ЭлБиб

ции соевого экстракта и, еще недостаточно полно и широко используемый в отече

ственном производстве пищевых продуктов.

Результаты исследований показали, что компонентный состав окары по со

держанию питательных веществ (белок - 4,5

жир - 4,0 %) сравним с коровьим

молоком (белок - 2,8

жир - 4,7

и, помимо того, является источником пищевой

клетчатки (6 %), углеводов (9,5 %) и двухвалентного железа (0,8 мг%), отмечено

также высокое качество соевого белка окары по сравнению с другими растительны

ми белками и белками соевых продуктов, что позволяет считать данный продукт

перспективным с точки зрения его дальнейшего использования в качестве исходного

сырья или компонента при создании новых форм пищи с заданными лечебными и

профилактическими свойствами.

Для оптимизации композиционного состава разрабатываемых рецептур мяс

ных продуктов с использованием соевой окары применялся пакет ПП «Нейронные

сети».

Пакет

Neural Networks Toolbox

содержит средства для проектирования, моде

лирования, обучения искусственных нейронных сетей (ИНС) от базовых моделей

персептрона до самых современных ассоциативных и самоорганизующихся сетей.

Для каждого типа архитектуры и обучающего алгоритма ИНС имеются функции

инициализации, обучения, адаптации, создания, моделирования, демонстрации, а

также примеры применения. Искусственные многослойные нейронные сети конст

руируются по принципам построения их биологических аналогов. Они уже сейчас

способны решать широкий круг задач распознавание образов, идентификации,

управления сложивши нелинейными объектами, роботами и т.д. В настоящее время

дальнейшее повышение производительности компьютеров связывают с ИНС. С по

мощью ИНС можно решить такие задачи, как: классификация образов, кластериза

ция или категоризация, аппроксимация функции, предсказание или прогноз, оптими

зация, адресуемая по содержимому память, управление.

Многочисленные проблемы в математике, статистике, технике, науке, меди

цине и экономике рассматриваются прежде всего как проблемы оптимизации. Зада

чей алгоритма оптимизации является нахождение такого решения, которое удовле

творяет системе ограничений и максимизирует или минимизирует целевую функ

цию. Под нейронными сетями подразумеваются вычислительные структуры, кото

рые моделируют простые биологические процессы, обычно ассоциируемые с про

цессами человеческого мозга. Адаптируемые и обучаемые, они представляют собой

распараллеленные системы, способные к обучению путем анализа положительных и

отрицательных воздействий. Элементарным преобразователем в этих сетях является

искусственный нейрон, названный по аналогии с биологическим прототипом. Ис

кусственная нейронная сеть - это набор нейронов, соединенных между собой. Как

правило, передаточные функции всех нейронов в сети фиксированы, а веса являются

параметрами сети и могут изменяться. Некоторые входы нейронов помечены как

внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая лю

бые числа на входы сети, получаем набор чисел на выходах сети. Таким образом,

работа сети состоит в преобразовании входного вектора X в выходной вектор У,

причем это преобразование задается весами сети.

В процессе функционирования сети осуществляется преобразование входного

вектора в выходной, т.е. производится некоторая переработка информации. В много

слойных сетях нейроны объединяются в слои. Слой содержит совокупность нейро

нов с едиными входными сигналами. Число нейронов в каждом слое может бьггь

любым и никак заранее не связано с количеством нейронов в других слоях. В общем

случае сеть состоит из Q слоев, пронумерованных слева направо. Внешние входные

сигналы подаются на входы нейронов первого слоя (входной слой часто нумеруют

как нулевой), а выходами сети являются выходные сигналы последнего слоя. Вход

нейронной сети можно рассматривать как выход «нулевого слоя» вырожденных

нейронов, которые служат лишь в качестве распределительных точек, так как сум

мирование и преобразование сигналов здесь не производится. Кроме входного и вы

ходного слоев в многослойной нейронной сети есть один или несколько промежу

точных (скрытых) слоев. Связи от выходов нейронов некоторого слоя q ко входным

нейронам следующего слоя (q+1) называют последовательными. В свою очередь

130

Сборник статей международной конференции

Научная электронная библиотека ЦНСХБ