان بهترین مدل‌های عصبی مشخص گردیدند. نتایج حاصل از مدل‌های بهینۀ انتخاب‎شده نیز ارزیابی گردید و این مدل‌ها با ضرایب همبستگی بالا (بیش از 0/98) و انحراف معیار میانگین بسیار پایین قادر به پیش‌بینی روند تغییرات بودند.
کلیدواژه‌های فارسی مقاله آنالیز بافت،شبکۀ ‌عصبی مصنوعی،غنی‌سازی،مدل‌سازی،
عنوان انگلیسی Modeling of Changes in Physicochemical, Textural and Sensory Properties of Fortified Yoghurt with Zinc and Iron by Artificial Neural Networks
چکیده انگلیسی مقاله In this study, yogurt was fortified with iron and zinc in equal concentrations, 20, 40 and 60 mg per 1 kg of milk and the samples were tested in 1, 7 and 14 days of storage in terms of different properties of product including physicochemical properties (acidity, pH, syneresis, water holding capacity, viscosity), textural properties (hardness, elasticity, firmness, cohesiveness, adhesiveness) and sensory properties (texture, flavor, color, odor and acceptance). For predicting the changes in qualitative indices, neural network tool in MATLAB 2013Ra was used. In different networks, the Feed-Forward-Back-Propagation networks by 2-2-3-14 and 2-4-14 topology, with 0.997 and 0.991 correlation coefficients and 0.4090 and 0.1040 mean square errors, including hyperbolic tangent sigmoid transfer function, Levenberg-Marquardt learning algorithm and 1000 epoch was determined as the best neural models for yoghurt fortified with Fe and Zn, respectively. Optimal models were also investigated and the results of these models with high correlation coefficients (more than 0.98) and very low standard deviation were able to predict trends.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمود حسین‎نژاد |
دانش‌آموختۀ کارشناسی ارشد، صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

سیدمهدی جعفری |
دانشیار، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

محمد گنجه |
دانشجوی دکتری، صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

نشانی اینترنتی http://journals.rifst.ac.ir/article_66597_fecf1585e93f8ecf5da18e2a682fdfdc.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1452/article-1452-772985.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