CC BY
11
СЫРЬЕ И ДОБАВКИ
Экспертная система
при проектировании многокомпонентных пищевых продуктов
A.Г. Храмцов
Северо-Кавказский государственный технический университет
B.В. Садовой, И.А. Трубина
Ставропольский государственный аграрный университет
Отличительная черта программирования экспертных систем (ЭС) - их способность накапливать знания и опыт наиболее квалифицированных специалистов (экспертов) в какой-либо узкой предметной области. Затем с помощью этих знаний пользователи ЭС, имеющие обычную квалификацию, могут решать свои текущие задачи столь же успешно, как это сделали бы сами эксперты. Такой эффект достигается благодаря тому, что экспертная система в своей работе воспроизводит примерно ту же схему рассуждений, которую обычно применяет человек при анализе проблемы. Программирование ЭС - это часть области, которую называют «программирование искусственного интеллекта (ИИ)». Программирование ИИ часто определяется «от противного», как все то, что не укладывается в рамки процедурного программирования. Для этих программ характерно то, что они имеют дело со сложными проблемами, которые недостаточно хорошо понимаются. Для исследуемых проблем не существует четко заданных алгоритмичес-
ких решений, и они могут быть изучены с помощью того или иного механизма символических рассуждений. От вида деятельности пользователя зависят и функции, которыми наделяются создаваемые для них ЭС [1, 2].
Компьютерные системы, которые могут лишь повторить логический вывод эксперта, принято относить к ЭС первого поколения. Однако специалисту, решающему интеллектуально сложную задачу, явно недостаточно возможностей системы, которая лишь имитирует деятельность человека. Ему нужно, чтобы ЭС выступала в роли полноценного помощника и советчика, способного проводить анализ данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решения новых, ранее не рассматривающихся задач. Создание ЭС с широким спектром возможностей, являющихся не механическими исполни-
Рис. 1. Ввод исходных данных и создание экспертной системы
телями воли человека, а его равноправными партнерами при поиске решений в сложных ситуациях, требует привлечения инструментальных средств программирования. При разработке ЭС вместо алгоритма решения задачи программист составляет ее логическую спецификацию. Экспертные системы оптимально адаптированы для декодирования соответствующей информации, представленной на естественном языке [3].
Одна из особенностей ЭС - использование ими эвристики, т. е. эмпирического правила, с помощью которого эксперт в отсутствие формулы или алгоритма пытается осуществить свои намерения. Если же алгоритм есть, то человек воспользуется им. Большинство лучших эвристических программ стремятся просто смоделировать процессы рассуждения человека. Экспертные системы, как правило, работают в интерактивном режиме, т. е. обмениваются информацией и выводами с пользователем в форме диалога.
Для создания сбалансированного продукта программе необходимо указать рецептурный состав изделия или, наоборот, требуемые функционально-технологические характеристики и соотношение незаменимых основных компонентов (белка, жира, углеводов, аминокислот и т.д.), и она сообщит последовательность более простых соединений, которую можно использовать для получения интересующего нас продукта. Если существует несколько способов получения такого продукта, то система их перечислит, что позволит выбрать наиболее подходящую композицию. Создание рецептурной композиции представляет задачу нахождения маршрута в «дереве поиска». Желаемый конечный продукт создается из более простых соединений, они, в свою очередь, - из еще более простых и т. д., до тех пор, пока не будут достигнуты исходные материалы. Причем в каждом пищевом продукте соотношение исходных компонентов различно в зависимости от вида продукта [4].
Один из наиболее эффективных методов создания экспертной системы -разработка нейронной сети на основе проведенных экспериментальных исследований и полученной базы данных. На примере проектирования рецептурных композиций мясопродуктов с заданными функционально-технологическими свойствами и составом рассмотрим основные принципы разработки экспертных систем на основе нейросетевых алгоритмов. Результаты экспериментов по разработке рецептур вареных колбасных изделий с белко-во-углеводными продуктами животного, растительного и микробного проис-
RAW MATERIALS AND ADDITIVES
1011% НЕ БЕЛОК |ЖИР ТРИП |ЛЕЙЦ |И30Л |вАЛ
18 18 1 7 4 5
< | мм | >
Outputs Shown |Variables
siadis ОКАРА I ОКАЛ АКТ БЕЛ КО CT IflP БЕЛ IAPKOH 1ЛАКТ0Б
Output D.5639098 0.06015 2.330827 0.9578947 9.096992 1.315789
< н >
Рис. 3. Проектирование рецептур мясопродуктов с заданными составом и функционально-технологическими свойствами
ровать рецептуры вареных колбасных изделий с требуемыми ФТС и составом для различных категорий населения.
ЛИТЕРАТУРА
хождения, гидроколлоидами и пищевыми волокнами сведем в одну матрицу, которая может впоследствии дополняться новыми данными, т. е. быть открытой для других экспертов. По полученной базе данных была разработана архитектура нейронной сети (рис. 1), входными параметрами в которой являются: количественное содержание в рецептуре говядины высшего, 1 и 2 сортов (х1, х2, х3), свинины нежирной (х4), шпика (х5), жилки (х6); функционально-технологические показатели -выход готовой продукции к массе основного сырья (х7), водосвязывающая способность фарша (х8), стабильность эмульсии фаршевой системы (х9), содержание белка и жира в готовом продукте (х10, х11), аминокислотный состав (х12 - х19). Выходными параметрами в разработанной нейронной сети служили: содержание в рецептуре пищевого соевого обогатителя (у), комплексной системы «ОкаЛакт» (у2), яйца куриного (у3), белкового продукта костного остатка (у4), белкового продукта дрожжевой биомассы (у5), соевого концентрата Агсоп-Б (гидратированного) (у6), лактобела (у7), сухого обезжиренного молока (у8), бифидогенного концентрата КБУ-Рс (у9), лактозы (у10), лактулозы (у11), гелевой добавки «Синергист» (у2), хитозана (у3), агар-агара (у14), пектина (у15), пищевых волокон пшеничных отрубей (у16), метилцеллюло-зы (у17), карбоксиметилцеллюлозы (у18). Таким образом, в нейронную сеть вводятся количественное соотношение мясного сырья, требуемые функционально-технологические показатели и требуемый аминокислотный состав, приближенный к эталону ФАО, а нейронная сеть рассчитывает, какие пищевые добавки следует использовать и в каком соотношении, чтобы достичь желаемого результата (рис. 1, 2).
Для проектирования рецептур с заданным составом и функционально-технологическими свойствами пользуются модулем статистических нейронных сетей one-off (рис. 3). В строку Input вводятся входные переменные, нейронная сеть рассчитывает выходные параметры и выводит их в строку Output. Нейронная сеть способна проектировать не только единичные рецептуры, но и обрабатывать базы данных.
Следует отметить, что если у разработчика рецептуры нет в наличии одного или нескольких компонентов, то по имеющейся матрице можно создать новую нейронную сеть, в которой эти ингредиенты можно обозначить входными, и при моделировании композиции приравнять к нулю.
Важно и то, что разработанная база данных при проведении дальнейших исследований может уточняться, расширяться как в факторном пространстве, так и по увеличению количества опытов, что дает возможность накапливать материалы экспериментальных исследований и осуществлять не только оптимизацию, но и анализ действия каждого фактора на ход технологического процесса. На основании проведенных экспериментальных исследований разработаны общая открытая база данных и экспертная система в виде нейронной сети, способная проекти-
1. Дюк В., Самойленко А. Data mining: учебный курс. - СПб.: Питер, 2001.
2. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6/Под общ. ред. В.Г. Потемкина.- М.: ДИАЛОГ -МИФИ, 2002.
3. Адаменко А.Н., Кучуков А.М. Логическое программирование и Visual Prolog. - СПб.: БХВ-Петербург, 2003.
4. Лорьер Ж.-Л. Системы искусственного интеллекта. - М.: Мир, 1991.
