Использование аппарата нечеткой логики в пищевой инженерии

Обложка

Цитировать

Полный текст

Аннотация

В статье рассмотрены вопросы улучшения качества продукции с использованием системы нечеткой логики. В пищевой комбинаторике, как правило, приходится иметь дело с неопределенными и неточными данными, например вероятным разбросом значений химического состава сырья растительного и животного происхождения, вкусовыми предпочтениями потребителей. Математический аппарат нечеткой логики работает с такими данными и делает модели наиболее гибкими и реалистичными. Показано моделирование пищевых систем в программной среде R Studio. Подробно показано составление правил «Если …, То …» и отличие стандартных функций принадлежности: треугольной, трапециевидной и гауссовой.

Об авторах

М. А. Никитина

ФНЦ пищевых систем им. В.М. Горбатова

Автор, ответственный за переписку.
Email: m.nikitina@fncps.ru

д-р техн. наук

Россия

Список литературы

  1. Castillo, O. A comparative study of type-1 fuzzy logic systems, interval type-2 fuzzy logic systems and generalized type-2 fuzzy logic systems in control problems / O. Castillo, L. Amador-Angulo, J. R. Castro, M. Garcia-Valdez // Information Sciences. – 2016. – V. 354. – P. 257–274. doi: 10.1016/j.ins.2016.03.026
  2. Eerikäinen, T. Fuzzy logic and neural network applications in food science and technology / T. Eerikäinen, P. Linko, S. Linko, T. Siimes, Y.-H. Zhu // Trends in Food Science & Technology. – 1993. – V. 4. – № 8. – P. 237–242. doi: 10.1016/0924-2244(93)90137-y
  3. Li, H. Output-back fuzzy logic systems and equivalence with feedback neural networks / H. Li // Chinese Science Bulletin. – 2000. – V. 45. – № 7. –P. 592–596. doi: 10.1007/BF02886033
  4. Фролов, Д. И. Перспективы использования нечеткой логики и нейронных сетей в пищевой технологии / Д. И. Фролов // Инновационная техника и технология. – 2019. – № 1 (18). – С. 10–13. Frolov, D. I. Prospects of using fuzzy logic and neural networks in food technology / D. I. Frolov // Innovative Machinery and Technology. – 2019. – № 1 (18). – P. 10–13.
  5. Zadeh, L. A. The calculus of fuzzy if-then rules / L. A. Zadeh // In Proceedings: The Twenty-Second International Symposium on Multiple-Valued Logic. – Sendai: IEEE Computer. Society Press, 1992. – 480 p. doi: 10.1109/ISMVL.1992.186834
  6. Chakraborty, S. Response surface optimization of process parameters and fuzzy analysis of sensory data of high pressure-temperature treated pineapple puree // S. Chakraborty, P. S. Rao, H. N. Mishra // Journal of Food Science. – 2015. – V. 80 . – № 8. – P. E1763-E1775. doi: 10.1111/1750-3841.12967
  7. Godinho, E. Z. Fuzzy modeling of coffee productivity under different irrigation depths, water deficit and temperature / E. Z. Godinho, F. de Lima Caneppele, L. R. A. G. Filho, C. P. C. Gabriel // Brazilian Journal of Biosystems Engineering. – 2023. – V. 17. – Article 1193. doi: 10.18011/bioeng.2023.v17.1193
  8. Hernández-Vera, B. Expert system based on fuzzy logic to define the production process in the coffee industry / B. Hernández-Vera, A. A. A. Lasserre, M. G. Cedillo-Campos, L. E. Herrera-Franco, J. Ochoa-Robles // Journal of Food Process Engineering. – 2017. – V. 40. – № 2. – Article e12389. doi: 10.1111/JFPE.12389
  9. Farzaneh, V. Modelling of the selected physical properties of the fava bean with various moisture contents using Fuzzy Logic Design / V. Farzaneh, A. Ghodsvali, H. Bakhshabadi, M. Ganje, Z. Dolatabadi, I. S. Carvalho // Journal of Food Process Engineering. – 2016. – V. 40. – № 2. – Article e12366. doi: 10.1111/jfpe.12366
  10. Mahadevappa, J. Fuzzy logic based process control strategy for effective sheeting of wheat dough in small and medium-sized enterprises / J. Mahadevappa, F. Gross, A. Delgado // Journal of Food Engineering. – 2017. – V. 199. – P. 93–99. doi: 10.1016/J.JFOODENG.2016.12.013
  11. Chowdhury, T. Sensory evaluation of aromatic foods packed in developed starch based films using fuzzy logic / T. Chowdhury, M. Das // International Journal of Food Studies. – 2015. – V. 4. – № 1. – P. 29–48. doi: 10.7455/IJFS/4.1.2015.A3
  12. Farzaneh, V. Application of an adaptive neuro_fuzzy inference system (ANFIS) in the modeling of rapeseeds’ oil extraction / V. Farzaneh, H. Bakhshabadi, M. Gharekhani, M. Ganje, F. Farzaneh, S. Rashidzadeh et al. // Journal of Food Process Engineering. – 2017. – V. 40. – № 6. – Article e12562. doi: 10.1111/jfpe.12562
  13. Samodro, B. Maintaining the quality and aroma of coffee with fuzzy logic coffee roasting machine / B. Samodro, B. Mahesworo, T. Suparyanto, D. B. S. Atmaja, B. Pardamean // IOP Conference Series: Earth and Environmental Science. – 2020. – V. 426. – Article 012148. doi: 10.1088/1755-1315/426/1/012148
  14. Yulianto, T. Application of fuzzy inference system by Sugeno method on estimating of salt production / T. Yulianto, S. Komariyah, N. Ulfaniyah // In AIP Conference Proceedings. – Melville: AIP Publishing. – 2017. – V. 1867. – № 1. – Article 020039. doi: 10.1063/1.4994442
  15. Basak, S. The use of fuzzy logic to determine the concentration of betel leaf essential oil and its potency as a juice preservative / S. Basak // Food Chemistry. – 2018. – V. 240. – P. 1113–1120. doi: 10.1016/j.foodchem.2017.08.047
  16. Vivek, K. Application of fuzzy logic in sensory evaluation of food products: a comprehensive study / K. Vivek, K. V. Subbarao, W. Routray, N. R. Kamini, K. K. Dash // Food and Bioprocess Technology. – 2020. – V. 13. – № 1. – P. 1–29. doi: 10.1007/s11947-019-02337-4
  17. De Pelsmaeker, S. Consumer-driven product development and improvement combined with sensory analysis: a case-study for European filled chocolates / S. De Pelsmaeker, X. Gellynck, C. Delbaere, N. Declercq, K. Dewettinck // Food Quality and Preference. – 2015. – V. 41. – P. 20–29. doi: 10.1016/j.foodqual.2014.10.009
  18. Ding, H. The application of artificial intelligence and big data in the food industry / H. Ding, J. Tian, W. Yu, D. I. Wilson, B. R. Young, X. Cui et al. // Foods. – 2023. – V. 12. – № 24. – Article 4511. doi: 10.3390/foods12244511
  19. Shahbazi, Z. A procedure for tracing supply chains for perishable food based on blockchain, machine learning and fuzzy logic / Z. Shahbazi, Y.-C. Byun // Electronics. – 2020. – V. 10. – № 1. – Article 41. doi: 10.3390/electronics10010041
  20. Краснов, А. Е. Исследование свойств объектов пищевой биотехнологии на основе теории нечетких множеств / А. Е. Краснов, О. Н. Красуля, С. А. Красников, Ю. Г. Кузнецова, С. В. Николаева, В. Ю. Яньков // Хранение и переработка сельскохозяйственного сырья. – 2005. – № 3 . – С. 23–27. Krasnov, A. Ye. Study of food biotechnology products by non-concrete equations theory / A. Ye. Krasnov, O. N. Krasulya, S. A. Krasnikov, Yu. G. Kuznetsova, S. V. Nikolaeva, V. Yu. Yankov // Storage and Processing of Farm Products. – 2005. – № 3. – P. 23–27.
  21. Краснов, А. Е. Нечеткая логика как основа моделирования рецептур мясных продуктов / А. Е. Краснов, О. Н. Красуля, С. А. Красников, Ю. Г. Кузнецова, С. В. Николаева // Мясная индустрия. – 2005. – № 3. – С. 45–47. Krasnov, A. Ye. Fuzzy logic as a base for modelling of formulations for meat products / A. Ye. Krasnov, O. N. Krasulya, S. A. Krasnikov, Yu. G. Kuznetsova, S. V. Nikolaeva // Meat Industry. – 2005. – № 3. – P. 45–47.
  22. Никитина, М. А. Алгоритм нечеткой многокритериальной оптимизации составления мясного фарша заданной пищевой ценности / М. А. Никитина, Б. Р. Каповский, А. А. Семенова, А. С. Дыдыкин, В. А. Пчелкина // Все о мясе. – 2024. – № 6. – С. 64–68. doi: 10.21323/2071-2499-2024-6-64-68. Nikitina, M. A. The algorithm of fuzzy multi-criteria optimization of the preparation of minced meat of a given nutritional value / M. A. Nikitina, B. R. Kapovsky, A. A. Semenova, A. S. Didikin, V. A. Pchelkina // Vsyo o Myase. – 2024. – № 6. – Р. 64–68. doi: 10.21323/2071-2499-2024-6-64-68
  23. Nikitina, M. Fuzzy logic in determination of sensory characteristics of freeze-dried yoghurts with fruit fillers / M. Nikitina, I. Krasnova, G. Semenov // Data Science and Algorithms in Systems. CoMeSySo 2022. Lecture Notes in Networks and Systems. – Switzerland: Springer. – 2023. – V. 597. – P. 710–716. doi: 10.1007/978-3-031-21438-7_59
  24. Todorov, Y. An intelligent approach to formulate the contents of novel functional food / Y. Todorov, M. Doneva, P. Metodieva, I. Nacheva // 2014 IEEE International Symposium on Innovations in Intelligent Systems and Applications (INISTA) Proceedings. – IEEE Computer Society Press – 2014. – P. 98–103. doi: 10.1109/INISTA.2014.6873603
  25. Колодязная, В. С. Применение нечетких множеств при оптимизации компонентного состава пищевых продуктов профилактического назначения / В. С. Колодязная, Л. А. Байченко, И. Н. Яковлева // Процессы и аппараты пищевых производств. – 2012. – № 1. – С. 32. Kolodyaznaya, V. S. Application of fuzzy sets in the optimization of the component composition of food prophylactic / V. S. Kolodjaznaja, L. A. Baychenko, I. N. Jakovleva // Processes and Food Production Equipment. – 2012. – № 1. – P. 32.
  26. Аллямшин, М. А. Система контроля качества технологического процесса изготовления хлебобулочных изделий на основе нечетко-логических моделей / М. А. Аллямшин, П. М. Мурашев, В. Н. Богатиков // Вестник Тверского государственного технического университета. Серия «Технические науки». – 2020. – № 3 (7). – С. 73–88. doi: 10.46573/2658-5030-2020-3-73-88. Allyamshin, M. A. Quality control system for the technological process of the bakery products manufacture based on fuzzy logic models / M. A. Allyamshin, P. M. Murashev, V. N. Bogatikov // Vestnik of Tver State Technical University. Series «Technical Science». – 2020. – № 3 (7). – P. 73–88. doi: 10.46573/2658-5030-2020-3-73-88
  27. Bahram-Parvar, M. Adaptive neuro-fuzzy inference system (ANFIS) simulation for predicting overall acceptability of ice cream / M. Bahram-Parvar, F. Salehi, S. M. A. Razavi // Engineering in Agriculture, Environment and Food. – 2017. – V. 10 – № 2. – P. 79–86. doi: 10.1016/j.eaef.2016.11.001
  28. Chen, C. FuzzyR: an extended fuzzy logic toolbox for the R programming language / C. Chen, T. R. Razak, J. M. Garibaldi // In Proceeding: 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). – IEEE Computer Society Press. – 2020. – P. 1–8. doi: 10.1109/FUZZ48607.2020.9177780
  29. Razak, T. R. Designing the hierarchical fuzzy systems via FuzzyR toolbox / T. R. Razak, C. Chen, J. M. Garibaldi, C. Wagner // In Proceeding: 2021 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) – IEEE Computer Society Press. – 2021. – P. 1–6. doi: 10.1109/FUZZ45933.2021.9494485
  30. Razak, T. R. Decomposing conventional fuzzy logic systems to hierarchical fuzzy systems / T. R. Razak, N. H. Kamis, N. H. Anuar, J. M. Garibaldi, C. Wagner // In Proceeding: 2023 IEEE International Conference on Fuzzy Systems (FUZZ). – IEEE Computer Society Press. – 2023. – P. 1–7. doi: 10.1109/FUZZ52849.2023.10309727
  31. Razak, T. R. Modelling hierarchical fuzzy systems for mango grading via FuzzyR toolkit / T. R. Razak, N. H. Anuar, J. M. Garibaldi, C. Wagner // In Proceeding: 2022 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). – IEEE Computer Society Press. – 2022. – P. 1–8. doi: 10.1109/FUZZ-IEEE55066.2022.9882553
  32. Kaushik, N. Application of fuzzy logic technique for sensory evaluation of high pressure processed mango pulp and litchi juice and its comparison to thermal treatment / N. Kaushik, A. R. Gondi, R. Rana, P. S. Rao // Innovative Food Science & Emerging Technologies. – 2015. – V. 32. – P. 70–78. doi: 10.1016/j.ifset.2015.08.007
  33. Fatma, S. Fuzzy analysis of sensory data for ranking of beetroot candy / S. Fatma, N. Sharma, S. P. Singh, A. Jha, A. Kumar // International Journal of Food Engineering. – 2016. – V. 2. – № 1. – P. 26–30. doi: 10.18178/ijfe.2.1.26-30
  34. Lasunon, P. Fuzzy analytical modeling for sensory evaluation of water meal (Wolffia arrhiza (L.) Wimm.) – rice cracker / P. Lasunon, N. Sengkhamparn // Engineering and Applied Science Research. – 2016. – V. 43. – P. 291–293.
  35. Faisal, S. Sensory evaluation of probiotic whey beverages formulated from orange powder and flavor using fuzzy logic / S. Faisal, S. Chakraborty, W. Devi, M. Hazarika, V. Puranik // International Food Research Journal. – 2017. – V. 24 – № 2. – P. 703–710.
  36. Tahsiri, Z. Sensory evaluation of selected formulated milk barberry drinks using the fuzzy approach / Z. Tahsiri, M. Niakousari, S. Khoshnoudi-Nia, S. M. H. Hosseini // Food Science & Nutrition. – 2017. – V. 5. – № 3. – P. 739–749. doi: 10.1002/fsn3.454
  37. Wirsam, B. Fuzzy sets and fuzzy decision making in nutrition / B. Wirsam, A. Hahn, E. O. Uthus, C. Leitzmann // European Journal of Clinical Nutrition. – 1997. – V. 51. – № 5. – P. 286–296. doi: 10.1038/sj.ejcn.1600378
  38. Wirsam, B. The use of fuzzy logic in nutrition / B. Wirsam, E. O. Uthus // The Journal of Nutrition. – 1996. – V. 126 (9). – P. 2337S-2341S. doi: 10.1093/jn/126.suppl_9.2337S

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».