نوع مقاله : مقاله پژوهشی
نویسندگان
موسسه علوم و صنایع غذایی مشهد
چکیده
در میان مواد غذایی که می‌تواند به‌صورت بالقوه ناقل ویروس‌های بیماری‌زا باشد، شیر خام قرار دارد. بر همین اساس نحوه قرارگیری ویروس‌های بیماری‌زا در شیرخام به‌شدت وابسته به حضور ترکیبات شیر بوده و دستیابی به هرگونه روش جهت استخراج و بازیافت ویروس‌ها و ژنوم آن‌ها از شیر خام وابسته به شناسایی رفتار دقیق این ترکیبات در برابر ویروس‌ها می‌باشد. از روش‌های قابل‌استفاده در تخمین و پیش‌بینی بازیافت ویروس می‌توان از شبکه عصبی مصنوعی یا استنتاج فازی-عصبی تطابقی (ANFIS) نام برد. در این تحقیق مدل‌سازی‌های جعبه سیاه به‌نام مدل‌سازی شبکه‌های عصبی مصنوعی به‌همراه استنتاج فازی-عصبی تطابقی (ANFIS) به‌منظور پیش‌بینی اثر اجزاء موجود در شیر خام بر بازیافت و استخراج ژنوم ویروسی به‌کار گرفته شده است. همچنین درصد داده‌های مورداستفاده برای تربیت، ارزیابی و آزمون شبکه عصبی، تعداد لایه‌های پنهان، تعداد نرون، نوع تابع انتقال و نوع قانون یادگیری و دیگر پارامترهای مؤثر بر شبکه به‌عنوان متغیرهای شبکه در نظر گرفته شد. درنهایت براساس داده‌های حاصل از مدل‌سازی، شبکه‌ای با کمترین خطا و بالاترین ضریب همبستگی انتخاب و گزارش گردید. براساس این تحقیق در شبکه عصبی مصنوعی مدل تلقیح‌شده با تابع انتقال سیگموئید خطی و الگوریتم یادگیری لونبرگ با ضریب هبستگی 919/0r= و مدل (تلقیح‌نشده –تلقیح‌شده) با تابع انتقال سیگموئید خطی و الگوریتم یادگیری لونبرگ با ضریب همبستگی 956/0 r= انتخاب شد. همچنین در استنتاج فازی-عصبی تطابقی (ANFIS) تابع عضویت گاوسی و مدل فازی TSK برای هر دو مدل تلقیح‌شده و (تلقیح‌نشده-تلقیح‌شده) انتخاب وسپس در مدل تلقیح‌شده تابع انتقال تانژانت هایپربولیک اکسون خطی و قاعده یادگیری مومنتوم با 879/0 r= و در مدل (تلقیح‌نشده- تلقیح‌شده) تابع انتقال اکسون خطی و الگوریتم یادگیری Step با 889/0 r= به‌عنوان بهترین مدل برای پیش‌بینی بازیافت و استخراج ژنوم ویروس معرفی شد.
کلیدواژه‌ها
عنوان مقاله [English]
Prediction of Milk Components Impact on Recovery and Extraction of Enteric Viruses Genome Using Artificial Neural Networks and Adaptive Nero Fuzzy Inference System (ANFIS)
نویسندگان [English]
- Mahood Sadeghi
- Masoud Yavarmanesh
- Mostafa Shahidi Noghabi
Research Institute of Food Science and Technology
چکیده [English]
Nowadays, it has demonstrated that viruses can be transmitted by water and foods. Therefore, it causes the research to develop for detecting different viruses in water and foods. Among foods, milk can transfer potentially pathogenic viruses. On the other hand, to achieve every method for recovery and extraction of viruses in raw milk it needs to know about impact of milk components on viruses. Artificial neural network (ANN) and Adaptive Nero Fuzzy Inference System (ANFIS) can help to estimate recovery efficiency of viruses in raw milk. The objective of this study was to evaluate the application of ANN and Adaptive Nero Fuzzy Inference System (ANFIS) to predict the impact of milk components on recovery and extraction of viral RNA in raw milk. Therefore, to run the model the amount of milk components (casein, whey protein, fat and lactose) and viral RNA extraction were as the input and the output of the network respectively. Also, to evaluate the efficiency of the network for the prediction, variables such as training, validating and test subsets as well as the hidden layers, transfer functions, learning rules and the hidden neurons were used. Based on the results, the best models in ANN were linear sigmoid transfer function, levenberg learning rule (r: 0.919) and linear sigmoid transfer function, levenberg learning rule (r: 0.956) for spiked model solution and (spiked – non spiked) model solution respectively and in Adaptive Nero Fuzzy Inference System (ANFIS) the best model were membership function Gaussian , Adaptive Nero Fuzzy Inference System (ANFIS) model TSK, linear tanh axon transfer functions and momentum learning rule (r: 0.879) and membership function Gaussian, Adaptive Nero Fuzzy Inference System (ANFIS) model TSK, linear axon transfer function, and step learning rule (r: 0.889) for spiked model solution and (spiked – non spiked) model solution respectively.
کلیدواژه‌ها [English]
- Milk
- Viral RNA
- Milk components
- Artificial neural network
- Adaptive Nero Fuzzy Inference System (ANFIS)
)
ارسال نظر در مورد این مقاله