نوع مقاله : مقاله کوتاه
نویسندگان
دانشگاه فردوسی مشهد
چکیده
در این تحقیق محتوی رطوبت میوه کیوی خشک‌شده در خشک کن خلاء با استفاده از روش شبکه عصبی مصنوعی پیش‌بینی گردید. دمای خشک شدن (50 ،60 و 70 درجه سانتی‌گراد)، فشار خلاء (500، 550 و 600 میلی‌متر جیوه)، ضخامت قطعه‌های کیوی (3، 5 و 7 میلی‌متر) و مدت زمان خشک شدن به‌عنوان پارامترهای مستقل ورودی و محتوی رطوبت کیوی به‌عنوان متغیر وابسته خروجی تعریف شدند. داده‌های به‌دست آمده از فرآیند خشک کردن خلاء به‌منظور آموزش و آزمون شبکه استفاده گردید. چندین معیار شامل الگوریتم‌های آموزش، نرخ یادگیری، ضریب اندازه حرکت، تعداد لایه‌های مخفی، تعداد نرون در هر لایه و تابع‌های فعال‌سازی به‌منظور بهبود کارایی شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. تعداد لایه‌های مخفی و تعداد نرون‌ها در هر لایه به‌روش سعی و خطا به‌دست آمد. بهترین الگوریتم آموزشی، لونبرگ-مارکوارت با کمترین میزان میانگین مربعات خطا بود. مقادیر مطلوب نرخ یادگیری و ضریب اندازه حرکت برای شبکه با استفاده از الگوریتم آموزش کاهش شیب با مومنتم به‌ترتیب 2/0 و 05/0 به‌دست آمدند. ساختارهای مطلوب به‌دست آمده، 1-20-4 با تابع انتقال تانژانت سیگموئید و مقدار میانگین مربعات خطا، 0016/0 و 1-20-15-4 با توابع انتقال یکسان لگاریتم سیگموئید در هر دو لایه پنهان و مقدار میانگین مربعات خطا، 000147/0 بودند. همبستگی میان مقادیرآزمایشی و پیش‌بینی‌شده در ساختارهای مطلوب بیشتر از 75/99 درصد به‌دست آمد.
کلیدواژه‌ها
عنوان مقاله [English]
Prediction the moisture content of kiwifruit in vacuum drier using artificial neural network
نویسندگان [English]
- Hossein Majidzadeh
- Bagher Emadi
- Abdolali Farzad
Ferdowsi University of Mashhad
چکیده [English]
In this study, the moisture content of kiwifruit in vacuum dryer was predicted usingartificial neural networks (ANN) method. The drying temperatures (50, 60 and 70ºC), vacuum pressures(500, 550 and 600 mmHg), thicknesses of kiwifruit slices (3, 5 and 7mm) and drying times were considered as the independent input parameters and moisture content as the dependentparameter. Experimental data obtained from vacuum drying process, were used for training and testing the network. Several criteria such as training algorithm, learning rate, momentum coefficient, number of hidden layers, number of neurons in each hidden layer and activation function were given to improve the performance of the ANN. The total number of hidden layers and the number of neurons in each hidden layer were chosen by trial and error. The best training algorithm was LM with the least MSE value. Optimum values of learning rate and momentum for the ANN with GDM training algorithm were set at 0.2 and 0.05, respectively. The optimal topologies were 4-20-1 with Tansig activation function and MSE values of 0.0016 and 4-15-20-1 with Logsig activation function in both hidden layer and MSE values of 0.000147. The correlation between the predicted and experimental values in the optimal topologies was higher than 99.75%.
کلیدواژه‌ها [English]
- Artificial neural network
- Kiwifruit
- Learning rate
- Moisture content
- Vacuum drying
)
ارسال نظر در مورد این مقاله