علوم و صنایع غذایی ایران، جلد ۲۲، شماره ۱۶۱، صفحات ۱۲۱-۱۳۶
عنوان فارسی پیش‌بینی رطوبت و دانسیته در میگو طی سرخ‌کردن هوای داغ با مدل شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله شبکه‌های عصبی مصنوعی،رطوبت،دانسیته،میگو،سرخ کردن هوای داغ
عنوان انگلیسی Prediction of moisture and density in shrimp during hot air frying with artificial neural networks model
چکیده انگلیسی مقاله In this research, artificial neural networks (ANN) was presented to predict changes in moisture and density of shrimp during hot air frying process (at three temperatures of 140, 160 and 180 degrees Celsius for 15 minutes). Neural networks in the form of multilayer perceptron (MLP) with sigmoid tangent transfer function in the hidden layer and linear transfer function in the output layer was designed to predict moisture (with two inputs: temperature and time) and density (with three inputs: temperature, time and moisture) in MATLAB software. Different backpropagation algorithms include Levenberg-Marquardt, Gradient descent, Gradient descent with adaptive learning rate, Adaptive learning rate backpropagation, Gradient descent with momentum, and Scaled conjugate gradient. The structure of the models was validated by calculating the coefficient of determination (R2), root mean square error (RMSE) and mean absolute error (MAE). Finally, the importance of the inputs in terms of the effect on the output variable for predicting moisture and density was investigated by designing the default hyperbolic tangent neural networks in SPSS software. The results showed that with the decrease in moisture and the development of pores in shrimp, the density of the product gradually decreased during hot air frying, and with the increase in the temperature of the process, a further decrease in density was observed. In the moisture model, the backpropagation algorithm of Gradient descent with momentum (R2=0.989, RMSE=0.171, MAE=0.131) and in the density model, the Levenberg-Marquardt algorithm (R2=0.974, RMSE=0.0096, MAE=0.0066) showed the minimum error in testing. In the moisture neurocomputing, the importance of time and temperature variable was equal to 0.883 and 0.117, respectively. In the density neurocomputing, the importance of moisture, time and temperature variables were 0.588, 0.278 and 0.134, respectively. The Findings can be used in the design of artificial intelligence for controlling and creating automation in hot air fryers.
کلیدواژه‌های انگلیسی مقاله Artificial neural networks,Moisture,Density,Shrimp,Hot air frying
نویسندگان مقاله بهاره معروف پور | Bahareh Maroufpour
Gorgan University of Agricultural Sciences and Natural Resources
علوم کشاورزی و منابع طبیعی گرگان، گرگان

امان محمد ضیائی فر | Aman Mohammad Ziaiifar
Gorgan University of Agricultural Sciences and Natural Resources
دانشگاه علوم کشاورزی و منابع طبیعی گرگان

حسن صباغی | Hassan Sabbaghi
Assistant Professor, Department of Food Science and Technology, Faculty of Agriculture and Animal Science, University of Torbat-e Jam, Torbat-e Jam, Razavi Khorasan Province, Iran
استادیار، گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی و دامپروری، مجتمع آموزش عالی تربت جام، تربت جام، استان خراسان رضوی، ایران

محمد قربانی | Mohammad Ghorbani
Gorgan University of Agricultural Sciences and Natural Resources
دانشگاه علوم کشاورزی و منابع طبیعی گرگان

سعید یلقی | Saeed Yalghi
Golestan Province Fisheries Research Center
مرکز تحقیقات شیلات استان گلستان

نشانی اینترنتی http://fsct.modares.ac.ir/browse.php?a_code=A-10-79550-2&slc_lang=fa&sid=7
فایل مقاله فایلی برای مقاله ذخیره نشده است
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