| Summary: | CNPq; CAPES === As condições climáticas específicas de cada região de cultivo do café fornecem atributos especiais para a bebida e podem assim aumentar seu valor agregado. No entanto, é essencial provar a origem geográfica e genotípica do cultivar por meio de métodos confiáveis. Vários métodos matemáticos e estatísticos foram desenvolvidos na tentativa de reproduzir a capacidade humana de reconhecimento de padrões. As redes neurais artificiais (RNAs) são um conjunto de técnicas baseadas em princípios matemáticos e estatísticos, que vem atualmente ganhando espaço para realizar tarefas de regressão e reconhecimento de padrões. As RNAs são técnicas capazes de realizar o mapeamento de relações complexas e não lineares entre múltiplas variáveis de entrada e saída. Neste trabalho foram utilizados três tipos de rede neural artificial, o mapa auto-organizável (aprendizagem não-supervisionada), o perceptron de múltiplas camadas (aprendizagem supervisionada) e a rede de base radial (processo de aprendizagem híbrido), para o reconhecimento e classificação geográfica e genotípica de café arábica. Para esse fim a composição química e os espectros obtidos no equipamento de espectroscopia no infravermelho com transformada de Fourier (FTIR) foram analisados através do emprego de diferentes RNAs. No desenvolvimento das redes, foram aplicadas metodologias para: melhor generalização das redes (média de ensemble) e escolha dos parâmetros de rede (otimização simplex sequencial). O mapa auto-organizável apresentou foi capaz de reconhecer os genótipos de café e a sua origem geográfica, utilizando os dados do perfil químico das amostras. Após os resultados obtidos foi possível concluir que os perceptrons de múltiplas camadas otimizados foram capazes de classificar as amostras de café arábica geograficamente. Entretanto, para a classificação genotípica o desempenho não foi totalmente satisfatório. As redes de função de base radial otimizadas apresentaram resultados mais satisfatórios pois foram capazes de classificar as amostras de café arábica geograficamente e genotipicamente. Além dos melhores resultados obtidos para a classificação genotípica, as redes de função de base radial apresentam um número menor de parâmetros livres quando comparada com os perceptrons de múltiplas camadas, que apresentam um número muito elevado de pesos sinápticos, não proporcionando número suficiente de graus de liberdade para que a rede neural possa aprender de maneira confiável. === The climatic conditions of the coffee crop give special attributes to the beverage and could improve its value. However, it is essential to prove the geographical and genotype origin of the cultivar using reliable methods. Several mathematical methods have been developed in an attempt to reproduce the human capability of pattern recognition. The artificial neural networks (ANNs) are a set of techniques based on statistical principles, which is currently growing in the food science to perform tasks of regression and pattern recognition. ANNs are techniques that can represent complex and nonlinear input-output relationships. In this study three types of artificial neural network were used, namely the self-organizing maps (unsupervised learning), the multilayer perceptron (supervised learning) and the radial-basis function network (hybrid learning process), for the recognition and geographic and genotypic classification of arabic coffee. For this purpose, spectra obtained in the Fourier transform infrared (FTIR) were analyzed using different ANNs. Other techniques were also applied during neural network development: ensemble averaging to improve the network generalization and sequential simplex optimization to select parameters. It was concluded that the SOM were able to recognize the coffee genotypes and geographical origin using the chemical profile data. After the results it was concluded that the optimized multilayer perceptrons were able to classify the samples of arabica coffee geographically. However, for genotypic classification the performance was not satisfactory. The optimized radial-basis function networks showed more satisfactory results since these networks were able to classify the samples of arabica coffe geographically and genotypically. The radial-basis function networks presents the best results to genotypic classification and in addition a smaller number of free parameters compared with multilayer perceptrons, which has a high number of synaptic weights, thus a large degrees of freedom database is necessary to produce a network with generalization capability.
|
|---|
