Wykorzystanie sieci neuronowych w modelowaniu zależności między wybranymi cechami fizykochemicznymi i elektrycznymi miodu

• Autorzy: Luczycka D. , Pentos K.

Warianty tytułu

EN

The use of artificial neural networks for modeling of the relationships between physicochemical and electrical properties of honey

• Języki publikacji: PL

Abstrakty

PL

Na cechy chemiczne i elektryczne miodu mają wpływ jego skład pyłkowy oraz zawartość wody. O ile zawartość wody można powiązać z analizowanymi parametrami zależnością funkcyjną, o tyle wpływ zawartości pyłków na badane cechy chemiczne i elektryczne miodu jest bardziej skomplikowanym zagadnieniem. W jednej próbce miodu można stwierdzić kilka do kilkunastu rodzajów pyłków różnych roślin, dlatego analiza jedynie wpływu pyłku przewodniego nie jest wystarczająca. Przedmiotem pracy jest wykorzystanie dwóch rodzajów sztucznych sieci neuronowych do tworzenia możliwie dokładnych modeli matematycznych uwzględniających zależność takich cech miodu, jak zawartość cukrów, aminokwasów, wolnych kwasów oraz przewodność elektryczna patoki od zawartości pyłków roślin i zawartości wody w próbce. Wykorzystując perceptron wielowarstwowy jako model matematyczny opisanych wyżej zależności, dokonano analizy wrażliwości. Na podstawie tej analizy możliwa była ocena wpływu parametrów wejściowych modelu na poszczególne wielkości wyjściowe. Sztuczne sieci neuronowe są wygodnym narzędziem do modelowania zależności pomiędzy cechami chemicznymi i elektrycznymi miodu a jego składem pyłkowym oraz zawartością wody. Większą dokładność modelu uzyskano wykorzystując perceptron wielowarstwowy o stosunkowo prostej strukturze. Sieci RBF generują model o znacznie niższej dokładności.

EN

Pollen content and water content may influence the chemical and electrical parameters of honey. Water content can be related to analysed parameters by functional relationship but the influence of pollen content on honey chemical and electric parameters is more complicated. In one honey sample may be a few or several pollen of various plant types. The analysis only primary pollen influence is not adequate. The subject of this work is the use of two types of artificial neural networks to obtain accurate mathematical models describing the relationship between honey parameters like the content of sugars, amino acids, free acids, strained honey conductivity and both pollen content and water content. A total of 50 honey samples were used for this study. The honey samples with different production origin and varieties have been collected. Regarding the type of honey, in the samples group there were nectar, nectar-honeydew and honeydew honeys. Artificial neural networks are an useful tool for modeling relationships between chemical and electrical honey features as the output model parameters and both pollen content and water content as the input model parameters. Two neural network types were used for modeling task – multilayer perceptron and RBF network. Several dozen network structures were investigated and model quality assessment was based on the value of average relative error and standard deviation of the relative error calculated for both, training and test data sets. The values of average relative error as well as standard deviation of the relative error calculated for best network structures obtained in simulation tests prove the practical utility of neural models. The results obtained for RBF network show that the practical utility of this model is lower than multilayer perceptron (the values of average relative error exceed 20% for all structures tested). Using the multilayer perceptron as a mathematical model of these relationships, sensitivity analysis were executed. On the basis of this analysis, the assessment of the influence of model input parameters on some selected output parameters was possible. The results of the sensitivity analysis show that all input model parameters are statistically significant for all output model parameters (error quotient ≥ 1). In case of the model describing relationship between strained honey conductivity and both, water content and pollen content, one can not identify dominant explanatory variables. The most significant influence on glucose/ fructose content ratio, free acids content and proline content was observed for content of two pollen: Brassica napus and Brassicaceae.

Słowa kluczowe

PL

miod; cechy fizykochemiczne; cechy elektryczne; zaleznosci; sieci neuronowe sztuczne; analiza wrazliwosci; modele neuronowe

EN

honey; physicochemical trait; electrical property; trait relationship; artificial neural network; sensitivity analysis; neural model

• Wydawca: -
• Czasopismo: Zeszyty Problemowe Postępów Nauk Rolniczych
• Rocznik: 2014
• Tom: 576
• Opis fizyczny: s.67-77,rys.,tab.,bibliogr.

Twórcy

autor

Luczycka D.

• Instytut Inżynierii Rolniczej, Wydział Przyrodniczo-Technologiczny, Uniwersytet Przyrodniczy we Wrocławiu, ul.Chełmońskiego 37/41, 51-630 Wrocław

autor

Pentos K.

• Instytut Inżynierii Rolniczej, Wydział Przyrodniczo-Technologiczny, Uniwersytet Przyrodniczy we Wrocławiu, ul.Chełmońskiego 37/41, 51-630 Wrocław

Bibliografia

• Agatonovic-Kustrin S., Beresford R., 2000. Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. Journal of Pharmaceutical and Biomedical Analysis 22(5), 717–727.
• Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R., 2000. Sieci neuronowe. Exit, Warszawa.
• Gardner M.W., Dorling S.R., 1998. Artificial neural Networks (the multilayer perceptron) – a review of applications in the atmospheric sciences. Atmospheric Environment 32(14/15), 2627–2636.
• Guo W., Zhu X., Liu Y., Zhuang H., 2010. Sugar and water contents of honey with dielectric property sensing. Journal of Food Engineering 97, 275–281.
• Górski M., Kaleta J., Langman J., 2008. Zastosowanie sztucznych sieci neuronowych do oceny stopnia dojrzałości jabłek. Inżynieria Rolnicza 7(105), 53–57.
• Hadzima-Nyarkoa M., Nyarko E.K., Moric D.,2011. A neural network based modelling and sensitivity analysis of damage ratio coefficient. Expert Systems with Applications 38,13405–13413.
• Hebda T., Francik S., 2006. Model twardości ziarniaków pszenicy wykorzystujący Sztuczne Sieci Neuronowe. Inżynieria Rolnicza 13(88), 139–146.
• Jasim A., Prabhu S.T., Raghavan G.S.V., Ngadi M., 2007. Physico-chemical, rheological, calorimetric and dielectric behavior of selected Indian honey. Journal of Food Engineering 79, 1207–1213.
• Kędzia B., Hołderna-Kędzia E., 2008. Miód. Skład i właściwości biologiczne. Przedsiębiorstwo Wydawnicze Rzeczpospolita SA, Warszawa.
• Krawiec K., Stefanowski J., 2003. Uczenie maszynowe i sieci neuronowe. Wydawnictwo Politechniki Poznańskiej, Poznań.
• Langman J., 1999. Zastosowanie sztucznych sieci neuronowych w inżynierii rolniczej. Inżynieria Rolnicza 1(7), 153–158.
• Łapczyńska-Kordon B., Francik S., Frączek J., Ślipek Z., 2006. Modelowanie skurczu suszarniczego wybranych warzyw korzeniowych za pomocą sieci neuronowych. Inżynieria Rolnicza 13(88), 303–311.
• Łapczyńska-Kordon B., Francik S., Ślipek Z., 2008. Model neuronowy zmian temperatury podczas konwekcyjnego suszenia zrębków wierzby energetycznej. Inżynieria Rolnicza 11(109), 149–155.
• Łapczyńska-Kordon B., Francik S., 2008. Model neuronowy zmian zawartości wody w zrębkach wierzby podczas konwekcyjnego suszenia. Inżynieria Rolnicza 11(109), 143–148.
• Łuczycka D., 2009. Methodological aspect of testing electrical properties of honey. Acta Agrophysica 14(2), 367–374.
• Łuczycka D., Pentoś K., 2010. Zastosowanie sztucznych sieci neuronowych do opisu przenikalności elektrycznej mąki. Inżynieria Rolnicza 2(120), 43–47.
• Madden J.E., Avdalovic N., Haddad P.R., Havel J., 2001. Prediction of retention times for anions in linear gradient elution ion chromatography with hydroxide eluents using artificial neural networks. Journal of Chromatography A 910(1), 173–179.
• Osowski S., 2006. Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• Pastor-Bárcenas O., Soria-Olivas E., Martín-Guerrero J.D., Camps-Valls G., Carrasco-Rodríguez J.L., del Valle-Tascón S., 2005. Unbiased sensitivity analysis and pruning techniques in neural networks for surface ozone modelling. Ecological Modelling 182, 149–158.
• Patterson, D.W.,1996. Artificial neural networks theory and application. Printice Hall, New York. Rutkowska D., Piliński M., Rutkowski L., 1999. Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Wydawnictwa Szkolne PWN, Warszawa.
• Rutkowski L., 2011. Metody i techniki sztucznej inteligencji. Wydawnictwo Naukowe PWN, Warszawa.
• Samborska K., Bieńkowska B., 2013. Physicochemical properties of spray dried honey preparations. Zeszyty Problemowe Postępów Nauk Rolniczych 575, 91–105.
• Szaleniec M., 2008. Sieci neuronowe i regresja wieloraka – czyli jak okiełzna z łożonoś w badaniach naukowych?, http://www.statsoft.pl/czytelnia/czytelnia.html (data dostępu: 20.03.2014).
• Tadeusiewicz R., 1993. Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa.
• Terrab A., González G., Díez M.J., Heredia F.J., 2003. Mineral content and electrical conductivity of the honeys produced in Northwest Morocco and their contribution to the characterisation of unifloral honeys. Journal Sci Food Agric 83, 637–643.