بکارگیری شبکه های عصبی مصنوعی در پیش بینی دو پارامتر مؤثر در صنایع پخت نان

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 762

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCFOODI20_273

تاریخ نمایه سازی: 27 خرداد 1391

چکیده مقاله:

دراینتحقیق توانایی شبکه های عصبی مصنوعی در پیش بینی دو پارامتر مورد استفاده در صنایع پخت نان مورد بررسی قرارگرفته است 100 نمونه آرد مناسب تولید نانهای حجیم ستاره از واحدهای اردسازی استانهای مختلف کشور جمع آوری شد هفت فاکتور از خصوصیات فیزیکوشیمیایی آرد به عنوان پارامترهای ورودی شبکه و دو پارامتر کاربردی از ویژگیهای فارینوگرافی خمیر به عنوان خروجی های شبکه درنظر گرفته شد شبکه فوق با دو روش آزمون و خطا و الگوریتم ژنتیک به منظور تعیین بهترین ویژگیها تعداد لایه های پنهان تعداد نورونهای هر لایه کمیت های مومنتم و استپ سایز و فاکتورهای ورودی تحت آموزش قرارگرفت نتایج نشان دادند که شبکه عصبی طراحی شده با استفاده ازتکنیک الگوریتم ژنتیک درپیش بینی درصد جذب آب ارد و زمان گسترش خمیر بسیار توانمند عمل می کند حساسیت هریک از فاکتورهای خروجی به فاکتورهای ورودی مورد ارزیابی قرارگرفت.

کلیدواژه ها:

الگوریتم ژنتیک - شبکه های عصبی مصنوعی - فارینوگرافی - ویژگیهای فیزیکوشیمیایی آرد

نویسندگان

هاجر عباسی

دانشگاه آزاد اسلامی واحد خوراسگان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Approved methods of the American Association of Cereal Chemists (AACC), ...
  • Azizi, M. H. et al, Effect oflour extraction rate on ...
  • Catteral, P. Flour milling, in Technology of Bread Making, ed ...
  • Curic, D. et al, Gluten as a standard of wheat ...
  • Fowler D. B and Kovacs, M. I. P. Influence of ...
  • F. Goyache, et al, The usefulness of artificial intelligence techniques ...
  • Haridas Roa P. and Malini Rao H., Effect of incorporating ...
  • Hruskova, M. et al, Wheat and flour quality relations in ...
  • Huang, Y. Q. et al, Applications of artificial neural networks ...
  • Jurkovic Z. et al, The _ of the gluten index ...
  • Kim, J. H. et al, Effect ofungal alpha-amylase on the ...
  • Maeda T. and Morita N., Effect of quality of hard-type ...
  • Razmi-Rad, E. et al, Prediction.of rheological properties of Iranian bread ...
  • Robertson G. H. and Cao T. K., Farinograph responses for ...
  • Rosell, C. M. et al, Influence of hydrocolloids on dough ...
  • Rousu, J. et al, Novel computational tools in bakery process ...
  • Ruan, R. et al, Prediction of dough rheological properties using ...
  • Sablani, S. S. et al, Neural networks for predicting thermal ...
  • Simon, S. J. More wheat with superior baking quality is ...
  • Tanacs, L. et al, Correlations between wet gluten content, valorigraphic ...
  • Watanabe, E. et al, Rheological studies on wheat flour dough. ...
  • Wikstrom K. and Bohlin L., Multivariate analysis as a tool ...
  • نمایش کامل مراجع