redes neuronales definitivo

1

REDES NEURONALES

Gonzalo García JiménezFernando Higes Morón

2009/10

2

INDICE

• Introducción• Trazabilidad de aceite de oliva en función

del comportamiento de compuestos volátiles y su análisis multivariante

• Aplicación de un sensor potenciométrico como técnica en análisis sensorial

3

Introducción• Red neuronal

– Análisis clasificatorio y cuantitativo

• Inspirado en sistemas nerviosos biológicos

4

Introducción

CONJUNTO ENTRENAMIENTO

CONJUNTO VALIDACIÓN

APRENDIZAJE

RETROPROPAGACIÓN

5

Traceability of olive oil based on volatiles pattern and multivariate analysis

Tomas Cajka, Katerina Riddellova, Eva Klimankova, Monika Cerna, Frantisek Pudil, Jana Hajslova

Food Chemistry 121 (2010), 282-289

6

TRAZABILIDAD DE ACEITE DE OLIVA

• Distinguible por distintos patrones(ác. grasos ins., fenol, escualeno, ác. oleico…)

• Protección frente al fraude: DENOMINACIONES DE ORIGEN– 85 en UE (37 Italia, 19 España)

• Distintas técnicas analíticas– GC-FID, RMN, FR-IR, fluorescencia, NIR, MS

En esta aplicación: HS-SPME GC-ITMS

7


• Objetivo: CLASIFICAR correctamente muestras de aceite de la región de Liguria

Vernazza

Rio Maggiore

8


• 914 muestras, distintos orígenes geográficos y cosechas

• Optimización– Fibra 50/30 µm DVB/CAR/PDMS– Tª extracción: 40 °C (15 min)– tiempo incubación: 5 min.

9

TRAZABILIDAD ACEITE DE OLIVA

• Identificación de los aceites: 44 marcadores

10


• ANÁLISIS QUIMIOMÉTRICO– Preprocesado: los datos deben tener rango

uniforme de variabilidad

∑=

=

=ij

jj

ii

x

xx

1

ˆ

11


• ANÁLISIS QUIMIOMÉTRICO– PCA

• Reducir dimensiones• Existencia de grupos en función de año de cosecha y

lugar procedencia

PC1

16,7% varianza

PC2

9,5% varianza

PCs con λ>1

65% Varianza total

…

12


• ANÁLISIS QUIMIOMÉTRICO– PCA

LDA

ANN

CONDICIONES CLIMATOLÓGICAS

13


• ANÁLISIS QUIMIOMÉTRICO– LDA

Alta sensibilidad: 89,9%

Baja selectividad: 58,2%

Muestras Liguria

Muestras no Liguria

RELACIÓN ENTRE VARIABLES MUY COMPLEJA ANN

14


• ANÁLISIS QUIMIOMÉTRICO– ANN

Conjunto de validación

Conjunto de entrenamiento

186 muestras

94 muestras

Subconjunto de examen

634 muestras

RETROPROPAGACIÓN

15



• Hasta 50 redes diferentes

Capa entrada

44 neuronas

25 neuronas

1 neurona

Capa escondida Capa salida

MEJOR RED NEURONAL

16



Alta sensibilidad: 84,1%

Alta selectividad: 80,7%

Muestras Liguria

Muestras no Liguria

CORRECTA CLASIFICACIÓN DEL ACEITE

17

Application of a sensor array as a technique in sensory analysis

M. Hruškar, N. Major, M. Krpan

Talanta 81 (2010), 398-403

18

QUÍMICA ANALÍTICA

EVALUACIÓN SENSORIAL

DOS RUTAS PRINCIPALES

CARACTERIZACIÓN DE ALIMENTOS

APLICACIÓN DE UN SENSOR COMO TÉCNICA DE ANÁLISIS

19

• Fresa

• Frutas del bosque• Manzana/ Pera

• Leche simple

LECHE FERMENTADA

PROBIÓTICA DE

4 CATEGORÍAS

Lengua electrónica α-Astree

Panel sensorial (Catadores)


20

OBJETIVOS

Monitorizar cambios de composición

Evaluación mediante clasificación correcta

Comparación con el panel sensorial

PCA

ANN

ANN y PLS


21

(a) Frutas del bosque

(b) Leche simple

(c) Fresa

(d) Manzana/ Pera


• PRIMER OBJETIVO– tiempo almacenamiento: 0-20 días– Tª almacenamiento: 4 ºC – 25 ºC

22

• Entrenamiento 90 medidas

• Validación 30 medidas

7 neuronas

74

neuronas

4

neuronas

CAPA DE ENTRADA CAPA ESCONDIDA CAPA DE SALIDA

• SEGUNDO OBJETIVO: clasificación mediante ANN


23

Aparecen tanto conjunto de entrenamiento como de validación

6395Manzana/ Pera

63100Frutas del bosque

Capacidad de predicción

Capacidad de reconocimiento

Sobreentrenamiento

• SEGUNDO OBJETIVO: clasificación mediante ANN


24

• 20 medidas entrenamiento

• 10 medidas validación

• 30 medidas

ANN

PLS

VS


• TERCER OBJETIVO: comparación con el panel sensorial

25


• CONCLUSIONES• Reconocimiento de cambios en la composición de

las muestras durante su almacenamiento.• Elevado % de clasificación correcta mediante ANN.

• Correlación entre el panel sensorial y la lengua electrónica.

redes neuronales definitivo

Technology