Использование нейронно сетевого подхода для установления оптимального компонентного состава пищевых продуктов

Для обработки результатов экспериментов при моделировании технологических процессов пищевой промышленности хорошо зарекомендовал себя метод нейронно сетевого подхода, подразумевающего создании и использование искусственной нейрнной сети. В состав математического пакета mat lab входит пакет неу урал нетворкс толбог которые содержат средства для проектирования моделирования обучения и использования аппарат искусственных нейронных сетей. В качестве основных этапов реализация нейронно сетевого подхода для решения множества разно образного задач можно выделить:

1) подготовку для тренировки сети

2) создание сети

3) обучение сети

4)тестирование сети

5) моделирование сети(использование сети для решиния конкретной задачи)

Например рассмотрим использования нейронно сетевого подхода для установления оптимального рецептурного состава сырного продукта. Для обучения нейрон ной сети необходимо сформировать массив входных векторов Х1(массовая доля тыквенного пюре в рецептурной смеси); Х2- отношение соответсвующие значениям целевой функции у-балловая оценка консистенции сырного продукта

Создание и обучение нейронной сети запускается специальной программой созданной в среде мат лаб, для решения задачи моделирования была сформирована трехслойная полно связанная сеть включающая два нейрона во входном слое(по числу компонентов входного вектора, 4 нейрона в промежуточном слое с передаточными функции тансикии один нейрон в выходном слое) Обучение нейронной сети заключается в определении весов и смещение всех синапсов во всех слоях нс. Параметрами обучения являлись количество циклов обучения(1000) и целевая ошибка обучения(0,1). Процесы илюстрируется графиком зависимости оценка функционирования от номера цикла обучения. Для оценки достоверности результаты работы нейронных сетей можно воспользоваться результатами регрисеонного анализа полученного при сравнении эталонных значений со значениями подученными на выходе сети когда на вход поданны входные векторы тестового массива из сравнения компонентов эталонных векторов, соответствующими компонентами выходных векторов сети видно, что совпадения эксперементальных данных с рас четными составляет 94,4 %. Для обработки входных данных создается програмный фонд который позволяет получить массивы значений выходной переменной при некоторых значениях входных переменных изменяющихся в том же диапазоне что и при экспериментальном исследовании, представленная трехмерная модель затруднена для понимания. В связи с этим возникает необходимость получения продукта функциональной направленности т.е. С высоким содержанием БАВ. Установленно что высокие бальные оценки консистенции наблюдается привет доли пюре в смеси 30%. Полученные данные по качеству рецептурной смеси могут быть использованы для оптимизации ее состава и себестоимости.

Дата добавления: 2013-12-12