عنوان : ( مدل سازی الگوریتم ژنتیک شبکه عصبی مصنوعی جهت پیش گویی اثر ضدباکتریایی رنگ آناتو بر جمعیت اشریشیا کلای )
نویسندگان: محمود یلمه , محمدباقر حبیبی نجفی , فخرالدین صالحی ,چکیده
هدف از این مطالعه بکارگیری مدلسازی الگوریتم ژنتیک شبکه عصبی مصنوعی به منظور پیشگویی اثر ضدباکتریایی رنگ آناتو موجود در سس مایونز بر جمعیت اشریشیا کلای می باشد. آناتو در مواد غذایی دارای فعالیت ضدمیکروبی و آنتیاکسیدانی می باشد. رنگ آناتو استخراج و پس از فیلتراسیون و 0 درصد رنگ آناتو تهیه و در دو دمای 4 و 25 درجه / 0 و 4 /2 ،0/1 ، تغلیظ، با آون تحت خلا خشک گردید. در این مطالعه نمونه های سس حاوی 0 سانتیگراد نگهداری شد. نمونه برداری و شمارش کلنی ها در طی 17 روز و در سه تکرار انجام گرفت. به منظور پیش گویی جمعیت اشریشیا کلای از شبکه عصبی پرسپترون چند لایه پیشخور با 3 ورودی و 1 خروجی استفاده شد. همچنین از روش الگوریتم ژنتیک جهت بهینه سازی تعداد نرونها در لایه مخفی شبکه عصبی مصنوعی استفاده گردید. نتایج نشان داد شبکه ای با تعداد 7 نرون در یک لایه پنهان و با استفاده از تابع فعال سازی سیگموئیدی و درصد در حضور رنگ آناتو را (r=0/ 50 می توان به خوبی جمعیت اشریشیا کلای ( 999 /20/ داده های مورد استفاده برای تربیت/ آزمون / ارزیابی برابر 30 پیش گویی نمود. نتایج آنالیز حساسیت توسط شبکه عصبی بهینه، مدت زمان نگهداری را به عنوان موثرترین عامل در پیش گویی جمعیت اشریشیا کلای نشان داد.
کلمات کلیدی
, الگوریتم ژنتیک, اشریشیا کلا , ی سس مایونز, میکروبیولوژی@article{paperid:1052992,
author = {محمود یلمه and حبیبی نجفی, محمدباقر and فخرالدین صالحی},
title = {مدل سازی الگوریتم ژنتیک شبکه عصبی مصنوعی جهت پیش گویی اثر ضدباکتریایی رنگ آناتو بر جمعیت اشریشیا کلای},
journal = {علوم و صنایع غذایی ایران - انجمن علوم و صنایع غذایی ایران},
year = {2016},
volume = {13},
number = {51},
month = {July},
issn = {2008-8787},
pages = {205--212},
numpages = {7},
keywords = {الگوریتم ژنتیک، اشریشیا کلا ، ی سس مایونز، میکروبیولوژی},
}
%0 Journal Article
%T مدل سازی الگوریتم ژنتیک شبکه عصبی مصنوعی جهت پیش گویی اثر ضدباکتریایی رنگ آناتو بر جمعیت اشریشیا کلای
%A محمود یلمه
%A حبیبی نجفی, محمدباقر
%A فخرالدین صالحی
%J علوم و صنایع غذایی ایران - انجمن علوم و صنایع غذایی ایران
%@ 2008-8787
%D 2016