Download - 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
TRAZABILIDAD DE ACEITE DE OLIVA
• Objetivo: CLASIFICAR correctamente muestras de aceite de la región de Liguria
Vernazza
Rio Maggiore
8
TRAZABILIDAD DE ACEITE DE OLIVA
• 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
TRAZABILIDAD ACEITE DE OLIVA
• ANÁLISIS QUIMIOMÉTRICO– Preprocesado: los datos deben tener rango
uniforme de variabilidad
∑=
=
=ij
jj
ii
x
xx
1
ˆ
11
TRAZABILIDAD ACEITE DE OLIVA
• 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
TRAZABILIDAD ACEITE DE OLIVA
• ANÁLISIS QUIMIOMÉTRICO– PCA
LDA
ANN
CONDICIONES CLIMATOLÓGICAS
13
TRAZABILIDAD ACEITE DE OLIVA
• ANÁLISIS QUIMIOMÉTRICO– LDA
Alta sensibilidad: 89,9%
Baja selectividad: 58,2%
Muestras Liguria
Muestras no Liguria
RELACIÓN ENTRE VARIABLES MUY COMPLEJA ANN
14
TRAZABILIDAD ACEITE DE OLIVA
• ANÁLISIS QUIMIOMÉTRICO– ANN
Conjunto de validación
Conjunto de entrenamiento
186 muestras
94 muestras
Subconjunto de examen
634 muestras
RETROPROPAGACIÓN
15
TRAZABILIDAD ACEITE DE OLIVA
• ANÁLISIS QUIMIOMÉTRICO– ANN
• Hasta 50 redes diferentes
Capa entrada
44 neuronas
25 neuronas
1 neurona
Capa escondida Capa salida
MEJOR RED NEURONAL
16
TRAZABILIDAD ACEITE DE OLIVA
• ANÁLISIS QUIMIOMÉTRICO– ANN
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)
APLICACIÓN DE UN SENSOR COMO TÉCNICA DE ANÁLISIS
20
OBJETIVOS
Monitorizar cambios de composición
Evaluación mediante clasificación correcta
Comparación con el panel sensorial
PCA
ANN
ANN y PLS
APLICACIÓN DE UN SENSOR COMO TÉCNICA DE ANÁLISIS
21
(a) Frutas del bosque
(b) Leche simple
(c) Fresa
(d) Manzana/ Pera
APLICACIÓN DE UN SENSOR COMO TÉCNICA DE ANÁLISIS
• 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
APLICACIÓN DE UN SENSOR COMO TÉCNICA DE ANÁLISIS
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
APLICACIÓN DE UN SENSOR COMO TÉCNICA DE ANÁLISIS
24
• 20 medidas entrenamiento
• 10 medidas validación
• 30 medidas
ANN
PLS
VS
APLICACIÓN DE UN SENSOR COMO TÉCNICA DE ANÁLISIS
• TERCER OBJETIVO: comparación con el panel sensorial
25
APLICACIÓN DE UN SENSOR COMO TÉCNICA DE ANÁLISIS
• 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.