Resumen

La estimación de la calidad de los productos alimentarios es vital para determinar las propiedades y la validez de los alimentos en relación con la cocción y otros procesos de fabricación. Este artículo considera la estimación de la calidad del pan de trigo que se hornea en condiciones estándar. Los datos sensoriales se recogen en tiempo real, y los datos obtenidos se analizan utilizando la analítica de datos eficiente para predecir la calidad del producto. El conjunto de datos obtenido consiste en 300 muestras de pan preparadas en 15 días cuyas medidas vitales físicas, químicas y reológicas son sensadas. Las medidas de la lectura se obtienen mediante herramientas sensoriales y se recogen como un conjunto de datos. Los datos obtenidos son generalmente crudos, y por lo tanto, las características requeridas se obtienen a través de la reducción de la dimensionalidad utilizando el Análisis Discriminante Lineal (LDA). Los datos procesados y los atributos se dan como entrada al clasificador para obtener los resultados finales de la estimación. Para lograr este objetivo se desarrolla el eficiente modelo clasificador Fuzzy Weighted Relevance Vector Machine (FWRVM). El modelo de estimación de calidad propuesto se implementa utilizando el entorno de programación MATLAB con la configuración necesaria para el clasificador FWRVM. El modelo se entrena y se prueba con el conjunto de datos de entrada con pasos de análisis de datos. También se implementan algunos clasificadores del estado del arte para comparar el rendimiento evaluado del modelo propuesto. La precisión de la estimación se obtiene comparando el número de clases de pan correctamente detectadas con los panes mal clasificados. Los resultados indican que el clasificador propuesto basado en FWRVM estima la calidad de los panes con un 96,67 precisión, 96,687% de precisión, 96,6% de recuperación y 96,6 de medida en 8,96726 segundos de tiempo de procesamiento, lo que es mejor que los clasificadores comparados de máquina de vectores de apoyo (SVM), RVM y redes neuronales profundas (DNN).

• Materias:Ingeniería biomédica Biomecánica Prótesis Extremidades (Cuerpo Humano) Músculos Hidromecánica
• Subjects:Biomedical engineering Biomechanics Prostheses Limbs (Human Body) Muscles Hydromechanics
• Palabras claves:datos obtenidos, entorno de programación matlab, vector de soporte comparado, fuzzy ponderado eficiente, máquina de vector de relevancia, máquina de vector de soporte, vector de relevancia ponderado, análisis de datos eficiente, análisis discriminante lineal, red neuronal profunda
• Keywords:obtained data, matlab programming environment, compared support vector, efficient fuzzy weighted, relevance vector machine, support vector machine, weighted relevance vector, efficient data analytics, linear discriminant analysis, deep neural network