پریسا سلطانی - گروه علوم و صنایع غذایی، موسسه آموزش عالی غیرانتفاعی تجن
اسماعیل زکی پور - استادیار گروه علوم و صنایع غذایی، موسسه آموزش عالی غیرانتفاعی تجن

برای مدل کردن پدیده های فیزیکی از روش های معمول حل معادلات (موازنه جرم و انرژی) استفاده می شود اما به دلیل وقت گیر بودن حل این معادلات روش های سریع تری چون شبکه عصبی مصنوعی هم موجود است. شبکه های عصبی مصنوعی از عناصرعملیاتی ساده ای به صورت موازی ساخته می شوند .این عناصر از سیستم های عصبی زیستی الهام گرفته شده اند .شبکه های عصبی از دو ویژگی اساسی یادگیری براساس ارائه داده های تجربی و ساختار پذیری موازی برخوردار می باشند. این شبکه ها برای مسائل کنترل، علی الخصوص سیستم های پیچیده که مدل سازی این سیستم ها میسر نیست یا به سختی انجام می شود مناسب می باشد.علیرغم مزایای زیادروشهای مدلسازی ریاضی، محدودیتهایی از قبیل انتخاب پارامترها، اعمال پیش فرض ها برای حل معادلات دیفرانسیل و پیچیدگی حل معادلات سبب میشود استفاده از روشهای ناپارامتری مانند شبکه های عصبی مصنوعی در حل مسائلتوسعه پیدا کند، زیرا روش حل در شبکه های عصبی مصنوعی مبتنی بر ضرب ضرایب وزنی در قالب پردازش موازی است .از این روسرعت دستیابی به جواب دراین روش نسبت به روشهای مدلسازی ریاضی بیشتر است بنابراین برای اعمال سیستم کنترل، مناسب تر است. از سوی دیگر به علت توزیع اطلاعات در شبکه های عصبی مصنوعی، خطای ایجاد شده دراطلاعات ورودی تأثیر نامطلوب بر پردازش داده ها نخواهد داشت. همچنین با توجه به درنظر گرفتن پارامترهای کیفی و عدم امکان محاسبهآن باروشهای مدلسازی ریاضی، روش شبکه های عصبی مصنوعی برای پیشبینی همزمان پارامترهای خروجی مناسب است. شبکه های عصبی مصنوعی به دلیل وفقی بودن، قابلیت اعتماد بیشتری نسبت به مدلهای آماری دارند و قابلیت تعمیم و تقریب آنها بیشتر است

شبکه عصبی، صنایع غذایی، مدل سازی