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 asmethod 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 prognozowania cech reologicznych surowych farszów mięsnych o założonym składzie surowcowym. Materiał badawczy stanowiło mięso 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 lepkosprężystych farszu. Zaprojektowano model sztucznej sieci neuronowej o architekturze perceptronu wielowarstwowego 7:7–11–7:7 i poddano ją procesowi uczenia metodą wstecznej propagacji błędu w celu rozpoznawania i przewidywania 7 parametrów składających się na charakterystykę tekstury farszów mięsnych.

EN

The aim of the study was to elaborate a method of modelling and forecasting rheological features which could be applied to raw minced meat at the stage of mixture preparation with a given ingredient composition. The investigated material contained pork and beef meat, pork fat, fat substitutes, ice and curing mixture in various proportions. Seven parameters were measured for each sample of raw minced meat. Then, the neural network model of multi-layer perceptron architecture 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 neural network model is able to predict rheological parameters a of raw minced meat.

Słowa kluczowe

PL

sztuczne sieci neuronowe; tekstura; farsz; właściwości reologiczne

EN

artificial neural nets; texture; minced meat; rheological properties

• Wydawca: Wyższa Szkoła Menadżerska
• Czasopismo: Postępy Techniki Przetwórstwa Spożywczego
• Rocznik: 2013
• Tom: nr 1
• Strony: 64--68
• Opis fizyczny: Bibliogr. 30 poz., rys.

Twórcy

autor

Balejko J.

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

autor

Zapletal P.

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

autor

Balejko E

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

Bibliografia

• [1] Balejko J. 2003. Opracowanie dynamicznej metody 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 wywołanych ogrzewaniem. Żywność. Nauka. Technologia. Jakość, 4 (49), 145-153.
• [3] Balejko J. 2007. Reologia żywności. Wyd. Nauk. AR, Szczecin.
• [4] Balejko J. 2012. Urządzenie do wyznaczania parametrów reologicznych artykułów żywnościowych lepkosprężystych, Patent 2012, nr: 210 484.
• [5] Boccorh R. K., Paterson A. 2002. An Artificial neural network model for prediction flavor intensity in blackcurrant concentrates. Food Quality and Preference, 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 Rahm an M., Ng C. W. 2002. Prediction of pores formation (porosity) in food during drying: generic models by the idea of hybrid neural network. J. Food Engin., 51, 239-248.
• [9] Krzywdzińska-Bartkowiak M., Dolata W. 2005. Wpływ dodatku wody na mikrostrukturę drobno rozdrobnionych farszów mięsnych i wyprodukowanych z nich wędlin. Żywność. Nauka. Technologia. Jakość, 3 (44) supl., 121-130.
• [10] Lachowicz K., Żochowska J. 2002. Wpływ dodatku mięsa dzików na teksturę drobno rozdrobnionych modelowych farszów mięsnych. Zesz. Nauk. AR, Szczecin, (2), 81-88.
• [11] Li Y. Y., Bridgwater J. 2000. Prediction of extrusion pressure using an artificial neural Network. Powder Technology, 108, 65-73.
• [12] Marsili R. 1993. Texture and mouthfeel making rheology real. Food Products Designe, 8, 54-58.
• [13] Palka K., Migdał W., Wojtysiak D., Natonek-Wiśniewska M., Dudkiewicz A., Muzyczka K., Wantuch M., Bauerek E. 2010.Wpływ rasy i wieku świń na właściwości modelowych farszów mięsnych i kiełbas. Żywność. Nauka. Technologia. 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. Instrumentalna ocena tekstury żywności. Przemysł Spożywczy, 34, 419-421.
• [16] Piggott J. R. 1988. Sensory analysis of foods. Elsevier Science Publishers Ltd., London.
• [17] PN -65/A-82000: 1965. Mięso i podroby zwierząt rzeźnych. 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 rozdrobnionego.
• [20] PN -A-82117: 1997. Solanka do peklowania. Wymagania i badania mikrobiologiczne.
• [21] PN -A-82023: 2000. Mięso i przetwory mięsne. Terminologia.
• [22] Pons M., Fiszman S. M. 1996. Instrymental texture profile analysis with particular reference to gelled systems. J. Texture Stud., 27, 597-624.
• [23] Rai P., Majumdar G. C., Das Gupta S., De S. 2005. Prediction of the viscosity of clarified fruit juice using artificial neural network: a combined effect of concentration and temperature. Journal Food Engineering, 68, 527-533.
• [24] Ruan R., Almaer S., Zhang J. 1995. Prediction of Dough Rheological Properties Using Neural Networks. Cereal Chemistry, 72 (3), 308-311.
• [25] Skorbiłowicz M. 2009. Wykorzystanie techniki sztucznych sieci neuronowych (ANN) do prognozowania 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 process engineering. Freeman Press. East Lansing, USA.
• [28] Tyszkiewicz S., Baryłko-Pikielna N., Dobrzycki J., Kłosowska D., Jankowski T., Fornal J., Gwiazda S., Poliszko S. 1989. Postęp w analizie żywności. Tom II. Wybrane zagadnienia analizy sensorycznej i fizykochemicznej. Pr. zbior. pod red. S. Tyszkiewicza, Warszawa.
• [29] Xie G., Xiong R., Church I. 1998. Comparison of Kinetics Neural Network and Fuzzy Logic in Modelling Texture Changes of Dry Peas in Long Time Cooking. Lebensm.-Wiss. u.-Technol., 31, 639-647.
• [30] Żochowska-Kujawska J., Lachowicz K., Sobczak M., Gajowiecki L., Kotowicz M., Żych A., Oryl B. 2010. Wykorzystanie mięsa z dzików do produkcji modelowych kiełbas drobno rozdrobnionych ze zmiennym dodatkiem wody i tłuszczu. Żywność. Nauka. Technologia. Jakość, 2 (69), 29-39.