پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین
در این پژوهش به‌منظور ارزیابی کیفیت آب توت سیاه طی مراحل مختلف رسیدگی، پارامترهای فرکتالی استخراج شده توسط آنالیز فرکتال و پارامترهای بیوشیمیایی (TSS، ویتامین ث، اسیدیته، فنول، آنتوسیانین، مواد ایجاد کننده رنگ قهوهای و (pHبه‌ترتیب به‌عنوان ویژگی‌های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Ferdowsi University of Mashhad
2017-11-01
|
| Series: | مجله پژوهش‌های علوم و صنایع غذایی ایران |
| Subjects: | |
| Online Access: | https://ifstrj.um.ac.ir/article_36274_71167ddec0719727171c9eee88e9cd2e.pdf |
| id |
doaj-55d4958759f84be59627a53a32c0be64 |
|---|---|
| record_format |
Article |
| spelling |
doaj-55d4958759f84be59627a53a32c0be642021-02-16T04:55:52ZengFerdowsi University of Mashhadمجله پژوهش‌های علوم و صنایع غذایی ایران1735-41612228-54152017-11-0113573074310.22067/ifstrj.v1395i0.5741536274پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشینمریم سلطانی کاظمی0سامان آبدانان مهدی زاده1مختار حیدری2سید مجتبی فارغ3دانشگاه کشاورزی و منابع طبیعی رامین خوزستاندانشگاه کشاورزی و منابع طبیعی رامین خوزستاندانشگاه کشاورزی و منابع طبیعی رامین خوزستاندانشگاه کشاورزی و منابع طبیعی رامین خوزستاندر این پژوهش به‌منظور ارزیابی کیفیت آب توت سیاه طی مراحل مختلف رسیدگی، پارامترهای فرکتالی استخراج شده توسط آنالیز فرکتال و پارامترهای بیوشیمیایی (TSS، ویتامین ث، اسیدیته، فنول، آنتوسیانین، مواد ایجاد کننده رنگ قهوهای و (pHبه‌ترتیب به‌عنوان ویژگی‌های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین همسایه (k-NN) به‌منظور توسعه مدل پیشگو و طبقه‌بندی داده‌ها استفاده گردید. از میان پنچ ویژگی استخراج شده از آنالیز فرکتال؛ Y و S که به‌ترتیب مربوط به بیشیه فرکتال و مساحت منحنی فرکتال میباشند، به‌عنوان موثرترین ویژگی در فرآیند آموزش شبکه عصبی و طبقه‌بند k-NN مورد استفاده قرار گرفتند. الگوریتم طبقه‌بند k-NN تغییرات رنگ در هر چهار مرحله رسیدگی را با دقت 08/97 طبقه‌بندی نمود. همچنین شبکه عصبی آنتوسیانین را با مجذور میانگین مربعات خطا (RMSE) 141/0، ضریب همبستگی 99/0، مواد ایجادکننده رنگ قهوهای را با 0016/0= RMSE، ضریب همبستگی 97/0، فنول را با 879/1590=RMSE، ضریب همبستگی 8057/0، TSSرا با 0040/0=RMSE، ضریب همبستگی 907/0، اسیدیته را با 50/3=RMSE، ضریب همبستگی 986/0، ویتامین ث را با 285/0=RMSE، ضریب همبستگی 878/0 و pH را با 00017/0=RMSE و ضریب همبستگی 99/0 پیش‌بینی نمود. بنابراین، نتایج این بررسی نشان داد که شبکه عصبی مصنوعی و طبقه‌بند k-NN با آنالیز فرکتال می‌تواند به‌عنوان یک روش مناسب در ارزیابی برخط پارامترهای کیفی آب توت سیاه طی مراحل رسیدگی مورد استفاده قرار گیرد.https://ifstrj.um.ac.ir/article_36274_71167ddec0719727171c9eee88e9cd2e.pdfشبکه عصبی مصنوعیطبقه بندکننده نزدیکترین همسایگیبعد فرکتالپارامترهای بیوشیمیایی |
| collection |
DOAJ |
| language |
English |
| format |
Article |
| sources |
DOAJ |
| author |
مریم سلطانی کاظمی سامان آبدانان مهدی زاده مختار حیدری سید مجتبی فارغ |
| spellingShingle |
مریم سلطانی کاظمی سامان آبدانان مهدی زاده مختار حیدری سید مجتبی فارغ پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین مجله پژوهش‌های علوم و صنایع غذایی ایران شبکه عصبی مصنوعی طبقه بندکننده نزدیکترین همسایگی بعد فرکتال پارامترهای بیوشیمیایی |
| author_facet |
مریم سلطانی کاظمی سامان آبدانان مهدی زاده مختار حیدری سید مجتبی فارغ |
| author_sort |
مریم سلطانی کاظمی |
| title |
پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین |
| title_short |
پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین |
| title_full |
پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین |
| title_fullStr |
پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین |
| title_full_unstemmed |
پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین |
| title_sort |
پیش‌بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه (morus alba var nigra l.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین |
| publisher |
Ferdowsi University of Mashhad |
| series |
مجله پژوهش‌های علوم و صنایع غذایی ایران |
| issn |
1735-4161 2228-5415 |
| publishDate |
2017-11-01 |
| description |
در این پژوهش به‌منظور ارزیابی کیفیت آب توت سیاه طی مراحل مختلف رسیدگی، پارامترهای فرکتالی استخراج شده توسط آنالیز فرکتال و پارامترهای بیوشیمیایی (TSS، ویتامین ث، اسیدیته، فنول، آنتوسیانین، مواد ایجاد کننده رنگ قهوهای و (pHبه‌ترتیب به‌عنوان ویژگی‌های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین همسایه (k-NN) به‌منظور توسعه مدل پیشگو و طبقه‌بندی داده‌ها استفاده گردید. از میان پنچ ویژگی استخراج شده از آنالیز فرکتال؛ Y و S که به‌ترتیب مربوط به بیشیه فرکتال و مساحت منحنی فرکتال میباشند، به‌عنوان موثرترین ویژگی در فرآیند آموزش شبکه عصبی و طبقه‌بند k-NN مورد استفاده قرار گرفتند. الگوریتم طبقه‌بند k-NN تغییرات رنگ در هر چهار مرحله رسیدگی را با دقت 08/97 طبقه‌بندی نمود. همچنین شبکه عصبی آنتوسیانین را با مجذور میانگین مربعات خطا (RMSE) 141/0، ضریب همبستگی 99/0، مواد ایجادکننده رنگ قهوهای را با 0016/0= RMSE، ضریب همبستگی 97/0، فنول را با 879/1590=RMSE، ضریب همبستگی 8057/0، TSSرا با 0040/0=RMSE، ضریب همبستگی 907/0، اسیدیته را با 50/3=RMSE، ضریب همبستگی 986/0، ویتامین ث را با 285/0=RMSE، ضریب همبستگی 878/0 و pH را با 00017/0=RMSE و ضریب همبستگی 99/0 پیش‌بینی نمود. بنابراین، نتایج این بررسی نشان داد که شبکه عصبی مصنوعی و طبقه‌بند k-NN با آنالیز فرکتال می‌تواند به‌عنوان یک روش مناسب در ارزیابی برخط پارامترهای کیفی آب توت سیاه طی مراحل رسیدگی مورد استفاده قرار گیرد. |
| topic |
شبکه عصبی مصنوعی طبقه بندکننده نزدیکترین همسایگی بعد فرکتال پارامترهای بیوشیمیایی |
| url |
https://ifstrj.um.ac.ir/article_36274_71167ddec0719727171c9eee88e9cd2e.pdf |
| work_keys_str_mv |
AT mrymslṭạnyḵạẓmy pysẖbynytgẖyyrạtbrkẖyạzwyzẖgyhạyḵyfyậbtwtsyạhmorusalbavarnigralṭymrạḥlmkẖtlfrsydgybrạsạsậnạlyzfrḵtạlwbynạyymạsẖyn AT sạmạnậbdạnạnmhdyzạdh pysẖbynytgẖyyrạtbrkẖyạzwyzẖgyhạyḵyfyậbtwtsyạhmorusalbavarnigralṭymrạḥlmkẖtlfrsydgybrạsạsậnạlyzfrḵtạlwbynạyymạsẖyn AT mkẖtạrḥydry pysẖbynytgẖyyrạtbrkẖyạzwyzẖgyhạyḵyfyậbtwtsyạhmorusalbavarnigralṭymrạḥlmkẖtlfrsydgybrạsạsậnạlyzfrḵtạlwbynạyymạsẖyn AT sydmjtbyfạrgẖ pysẖbynytgẖyyrạtbrkẖyạzwyzẖgyhạyḵyfyậbtwtsyạhmorusalbavarnigralṭymrạḥlmkẖtlfrsydgybrạsạsậnạlyzfrḵtạlwbynạyymạsẖyn |
| _version_ |
1724268142936457216 |