Построение и сравнение линейной регрессионной и нейросетевой математических моделей зависимости органолептической оценки мясного сырья от основных физико-химических и функционально-технологических параметров. Особенности построения нейронных сетей.
При низкой оригинальности работы "Исследование применимости математических методов для анализа качества мясного сырья", Вы можете повысить уникальность этой работы до 80-100%
В настоящем исследовании производится построение и сравнение линейной регрессионной и нейросетевой математических моделей зависимости органолептической оценки мясного сырья от основных физико-химических и функционально-технологических параметров В основном для решения используются линейные модели [5], что сказывается на точности прогнозирующих функций [4]. нейронный математический модель мясной В качестве одного из механизмов нелинейного моделирования сложных задач были предложены нейронные сети [18], которые представляют собой набор математических нейронов, соединенных друг с другом. В то же время, распространение методов нейросетевого моделирования в отечественной практике производства и переработки продуктов животноводства ограничено, в основном, подбором рецептур мясопродуктов [9, 14], а аспекты применимости нейронных сетей для задач оценки качества мясного сырья изучены недостаточно хорошо. В качестве входных параметров для моделирования нами были использованы некоторые мясные качества: площадь «мышечного глазка» длиннейшей мышцы спины, мм2 (x1) и количество сала на 1 кг мяса в туше, г (x2); физико-химические свойства мышечной ткани: величина PH через 48 ч после убоя (x3), влагоудерживающая способность мышечной ткани, % (x4), интенсивность окраски, ед. экст.
Список литературы
1. Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии). Томск: ТПУ, 2006. 128 с.
2. Богославский С.Н. Область применения искусственных нейронных сетей и перспективы их развития // Научный журнал КУБГАУ. 2007. № 27 (3). URL: http://ej.kubagro.ru/get.asp?id=646&t=0.
4. Кольцов Ю.В., Пермяков М.Н. Постановка задачи прогнозирования продуктивности агроэкосистем // Научный журнал КУБГАУ. 2004. № 7 (05). URL: http://ej.kubagro.ru/get.asp?id=146&t=0.
5. Костылев Э.В., Самсонов Д.В. Корреляционно-регрессионный анализ мясных признаков свиней // Труды КУБГАУ. 2007. № 9. С. 156-161.
6. Кремер Н.Ш., Путко Б.А. Эконометрика. М.: Юнити-Дана, 2002. 311 с.
7. Лакин Г.Ф. Биометрия. М.: Высшая школа, 1990. 208 с.
8. Плохинский Н.А. Биометрия. М.: Изд. Москов. ун-та, 1970. 369 с.
9. Самылина В.А. Разработка технологии функциональных продуктов на основе мясного сырья с использованием композиционной системы пребиотически-сорбционной направленности: автореф. дис... канд. техн. наук: 05.18.04. Ставрополь, 2006. 24 с.
10. Стариков А. Нейронные сети - математический аппарат // BASEGROUP Labs. 2011. URL: http://www.basegroup.ru/library/analysis/neural/math/.
11. Теория вероятностей и статистика / Ю.Н. Тюрин, А.А. Макаров, И.Р. Высоцкий, И.В. Ященко. 2-е изд. М.: МЦНМО; Московские учебники, 2008. 256 с.
12. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992. 184 с.
13. Царегородцев В.Г., Погребная Н.А. Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон // Методы нейроинформатики: Сб. науч. тр. Красноярск: КГТУ, 1998. С. 65-110.
14. Шлыков С.Н. Разработка технологий рациональных эмульгированных мясопродуктов с использованием молочных белково-углеводных препаратов и ультразвукового акустического поля: автореф. дис... канд. техн. наук: 05.18.04. Ставрополь, 2007. 19 с.
15. Berg E.P., Engel B.A., Forrest J.C. Pork carcass composition derived from a neural network model of electromagnetic scans // J. Anim. Sci. 1998. Vol. 76, № 1. Pp. 18-22.
16. Faridi A., Mottaghitalab M., Ahmadi H. Sensitivity analysis of an early egg production predictive model in broiler breeders based on dietary nutrient intake // J. Agric. Sci. 2012. Vol. 150, № 1. Pp. 87-93.
17. Machine learning classification procedure for selecting SNPS in genomic selection: application to early mortality in broilers / N. Long, D. Gianola, G.J.M. Rosa [e. a.] // J. Anim. Breeding and Genetics. 2007. Vol. 124, № 6. Pp. 377-389.
18. MCCULLOCH W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biology. 1943. Vol. 5, № 4. Pp. 115-133.
19. Pork quality and marbling level assessment using a hyperspectral imaging system / J. Qiao, M.O. Ngadi, N. Wang [e. a.] // Journal of Food Engineering. 2007. Vol. 83, № 1. Pp. 10-16.
20. Predicting carcass energy content and composition in broilers using the group method of data handling-type neural networks / A. Faridi, M. Mottaghitalab, H. Darmani-Kuhi [e. a.] // J. Agric. Sci. 2011. Vol. 149. Pp. 249-254.
Размещено на .ru
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
