Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal

Sistema de Informacin Cientfica

Flix Rafael Milln Trujillo, Zoitza Ostojich Cuevas Prediccion mediante redes neuronales artificiales de la transferencia de masa en frutas osmoticamente deshidratadas Interciencia, vol. 31, nm. 3, marzo, 2006, pp. 206-210, Asociacin Interciencia Venezuela
Disponible en: http://www.redalyc.org/articulo.oa?id=33911409

Interciencia, ISSN (Versin impresa): 0378-1844 interciencia@ivic.ve Asociacin Interciencia Venezuela

Cmo citar?

Fascculo completo

Ms informacin del artculo

Pgina de la revista

www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

PREDICCION MEDIANTE REDES NEURONALES ARTIFICIALES DE LA TRANSFERENCIA DE MASA EN FRUTAS OSMOTICAMENTE DESHIDRATADAS
Flix Rafael Milln Trujillo y Zoitza Ostojich Cuevas
RESUMEN Este trabajo tuvo como objetivo predecir las manifestaciones macroscpicas de los dos principales fenmenos de transferencia de masa en tres frutas (meln, lechosa y manzana) osmticamente deshidratadas. Se consider el efecto de cinco variables de proceso: tipo de alimento, concentracin de la solucin osmtica, tamao de la fruta, temperatura y tiempo de proceso, sobre la prdida de agua y ganancia de slidos de las frutas. Para ello se desarroll un modelo neuronal artificial compuesto por cinco neuronas de entrada y dos capas ocultas de proSUMMARY The purpose of this work was to predict the macroscopic behavior of the two main mass transfer phenomena in three fruits (melon, papaya and apple) osmotically dehydrated. The effect of five process variables was considered: type of food, osmotic solution concentration, fruit size, temperature and process time. The two dependent output variables were water loss and solid gain of the fruits. An artificial neural network model was developed, consisting of an input layer of five neurons and two hidden information processing layers of five neurons each, using sigmoid transfer functions for communication, and two output neurons in order to represent the dependent variables of the model. The neural architecture, trained by the LevenbergMarquardt algorithm, predicted more than 90% of the data variability for two transfer phenomenon studied, becoming an alternative model to parametric equations developed up to now. cesamiento de informacin compuestas por cinco neuronas cada una, utilizando funciones sigmoides como medio de comunicacin, y dos neuronas de salida representando a las variables dependientes del modelo. La arquitectura neuronal desarrollada y entrenada mediante el algoritmo Levenberg-Marquardt permiti predecir ms del 90% de la variabilidad de los datos en los dos fenmenos de transferencia estudiados, constituyndose en un modelo alternativo a las ecuaciones paramtricas desarrolladas hasta el momento.

Introduccion La deshidratacin osmtica es una tecnologa que ha sido aplicada principalmente en frutas, con el objeto de reducir la actividad de agua y el contenido de humedad de las mismas, para as generar alimentos de humedad intermedia con una estabilidad relativamente limitada, por lo cual, el proceso osmtico es usualmente combinado con otra tcnica de preservacin que permita extender la vida til del alimento (Panagiotou et al., 1998). Generalmente, el proceso se desarrolla mediante la inmersin de trozos de fruta en soluciones de sacarosa, mediante el control de variables

como temperatura, agitacin y tiempo de proceso. En el curso de la tecnologa se suscitan tres fenmenos de transferencia de masa: la migracin de agua desde la fruta hacia la solucin de impregnacin, la transferencia de solutos de la solucin a la fruta y la salida de solutos propios del alimento a la solucin. El tercer fenmeno de transferencia resulta cuantitativamente despreciable en comparacin con los dos primeros, los cuales caracterizan el proceso y permiten el logro de los objetivos ulteriores de la tecnologa: la estabilidad del alimento mediante el control de su contenido de humedad y la actividad de

agua, y la posibilidad de aplicacin de efectos de formulacin especficos mediante componentes especficos del flavor (Panagiotou et al., 1998). En tal sentido, el modelado predictivo tanto de la prdida de agua como de la ganancia de slidos en alimentos sometidos a la deshidratacin osmtica, reviste importancia para la exploracin predictiva de condiciones no experimentadas, con el objeto de optimizar los fenmenos de transferencia de masa y reducir el costo del proceso. Son diversos los modelos matemticos de naturaleza mecanicista o emprica, propuestos hasta el momento para modelar la deshidrata-

cin osmtica. En la presente investigacin se plantea un enfoque de modelado predictivo basado en el uso de redes neuronales artificiales. An cuando la aplicacin mas conocida de las redes artificiales, se basa en la creacin de mquinas con cierta capacidad de aprendizaje y las novedosas aplicaciones de la robtica, los modelos basados en redes neuronales artificiales tambin constituyen hoy en da una aplicacin novedosa para el reconocimiento de los patrones no lineales caractersticos de los procesos biolgicos y como til herramienta para el control de procesos (Eerikinen et al ., 1993; Horimoto et al., 1995;

PALABRAS CLAVE / Deshidratacin Osmtica / Frutas / Redes Neuronales /

Recibido: 16/05/2005. Modificado: 17/01/2006. Aceptado: 18/01/2006.

Flix Rafael Milln Trujillo. M.Sc. en Ciencia y Tecnologa de Alimentos, Universidad Simn Bolvar (USB), Venezuela. Profe-

sor, USB, Venezuela. Direccin: Departamento de Tecnologa de Procesos Biolgicos y Bioqumicos, Edificio de Qumica y

Procesos, Piso 1. Apartado Postal 89000. Sartenejas. Baruta. Edo. Miranda. Venezuela. email: fmillan@usb.ve

Zoitza Ostojich Cuevas. Ingeniero Qumico y Estudiante de Maestra en Ciencia de los Alimentos, USB, Venezuela.

206

0378-1844/06/03/206-05 $ 3.00/0

MAR 2006, VOL. 31 N 3

RESUMO Este trabalho teve como objetivo predizer as manifestaes macroscpicas dos dois principais fenmenos de transferncia de massa em trs frutas (melo, mamo e maa) osmticamente desidratadas. Considerou-se o efeito de cinco variveis de processo: tipo de alimento, concentrao da soluo osmtica, tamanho da fruta, temperatura e tempo de processo, sobre a perda de gua e ganho de slidos das frutas. Para isto se desenvolveu um modelo neuronal artificial composto por cinco neurnios de entrada e duas capas ocultas de procesamento de informao compostas por cinco neurnios cada uma, utilizando funes sigmides como meio de comunicao, e dois neurnios de sada representando as variveis dependentes do modelo. A arquitetura neuronal desenvolvida e treinada mediante o algoritmo Levenberg-Marquardt permitiu predizer mais de 90% da variabilidade dos dados nos dois fenmenos de transferncia estudados, constituindo-se em um modelo alternativo s equaes paramtricas desenvolvidas at o momento.

Ni y Gunarasekaran, 1998; Milln et al ., 2001). En tal sentido, el objetivo de la presente investigacin es desarrollar un modelo de red neuronal artificial basado en un algoritmo de retropropagacin del error, para el modelado predictivo de los fenmenos de prdida de agua y ganancia de slidos en frutas osmticamente deshidratadas. Materiales y Mtodos Proceso de deshidratacin osmtica Las frutas usadas en la investigacin, lechosa, meln y manzana, seleccionadas en virtud de su naturaleza porosa y por ende facilitadora de los fenmenos de transferencia de masa, se obtuvieron de un mismo establecimiento comercial, sin lesiones externas y con caractersticas similares de forma, tamao y color. Se determin el contenido de humedad inicial de las frutas, de acuerdo a la metodologa de la AOAC (AOAC, 1990), obtenindose los siguientes resultados: lechosa 88,93% 0,71% (n=5), meln 93,07% 0,85% (n=5) y manzana 87,32% 0,82% (n=5). Una vez lavadas, las frutas fueron picadas en cubos mediante la utilizacin de un vernier y un cuchillo previamente desinfectado. Es importante sealar que las frutas, con caractersticas similares de madurez (de acuerdo a la relacin Brix / pH), fueron asignadas aleatoriamente a cada condicin experimental (1 fruta o individuo por tratamiento) y se obtuvieron 10 unidades experi-

mentales (cubos) de cada fruta para conformar una rplica de cada i-simo tratamiento (Tabla I). La obtencin de cubos de geometra regular con caractersticas finitas, permiti reducir la dimensin caracterstica de las frutas y minimizar los tiempos de impregnacin empleados. Una vez cortadas y registrado el peso inicial de las muestras de frutas, las mismas se sumergieron en las soluciones de impregnacin (soluciones de sacarosa), para cada una de las condiciones experimentales (Tabla I). Para satisfacer cada una de las condiciones de temperatura, las soluciones fueron colocadas en baos de agua y tapadas para evitar la evaporacin de las soluciones. Al finalizar el tiempo de proceso,

los trozos de fruta fueron cuidadosamente secados con papel absorbente para remover el exceso de solucin osmtica de la superficie y su peso se registr inmediatamente. Posteriormente, las muestras se secaron en un horno de conveccin a 60C por 16h., y posteriormente en una estufa al vaco a 70C por 24h., para determinar la masa seca de las frutas osmticamente tratadas y calcular por balance de masa el contenido de humedad de las mismas (Panagiotou et al ., 1998). Cada condicin experimental se realiz por duplicado. Con la primera rplica se entren la arquitectura neuronal artificial y con la segunda, constituida a partir de muestras de frutas totalmente independientes de

las utilizadas para la primera rplica, se valid la habilidad predictiva y de generalizacin del modelo (Milln et al ., 2001). Como se seal en la introduccin, los dos principales fenmenos de transferencia de masa que se suscitan en la deshidratacin osmtica, se evidencian macroscpicamente mediante la prdida de agua (PA) y la ganancia de slidos (GS), las cuales pueden ser definidas por las ecuaciones (1) (2) donde M 0 : masa inicial de fruta antes de ser sometida

TABLA I DATOS DE ENTRENAMIENTO DE LA RED NEURONAL PARA EL MODELADO DEL PROCESO DE DESHIDRATACIN OSMTICA DE MELN, LECHOSA Y MANZANA
Variables del proceso de deshidratacin osmtica Meln Concentracin Tamao Temperatura Tiempo PA GS de solucin de la fruta (Brix) (mm) (C) (h) 40 15 30 2 0,2539 0,07512 40 15 30 4 0,3378 0,07989 40 15 50 2 0,3134 0,11471 40 15 50 4 0,4552 0,09872 40 25 30 2 0,1904 0,07620 40 25 30 4 0,2554 0,06794 40 25 50 2 0,2695 0,08404 40 25 50 4 0,3605 0,08214 50 20 40 3 0,3208 0,09692 60 15 30 2 0,4000 0,07000 60 15 30 4 0,4679 0,08265 60 15 50 2 0,4706 0,11708 60 15 50 4 0,6036 0,12852 60 25 30 2 0,2890 0,05893 60 25 30 4 0,3623 0,07212 60 25 50 2 0,3854 0,08539 60 25 50 4 0,4993 0,09339 Lechosa PA GS Manzana PA GS

0,1499 0,1855 0,1851 0,2224 0,1300 0,1455 0,1481 0,1820 0,3057 0,3145 0,4023 0,4110 0,4673 0,2433 0,2944 0,3179 0,3964

0,11062 0,13332 0,15198 0,17322 0,08471 0,08966 0,10122 0,14382 0,09611 0,10188 0,10734 0,13034 0,15040 0,07969 0,09424 0,09616 0,11806

0,1944 0,1808 0,1173 0,1382 0,1511 0,1573 0,0888 0,1163 0,2872 0,2661 0,3328 0,3659 0,4597 0,2269 0,2375 0,2844 0,3882

0,04949 0,06341 0,04197 0,03249 0,05386 0,03541 0,03492 0,01783 0,05409 0,11184 0,07367 0,09748 0,09254 0,07932 0,05425 0,07919 0,06454

MAR 2006, VOL. 31 N 3

207

la capa oculta y unidad oculta y la k-sima el subndice p al neurona de salida, k0: trmino de tendencia asociado a la p-simo vector k-sima neurona de salida, y de entrenamiennet pk : entrada neta a la kto. El establecimiento del nsima neurona de salida. Fimero de capas nalmente, la salida de las ocultas y el nneuronas de salida se compamero de neuror con un vector objetivo nas que conforconstituido por los valores man dichas caexperimentales de prdida de pas se seleccioagua y ganancia de slidos y n mediante un se gener la siguiente funproceso de ensacin de error, constituida por yo y error la suma de errores cuadrti(Bochereau et cos (Reed y Marks, 1999): al ., 1992; Ar(6) teaga y Nakai, 1993; Gerbi et donde ESSE: suma de cuadraal., 1998; Chen dos del error, p: vector de et al., 2001). entrenamiento o conjunto de Luego, la salidatos experimentales, i: salida de las j-sida emitida por las neuronas mas neuronas de de salida de la red, y tpi y ypi la capa oculta se representan el objetivo o contransfiri a las junto de valores observados y neuronas de la la salida de la red, respecticapa de salida Figura 1. Diagrama de entrenamiento y aprendizaje de la arquitectura neuronal. vamente. mediante una El proceso de entrenamienfuncin de transto y aprendizaje de la red se ferencia fjh. Dibas entonces en la reductrada estuvieron constituidos al tratamiento osmtico, M: cha salida se representa por la cin de la funcin de error por los valores que conformasa de fruta luego del traecuacin anterior, a travs de un proman las variables indepentamiento osmtico, m0: masa ceso iterativo de actualiza(4) dientes mencionadas (Tabla seca inicial de la muestra de cin de pesos de conexin y I). A estos valores se asoci fruta, y m: masa seca de la donde ypj: salida neta de cada trminos de tendencia que se aleatoriamente un peso de fruta luego del tratamiento j-sima neurona de la capa representa esquemticamente conexin de poca magnitud, osmtico. oculta, y netpj h: entrada neta en la Figura 1. que permiti la propagacin a la j-sima neurona de la La arquitectura neuronal, de la informacin a la priDesarrollo del modelo capa oculta. La funcin de as como el proceso de entremera capa de neuronas neuronal artificial transferencia ms empleada namiento, aprendizaje y posocultas de procesamiento de en las redes de retropropagaterior simulacin de la red, datos. La asignacin aleatoSe desarroll una estruccin del error es la tangente se desarrollaron con el mria de los pesos de inicio de tura neuronal de retropropahiperblica (Reed y Marks, dulo de redes del programa poca magnitud es la tcnica gacin del error con 5 neu1999). Matlab 6.0. normalmente usada cuando ronas de entrada, constituiLuego, la entrada neta a la no se dispone de informadas por las variables tipo de capa de neuronas de salida, cin previa acerca del sistealimento (meln, lechosa y Resultados y Discusin representadas por el nmero ma que se est modelando, manzana), concentracin de de variables dependientes del A partir de los 202 datos ya que impide la temprana la solucin de impr egnasistema, en este caso la prexperimentales obtenidos en saturacin de la red por cin, tamao de la muestra dida de agua y la ganancia la deshidratacin osmtica de cuanto induce a la ruptura de fruta, temperatura y de slidos de las frutas oslas tres frutas estudiadas, se de simetra. As, la entrada tiempo de proceso, y dos mticamente deshidratadas, utilizaron los 101 datos conneta de la j-sima neurona neuronas de salida, represe representa mediante la tenidos en la Tabla I, para de la capa oculta puede resentativas de la prdida de ecuacin estructurar la arquitectura presentarse a travs de la agua y ganancia de slidos, neuronal artificial. Mediante ecuacin como manifestaciones mael lenguaje de programacin (5) croscpicas de la transfeMatlab se procedi a crear la (3) rencia de agua desde la frudonde el ndice 0 se refiere a estructura inicial de la red ta hacia la solucin de immagnitudes de la capa de samediante la instruccin pregnacin y la transferendonde xpi: entrada que recibe lida, ypj: entracia de solutos desde la sola neurona procedente de la ida procedente [w1,b1,w2,b2,w3,b3] =initff (P,Si,Fi,...,Sn,Fn) (7) lucin de impregnacin hasima unidad de entrada, wjih: de la j-sima cia la fruta, respectivamenpeso de la conexin y jh: trneurona oculta, wkj0: peso de donde P constituye una mate. Los valores de entrada a mino de tendencia. El ndice conexin entre la j-sima triz N2 de vectores de enlas i-simas neuronas de enh se refiere a magnitudes de

208

MAR 2006, VOL. 31 N 3

La utilizacin de varias funtrada en la que cada fila conciones de transferencia ha tiene los valores mximo y sido sugerida por algunos mnimo de la i-sima neuroautores como un mtodo na de entrada, es decir, de coadyuvante para el aprendilos niveles de las variables: zaje de la red (Reed y tipo de alimento, concentraMarks, 1999; Mittal y cin de la solucin de imZhang, 2000). pregnacin, tamao de la fruAs, el proceso de inicio ta, temperatura de la solucin gener una matriz inicial de y tiempo de proceso. Si es el pesos de conexin y trminos tamao de la i-sima capa de de tendencia wi y bi, respecneuronas ocultas o de proceFigura 2. Dinmica de la funcin de error durante el entrenamiento del modelo. tivamente, mediante la funsamiento de la informacin cin de iniciacin de la red hasta la n-sima capa de de retropropagacin en neuronas ocultas Sn. A partir Finalmente, se realiz una La funcin trainlm en el Matlab (initff), los cuales de los datos experimentales simulacin de la red entrenada lenguaje de programacin constituyen una medida del se ensayaron diversas arquimediante la funcin simuff Matlab, entrena la red iniciada grado de conexin o efecto tecturas de red, por cuanto con la de las variables independienno existe una regla pre-estaf u n c i n [a]=simuff(x,w1,b1,logsig,w2,b2,tansig,w3,b3,purelin) (9) tes o neuronas de entrada, y blecida para determinar el i n i t ff , el objetivo a alcanzar por la nmero de capas ocultas de donde las instrucciones mediante el algoritmo de red a la salida de la ltima neuronas de procesamiento ni logsig (logartmica sigmoiaprendizaje Levenbergcapa de neuronas. el nmero de neuronas que dal), tansig (tangente hiperMarquardt. De esa manera, en La asignacin de pesos de constituyen dichas capas blica) y purelin (funcin la instruccin anterior se incorconexin en forma aleatoria (Peters et al., 1996; Mittal y lineal) son funciones de pora la matriz T, la cual est y de baja magnitud al inicio Zhang, 2000; Afagui et al ., transferencia para la primera constituida por los datos expedel entrenamiento tuvo por 2001). Fi representa las funy segunda capa de neuronas rimentales de prdida de agua finalidad promover la ruptura ciones de transferencia entre ocultas y la capa de neuroy ganancia de slidos de las de simetra en la red para as capas de la arquitectura neunas de salida, respectivamenfrutas osmticamente tratadas. evitar la saturacin de la ronal hasta la n-sima capa te. [a] representa la matriz As, la comparacin de los damisma. La ruptura de simede neuronas ocultas Fn y los de predicciones hechas por tos de salida de la red con el tra es necesaria para que las pares (w 1,b 1), (w 2, b 2), (w 3, la red neuronal entrenada, x vector objetivo T permiti la neuronas de la capa oculta b 3 ) son los pesos de coes una matriz conformada generacin de errores cuadrticomputen diferentes funcionexin y trminos de tendenpor los niveles de las variacos, utilizados por el algoritmo nes. En el caso de una simecia entre la capa de neuronas bles independientes o neurode aprendizaje para la actualitra perfecta, todas las neurode entrada y la primera capa nas de entrada considerados zacin de los pesos de conas tendran el mismo vector de neuronas ocultas, entre la en el modelo y simuff es nexin (Figura 1). de pesos de conexin y todas primera capa de neuronas el comando de simulacin Se requiri de 150 iteralas neuronas ocultas compuocultas y la segunda, y entre en Matlab para las redes enciones en el entrenamiento taran una nica funcin, la segunda capa de neuronas trenadas. de la red de retropropagacin comportndose como si en ocultas y la capa de neuronas En el proceso de entrenadel error para finalmente alrealidad existiera una nica de salida, respectivamente. miento, se pudo controlar el canzar una sumatoria de neurona oculta. Por otra parFinalmente se desarroll un sobre-entrenamiento de la errores cuadrticos de 110-3 te, la utilizacin de pesos de modelo compuesto por dos red mediante la seleccin (Figura 2). gran magnitud en el inicio de capas ocultas de cinco neuroapropiada de las variables La factibilidad de crear y la red proporcionara una nas cada una. tasa de aprendizaje y moentrenar la arquitectura neuamplificacin desproporcioLuego, la comunicacin mento . Par a la tasa de ronal artificial desarrollada, nada de los estmulos proveentre neuronas ocultas y enaprendizaje se seleccion, a para predecir los dos princinientes de la capa de neurotre estas y la capa de neurotravs de un proceso de enpales fenmenos de transfenas de entrada, lo cual a su nas de salida del sistema, sayo y error, un valor de 0,1 rencia de masa en diversidad vez incrementara la suma de constituida por las variables (entre valores sugeridos que de alimentos de forma sipesos que sirve de insumo a dependientes estudiadas, se oscilan entre 0,05 y 0,75) y multnea, es de suma imporlas neuronas de procesamienestableci mediante Fn funun valor de momento de 0,9 tancia en el campo de la to, pudiendo provocar la forciones de transferencia. Lue(Reed y Marks, 1999). La ciencia e ingeniera de alimacin de regiones planas en go de ensayar con varias tasa de aprendizaje y el trmentos por cuanto permite la superficie del error a partir funciones, se seleccion la mino de momento, se relapredecir comportamientos no de las cuales solo podran logartmica sigmoidal para cionan a travs de una exexperimentados durante el obtenerse derivadas muy petransferir la informacin presin conocida como tasa tratamiento osmtico de fruqueas y la detencin del desde la primera capa de de aprendizaje eficiente tas, facilitando la optimizaproceso de aprendizaje. neuronas ocultas hacia la secin del proceso a escala inPara el entrenamiento de la gunda, y la funcin tangente dustrial debido al nmero de (10) red se utiliz la instruccin hiperblica como funcin de variables que pueden manejarse y relatransferencia desde As, el trmino de mocionarse sila segunda capa mento utilizado (relativaoculta hacia las [w1,b1,w2,b2,w3,b3] =trainlm(w1,b1,F1',w2,b2,F2',w3,b3,F3',P,T) (8) m u l t n e a mente grande) actu como mente. neuronas de salida.

MAR 2006, VOL. 31 N 3

209

Figura 3. Capacidad predictiva de la transferencia de agua y ganancia de slidos en las frutas osmticamente tratadas, del modelo neuronal entrenado. CD: Coeficiente de determinacin. EEP: Error estndar de prediccin.

un amplificador de la tasa de aprendizaje moderada o relativamente pequea, para garantizar una tasa de aprendizaje eficiente. En la Figura 3 se observa la correspondencia entre el resto de los valores experimentales y los datos predichos. En todos los casos, el modelo neuronal logr predecir mas del 90% de la variabilidad experimental, alcanzando una magnitud de 110 -3 en el trmino de error, que si bien no significa el error global mnimo de la red, s constituye un error local mnimo de gran importancia prctica en el modelado del proceso de deshidratacin osmtica. En ese sentido, la obtencin de un error de aproximacin en el orden antes mencionado, aunado a la factibilidad de modelar el proceso osmtico de manera simultnea para distintas frutas y condiciones de proceso a travs del modelo neuronal desarrollado, lo perfila como una tecnologa de amplio

potencial en la industria procesadora de frutas, bien sea en las operaciones de fabricacin de materias primas pre-procesadas para el desarrollo de otros productos o para su suministro a servicios de alimentacin institucional.
AGRADECIMIENTOS

fying properties. J. Food Sci . 58 : 1152-1156. B o c h e r e a u L , B o u r g i n e P, Palagos B (1992) A method for prediction by combining data analysis and neural networks: application to prediction of apple quality using near infrared spectra. J. Agr. Eng. Res . 51 : 207216. Chen CR, Ramaswamy HS, Alli I (2001) Prediction of quality changes during osmoconvective drying of blueberr i e s u s i n g n e u r a l n e t wo r k models for process optimizat i o n . D r y i n g Te ch n o l . 1 9 : 507-523. Eerikinen T, Linko P, Linko S, Siimes T, Zhu Y-H (1993) Fuzzy logic and neural networ k applications in f ood s c i e n c e a n d t e c h n o l o g y. Trends Food Sci. Technol . 4 : 237-242. Gerbi V, Zeppa G, Beltramo R, Carnacini A, Antonelli A (1998) Characterization of white vinegars of different sources with artificial neural networks. J. Sci. Food Agric . 78 : 417-422. Horimoto Y, Durance T, Nakai S, Lukow OM (1995) Neur al networks vs principal component regression for prediction of wheat flour loaf volume

in baking tests. J. Food Sci. 60 : 429-433. M i l l n F R , R o a V, Tap i a M (2001) Modelado matemtico de isotermas de adsorcin de humedad en alimentos usando redes neuronales artificiales. Interciencia 26 : 190-194. Mittal GS, Zhang J (2000) Prediction of freezing time for food products using artificial neural network. Food Res. Int . 33 : 557-562. Ni H, Gunarasekaran S (1998) Food quality prediction with n e u ra l n e t w o r k s . Fo o d Technol . 52 : 60-65. Panagiotou NM, Karathanos VT, Maroullis ZB (1998) Mass transfer modelling of the osmotic dehydration of some fruits. I n t J Fo o d S c i Technol . 33 : 267-284. Peters G, Morrissey MT, Sylvia G, Bolte J (1996) Linear regression, neural network and induction analysis to determine harvesting and processing effects on surimi quality. J. Food Sci . 61 : 876-880. Reed RD, Marks IIRJ (1999) Neural Smithing. Supervised Learning in Feedforward Art i fi c i a l N e u ra l N e t wo r ks . Massachusetts Institute of Technology Press. Cambridge, MA. EEUU. pp. 49-67.

Los autores agradecen el apoyo econmico del Decanato de Investigacin y Desarrollo de la Universidad Simn Bolvar.
REFERENCIAS A fag u i M , R a m a sw a my H S , Prasher SO (2001) Thermal process calculations using artificial neural network models. Food Res. Int. 34: 55-65. AOAC (1990) Official methods of analysis . 15 a ed. Association of Official Analytical Chemists. Washington, DC, EEUU. 777 pp. Arteaga GE, Nakai S (1993) Predicting protein functionality w i t h a rtifi c i a l n e u r a l n e t works: foaming and emulsi-

210

MAR 2006, VOL. 31 N 3