Zastosowanie sieci neuronowej MLP z propagacją wsteczną błędów jako metody modelowania cech reologicznych surowych farszów mięsnych

• Autorzy: Balejko J. , Zapletal P. , Balejko E.

Warianty tytułu

EN

Applying the MLP neural network with back propagation as method of modeling and forecasting rheological features of raw minced meat

• Języki publikacji: PL

Abstrakty

PL

Celem badań była ocena możliwości analizy danych przy użyciu sztucznych sieci neuronowych do modelowania i prognozo-wania cech reologicznych surowych farszów mięsnych o założonym składzie surowcowym. Materiał badawczy stanowiło mię¬so -wieprzowe, -wołowe, słonina -wieprzowa, zamienniki tłuszczu, lód oraz mieszanka peklująca. Surowy farsz mięsny w różnych proporcjach składników poddawano analizie instrumentalnej w celu -wyznaczenia 7 -wyróżników -właściwości lepko sprężystych farszu. Zaprojektowano model sztucznej sieci neuronowej o architekturze perceptronu -wielowarstwowego 7:7-11-7:7 i podda¬no ją procesowi uczenia metodą -wstecznej propagacji błędu w celu rozpoznawania i przewidywania 7parametrów składających się na charakterystykę tekstury farszów mięsnych.

EN

The aim of the study was to elaborate a method of model-ling and forecasting rheological features which could be ap¬plied to raw minced meat at the stage of mixture preparation with a given ingredient composition. The investigated mate¬rial contained pork and beef meat, pork fat, fat substitutes, ice and curing mixture in various proportions. Seven para¬meters were measured for each sample of raw minced meat. Then, the neural network model of multi-layer perceptron ar¬chitecture 7:7-11-7:7 was designed and trained with back propagation algorithm in order to predict texture features. Statistical analysis of the results revealed, that artificial neu¬ral network model is able to predict rheological parameters a of raw minced meat.

• Wydawca: -
• Czasopismo: Postępy Techniki Przetwórstwa Spożywczego
• Rocznik: 2013
• Tom: 23
• Numer: 1
• Opis fizyczny: s.64-68,rys.,bibliogr.

Twórcy

autor

Balejko J.

• Wydział Nauk o Żywności i Rybactwa, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Szczecin

autor

Zapletal P.

• Wydział Hodowli i Biologii Zwierząt, Uniwersytet Rolniczy im.H.Kołłątaja w Krakowie, Kraków

autor

Balejko E.

• Wydział Nauk o Żywności i Rybactwa, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Szczecin

Bibliografia

• [1] BALEJKO J. 2003. Opracowanie dynamicznej meto-dy wyznaczania reologicznych właściwości artykułów żywnościowych. Wyd. Nauk. AR w Szczecinie, rozpr. nr 218.
• [2] BALEJKO J. 2006. Badanie metodą dynamiczną zmian właściwości lepko-sprężystych mięsa wywoła-nych ogrzewaniem. Żywność. Nauka. Technologia. Ja-kość, 4 (49), 145-153.
• [3] BALEJKO J. 2007. Reologia żywności. Wyd. Nauk. AR, Szczecin.
• [4] BALEJKO J. 2012. Urządzenie do wyznaczania para¬metrów reologicznych artykułów żywnościowych lep- kosprężystych, Patent 2012, nr: 210 484.
• [5] BOCCORH R. K, PATERSON A. 2002. An Artificial neural network model for predictionflavor intensity in blackcurrant concentrates. Food Quality and Preferen¬ce, 13, 117-128.
• [6] BOURNE M. C. 1978. Texture profile analysis. Food Technol., 7, 62-66.
• [7] BOURNE M. C. 1982. Food Texture and Viscosity: Concept a Measurement. AcademicPress, INC, New York.
• [8] HUSSAIN M. A., SHAFIUR RAHMAN M., Ng C. W. 2002. Prediction of pores formation (porosity) in food during drying: generic models by the idea of hy- bridneural network. J. FoodEngin., 51, 239-248.
• [9] KRZYWDZIŃSKA-BARTKOWIAK M., DOLATA W. 2005. Wpływ dodatku wody na mikrostrukturę drob¬no rozdrobnionych farszów mięsnych i wyprodukowa¬nych z nich wędlin. Żywność. Nauka. Technologia. Ja¬kość, 3 (44) supl., 121-130.
• [10] LACHOWICZ K., ŻOCHOWSKA J. 2002. Wpływ dodatku mięsa dzików na teksturę drobno rozdrobnio-nych modelowych farszów mięsnych. Zesz. Nauk. AR, Szczecin, (2), 81-88.
• [11] Li Y. Y., BRIDGWATER J. 2000. Prediction ofextru- sion pressure using an artificial neural Network. Po-wder Technology, 108, 65-73.
• [12] MARSILI R. 1993. Texture and mouthfeel making rheology real. Food Products Designe, 8, 54-58.
• [13] PALKAK, MIGDAL W., WOJTYSIAK D., NATO- NEK-WIŚNIEWSKA M., DUDKIEWICZ A., MU-ZYCZKA K, WAŃTUCH M., BAUEREK E. 2010. Wptyw rasy i wieku świń na właściwości modelowych farszów mięsnych i kiełbas. Żywność. Nauka. Techno-logia. Jakość, 1 (68), 80-92.
• [14] PELEG M. 1997. Contact and fracture elements as components of the rheological memory of solid foods. J. Texture Stud., 8, 39-48.
• [15] PIĄTEK J. W., DĄBROWSKI K J. 1980. Instru-mentalna ocena tekstury żywności. Przemysł Spożyw-czy, 34,419-421.
• [16] PIGGOTT J. R 1988. Sensory analysis of foods. El-sevier Science Publishers Ltd., London.
• [17] PN-65/A-82000: 1965. Mięso i podroby zwierząt rzeź-nych. Wspólne wymagania i badania.
• [18] PN-85/A-85800: 1985. Słonina.
• [19] PN-A-82014: 1997. Mięso i przetwory mięsne. Mięso bez kości do produkcji przetworów z mięsa rozdrobnio¬nego.
• [20] PN-A-82117: 1997. Solanka do peklowania. Wymaga¬nia i badania mikrobiologiczne.
• [21] PN-A-82023: 2000. Mięso i przetwory mięsne. Termi-nologia.
• [22] PONS M., FISZMAN S. M. 1996. Instrymental textu¬re profile analysis with particular reference to gelled systems. J. Texture Stud., 27, 597-624.
• [23] RAI P., MAJUMDAR G. C., DASGUPTA S., DE S. 2005. Prediction of the viscosity of clarified fruit ju¬ice using artificial neural network: a combined effect of concentration and temperature. Journal Food Engi-neering, 68, 527-533.
• [24] RUAN R,ALMAER S., ZHANG J. 1995. Prediction of Dough Rheological Properties Using Neural Ne-tworks. Cereal Chemistry, 72 (3), 308-311.
• [25] SKORBILOWICZ M. 2009. Wykorzystanie techniki sztucznych sieci neuronowych (ANN) do prognozowa-nia stężenia mineralnych form azotu w wodach górnej Narwi. Woda - Środowisko - Obszary Wiejskie, 9 (25), 129-14.000.
• [26] Stat Soft PL. 2009. STATISTICA®, version 9.0. www. statsoft.pl
• [27] STEFFE J. F. 1996. Rheological methods in food pro-cess engineering. Freeman Press. East Lansing, USA.
• [28] TYSZKIEWICZ S., BARYLKO-PIKIELNA N., DOBRZYCKI J., KŁOSOWSKA D., JANKOW¬SKI T., FORNAL J., GWIAZDA S., POLISZKO S. 1989. Postęp w analizie żywności. Tom II. Wybrane za-gadnienia analizy sensorycznej i fizykochemicznej. Pr. zbiór, pod red. S. Tyszkiewicza, Warszawa.
• [29] XIE G., XIONG R, CHURCH I. 1998. Comparison of Kinetics Neural Network and Fuzzy Logic in Mo¬delling Texture Changes of Dry Peas in Long Time Co¬oking. Lebensm.-Wiss. u.-Technol., 31, 639-647.
• [30] ŻOCHOWSKA-KUJAWSKA J., LACHOWICZ K, SOBCZAK M., GAJOWIECKI L., KOTO¬WICZ M., ZYCH A., ORYL B. 2010. Wykorzysta¬nie mięsa z dzików do produkcji modelowych kiełbas drobno rozdrobnionych ze zmiennym dodatkiem wody i tłuszczu. Żywność. Nauka. Technologia. Jakość, 2 (69), 29-39.

Uwagi

Rekord w opracowaniu