|
مقاله علمی – پژوهشی: مدل‌سازی و پیش‌بینی عمر ماندگاری میگوی Litopenaeus vannamei با رویکردهای مبتنی بر یادگیری ماشین
|
اسماء کلانتری1   ، لاله رومیانی*2 ، مهرنوش تدینی1 |
1- گروه علوم و صنایع غذایی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
2- گروه شیلات، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران |
|
|
چکیده: (17 مشاهده) |
| فساد غذاهای دریایی، به دلیل رشد سریع میکروارگانیسم‌ها و به دنبال آن تغییر در طعم و بو، نگرانی‌های زیاد مصرف‌کنندگان را به‌دنبال دارد. هدف پژوهش حاضر، توسعه مدل‌های یادگیری ماشین برای پیش‌بینی شاخص‌های فساد میکروبی و شیمیایی میگوی Litopenaeus vannamei در شرایط مختلف نگهداری بود. مطالعه حاضر به بررسی توسعه مدل‌های مربوط به پیش‌بینی شاخص‌های میکروبی و شیمیایی با استفاده از الگوریتم‌های یادگیری ماشین (Random Forest، Extra Tree، k-Nearest Neighbors، AdaBoost، Gradient Tree Boosting و Regression Support Vector)، برای ارزیابی عمر ماندگاری L.vannamei (50 قطعه) پرداخت. چگونگی افزایش داده‌ها در یک مطالعه آزمایشگاهی (با 3 تکرار برای هر تجزیه‌‌وتحلیل) برای ارزیابی عمر ماندگاری میگو طی 15 روز، در دماهای مختلف (0، 4 و 8 درجه سانتی‌گراد)، چگونگی اثبات سازگاری داده‌های افزایش یافته با داده‌های اصلی و چگونگی بهینه‌سازی روش‌های موثر یادگیری ماشین برای فرآیندهای حل مسئله ارزیابی گردید. برای هر یک از شاخص‌های Pseudomonas، بازهای نیتروژن فرارکل (TVB-N) و میزان باکتری‌های هوازی (TVC)، تعداد 158 داده تولیدی وارد فرآیند مدل‌سازی شد. بنابراین، مجموعه داده نهایی شامل 474 داده تولیدی برای سه شاخص بود. میزان Pseudomonas، TVC و میزان TVB-Nبا گذشت زمان نگهداری و دما افزایش یافت و بالاترین مقدار آنها به‌ترتیب log cfu/g 9/7 ،log cfu/g 7/8 و 73 میلی‌گرم بر 100 گرم گوشت میگو رسید. نتایج نشان داد که الگوریتم بهینه‌شده Regression Support Vector برای تخمین میزان Pseudomonas با مقدار R2 برابر با 9828/0، تخمین مقدار TVC با R2 برابر با 9928/0 و R2 برابر با 9940/0 برای TVB-N موثرترین مدل بود درحالی‌که سایر الگوریتم‌ها نسبت به این الگوریتم تاثیر کمتری داشتند. این نتایج نشان می‌دهد که توسعه مدل‌های یادگیری ماشین برای پیش‌بینی شاخص‌های فساد میکروبی و شیمیایی میگوی وانامی در شرایط مختلف نگهداری موثر بود. علاوه‌براین، باید تأکید کرد که تعداد فراسنجه‌‌های ورودی دما، تعداد باکتری‌ها، TVB-N برای افزایش داده‌ها برای توسعه و کاربرد الگوریتم‌های یادگیری ماشین بسیار مهم هستند. |
|
| واژه‌های کلیدی: Litopenaeus vannamei، ماندگاری، یادگیری ماشین، Regression Support Vector |
|
|
متن کامل [PDF 2428 kb]
(6 دریافت)
|
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
بيوتكنولوژي و فرآوري هاي شيلاتي
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
.png)
.png)
