النمذجة في التصنيع الغذائي الشبكة العصبية الصناعية

الغذائي التصنيع في النمذجةالصناعية العصبونية الشبكات

ARTIFICIEL NEURAL NETWORK ANNألفين. أحمد فرحان دالبعث جامعة

والبترولية الكيميائية الهندسة كليةالغذائية الهندسة قسم

05/02/2023 01:00 AM Dr. Farhan Alfin 13 Slides 2

مقدمةالصنعي • الذكاء والدة Artificial Intelligentتمت

(AI) عام كان 1965صيف بحث حلقة انعقاد أثناءفي الحاسب استخدام امكانية دراسة هدفها

. بالذكية وصفها يمكن عملياتتعريف • على مدرستان تنافست الحين ذلك ومنذ

أن يجب الذي المنحى وتحديد الجديد، المجال هذايسلكه.


الصنعي : الذكاء في األول االتجاه مقدمةإلى • األولى المدرسة محاكاة سعت

البشري تقليد Making Mindالتفكير أيالبنية باستخدام البشر عند التفكير ملكة

االتجاه هذا أدى وقد للحاسب، الحاليةالصنعي الذكاء يسمى ما تطوير إلىأنظمة ) أو الخبيرة األنظمة التقليدي

مع تتعامل التي المعرفة قواعد .) الرمزية المعطيات


الصنعي : الذكاء في الثاني االتجاه مقدمةالدماغ • نمذجة fعلى عملت الثانية المدرسة أما

على Modeling the brainالبشري تصميم أيدماغ وعملها بنيتها في تشبه الكترونية أنظمة

العصبية االنسان الشبكة نتيجتها كانت والتي ،أنذاك توقف. Perceptronودعيت fاالتجاه هfذا لكن

وقته في النظام يستطع لم عندما الزمن من لفترةالمنطقية العملية هذه XORإجراء حل تم حتى

عام في باهfر. 1986المسألة نجاح بعدها حققتاالشكال fعلى التعرف مثل مجاالت fعدة في

الصfور على االهداف وتحديد االشارات، وتحليل


العصبونية : الشبكة تعريف مقدمةالصناعية

ومضمونها • وشكلها بفعلها متواضعة محاكاة فهيدماغ في الموجودة الحيوية العصبية للشبكة

االنسان.


العصبونية: الشبكة ميزات مقدمةالصناعية

بشكل • مفيدة االصطناعية العصبية الشبكاتتكون عندما التقليدية خاص االحصائية النمذجة

كافية غير خطي نموذج على تعتمد يمكن التي وال . المتغيرات تحديد صحة من التأكد

العصبية • الشبكات باستخدام النمذمجةاالحصائية للنمذجة مشابه غير بشكل االصطناعية

في معرفة فإنه الضروري من ليس النمذجةالنظام ومخرجات مدخالت تبني. ارتباط

بين العالقة االصطناعية العصبية الشبكاتمشابه بشكل النظام ومخرجات مدخالت . تلعب لذلك ما حد إلى الحقيقي الرتباطها

في هام دور االصطناعية العصبية الشبكاتاالحصائية النمذجة عليها تنطبق ال التي التطبيقات

التقليدية.


حوالي • اإلنسان بليون 100يمتلكعصبون


مع يرتبط عصبون .100.000كل آخر عصبون


العصبون


الصنعي العصبون

x1 w1

x2 w2

xn wn

............................

∑

b

ϕ W


لعصبون الرياضي التمثيل

j

jiji aWin ,aj :Activation value of unit jwj,I :Weight on the link from unit j to unit iinI :Weighted sum of inputs to unit iaI :Activation value of unit ig :Activation function


Inputvalues

weights

Summingfunction

Biasb

ActivationfunctionLocal

Fieldv Output

y

x1

x2

xm

w2

wm

w1

)(

………….


التفعيل activation functionتابع

ومشتقه • لالشتقاق ً وقابال ً مستمرا ً تابعا يكون أن. الحساب سهل

•. متناقص غير ً انسيابيا يكون أنLinear Activation Function

y = x


التفعيل تابع

Sigmoid Activation Functiony = 1 / (1 + Exp(-x))


التفعيل تابعLogarithmic Activation Function

y = Log(1 + |x|)


التفعيل تابعSine Activation Function

y = Sin(x)


التفعيل تابعTanh Activation Function

y = Tanh(x)


الصنعية العصبونية الشبكة نماذجالطبقات • عدد حسبطبقتين • ذات شبكةطبقات • ثالث ذات شبكةالطبقات • متعددة شبكة



طبقات ثالث ذات

Inputlayer

Outputlayer

Hidden Layer

3-4-2 Network


الطبقات متعددة


التغذية حسب

األمامية Recurrentعكسية التغذية feed-forwardالتغذية


المتشابكة Recurrent networkالتغذية

z-1

z-1

z-1

inputhiddenoutput


االصطناعية العصبية الشبكة إنشاءوليكن • ما تطبيق إجراء اردنا ما إذا رقم فما تربيع ما شبكة باستخدام

اتباعها؟ الواجب االجfراءات هيمالئمة • شبكة إنشاء البداية في الخاليا علينا وبعدد الطبقات بعدد

التطبيق لهذانقوم • الشبكة ثم رقم بتعليم تربيع خfاصية علىنقوم • الشبكة ثم .باستخدام رقم أي أجfل منمن • بعدد نأتي إذ التربيع، عملية على تدريبها هو الشبكة بتعليم المقصود

وليكن خرج 100االرقام وفي الرقم الشبكة دخل في نضع رقم،وهذا العدد هو هذا أن الشبكة نخبر أننا بمعنى الرقم هذا مربع الشبكة

عن الناتج الخطأ حساب ويتم ً أماميا ً تمريرا الرقم تمرير فيتم تربيعه هوتستقر التدريبات من عدد وبعد االرقام لبقية وهكذا الخلفي التمرير

أجلها من التي األوزان تخزين يتم عندها مقبول خfطأ مع الشبكةأي الشبكة األوزان استقرت ملف هو التدريب عملية حاصل


االصطناعية العصبية تدريبالشبكة•. األوزان ضبط الشبكة تدريب بعملية يقصدبشعاع • الدخل قيم من مجموعة كل Vectorترمز

. الخرج قيم لمجموعات بالنسبة األمر وكذلكبشعاع • مرتبط دخل شعاع كل أن التدريب يفترض

يدعى واحد ً زوجا يشكالن بحيث المطلوب الخرجالتدريب عدد. زوج على عادة الشبكة تدريب يتم

. التدريب أزواج منيجب • فإنه التدريب بعملية البدء جميع قبل تهيئة

صغيرة األوزان عشوائية بقيم


المراقب Supervised Trainingالتدريب

معلم • بواسطة التدريب طرق كل تقومفكرة على االصطناعية العصبية للشبكاتعلى الشبكة أمام التدريبية البيانات عرض

متجهة وهما األشكال من زوج هيئةالخرج inputالمدخالت ومتجهات

.targetالمستهدف


>


المراقب Unsupervised Trainingالتدريبغير

عبارة • التدريب فئة تكون الطريقة هذه فيالمدخالت عن عرض فقط متجهة دون

الشبكة على الطريقة الهدف هذه وتسمى ،الذاتي العصبية التعليم الشبكات تبنى حيث

أساس على التعليم أساليب االصطناعيةالصفات اكتشاف على قدرتها التعليمأشكال من عليها يعرض لما المميزة

داخلي تمثيل تطوير على وقدرتها وأنساقمسبقة معرفة دون وذلك االشكال لهذه

تنتجه ان عليها يجب لما أمثلة عرض وبدونأسلوب في المتبع المبدأ عكس على وذلك

. معلم بواسطة التعليم


الشبكة تعلم عدم أسبابتم • الذي التطبيق تناسب ال الشبكة نوعية

شبكة اختيار يستلزم وهذا عليه، تدريبهاأخرى.

•. مناسب غير الخاليا عدد•. مناسبة غير الشبكة بها تبدأ التي األوزان•. مناسب غير التعليم معدل•. بعناية اختيارها يكن لم التدريب فئةمناسب • غير التفعيل .تابع


الصناعية العصبونية الشبكة أهميةأحد • الصناعية العصبونية الشبكات تعتبر

والمشتقة المعلومات معالجة نماذج أفضل. الحيوية األعصاب أنظمة عمل طريقة من

الصعبة • المشاكل حل على بقدرتها تتميز ال. الذاتي التعلم على وبقدرتها بل فحسب

على • قدرتها من العصبونية الشبكة قوة تأتيوإنما واضح بمدخل مقترن غير خرج إعطاء

. المعروفة النماذج أحد إلى يمكن ما أقرب


أمثلة• R. RUAN, S. ALMAER, and J. ZHANG, 1995, Prediction of

Dough Rheological Properties Using Neural Networks, Cereal Chemistry 72(3):308-311.

• Y. R. CHEN,' S. R. DELWICHE,I and W. R. HRUSCHKA, 1995, Classification of Hard Red Wheat by Feedforward Backpropagation Neural Networks, Cereal Chemistry 72(3):317-319.

• Fang Qi , Gerald Biby, Ekramul Haque, Milford A. Hanna, and Charles K. Spillman, 1998, Neural Network Modeling of Physical Properties of Ground Wheat, Cereal Chemistry 75(2):251-253

• E. Razmi-Rad, B. Ghanbarzadeh, S.M. Mousavi, Z. Emam-Djomeh, J. Khazaei, 2007, Prediction of rheological properties of Iranian bread dough from chemical composition of wheat flour by using artificial neural networks, Journal of Food Engineering, 81:728-734.

Education

النمذجة في التصنيع الغذائي الشبكة العصبية الصناعية