CC BY
147
2. Крылова Н.Н. Изучение содержания летучих жирных кислот I вареных колбасах//Тр. ВНИИмяспром.-1970.-№23,-С. 26-31.
3. Васильев А.А. Изменение летучих кислот и оснований при оакении охлажденной конины // Холодильная обработка и хпане-э: пищ. продуктов. -1976. - С. 80-84.
4. ГОСТ 23392-78. Мясо. Методы химического и микроскопи-- ;ского анализа свежести. Взамен ГОСТ 7269-54; Введ. 01.01.80. -V : Изд-во стандартов, 1990.-20 с.
5. Головкин Н.А. Изменение азотистых веществ, летучих жир--:ых кислот и переваримости соленого говяжьего мяса при холодильном хранении // Холодильная обработка и хранение пищ. про--«сшв.-1978.-С. 50-59.
6. Лучнина Н.Н. О новых методах контроля доброкачественности изделий из рубленого мяса // Вопр. технологии производства прод. обществ, питания. -1977. - № 5. - С. 31-34.
7. Ruvinskii О.Е. Determination of weak acids by indirect potentiometry without titration // Fresenius. J. Anal. Chem. (1998) 361:309-310.
8. Турьян Я.И. Окислительно-восстановительные реакции и потенциалы в аналитической химии. - М.: Химия, 1989. - С. 117.
Кафедра аналитической химии
Поступила 22.01.04 г.
578.001.3
ИСПОЛЬЗОВАНИЕ МЕТОДИКИ НЕЙРОННЫХ СЕТЕЙ В ПИЩЕВОЙ БИОТЕХНОЛОГИИ
\Х. ХРАМЦОВ, В.В. САДОВОЙ, В.А. САМЫЛИНА
~агро-Кавказский государственный технический университет
Последнее время наблюдается повышенный инте-:ес к нейронным сетям, они находят успешное применение в самых различных областях - бизнесе, медици-
- е. технике, геологии, физике и других сферах деятельности человека. Нейронные сети вошли в практи-
; везде, где нужно решать задачи прогнозирования, ліссификации, оптимизации, управления технологическими процессами. Они применимы в любой ситуации, когда существует связь между входными (факто-: іми) и выходными (функцией или функциями) пере-енными, даже если эта связь имеет очень сложную ироду и ее трудно выразить обычными статистическими методами. Нейронные сети могут использовать-независимо или служить дополнением к методам —зтистического анализа. Нейросетевой подход годит-:і для линейных и сложных нелинейных зависимостей, он особенно эффективен в разведочном анализе -інньгх и оптимизации выходных переменных.
В пищевой биотехнологии основной круг решаемых задач сводится к оптимизации технологических гежимов и проектированию многокомпонентных составов с высокими пищевой ценностью и функциональными свойствами.
Оптимизация технологических режимов обычно ігі-.іючается в определении условий хода технологией кого процесса, обеспечивающих максимальный ре-: • льтат в области качественных характеристик готово-~ продукта и экономической эффективности разработанной технологии.
При проектировании многокомпонентных соста-і ?з в биотехнологии необходимы прогнозирование ; нкционально-технологических свойств композиции : учет явления синергизма. Первостепенное значение ттн производстве продуктов питания имеет возмож-
- сть моделирования потребительских характеристик -гтовых изделий. Учет качественных показателей не-
?зможен без оценки условий протекания технологи-
ческого процесса и поведения отдельных компонентов пищевой смеси - белка, жира, углеводов, минеральных веществ и др. Образование белковых дисперсных систем с заданными структурно-механическими свойствами имеет огромное значение при производстве высококачественных пищевых продуктов. Применение некоторых видов белоксодержащих препаратов позволяет ре1улировать функционально-технологические свойства (ФТС) продуктов питания.
Специалистами пищевой промышленности уделяется большое внимание изучению и внедрению в производство способов идентификации сырья и модификации его ФТС. В современной технологии главенствующую роль в регулировании ФТС играют пищевые добавки, оказывающие влияние на характер взаимодействия компонентов пищевых систем и обеспечивающие качественные и количественные характеристики пищевых продуктов.
В настоящей работе изложены основные принципы применения методики нейронных сетей при оптимизации технологических процессов и создании многокомпонентных пищевых добавок. В качестве компонентов использовали белковые и углеводные ингредиенты, обладающие определенными гелеобразующими и эмульгирующими свойствами. Для обработки результатов экспериментальных исследований использовали Statistic Neural Networks, программный пакет которой содержит средства для проектирования, моделирования, обучения искусственных нейронных сетей (ИНС) от базовых моделей персептрона до самых современных ассоциативных и самоорганизующихся сетей.
Для каждого типа архитектуры и обучающего алгоритма ИНС имеются функции инициализации, обучения, адаптации, создания, моделирования, демонстрации, а также примеры применения. Искусственные многослойные нейронные сети конструируются по принципам построения их биологических аналогов. Элементарным преобразователем в данных сетях является искусственный нейрон, названный так по аналогии с биологическим прототипом. Нейрон получает
сигналы (импульсы) от аксонов других нейронов через дендриты (приемники) и передает сигналы, сгенерированные телом клетки, вдоль своего аксона (передатчика), который в конце разветвляется на волокна. На окончаниях этих волокон находятся специальные образования - синапсы, которые влияют на силу импульса. Синапс является элементарной структурой и функциональным узлом между двумя нейронами (рис. 1).
Срма
Аксон
Ядро -
/і.у''
У
Синапс
Рис. 1
Результативность синапса может настраиваться проходящими через него сигналами, так что синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют. Эта зависимость действует как память, которая, возможно, ответственна за память человека. Веса синапсов могут изменяться со временем, что изменяет и поведение соответствующего нейрона. . ...
Нейронные сети уже сейчас способны решать широкий круг задач распознавания образов, идентификации, управления сложными нелинейными объектами, роботами и т. д. В настоящее время дальнейшее повышение производительности компьютеров связывают с ИНС. С помощью ИНС можно решить такие задачи, как классификация образов, кластеризация или категоризация, аппроксимация функции, предсказание или прогноз, оптимизация, адресуемая по содержимому память, управление. а м .:
Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике рассматриваются, прежде всего, как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.
Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Адаптируемые и обучаемые, они представляют собой распараллеленные системы, способные к обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в этих сетях является искусственный нейрон, названный по аналогии с биологическим прототипом (рис. 2).
В состав нейрона входят умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами и умножают входной сигнал на число, характеризующее силу связи
- вес синапса. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других
► грі)--------!► weight
Р{1}
Delays 1
bias
-f netsum
+ : : ъ Ж
W 3 -щ
tansig
a{1}
b{1}
Рис. 2
нейронов и внешних входных сигналов. Скалярный входной сигнал р умножается на скалярный весовой коэффициент и-', и результирующий взвешенный вход ■мр является аргументом функции активации нейрона/ которая порождает скалярный вход а. Нейрон может быть дополнен скалярным смещением Ь. Смещение суммируется с взвешенным входом м>р и приводит к сдвигу аргумента функции /на величину Ь. Действие смещения можно свести к схеме взвешивания, если представить, что нейрон имеет второй входной сигнал со значением, равным 1. Вход п функции активации нейрона скалярный и равен сумме взвешенного входа смещения Ь. Эта сумма - аргумент функции активации У; выходом функции активации является сигнал а. Константы и Ь - скалярные параметры нейрона. Искусственная нейронная сеть - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, получаем набор чисел на выходах сети. Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими.
Основной принцип работы нейронной сети состоит в настройке параметров нейрона таким образом, чтобы поведение сети соответствовало некоторому желаемому поведению. Ре1улируя веса или параметры смещения, можно обучить сеть выполнять конкретную работу; возможно также, что сеть сама будет корректировать свои параметры, чтобы достичь требуемого результата.
Таким образом, работа сети состоит в преобразовании входного вектора X в выходной вектор У, причем это преобразование задается весами сети.
Для построения нейронной сети необходимо произвести выбор типа (архитектуры) сети и подобрать веса (обучение). На первом этапе требуется установить, какие нейроны необходимо использовать (число входов, передаточные функции), как следует их соединить между собой и определить входы и выходы сети. Наиболее популярные и изученные архитектуры - это многослойный персептрон, сеть Кохонена и др.
На втором этапе следует «обучить» выбранную сеть, т. е. подобрать такие значения ее весов, чтобы сеть работала нужным образом. Для многих архитектур разработаны специальные алгоритмы обучения,
г: оые позволяют построить веса сети определенным 'г 13ом. В процессе функционирования сети осущест-I ■ егся преобразование входного вектора в выходной, е производится некоторая переработка информа-
В многослойных сетях нейроны объединяются в Слой содержит совокупность нейронов с едины-*• зходными сигналами. Число нейронов в каждом эе может быть любым и никак заранее не связано с * честном нейронов в других слоях. В общем слу-
- зе сеть состоит из <2 слоев, пронумерованных слева н^тгаво. Внешние входные сигналы подаются на вхо-
нейронов первого слоя (входной слой часто нуме-
- тот как нулевой), а выходами сети являются выход-
- е сигналы последнего слоя. Вход нейронной сети «“гжно рассматривать как выход «нулевого слоя» вы-тсжденных нейронов, которые служат лишь в качестве т определительных точек, так как суммирование и *г>^образование сигналов здесь не производится. Кро-М г входного и выходного слоев в многослойной ней-т»:зной сети есть один или несколько промежуточных
: тгытых) слоев. Связи от выходов нейронов некото-м о слоя д к входным нейронам следующего слоя г-1) называют последовательными.
В свою очередь слоистые сети подразделяют на мо-тонные, сети без обратных связей и сети с обратны--э сзязями. Монотонные сети - это слоистые сети, ка-■•~нй слой которых, кроме последнего (выходного), тгзбит на два блока (возбуждающий и тормозящий). Связи между блоками разделяются на тормозящие и возбуждающие. В сетях без обратных связей нейроны исходного слоя получают входные сигналы, преобра-г.тот их и передают нейронам 1-го скрытого слоя, далее срабатьшает 1-й скрытый слой и т. д. до 0-го слоя. 5 : етях с обратными связями информация передается с
- хлеяующих на предыдущие слои.
По принципу структуры нейронов сети можно разделить на гомогенные и гетерогенные. Гомогенные се--а состоят из нейронов с единой функцией активации. В гетерогенную сеть входят нейроны с различными : ;• нкциями активации. Кроме того, следует отметить шествование бинарных и аналоговых сетей. Бинарные оперируют с двоичными сигналами, и выход каж-ттсо нейрона может принимать только два значения: : эгический ноль («заторможенное» состояние) и логическая единица («возбужденное» состояние).
Сети классифицируют также на асинхронные и :знхронные. В асинхронных сетях в каждый момент -семени свое состояние меняет лишь один нейрон. В
Рис. 4
синхронных сетях состояние меняется сразу у целой группы нейронов, как правило, у всего слоя. Классифицируют сети и по числу слоев. Чем сложнее ИНС, тем масштабнее задачи, подвластные ей. Выбор структуры ИНС осуществляется в соответствии с особенностями и сложностью задачи. Любая непрерывная функция на замкнутом ограниченном множестве может быть равномерно приближена функциями, вычисляемыми нейронными сетями. Таким образом, нейронные сети являются универсальными аппроксимирующими системами. На рис. 3 приведен многослойный персептрон с шестью входными переменными и одной выходной переменной - функцией.
Оценку качества работы сети осуществляют по статистикам регрессии:
Tr. VAR7 Ve. VAR7 Те. VAR7
Data Mean 167.6681 174.2 167.1357
Data S.D. 16.99078 15.29097 19.65697
Error Mean 3.212958 0.5315029 1.740541
Error S:D. 5.873729 10.25939 9.911002
Abs E. Mean 5.602788 8.232988 8.454226
S.D. Ratio 0.345701 0.670944 0.504198
Correlation 0.9383465 0.7437652 0.8680332
Статистики регрессии дают возможность оценить эффективность функционирования разработанной архитектуры нейронной сети после ее обучения.
Первоначальный визуальный анализ полученных экспериментальных результатов осуществлен на «срезах» действующих факторов в натуральном выражении и функцией в 2 D-пространстве (рис. 4).
В результате проведенных исследований установлены опгимальные режимы технологического процесса и сочетание компонентов, обеспечивающих высокие функционально-технологические характеристики пищевой композиции.
Программа Neural Networks дала возможность получить и проанализировать результаты в ЗО-простран-
Z (выходная
Рис. 5
стве при изменяющихся значениях визуально невидимых факторов, что позволило учесть наличие всех межфакторных взаимодействий и провести оптимизацию, интерполяцию и экстраполяцию полученных данных (рис. 5). Для эффективной оптимизации осуществляют оценку «срезов» поверхностей отклика для всех вариантов межфакторных взаимодействий.
Рис. 6
Для определения граничных условий действующих факторов данные из приложения Neural Networks импортировали в пакет прикладных программ Statistic. На рис. 6 изображена поверхность отклика между двумя факторами и функцией.
На рис. 7 показана контурная поверхность, позволяющая выполнить анализ оптимальных условий действия технологических параметров.
Результаты исследований параметров технологических процессов, проектирование многокомпонентных
.Рис. .7
составов, прогнозирование функционально-технологических свойств композиции с учетом явления синергизма и потребительских характеристик готовых изделий, анализ качественных показателей с учетом оценки условий протекания технологического процесса и поведения отдельных компонентов пищевой смеси, моделирование и оптимизация экспериментальных данных позволяют устанавливать параметры проведения технологических и биотехнологических процессов, определять оптимальный состав рецептурных композиций и выявлять граничные условия действия факторов, обеспечивающие максимально эффективный результат - высокие качественные характеристики готового продукта, экономическую эффективность разрабатываемых технологий.
Кафедра технологии мяса и консервирования Кафедра биотехнологии
Поступила 26.01.04 г.
641.12.001.5
РАЗРАБОТКА МЕТОДА ОПРЕДЕЛЕНИЯ РАСТВОРЕННОГО БЕЛКА В ОКРАШЕННЫХ ОБРАЗЦАХ ПО БРЭДФОРДУ
М.Т. ПРОСКУРЯКОВ, Л .А. гзогян
Кубанский государственный университет
Метод Брэдфорда в последнее время находит все большее распространение в ряду колориметрических методов определения белка, поскольку отличается большой чувствительностью, точностью и простотой исполнения [1].
Принцип метода заключается в окраске остатков основных и ароматических аминокислот, особенно аргинина на поверхности белка, красителем бриллиантовым синим (Brilliant Blue Cumassie G-250) с последующей фотометрией при оптической ПЛОТНОСТИ £>595 [2]. В колориметрических методах определению мешают окрашенные примеси и вещества, не специфично окрашивающиеся красителем [3], в том числе хепес, трис, фенольные соединения, глицерин, тиольные восстановители, додецилсульфат и др. [4].
Цель настоящего исследования - разработка метода определения белка в образцах, содержащих большое количество окрашенных компонентов.
Суть нашего предложения состоит в определении мешающих примесей в образце после осаждения белка трихлоруксусной кислотой (ТХУК). Вычитая из оптической плотности образца окраску не осаждаемых примесей, получаем долю оптической плотности, принадлежащую белку. Метод Лоури не позволяет определять окрашенные продукты, не осаждаемые ТХУК, в методе Брэдфорда это возможно.
Использовали реактив Брэдфорда: 20 мг БЕЯУА В1аи Сита$н10-250, растворенных в 10 мл этанола, перенесли количественно водой в мерную колбу на 200 мл, добавили 20 мл ортофосфорной кислоты и довели водой до метки, а также ТХУК 3 М.
Опытный образец: к 0,05 мл образца прилили
2,5 мл реактива Брэдфорда, колориметрировали при длине волны 595 нм не раньше 5 мин и не позже 1 ч против реактива Брэдфорда. (£> опыта).
Контроль: к 5,4 мл образца добавили 0,6 мл ТХУК, выдержали при комнатной температуре 15 мин, затем профильтровали. К 0,05 мл фильтрата прилили 2,5 мл реактива Брэдфорда и также колориметрировали про-
ЕШ 20 689 15
