خشک کردن کف‌پوشی پنیر ریکوتا و پیش‌بینی ویژگی‌های آن با مدل شبکه عصبی مصنوعی

شبکه های عصبی مصنوعی مجموعه ای از معادلات غیرخطی هستند که توانایی برای خود سازگاری دارد تا ارتباطات غیرخطی پیچیده بین متغیرهای ورودی و خروجی را برقرار کنند. از مدل سازی شبکه عصبی مصنوعی برای پیشگوئی جهت تهیه پودر پنیر ریکوتا با کیفیت مطلوب استفاده شد. در این پژوهش، شبکه عصبی مصنوعی 4 کلاسه با مدل پرسپترون چندلایه برای پیش بینی داده های کف و پودر پنیر ریکوتا که به روش خشک کردن کف پوشی تهیه شدند، مورد استفاده قرار گرفت. این مدل سازی با روش شناسایی الگو و با استفاده از الگوریتم یادگیری ماشین انجام شد. شناسایی الگو، توانایی تشخیص ترتیب خصوصیات یا داده هایی است که اطلاعات مربوط به سیستم یا مجموعه داده ها را می دهد. مدل مورد استفاده برای این پژوهش دارای 10 نرون در لایه پنهان بود. 4 نسبت متفاوت شیر و آب پنیر (تیمارها) به عنوان ورودی و دانسیته کف، دانسیته پودر، هیگروسکوپی، فعالیت آبی، جذب آب و جذب روغن به عنوان خروجی های مدل در نظر گرفته شدند. در این مدل 70 درصد از داده ها برای آموزش، 15 درصد برای آزمایش و 15 درصد از داده ها برای اعتبارسنجی مورد استفاده قرار گرفت. بهترین عملکرد اعتبارسنجی در دوره 20 رخ داد. نتایج نهایی نشان داد که مدل مورد استفاده با دقت 94.8 درصد توانست داده های مربوط به هر کلاس را به درستی پیش بینی نماید.

Foam Mat Drying of Ricotta Cheese and Predicting its Characteristics with Artificial Neural Network Model

Artificial neural networks are a set of nonlinear equations that have the ability to adapt to establish complex nonlinear relationships between input and output variables. Artificial neural network modeling was used to predict the production of Ricotta cheese powder with the desired quality. In this study, a 4class artificial neural network with a multilayer perceptron model was used to predict foam and Ricotta cheese powder data prepared by foam mat drying. This modeling was performed by pattern recognition method and using machine learning algorithm. Pattern recognition is the ability to recognize the order of properties or data that gives information about a system or data set. The model used for this study had 10 neurons in the hidden layer. 4 different ratios of milk and whey (treatments) were considered as input and foam density, powder density, hygroscopy, water activity, water absorption and oil absorption as model outputs. In this model, 70% of the data were used for training, 15% for testing and 15% of the data for validation. The best validation performance occurred in the 20th period. The final results showed that the model used was able to accurately predict the data related to each class with 94.8% accuracy.