جستجو در:
دوره 14، شماره 67 - ( 1396 )
جلد 14 شماره 67 صفحات 107-114 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
سرحدی حمید، حداد خداپرست محمد حسین، صداقت ناصر، محبی محبت، میلانی الناز. پیش‌بینی تاثیر تیمارهای ازن، کیتوزان و دما بر میزان اسیدیته خرمای مضافتی در طول دوره نگهداری با استفاده از شبکه عصبی مصنوعی. مجله علوم و صنایع غذایی ایران. 1396; 14 (67) :114-107
1- استادیار گروه علوم و صنایع غذایی، واحد بم، دانشگاه آزاد اسلامی، بم، ایران.
2- دانشیارگروه علوم و صنایع غذایی دانشگاه فردوسی مشهد
3- دانشیار گروه فرآوری مواد غذایی، پژوهشکده علوم و فناوری مواد غذایی جهاد دانشگاهی مشهد
2- دانشیارگروه علوم و صنایع غذایی دانشگاه فردوسی مشهد
3- دانشیار گروه فرآوری مواد غذایی، پژوهشکده علوم و فناوری مواد غذایی جهاد دانشگاهی مشهد
چکیده: (3083 مشاهده)
چکیده
رطب مضافتی یکی از ارقام شناخته شده و خوشمزه بوده که معمولا جزو خرماهای مرطوب طبقه‌بندی شده و به رنگ قرمز تیره متمایل به سیاه و دارای بافت نرم می‌باشد. این خرما سومین رقم اقتصادی کشور بعد از سعمران و شاهانی بوده و با توجه به اهمیت تغییرات میزان اسیدیته در کیفیت آن، در این پژوهش تغییرات اسیدیته در طول دوره نگهداری توسط شبکه عصبی مصنوعی پیش‌بینی گردید. به همین منظور از گاز ازن، پوشش خوراکی کیتوزان و دماهای مختلف (5، 15 و25 درجه سانتی‌گراد) بعنوان راهکارهایی جهت افزایش ماندگاری رطب مضافتی در طی نگهداری (به مدت 60 روز) استفاده شد و هر 3 روز اسیدیته خرماها اندازه گیری شد. ازن، پوشش خوراکی کیتوزان و دماهای مختلف به عنوان ورودی شبکه عصبی مصنوعی مورد استفاده قرار گرفتند. نتایج این تحقیق نشان داد، شبکه عصبی مصنوعی newff با توپولوژی 1-17-4 ضریب همبستگی 99264/0 و میانگین مربعات خطای 0013/0 با بکارگیری تابع فعال‌سازی تانژانت سیگموئید هایپربولیکی و الگوی یادگیری لونبرگ – مارکوات[1] به عنوان بهترین مدل عصبی در پیش‌بینی تغییرات میزان اسیدیته می‌باشد. در مجموع می‌توان گفت شبکه عصبی مصنوعی روشی قابل اطمینان برای مدل‌سازی و پیش‌بینی تغییرات اسیدیته خرما و محصولات مشابه می‌باشد.
[1]. Levenberg Marquardt
رطب مضافتی یکی از ارقام شناخته شده و خوشمزه بوده که معمولا جزو خرماهای مرطوب طبقه‌بندی شده و به رنگ قرمز تیره متمایل به سیاه و دارای بافت نرم می‌باشد. این خرما سومین رقم اقتصادی کشور بعد از سعمران و شاهانی بوده و با توجه به اهمیت تغییرات میزان اسیدیته در کیفیت آن، در این پژوهش تغییرات اسیدیته در طول دوره نگهداری توسط شبکه عصبی مصنوعی پیش‌بینی گردید. به همین منظور از گاز ازن، پوشش خوراکی کیتوزان و دماهای مختلف (5، 15 و25 درجه سانتی‌گراد) بعنوان راهکارهایی جهت افزایش ماندگاری رطب مضافتی در طی نگهداری (به مدت 60 روز) استفاده شد و هر 3 روز اسیدیته خرماها اندازه گیری شد. ازن، پوشش خوراکی کیتوزان و دماهای مختلف به عنوان ورودی شبکه عصبی مصنوعی مورد استفاده قرار گرفتند. نتایج این تحقیق نشان داد، شبکه عصبی مصنوعی newff با توپولوژی 1-17-4 ضریب همبستگی 99264/0 و میانگین مربعات خطای 0013/0 با بکارگیری تابع فعال‌سازی تانژانت سیگموئید هایپربولیکی و الگوی یادگیری لونبرگ – مارکوات[1] به عنوان بهترین مدل عصبی در پیش‌بینی تغییرات میزان اسیدیته می‌باشد. در مجموع می‌توان گفت شبکه عصبی مصنوعی روشی قابل اطمینان برای مدل‌سازی و پیش‌بینی تغییرات اسیدیته خرما و محصولات مشابه می‌باشد.
[1]. Levenberg Marquardt
دریافت: 1395/1/16 | پذیرش: 1395/8/16 | انتشار: 1396/6/1
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |