Aplicação de redes neurais artificiais na ciência e tecnologia de alimentos : estudo de casos
Arquivos
Data
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Resumo: Redes Neurais Artificiais (RNAs) são uma forma de computação não-algorítmica capaz de resolver problemas complexos obtendo resultados melhores que os métodos matemáticos As RNAs têm sido aplicadas em muitas áreas da ciência e tecnologia de alimentos, principalmente em problemas de classificação, predição, reconhecimento de padrões e controle Este trabalho trata dois casos O primeiro caso simula a salga mista de queijo prato e utilizou uma rede Função Base Radial (RBF) Essas redes são consideradas aproximadoras universais de funções O modelo que apresentou melhor resultado foi o desenvolvido com 7 variáveis de entrada: as três dimensões do queijo (X, Y e Z), tempo de salga, concentrações iniciais de NaCl e KCl na salmoura e condição de contorno (salga estática ou agitada), 29 neurônios na camada intermediária e 13 vizinhos mais próximos de K O desvio na simulação foi de 5,5% para NaCl e 4,4% para KCl O segundo caso foi uma tentativa de classificar hortícolas quanto à sua forma de cultivo (convencional, hidropônico e orgânico) Foram utilizadas redes Perceptron de Múltiplas Camadas (MLP) A rede MLP é muito empregada em classificações devido ao seu grande poder de generalização As topologias que apresentaram classificação (acerto de 1% no treinamento e validação) foram as seguintes Para o morango, rede com 12 variáveis de entrada (Mg, Al, Fe, Mn, Co, Cu, frutose, sacarose, nitrato, lipídios e carboidratos) e 6 neurônios na camada intermediária Para alfaces crespas redes com 3 variáveis de entrada (composição centesimal, açúcares, todos os minerais, soma de açúcares, soma de minerais, nitrato, nitrito e soma nitrato+nitrito) e com 1 e 13 neurônios na camada oculta classificaram, respectivamente, quando foram comparados os cultivos convencional X orgânico e orgânico X hidropônico Na comparação entre cultivos convencional e hidropônico foram necessárias 13 variáveis de entrada (Na, Mg, Al, Fe, Mn, Se, Hg, Pb, soma de açúcares, cinzas, lipídeos e energia) e 5 neurônios na camada escondida No tomate cereja, os modelos que apresentaram classificação foram os que utilizaram 15 variáveis de entrada (Na, Mg, Al, Ca, Fe, Mn, Cd, Pb, nitrato, nitrito, soma nitrato+nitrito, cinzas, lipídios, proteínas e energia) e 1 neurônios quando se comparou os cultivos orgânico e hidropônico Ainda, 11 variáveis (Na, Mg, P, Ca, Fe, Mn, Zn, Cd, nitrato, soma nitrato+nitrito e lipídios) e 4 neurônios na camada oculta quando os cultivos convencional e hidropônico foram comparados Este trabalho adiciona evidências ao potencial de aplicação das RNAs para modelar tarefas complexas no controle e simulação de processos alimentares e na capacidade de classificação de dados na análise de alimentos
Descrição
Palavras-chave
Tecnologia de alimentos, Redes neurais (Computação), Alimentos, Qualidade, Alimentos naturais, Food - Quality, Natural foods, Food - Neural networks (Computer science)