Abstract
در این پژوهش به‌منظور ارزیابی کیفیت آب توت سیاه طی مراحل مختلف رسیدگی، پارامترهای فرکتالی استخراج شده توسط آنالیز فرکتال و پارامترهای بیوشیمیایی (TSS، ویتامین ث، اسیدیته، فنول، آنتوسیانین، مواد ایجاد کننده رنگ قهوهای و (pHبه‌ترتیب به‌عنوان ویژگیهای غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین همسایه (k-NN) به‌منظور توسعه مدل پیشگو و طبقه‌بندی داده‌ها استفاده گردید. از میان پنچ ویژگی استخراج شده از آنالیز فرکتال؛ Y و S که به‌ترتیب مربوط به بیشیه فرکتال و مساحت منحنی فرکتال میباشند، به‌عنوان موثرترین ویژگی در فرآیند آموزش شبکه عصبی و طبقه‌بند k-NN مورد استفاده قرار گرفتند. الگوریتم طبقه‌بند k-NN تغییرات رنگ در هر چهار مرحله رسیدگی را با دقت 08/97 طبقه‌بندی نمود. همچنین شبکه عصبی آنتوسیانین را با مجذور میانگین مربعات خطا (RMSE) 141/0، ضریب همبستگی 99/0، مواد ایجادکننده رنگ قهوهای را با 0016/0= RMSE، ضریب همبستگی 97/0، فنول را با 879/1590=RMSE، ضریب همبستگی 8057/0، TSSرا با 0040/0=RMSE، ضریب همبستگی 907/0، اسیدیته را با 50/3=RMSE، ضریب همبستگی 986/0، ویتامین ث را با 285/0=RMSE، ضریب همبستگی 878/0 و pH را با 00017/0=RMSE و ضریب همبستگی 99/0 پیشبینی نمود. بنابراین، نتایج این بررسی نشان داد که شبکه عصبی مصنوعی و طبقه‌بند k-NN با آنالیز فرکتال می‌تواند به‌عنوان یک روش مناسب در ارزیابی برخط پارامترهای کیفی آب توت سیاه طی مراحل رسیدگی مورد استفاده قرار گیرد.
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
