عنوان درس :
استاد مربوطه :
دانشجو :
عنوان مقاله
کاربرد شبکه عصبی مصنوعی در علوم و صنایع غذایی
چکیده
در بیش از دو دهه گذشته، شبکه های عصبی مصنوعی در بسیاری از زمینه های علوم و صنایع غذایی مورد استفاده واقع شده اند. شبکه عصبی مصنوعی ابزار مفیدی برای ارزیابی ایمنی و کیفیت مواد غذایی است که مدل سازی رشد میکروبی، پیش بینی ایمنی مواد غذایی، تفسیر داده های طیفی و پیش بینی خواص فیزیکی، شیمیایی، کاربردی و حسی مواد غذایی مختلف را شامل می شود. این مقاله تئوری اولیه و بنیادی تکنولوژی شبکه عصبی مصنوعی را مطرح می کند و کاربردهای آن را در علوم و صنایع غذایی ارائه می دهد.
مقدمه
الهام از طبیعت و سیستم های زنده در حل مسائل مختلف همواره به عنوان یک ایده ی اساسی مورد توجه بشر قرار داشته است. در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی به خصوص در زمینه پردازش اطلاعات برای مسائلی که برای آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند بوده ایم. شبکه های عصبی مصنوعی، ARTIFICAL NEURAL NETWORK (ANN) یک مجموعه از فناوری های ایجاد شده با هوش مصنوعی می باشند که بر مبنای شبیه سازی عملکرد مغز انسان بوجود آمده اند. همانطور که در اوایل قرن 19 Bain AlexandeR وJames William به طور مستقل عملکرد مغز را مورد بررسی قرار دادند و با مدل سازی آن به عنوان یک مجموعه از فعالیت های نرون ها، بنیان تکنولوژی مدرنANN را پایه گذاری کردند.
تلاش های اولیه به منظور مدلسازی مغز و شبکه عصبی انسان منجر به ارائه مدل هایی برای عملکرد یک واحد پردازش مغز یعنی نرون شده است.تا کنون محققان و دانشمندان با استفاده از ساختار بیولوژیکی شبکه های عصبی ساختار های گوناگونی را برای شبکه های عصبی مصنوعی طراحی نموده اند که همگی سعی در شبیه سازی ساختار شبکه های عصبی بیولوژیک دارند.
توسعه شبکه های عصبی مصنوعی حدود 50 سال پیش آغاز شد که محرک پیدایش آنها را می توان آشنایی با ساختار و عملکرد مغز به همراه شبیه سازی آن جهت استفاده از قدرت بالای مغز در کاربرد های مختلف دانست.
در واقع در شبکه عصبی مصنوعی سعی بر این است که ساختاری تهیه شود که همانند مغز ، قدرت یادگیری، تعمیم دهی و تصمیم گیری داشته باشد . مغز به عنوان یک سیستم پردازش اطلاعات با ساختار موازی از 1011 نرون با تعداد 1016 ارتباط تشکیل شده است. هر یک از این نرون ها دارای ورودی و خروجی بوده، مغز انسان را به ماهیچه ها مرتبط کرده و علائم را از ارگانهای حساس به مغز منتقل میکند.
شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده های آنها را به ساختار شبکه منتقل میکنند. به همین خاطر به این سیستمها هوشمند گویند، چرا که بر اساس محاسبات روی داده های عددی قوانین کلی حاکم بر آنها را فرا میگیرند. پیاده سازی ویژگیهای شگفت انگیز مغز بشر در یک سیستم مصنوعی همیشه وسوسه انگیز و مطلوب بوده است. محققینی که طی سالها در این زمینه فعالیت کرده اند بسیار هستند لیکن نتیجه این تلاشها صرف نظر از یافته های ارزشمند، باور هرچه بیشتر این اصل بوده است که مغز بشر دست نیافتنی است.
در اوایل 1980 وقوع یک تجدید حیات در تحقیقات شبکه های عصبی به وسیله ی انتشار مقاله ی Hopfield و توسعه ی الگوریتم های پس انتشار به وسیله یRumelhart و همکارانش ، این حقیقت را روشن کرد که مدل های شبکه عصبی ، یک مغز مکانیکی ارائه نمی دهندکه توانایی حل هر محاسبه ی پیچیده ای در زمان کوتاه را داشته باشد ، بلکه تنها قادر به انجام یک سری عملکردهای خاص می باشد. همین امر زمینه ی توسعه ی برنامه های کاربردی منطقی و مفید تکنولوژیANN را فراهم کرد. توسعه ی سریع آموزش الگوریتم ها و همچنین تکنولوژی کامپییوتر، در نهایت نیرو محرکه ای برای استفاده از شبکه ی عصبی در زمینه های مختلف علوم شد.
در حال حاضر تکنولوژی ANN در کنترل فرآیند، تشخیص های پزشکی، تجزیه و تحلیل پزشکی قانونی، پیش بینی وضع هوا، برنامه های کاربردی مالی و آنالیز سرمایه گذاری استفاده فراوان دارد. در مقایسه با زمینه های دیگر استفاده از شبکه عصبی مصنوعی در زمینه ی علوم و صنایع غذایی هنوز در مراحل اولیه توسعه است.
مفاهیم اساسی شبکه عصبی مصنوعی
نرون بیولوژیکی و نرون مصنوعی
نگرش نوین در مورد کارکرد مغز نتیجه تفکراتی بود که در اوایل قرن بیستم در مورد ساختار مغز به عنوان اجتماعی از اجزای محاسباتی کوچک به نام نرون شکل گرفت. بافتهایی که عصب نامیده میشوند اجتماعی از نرونها هستند که اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل میکنند. این پیامها از نوع ایمپالسهای الکتروشیمیایی هستند. میلیونها نرون در بدن انسان وجود دارند، حتی ساده ترین کارهای روزمره انسان از قبیل پلک زدن، تنها از طریق همکاری همه جانبه این نرونها میسر است. گرچه همه نرونها کارکرد یکسانی دارند، ولی اندازه و شکل آنها بستگی به محل استقرارشان در سیستم عصبی دارد.
با وجود این همه تنوع بیشتر نرونها از سه قسمت اساسی تشکیل شده اند :
1- بدنه سلول
2- دندریت
3- آکسون
دو قسمت آخر عناصر ارتباطی نرون را تشکیل میدهند. شکل اسلاید بعد ساختمان سلول عصبی را نشان می دهد.
نواحی اصلی یک نرون بیولوژیکی
نرونها بر اساس ساختارهایی که بین آنها پیامها هدایت میشوند به سه دسته تقسیم میشوند :
1- نرونهای حسی : که اطلاعات را از ارگانهای حسی به مغز و نخاع میفرستند
2 – نرونهای محرک : که سیگنال فرمان را از مغز و نخاع به ماهیچه ها و غدد میفرستند
3 – نرونهای ارتباطی : که نرونها را به هم متصل میکنند
فعالیتهای دو نرون اول توسط نرونهای ارتباطی به هم مربوط می شوند. بدنه سلول، انرژی لازم را برای فعالیت نرون فراهم نموده و بر روی سیگنالهای دریافتی عمل میکند. آکسون بر خلاف دندریتها از سطحی هموارتر و تعداد شاخه های کمتر برخوردار می باشد. آکسون طول بیشتری دارد و سیگنال الکتروشیمیایی دریافتی از هسته سلول را به نرونهای دیگر منتقل میکند. محل تلاقی یک آکسون از یک سلول به دندریت سلول دیگر را سیناپس گویند. سیناپسها واحدهای ساختاری کوچکی هستند که ارتباطات بین نرونها را برقرار میسازند. پیامهای عصبی تنها به صورت یک طرفه حرکت میکنند: از دندریتها به بدنه سلول و سپس به آکسون. زمانی که پیام به انتهای آکسون میرسد، فیبرهای ماهیچه ای، سلولهای غددی و دیگر نرونهایی را که به آکسون متصل هستند تحریک میکند. این پالسهای عصبی توسط یک فرآیند الکتروشیمیایی به انجام میرسند.
نرون مصنوعی طوری طراحی میشود که خواص اساسی یک نرون بیولوژیکی را داشته باشد. هر نرون یک مجموعه ورودی دارد که در واقع خروجی های تولید شده یک نرون دیگر می باشند. تک تک این ورودیها در یک ضریب وزن که متناظر با یک مقاومت سیناپسی است، ضرب می شوند. سپس همه این ورودی های وزن دار با هم جمع میشوند تا تراز فعالیت یا تراز تحریک نرون مصنوعی را تعیین کنند. وزن ها در شبکه عصبی می توانند منفی یا مثبت باشند، بنابراین می تواند تاثیر بازدارنده یا تحریکی بر هر ورودی داشته باشد. این مجموع وزن دار در تابع تحریک نرون قرار داده میشود تا خروجی نرون تعیین شود.
ساختار یک نرون مصنوعی در شکل زیر ملاحظه می شود. با وجود تنوع شبکه های عصبی مصنوعی، نرونهای همه آنها بر مبنای اصول ساده فوق قرار دارند. در این مدل ساده، X0,X2,……..Xnکه متناظر با سیگنالهای دریافت شده به وسیله سیناپس های نرون بیولوژیکی می باشند، به عنوان ورودیهای نرون مصنوعی شناخته میشوند. این ورودیها می توانند مولفه های یک بردار باشند که با X نشان داده می شود. هر سیگنال قبل از اینکه در بلوک جمع یا بلوک 𝛴 به کار برده شود در یک ضریب وزن w ضرب میشود. مجموعه ضرایب وزن را میتوان با بردارW نمایش داد. بلوک 𝛴 عملکرد هسته سلول عصبی را مدل میکند.
در مدل بسیار ساده نشان داده شده در شکل بالا ، بسیاری از خواص همتای بیولوژیکی اش در نظر گرفته نشده است. به عنوان مثال، در نرون بیولوژیکی جهت پردازش روی داده ها زمان صرف می شود در حالیکه در نرون مصنوعی، بدون صرف زمان، از ورودی ها یک خروجی فوری ساخته می شود. با وجود این محدودیتها و ضعف ها شبکه های ساخته شده از چنین نرونهایی، نتایجی از خود بروز می دهند که شباهت بسیاری به نتایج حاصل از سیستمهای بیولوژیکی دارند.
ساختار یک نرون مصنوعی
اگرچه نرونهای بیولوژیکی از نرونهای مصنوعی بسیار کندتر هستند اما عملکرد مغز خیلی سریعتر از عملکرد یک کامپیوتر معمولی است. علت این پدیده بیشتر به خاطر ساختار کاملا موازی نرونها می باشد و این یعنی اینکه همه نرونها معمولا به طور همزمان کار میکنند و پاسخ میدهند. شبکه های عصبی مصنوعی هم دارای ساختار موازی هستند.آنچه شبکه فرا میگیرد در وزنهای سیناپسی مستتر میباشد. هر نرون در شبکه، از کل فعالیت سایر نرونها متاثر می باشد. بر این اساس چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. در یک شبکه عصبی مصنوعی هر نرون بطور مستقل عمل میکند و رفتار کلی شبکه برآیند رفتارهای محلی نرونهای متعدد است. این ویژگی باعث میشود تا خطاهای محلی تاثیر چشمگیری بر روی خروجی نهایی شبکه نداشته باشند. به عبارت دیگر، نرونها در جریان فرآیند آموزش شبکه و در یک روند همکاری همه جانبه، خطاهای محلی یکدیگر را تصحیح میکنند.
شبکه عصبی مصنوعی
هر شبکه عصبی مصنوعی شامل مجموعه ای از نرونهای مصنوعی است. نرونها، ورودی هایی را که به طریقی خاص جمع شده اند را پذیرا می شوند. اگر این ورودیها به اندازه کافی بزرگ باشند و مقدار آنها از یک حد از پیش تعیین شده بیشتر شود، در آن صورت نرون فعال شده و در غیر اینصورت نرون غیرفعال باقی می ماند. وروردی های جمع شده در یک نرون به یک تابع تحریک که خروجی مشخصی را محاسبه می کند وارد شده و خروجی آن به لایه بعدی منتقل می شود.
شبکه های عصبی مصنوعی از تعمیم مدل ریاضی شبکه های عصبی جانوران براساس فرضیات زیر توسعه یافته اند :
1- پردازش اطلاعات ورودی به هر شبکه در اجزاء ساده ای بنام نرون صورت میگیرد
2- اطلاعات بین نرونها از طریق ارتباطات بین آنها مبادله می شود
3- نرونها دارای بردار وزن هستند و اطلاعات منتقله بین نرونها در این وزنها ضرب میشود
4- نرونها برای محاسبه خروجی خود، دارای تابع تحریک بوده که معمولا غیرخطی است
هر شبکه عصبی دارای خصوصیاتی است که آن را از شبکه های دیگر متمایز میکند. این خصوصیات شامل نحوه ارتباط بین نرونها، روش آموزش شبکه، نحوه تعیین مقادیر وزنهای رابط و نوع تابع تحریک هر نرون است. با توجه به خصوصیات مذکور، شبکه های عصبی متعددی توسط محققین طراحی شده اند.
توانایی پیشگویی یک شبکه عصبی به ساختار آن وابستگی کامل دارد ( نوع تابع انتقال،تعداد لایه ها و تعداد نرون های لایه پنهان ) .
شبکه های تک لایه
هر چند که یک نرون می تواند بعضی عملکردهای ساده را که از نرون بیولوژیکی الگوبرداری شده ارائه دهد، ولی قدرت محاسبات عصبی با ارتباطات بین نرونها در یک شبکه عصبی آشکارتر می شود. ساده ترین شبکه عصبی از قرار گرفتن تعدادی نرون در یک لایه منفرد به وجود می آید.
این طرح ساده در شکل زیر با تمام ارتباطات نشان داده شده است. البته باید توجه کرد که همه این ارتباطات لزوماً برقرار نیستند و برخی از آنها میتوانند برقرار نباشند. در شکل زیرگره های دایره ای، وظیفه توزیع ورودی ها را برعهده دارند و هیچ عملیات محاسباتی انجام نمی دهند و به عنوان یک لایه به حساب نمی آیند. گره هایی که دارای خاصیت محاسباتی اند و یک لایه را به وجود می آورند با مستطیل نمایش داده شده اند.
ساختار یک شبکه تک لایه
شبکه های چند لایه
عموماً شبکه های بزرگتر و پیچیده تر نسبت به شبکه های تک لایه، قابلیتها و توانایی های محاسباتی بیشتری دارند. با اینکه ساختارهای مختلفی جهت شبکه های عصبی متصور است, ولی آرایش نرونها در لایه های مختلف این شبکه ها از ساختارهای لایه بندی شده بعضی قسمتهای مغز انسان الگوبرداری شده است. یک شبکه چند لایه ساده میتواند از آرایش متوالی گروهی از شبکه های تک لایه ایجاد شود. در این حالت خروجی یک لایه، ورودی لایه بعدی را تامین خواهد نمود. با توجه به اینکه قابلیت محاسباتی شبکه های تک لایه شدیداً محدود می باشند، لذا جهت توسعه قابلیت محاسباتی شبکه های چند لایه وجود توابع تحریک غیرخطی بین لایه ها ضروری می باشد.
انواع شبکه های عصبی مصنوعی از نظر برگشت پذیری
شبکه های پیش خور : ( feed-forward )
شبکه هایی هستند که مسیر پاسخ در آنها، همواره رو به جلو پردازش می شود و به نرون های لایه های قبل باز نمی گردد. در این نوع شبکه ها به سیگنال ها اجازه می دهند تنها از مسیر یکطرفه عبور کنند، یعنی از ورودی تا خروجی. در بدن انسان نیز، پیام های عصبی به صورت یک طرفه حرکت می کنند.
شبکه های پسخور) : ( feed-back
تفاوت شبکه های برگشتی با شبکه های پیش خور در آن است که در شبکه های برگشتی حداقل یک سیگنال برگشتی از یک نرون به همان نرون های همان لایه یا نرون های لایه های قبل وجود دارد.
آموزش شبکه عصبی
در بین همه خصوصیات عجیبی که شبکه های عصبی دارند، هیچکدام به اندازه توانایی یادگیری آنها جالب و شگفت انگیز نیست. آموزش شبکه های عصبی نقاط مشترک زیادی با یادگیری مغز و یا به عبارت دیگر، بسط توانایی مغز در برقرار نمودن ارتباطات نرونی جدید دارند، بطوریکه به نظر میرسد انسان توانسته است با آموزش این شبکه ها به یک درک بنیادی از سیستم آموزش مغز دست پیدا کند. هدف از آموزش شبکه های عصبی این است که آنها بتوانند مجموعه ای از ورودی ها را جهت تولید خروجی های مطلوب یا حداقل نزدیک به مطلوب به کار ببرند. لازم به یادآوری است که شبکه عصبی، ورودی ها و خروجی ها را بصورت بردار، مورد پردازش قرار می دهد. روند آموزش به این صورت است که شبکه، متناوباً بردارهای ورودی را به کار میبرد تا وزنهای شبکه جهت تولید خروجی های مطلوب بر طبق الگوهای از پیش تعیین شده اصلاح شوند. در طول دوره آموزش شبکه عصبی، وزنهای شبکه تدریجاً به سمت مقادیر مطلوب همگرا می شوند و هدف آموزش برآورده می شود. آموزش بر دو نوع است :
1- آموزش نظارت شده
2- آموزش نظارت نشده
شبکه عصبی انتشار برگشتی (back – Propagation )
در حقیقت لفظ انتشار برگشتی (BP)مربوط به الگوریتم آموزش شبکه های عصبی چند لایه است. اما آن چیزی که در متون تخصصی علمی مطرح شده این است که شبکه ای که با الگوریتم انتشار برگشتی آموزش می یابد را، شبکه عصبی انتشار برگشتی می نامند. اصولا انتشار برگشتی اولین الگوریتم موثر جهت آموزش شبکه های عصبی چند لایه می باشد. این الگوریتم برای اولین بار توسط راملهارت، هینتون و ویلیامز در سال 1986 ارائه شد و تا کنون دستخوش تغییرات و دگرگونی های فراوانی شده است.
اساساً برای نوع آموزش انتشار برگشتی گامهای اساسی زیر باید طی شوند :
1- انتخاب یک ساختار مناسب برای شبکه عصبی و مقداردهی اولیه وزنهای آن
2- انتخاب یک زوج آموزشی از مجموعه آموزشی و ارائه آن به شبکه عصبی
3- محاسبه خروجی شبکه عصبی
4- محاسبه خطای بین خروجی شبکه و خروجی دلخواه یا هدف
5- تعدیل وزنهای شبکه برای به حداقل رساندن خطا
6- گام های 2 تا 5 برای همه بردارهای مجموعه آموزشی تکرار می شود تا خطا به مقدار قابل قبولی برسد.
محاسبات در لایه های متوالی و پشت سر هم انجام می شود و خروجی نرونها در یک لایه محاسبه شده و به عنوان ورودی لایه بعدی به کار می رود.
خروجی لایه آخر نیز محاسبه شده و به عنوان خروجی شبکه شناخته می شود. پس از تکرار چهار مرحله اول آموزش، خطا بین خروجی های واقعی و خروجی های هدف کاهش داده می شود، تا به مقدار قابل قبول رسیده و روند آموزش به پایان برسد. در گامهای 2 و 3 یک موج از لایه ورودی شبکه به خروجی آن انتشار می یابد. به همین دلیل، به این نوع شبکه، شبکه پیش خور یا پیش رونده گفته می شود. در گامهای 4 و 5 یک انتشار برگشتی اتفاق می افتد. به طوریکه ابتدا خطا محاسبه شده و از لایه خروجی شبکه به عقب انتشار می یابد تا وزنهای شبکه طی یک دوره خاص تعدیل شوند. محاسبات بر روی بردار ورودی برای تولید بردار خروجی انجام می شود. خروجی هر نرون در لایه اول، با محاسبه مجموع حاصلضرب ورودی در وزن، و سپس اعمال تابع تحریک بر آن محاسبه می شود. این خروجی به عنوان ورودی لایه بعدی بکار رفته و پروسه مذکور لایه به لایه تکرار می شود، تا خروجی شبکه ایجاد شود. پس از اینکار بایستی وزنهای لایه ها تعدیل شوند. به دلیل آنکه یک مقدار هدف برای هر نرون در لایه خروجی وجود دارد، تعدیل همزمان وزنها به سهولت انجام می شود. آموزش لایه های میانی ( لایه های مخفی ) ، به دلیل اینکه مقدار هدفی برای مقایسه وجود ندارد مشکل تر است.
کاربرد شبکه ی عصبی مصنوعی در صنایع غذایی
ماشین ادراک
ماشین ادراک یکی از امیدوار کننده ترین زمینه های کاربردی در حیطه ی علوم و صنایع غذایی با توجه زیاد به ماشین بینایی و بینی الکتریکی است که از سوی برخی به عنوان انقلابی در آنالیز های حسی پذیرفته شده است. پارامتر های حسی مهم مانند بو و ظاهر ( از جمله شکل و رنگ ) محصولات غذایی به وسیله ی تکنولوژی های دستگاه های ادراک تشخیص داده می شود که می تواند نشانه های کلی ایمنی و کیفیت مواد غذایی را ارائه دهد.
بینی الکتریکی ( electronic nose )
حس بویایی یکی از پنج حواس اصلی ( بینایی ، بویایی ، چشایی ، شنوایی و لمسی ) بوده و دارای اهمیت فوق العاده بالایی در انسان می باشد. دانشمندان زیادی، به مدت چندین دهه، برای درک فرایند بویایی تلاش کرده اند. درک این فرایند کار سختی است ، چرا که مردم اغلب حتی برای پیدا کردن کلمات جهت توصیف رایحه استشمام شده، با مشکل مواجه می شوند. بینی الکتریکی یک دستگاه سیستم بویایی است که یک ابزار نسبتا جدید را برای تکمیل ارزیابی های حسی ارائه می دهد. یک بینی الکتریکی سیستم بویایی انسان را شبیه سازی می کند و مزایای زیادی نسبت به سنسورهای حسی انسانی برای کنترل کیفیت و ایمنی مواد غذایی دارد و در شرایطی استفاده می شود که ممکن است پانلیست های انسانی در معرض مواد سمی قرار بگیرند. در شکل زیر الگوی ساده ای از بینی الکترونیکی نشان داده شده است.
در طول دهه ی گذشته فناوری های ANN به طور فزاینده ای به عنوان سیستم های تشخیص الگو برای بینی های الکترونیکی مورد استفاده قرار گرفته است. بینی های الکترونیکی در کنترل کیفیت و طبقه بندی سیستم های غذایی مختلف از جمله نوشابه، میوه، روغن، حبوبات، ماهی، گوشت و محصولات لبنی که معمولا بوی نسبتا قوی دارند، استفاده می شود.
ماشین بینایی ( machine vision )
شبیه به بینی الکترونیکی ، کاربرد ماشین بینایی در زمینه ی صنایع غذایی برای به انجام رساندن وظایف مربوط به کنترل کیفی بصری و یا سنجش از راه دور در محیط های نامطلوب به جای بازرسان انسانی ، کاهش خطای بازرسان و یا افزایش بهره وری است.
تصاویر گرفته شده به وسیله ی دوربین دستگاه می تواند در ناحیه ی مرئی، مادون قرمز، فرابنفش و یاx-ray باشد. در اینجا نیز همانند بینی الکترونیکی با فرآیند تشخیص الگو مواجه هستیم کهANN یکی از ابزارهای مطلوب برای شناسایی الگوی برنامه های ماشین بینایی است. شکل زیر نمونه ای از پردازش تصویر در ماشین های بینایی را نشان می دهد.
تفسیر داده های اسپکتروفتومتری ( طیف سنجی ) ، تاثیر محلولها بر امواج الکترومغناطیسی مورد مطالعه قرار می گیرد. محدوده طیف الکترومغناطیس می تواند از اشعه ماوراء بنفش تا امواج رادیویی باشد. مقایسه طیف ها برای تعیین غلظت جسم حل شده موجود در حلال مثال خوبی است. بدین ترتیب که با ثبت نور ارسال و دریافت شده در طول موجی خاص و بررسی طول موج جذب شده توسط حلال می توان به غلظت آن پی برد. به عبارت دیگر در این روش با استفاده از میزان اندازه ی جذب نور نمونه ها غلظت آنها را تعیین می کنند. استفاده از شبکه عصبی برای تفسیر داده های طیفی در راستای شناسایی گروه های عاملی و آنالیز های کمی این داده ها امکان پذیر است. شبیه به دیگر زمینه های کاربردی، استفاده از شبکه ی عصبیfeedforward آموزش یافته توسط الگوریتم BP رایج ترین شبکه عصبی برای تفسیر داده های طیفی است. در طول ساخت شبکه، اطلاعات طیفی به عنوان یک بردار ورودی و غلظت آنالیت و یا یک ویژگی شیمیایی یا فیزیکی مطلوب به عنوان بردار خروجی مورد استفاده قرار می گیرد.
میکروبیولوژی و تخمیر مواد غذایی
با وجود الگوهای مختلف رشد و پاسخ های بیولوژیکی پیچیده ی سلول های میکروبی به عوامل بیرونی، تمایل به پیدا کردن یک مدل کلی از رشد میکروبی برای جایگزین کردن آن با روش های گران قیمت و وقت گیر شمارش میکروبی رو به افزایش است. اخیرا از ANN به عنوان یک روش جایگزین برای مدل سازی رشد میکروبی استفاده می شود که شامل پیش بینی مستقیم تعداد میکروب ها و نرخ رشد میکروب و پیش بینی غیر مستقیم پارامتر های مدل موجود است. علاوه بر مدل سازی رشد میکروبی ، اغلب از ANN برای کنترل پارامتر های کیفی در طی تخمیر مواد غذایی، تعیین مشخصات کیفی مواد غذایی تخمیر شده، طبقه بندی محصولات تخمیری و طبقه بندی مواد غذایی آسیب دیده به علت آلودگی های میکروبی استفاده می شود.
مثال هایی از کاربرد ANN در صنعت چای
در یک مطالعه انجام شده توسطCimpoiu Claudia و همکارانش ( 2011 ) به پیش بینی فعالیت آنتی اکسیدانی و طبقه بندی بعضی چای ها با استفاده از شبکه های عصبی مصنوعی پرداخته شده است. در این مطالعه یک روش ساده، سریع و اقتصادی بنا بر ترکیبات موجود در چای، فعالیت آنتی اکسیدانی و شبکه عصبی مصنوعی پیشنهاد شده است. در این راستا از دو نوعANN استفاده شده است، یکی برای پیش بینی فعالیت آنتی اکسیدانی و دیگری برای طبقه بندی انواع چای ها.
این مطلب که رابطه ی پیچیده ای بین فعالیت آنتی اکسیدانی کلی ( Aa ) به مقدار کل فلاونئید ( F ) ،کاتچین ( c ) و متیل گزانتین( Mx ) بستگی دارد، به وسیله ی شبکه ی عصبی feedforward آشکار شد. ثانیا با استفاده از ANN احتمالی، طبقه بندی چای در گروه های مختلف ( چای سبز، چای سیاه و چای سیاه فوری ) انجام شد.
این مطالعه دارای دو هدف اصلی، برای گسترش ANN ها بر اساس برنامه های کاربردی جهت بررسی فعالیت آنتی اکسیدانی چای است. هدف اول شامل ساخت یک مدلANN آماری برای پیش بینی فعالیت آنتی اکسیدانی بر اساس مقدار کل F ،C وMX اندازه گیری شده است که بیشتر برای آشکار کردن وابستگیAA به سه جزء فوق الذکر استفاده می شود. هدف دوم وضع یکANN طبقه بندی کننده ی توانا برای پیش بینی طبقه ی نمونه های چای بر اساس مقدار کل F ،C وMX می باشد. مجموعا 35 نمونه مورد بررسی قرار گرفت. مقدار کل F ، C وMX با استفاده از دستگاه اسپکتروفتومتر اندازه گیری شده است و مقدارAA با استفاده از روشی که اساس آن بر پایه ی فعالیت شلاته کننده ی رادیکال آزاد 2و2 دی فنیل -2پیکریل هیدرازیل است، اندازه گیری شده است. نتایج حاصله در جدول اسلاید بعد آورده شده است.
مقدار فالونوئید، کاتچین و متیل گزانتین در نمونه های چای بررسی شده
در راستای ساختن ANN بر اساس مدلی برای پیش بینی پتانسیل AA ، به صورت تصادفی 20 نمونه برای آموزش شبکه و 10 نمونه برای تست قابلیت پیش بینی مدل آموزش یافته انتخاب می کنیم. طراحیANN بر اساس ساختار چند لایهfeedforward آموزش یافته با الگوریتم backpropagation است. همانطور که در شکل زیر نشان داده شده، نتایج به دست آمده بسیار خوب بوده است نظر به اینکه خطا های نسبی کمتر از 0.4% بودند.
خطا های نسبی بین مقدار پیش بینی شده توسط ANN و مقدار واقعی پتانسیل AA
از طرفی توانایی طبقه بندی طرح ANN احتمالی در مجموعه ی تست ها بدون هیچ خطایی مورد تایید قرار گرفت. نتایج حاصله در جدول زیر نشان داده شده است
در یک مطالعه ی دیگر که توسط alireza Khanchiو همکارانش ( 2006 ) انجام شد، به تعیین مقدار کافئین و ترومبین چای ایرانی به وسیله ANn پرداخته شد. در این راستا از روش اسپکتروفتومتری برای تعیین مقدار کافئین و ترومبین به عنوان یک راه ساده، سریع و اقتصادی استفاده شد و به علت تداخل شدید بین این ترکیبات از ANN برای پیش بینی غلظت این MX ها در 4 نمونه چای ایرانی استفاده شد. نتایج حاصل از آزمایش یک تطابق خوب بین مقدار پیش بینی شده و مقدار واقعی را نشان داد و این نشانگر این است که مدل شبکه ی عصبی توصیف شده در این مطالعه، یک ابزار موثر کمی برای پیش بینی بازده استخراج پلی فنول های ( پلی فنول یک ترکیب گیاهی است که می تواند مانند یک آنتی اکسیدان عمل کند و رادیکال های آزاد را که باعث آسیب به سلول های بدن و بروز سرطان و بیماری های دیگر می شوند را خنثی کند ) چای سبز است.
مقایسه ی طبقه بندی پیش بینی شده ی چای ها توسطANN احتمالی با طبقه بندی واقعی چای ها
کاربرد های شبکه های عصبی در علوم مختلف
محدوده کاربردهای شبکه عصبی بسیار گسترده است زیرا این شبکه ها به خوبی برای حل مسائل عمل می کنند. از جمله این کاربرد ها می توان به هوا و فضا ، حمل و نقل ، بانکداری ، امور دفاعی ، الکترونیک ، سرگرمی ( انیمیشن ) ، امور مالی ، صنعت ، بیمه ، ساخت و تولید ، پزشکی ، نفت و گاز ، رباتیک و مخابرات اشاره کرد.
نتیجه گیری
کمک به صرفه جویی در وقت و هزینه در کارهای آزمایشگاهی از اساسی ترین جنبه های کاربردی شبکه عصبی در علوم و صنایع غذایی می باشد. امروزه شبکه های عصبی در هر زمینه ای از علوم و صنایع غذایی کاربرد دارند ، از طرفی این شبکه ها در بعضی طبقه بندی های خاص صنعت غذا به ما کمک می کنند. ولی دستیابی به اطلاعات ورودی برای آموزش شبکه عصبی و توسعه ی یک مدل با دقت پیش بینی کافی مستلزم سعی و تلاش بسیار است و ممکن است مطالعه در یک دامنه ی محدود ، زمانی که تعداد کل آنالیز ها کم است نتیجه بخش نباشد. بنابراین برای ساخت یک مدل شبکه ی عصبی، نسبت به سایر مدل های شیمی سنجی نیازمند مقدار زیادی نمونه هستیم.
شبکه های عصبی از الگوریتم های آموزشی متفاوت و متعددی ساخته شده اند که یک ابزار قدرتمند برای حل انواع خاصی از مشکلات را ارائه می دهد و ممکن است نتایجی بهتر از سایر مدل های ریاضی به دست دهد، با این حال شاید شبکه ی عصبی برای حل همه ی مشکلات و مسائل مناسب نباشد و همیشه نتایج بهتری نسبت به مدل های خطی معمولی یا سایر مدل های ریاضی به دست ندهد. در بسیاری از موارد توضیح روابط داخلی بین بردار های ورودی و خروجی مشکل است با این وجود شبکه های عصبی، به علت الگوریتم های یادگیری انعطاف پذیر، ساختارهای شبکه ای متنوع با یادگیری سریع و تحمل خطای بالا می تواند به یک ابزار قدرتمند تجزیه و تحلیل درصنایع غذایی، به خصوص درآنالیزهای حسی و کنترل کیفیت تبدیل شود.
منابع :
1-Wasserman PD , (1993). “Advanced Methods in Neural Computing”, USA: Prentic Hall Company, Van Nostrand Reinhold, New York
2- ابطحی، م. استفاده از شبکه عصبی مصنوعی جهت مدل سازی فرآیند سرخ کردن مواد غذایی. دومین همایش ملی علوم و صنایع غذایی. قوچان. 1392
3- امیررضا فتحی پور مازیار نجبا، شبکه های عصبی درSPSS ، انتشارات کیان رایانه سبز، 1388
4-Yiqun Huang , Lars J. Kangas & Barbara A. Rasco, (2007) .“Applications of Artificial Neural Networks (ANNs) in Food Science”: Critical Reviews in Food .Science and Nutrition, 47:2 , 113-126
5-Bhotmange,M. and Shastri,P., (2011). Application of Artificial Neural Networks to Food and Fermentation Technology, Artificial Neural Networks- Industrial and Control Engineering Applications,Prof. Kenji Suzuki (Ed.), ISBN: 929-953-302- 220-3
6-Mittal G.S. ,Chapter19 – Artificial Neural Network (ANN) Based Process Modeling,in Handbook of Farm, Dairy and Food Machinery Engineering( Second Edition),M.Kutz,Editore.2013,Academic Press:San Diego.p.462-423.
7-B. De˛bska, B. Guzowska-S´wider , (2011) .“Applications of Artificial Neural Network in food classification”: Analytica Chimica Acta 205 ,293– 291
8-Claudia Cimpoiu, Vasile-Mircea Cristea, Anamaria Hosu, Mihaela Sandru, Liana Seserman ,(2011). “ Antioxidant activity prediction and classification of some teas .using artificial neural networks”: Food Chemistry 122, 1323–1329
9-Ali Reza Khanchi, Mohamad Khayatzadeh Mahani, Majid Hajihosseini, Mohamad Ghanadi Maragheha, Marzieh Chaloosi, Farhad Bani ,(2002) . “Simultaneous spectrophotometric determination of caffeine and theobromine in Iranian tea by artificial neural networks and its comparison with PLS”: Food Chemistry 103, .1062–1069
10- سید مصطفی کیا، طراحی شبکه های عصبی، انتشارات کیان رایانه سبز، 1388
با تشکر از توجه شما