| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,257 |
| تعداد مقالات | 35,992 |
| تعداد مشاهده مقاله | 54,970,549 |
| تعداد دریافت فایل اصل مقاله | 93,983,030 |
مدل‌سازی و پیش‌بینی عمر ماندگاری میگوی Litopenaeus vannamei با رویکردهای مبتنی بر یادگیری ماشین | ||
| مجله علمی شیلات ایران | ||
| دوره 35، شماره 4، مهر و آبان 1405، صفحه 43-73 اصل مقاله (2.37 M) | ||
| شناسه دیجیتال (DOI): 10.22092/isfj.2026.136378 | ||
| نویسندگان | ||
| اسماء کلانتری1؛ لاله رومیانی* 2؛ مهرنوش تدینی1 | ||
| 1گروه علوم و صنایع غذایی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران | ||
| 2گروه شیلات، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران | ||
| چکیده | ||
| فساد غذاهای دریایی، به دلیل رشد سریع میکروارگانیسم‌ها و به دنبال آن تغییر در طعم و بو، نگرانی‌های زیاد مصرف‌کنندگان را به‌دنبال دارد. هدف پژوهش حاضر، توسعه مدل‌های یادگیری ماشین برای پیش‌بینی شاخص‌های فساد میکروبی و شیمیایی میگوی Litopenaeus vannamei در شرایط مختلف نگهداری بود. مطالعه حاضر به بررسی توسعه مدل‌های مربوط به پیش‌بینی شاخص‌های میکروبی و شیمیایی با استفاده از الگوریتم‌های یادگیری ماشین (Random Forest، Extra Tree، k-Nearest Neighbors، AdaBoost، Gradient Tree Boosting و Regression Support Vector)، برای ارزیابی عمر ماندگاری L.vannamei (50 قطعه) پرداخت. چگونگی افزایش داده‌ها در یک مطالعه آزمایشگاهی (با 3 تکرار برای هر تجزیه‌‌وتحلیل) برای ارزیابی عمر ماندگاری میگو طی 15 روز، در دماهای مختلف (0، 4 و 8 درجه سانتی‌گراد)، چگونگی اثبات سازگاری داده‌های افزایش یافته با داده‌های اصلی و چگونگی بهینه‌سازی روش‌های موثر یادگیری ماشین برای فرآیندهای حل مسئله ارزیابی گردید. برای هر یک از شاخص‌های Pseudomonas، بازهای نیتروژن فرارکل (TVB-N) و میزان باکتری‌های هوازی (TVC)، تعداد 158 داده تولیدی وارد فرآیند مدل‌سازی شد. بنابراین، مجموعه داده نهایی شامل 474 داده تولیدی برای سه شاخص بود. میزان Pseudomonas، TVC و میزان TVB-Nبا گذشت زمان نگهداری و دما افزایش یافت و بالاترین مقدار آنها به‌ترتیب log cfu/g 9/7 ،log cfu/g 7/8 و 73 میلی‌گرم بر 100 گرم گوشت میگو رسید. نتایج نشان داد که الگوریتم بهینه‌شده Regression Support Vector برای تخمین میزان Pseudomonas با مقدار R2 برابر با 9828/0، تخمین مقدار TVC با R2 برابر با 9928/0 و R2 برابر با 9940/0 برای TVB-N موثرترین مدل بود درحالی‌که سایر الگوریتم‌ها نسبت به این الگوریتم تاثیر کمتری داشتند. این نتایج نشان می‌دهد که توسعه مدل‌های یادگیری ماشین برای پیش‌بینی شاخص‌های فساد میکروبی و شیمیایی میگوی وانامی در شرایط مختلف نگهداری موثر بود. علاوه‌براین، باید تأکید کرد که تعداد فراسنجه‌‌های ورودی دما، تعداد باکتری‌ها، TVB-N برای افزایش داده‌ها برای توسعه و کاربرد الگوریتم‌های یادگیری ماشین بسیار مهم هستند. | ||
| کلیدواژه‌ها | ||
| Litopenaeus vannamei؛ ماندگاری؛ یادگیری ماشین؛ Regression Support Vector | ||
| عنوان مقاله [English] | ||
| Modeling and predicting the shelf life of Litopenaeus vannamei with machine learning-based approaches | ||
| نویسندگان [English] | ||
| A. Kalantari1؛ L. Roomiani2؛ M. Tadayoni1 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 16 تعداد دریافت فایل اصل مقاله: 16 |
||