استخدام الشبكات العصبونية في نمذجة عمليات التصنيع الغذائي

1. ‫الغذائي‬ ‫التصنيع‬ ‫في‬ ‫النمذجة‬
‫الشبكات‬‫العصبونية‬‫الصناعية‬
ARTIFICIEL NEURAL
NETWORK ANN
‫د‬.‫ألفين‬ ‫أحمد‬ ‫فرحان‬
‫البعث‬ ‫جامعة‬
‫والبترولية‬ ‫الكيميائية‬ ‫الهندسة‬ ‫كلية‬
‫الغذائية‬ ‫الهندسة‬ ‫قسم‬

2. ‫مقدمة‬
•‫الصنعي‬ ‫الذكاء‬ ‫والدة‬ ‫تمت‬Artificial Intelligent (AI)
‫عام‬ ‫صيف‬1965‫دراسة‬ ‫هدفها‬ ‫كان‬ ‫بحث‬ ‫حلقة‬ ‫انعقاد‬ ‫أثناء‬
‫بالذ‬ ‫وصفها‬ ‫يمكن‬ ‫عمليات‬ ‫في‬ ‫الحاسب‬ ‫استخدام‬ ‫امكانية‬‫كية‬.
•‫المج‬ ‫هذا‬ ‫تعريف‬ ‫على‬ ‫مدرستان‬ ‫تنافست‬ ‫الحين‬ ‫ذلك‬ ‫ومنذ‬‫ال‬
‫يسلكه‬ ‫أن‬ ‫يجب‬ ‫الذي‬ ‫المنحى‬ ‫وتحديد‬ ،‫الجديد‬.
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 2

3. ‫مقدمة‬:‫الصنعي‬ ‫الذكاء‬ ‫في‬ ‫األول‬ ‫االتجاه‬
•‫إلى‬ ‫األولى‬ ‫المدرسة‬ ‫سعت‬‫الب‬ ‫التفكير‬ ‫محاكاة‬‫شري‬
Making Mind‫عند‬ ‫التفكير‬ ‫ملكة‬ ‫تقليد‬ ‫أي‬
‫و‬ ،‫للحاسب‬ ‫الحالية‬ ‫البنية‬ ‫باستخدام‬ ‫البشر‬‫أدى‬ ‫قد‬
‫الصنع‬ ‫الذكاء‬ ‫يسمى‬ ‫ما‬ ‫تطوير‬ ‫إلى‬ ‫االتجاه‬ ‫هذا‬‫ي‬
‫التقليدي‬(‫ال‬ ‫قواعد‬ ‫أنظمة‬ ‫أو‬ ‫الخبيرة‬ ‫األنظمة‬‫معرفة‬
‫الرمزية‬ ‫المعطيات‬ ‫مع‬ ‫تتعامل‬ ‫التي‬.)
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 3

4. ‫مقدمة‬:‫االتجاه‬‫الثاني‬‫الصنعي‬ ‫الذكاء‬ ‫في‬
•‫البشري‬ ‫الدماغ‬ ‫نمذجة‬ ‫على‬ ‫عملت‬ ‫الثانية‬ ‫المدرسة‬ ‫أما‬
Modeling the brain‫على‬ ‫أي‬‫الكترونية‬ ‫أنظمة‬ ‫تصميم‬
‫االنسان‬ ‫دماغ‬ ‫وعملها‬ ‫بنيتها‬ ‫في‬ ‫تشبه‬‫نت‬ ‫كانت‬ ‫والتي‬ ،‫يجتها‬
‫أنذاك‬ ‫ودعيت‬ ‫العصبية‬ ‫الشبكة‬Perceptron.‫هذا‬ ‫لكن‬
‫ف‬ ‫النظام‬ ‫يستطع‬ ‫لم‬ ‫عندما‬ ‫الزمن‬ ‫من‬ ‫لفترة‬ ‫توقف‬ ‫االتجاه‬‫وقته‬ ‫ي‬
‫المنطقية‬ ‫العملية‬ ‫إجراء‬XOR‫في‬ ‫المسألة‬ ‫هذه‬ ‫حل‬ ‫تم‬ ‫حتى‬
‫عام‬1986.‫مثل‬ ‫مجاالت‬ ‫عدة‬ ‫في‬ ‫باهر‬ ‫نجاح‬ ‫بعدها‬ ‫حققت‬
‫االهداف‬ ‫وتحديد‬ ،‫االشارات‬ ‫وتحليل‬ ‫االشكال‬ ‫على‬ ‫التعرف‬
‫الصور‬ ‫على‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 4

5. ‫مقدمة‬:‫الصناعية‬ ‫العصبونية‬ ‫الشبكة‬ ‫تعريف‬
•‫فهي‬‫للشبك‬ ‫ومضمونها‬ ‫وشكلها‬ ‫بفعلها‬ ‫متواضعة‬ ‫محاكاة‬‫ة‬
‫االنسان‬ ‫دماغ‬ ‫في‬ ‫الموجودة‬ ‫الحيوية‬ ‫العصبية‬.
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 5

6. ‫مقدمة‬:‫الصناعية‬ ‫العصبونية‬ ‫الشبكة‬ ‫ميزات‬
•‫عن‬ ‫خاص‬ ‫بشكل‬ ‫مفيدة‬ ‫االصطناعية‬ ‫العصبية‬ ‫الشبكات‬‫تكون‬ ‫دما‬
‫خ‬ ‫نموذج‬ ‫على‬ ‫تعتمد‬ ‫التي‬ ‫التقليدية‬ ‫االحصائية‬ ‫النمذجة‬‫غير‬ ‫طي‬
‫كافية‬‫المتغيرات‬ ‫تحديد‬ ‫صحة‬ ‫من‬ ‫التأكد‬ ‫يمكن‬ ‫وال‬.
•‫النمذمجة‬‫بش‬ ‫االصطناعية‬ ‫العصبية‬ ‫الشبكات‬ ‫باستخدام‬‫غير‬ ‫كل‬
‫في‬ ‫فإنه‬ ‫االحصائية‬ ‫للنمذجة‬ ‫مشابه‬‫الض‬ ‫من‬ ‫ليس‬ ‫النمذجة‬‫روري‬
‫النظام‬ ‫ومخرجات‬ ‫مدخالت‬ ‫ارتباط‬ ‫معرفة‬.‫الشبكات‬ ‫تبني‬
‫ال‬ ‫ومخرجات‬ ‫مدخالت‬ ‫بين‬ ‫العالقة‬ ‫االصطناعية‬ ‫العصبية‬‫نظام‬
‫ما‬ ‫حد‬ ‫إلى‬ ‫الحقيقي‬ ‫الرتباطها‬ ‫مشابه‬ ‫بشكل‬.‫تلعب‬ ‫لذلك‬
‫التطبيقا‬ ‫في‬ ‫هام‬ ‫دور‬ ‫االصطناعية‬ ‫العصبية‬ ‫الشبكات‬‫ال‬ ‫التي‬ ‫ت‬
‫التقليدية‬ ‫االحصائية‬ ‫النمذجة‬ ‫عليها‬ ‫تنطبق‬.
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 6

7. 10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 7
•‫حوالي‬ ‫اإلنسان‬ ‫يمتلك‬100‫بليون‬‫عصبون‬

8. 10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 8
‫مع‬ ‫يرتبط‬ ‫عصبون‬ ‫كل‬100.000‫آخر‬ ‫عصبون‬.

9. ‫العصبون‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 9

10. ‫العصبون‬‫الصنعي‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 10
x1 w1
x2 w2
xn wn
............................
∑
b
ϕ W

11. ‫الرياضي‬ ‫التمثيل‬‫لعصبون‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 11
 j
jiji aWin ,
aj :Activation value of unit j
wj,I :Weight on the link from unit j to unit i
inI :Weighted sum of inputs to unit i
aI :Activation value of unit i
g :Activation function

12. 10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 12
Input
values
weights
Summing
function
Bias
b
Activation
functionLocal
Field
v
Output
y
x1
x2
xm
w2
wm
w1
 )(
………….

13. ‫التفعيل‬ ‫تابع‬activation function
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 13
•‫س‬ ‫ومشتقه‬ ‫لالشتقاق‬ ً‫ال‬‫وقاب‬ ً‫ا‬‫مستمر‬ ً‫ا‬‫تابع‬ ‫يكون‬ ‫أن‬‫الحساب‬ ‫هل‬.
•‫متناقص‬ ‫غير‬ ً‫ا‬‫انسيابي‬ ‫يكون‬ ‫أن‬.
Linear Activation Function
y = x

14. ‫تابع‬‫التفعيل‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 14
Sigmoid Activation Function
y = 1 / (1 + Exp(-x))

15. ‫التفعيل‬ ‫تابع‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 15
Logarithmic Activation Function
y = Log(1 + |x|)

16. ‫التفعيل‬ ‫تابع‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 16
Sine Activation Function
y = Sin(x)

17. ‫التفعيل‬ ‫تابع‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 17
Tanh Activation Function
y = Tanh(x)

18. ‫الشبكة‬ ‫نماذج‬‫العصبونية‬‫الصنعية‬
•‫الطبقات‬ ‫عدد‬ ‫حسب‬
•‫طبقتين‬ ‫ذات‬ ‫شبكة‬
•‫طبقات‬ ‫ثالث‬ ‫ذات‬ ‫شبكة‬
•‫الطبقات‬ ‫متعددة‬ ‫شبكة‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 18

19. 10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 19

20. ‫طبقات‬ ‫ثالث‬ ‫ذات‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 20
Input
layer
Output
layer
Hidden Layer
3-4-2 Network

21. ‫الطبقات‬ ‫متعددة‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 21

22. ‫حسب‬‫التغذية‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 22
‫األمامية‬ ‫التغذية‬feed-forward ‫التغذية‬ ‫عكسية‬Recurrent

23. ‫المتشابكة‬ ‫التغذية‬Recurrent network
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 23
z-1
z-1
z-1
input
hidden
output

24. ‫العصبية‬ ‫الشبكة‬ ‫إنشاء‬‫االصطناعية‬
•‫وليكن‬ ‫ما‬ ‫تطبيق‬ ‫إجراء‬ ‫اردنا‬ ‫إذا‬‫ما‬ ‫رقم‬ ‫تربيع‬‫ف‬ ‫ما‬ ‫شبكة‬ ‫باستخدام‬‫هي‬ ‫ما‬
‫اتباعها؟‬ ‫الواجب‬ ‫االجراءات‬
•‫مالئمة‬ ‫شبكة‬ ‫إنشاء‬ ‫البداية‬ ‫في‬ ‫علينا‬‫الخالي‬ ‫وبعدد‬ ‫الطبقات‬ ‫بعدد‬‫ا‬‫لهذا‬
‫التطبيق‬
•‫ثم‬‫نقوم‬‫الشبكة‬ ‫بتعليم‬‫رقم‬ ‫تربيع‬ ‫خاصية‬ ‫على‬
•‫ثم‬‫نقوم‬‫الشبكة‬ ‫باستخدام‬‫رقم‬ ‫أي‬ ‫أجل‬ ‫من‬.
•‫عملية‬ ‫على‬ ‫تدريبها‬ ‫هو‬ ‫الشبكة‬ ‫بتعليم‬ ‫المقصود‬،‫التربيع‬‫ن‬ ‫إذ‬‫من‬ ‫بعدد‬ ‫أتي‬
‫وليكن‬ ‫االرقام‬100‫الشب‬ ‫خرج‬ ‫وفي‬ ‫الرقم‬ ‫الشبكة‬ ‫دخل‬ ‫في‬ ‫نضع‬ ،‫رقم‬‫كة‬
‫ترب‬ ‫هو‬ ‫وهذا‬ ‫العدد‬ ‫هو‬ ‫هذا‬ ‫أن‬ ‫الشبكة‬ ‫نخبر‬ ‫أننا‬ ‫بمعنى‬ ‫الرقم‬ ‫هذا‬ ‫مربع‬‫يعه‬
‫عن‬ ‫الناتج‬ ‫الخطأ‬ ‫حساب‬ ‫ويتم‬ ً‫ا‬‫أمامي‬ ً‫ا‬‫تمرير‬ ‫الرقم‬ ‫تمرير‬ ‫فيتم‬‫التمرير‬
‫الش‬ ‫تستقر‬ ‫التدريبات‬ ‫من‬ ‫عدد‬ ‫وبعد‬ ‫االرقام‬ ‫لبقية‬ ‫وهكذا‬ ‫الخلفي‬‫خطأ‬ ‫مع‬ ‫بكة‬
‫أ‬ ‫الشبكة‬ ‫استقرت‬ ‫أجلها‬ ‫من‬ ‫التي‬ ‫األوزان‬ ‫تخزين‬ ‫يتم‬ ‫عندها‬ ‫مقبول‬‫ي‬
‫األوزان‬ ‫ملف‬ ‫هو‬ ‫التدريب‬ ‫عملية‬ ‫حاصل‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 24

25. ‫العصبية‬ ‫الشبكة‬ ‫تدريب‬‫االصطناعية‬
•‫ضبط‬ ‫الشبكة‬ ‫تدريب‬ ‫بعملية‬ ‫يقصد‬‫األوزان‬.
•‫بشعاع‬ ‫الدخل‬ ‫قيم‬ ‫من‬ ‫مجموعة‬ ‫كل‬ ‫ترمز‬Vector‫وكذلك‬
‫الخرج‬ ‫قيم‬ ‫لمجموعات‬ ‫بالنسبة‬ ‫األمر‬.
•‫الخ‬ ‫بشعاع‬ ‫مرتبط‬ ‫دخل‬ ‫شعاع‬ ‫كل‬ ‫أن‬ ‫التدريب‬ ‫يفترض‬‫رج‬
‫يدعى‬ ‫واحد‬ ً‫ا‬‫زوج‬ ‫يشكالن‬ ‫بحيث‬ ‫المطلوب‬‫التدريب‬ ‫زوج‬.‫يتم‬
‫التدريب‬ ‫أزواج‬ ‫من‬ ‫عدد‬ ‫على‬ ‫عادة‬ ‫الشبكة‬ ‫تدريب‬.
•‫يجب‬ ‫فإنه‬ ‫التدريب‬ ‫بعملية‬ ‫البدء‬ ‫قبل‬‫األ‬ ‫جميع‬ ‫تهيئة‬‫وزان‬‫بقيم‬
‫عشوائية‬‫صغيرة‬
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 25

26. ‫المراقب‬ ‫التدريب‬Supervised Training
•‫ا‬ ‫للشبكات‬ ‫معلم‬ ‫بواسطة‬ ‫التدريب‬ ‫طرق‬ ‫كل‬ ‫تقوم‬‫لعصبية‬
‫التدريب‬ ‫البيانات‬ ‫عرض‬ ‫فكرة‬ ‫على‬ ‫االصطناعية‬‫أمام‬ ‫ية‬
‫متجهة‬ ‫وهما‬ ‫األشكال‬ ‫من‬ ‫زوج‬ ‫هيئة‬ ‫على‬ ‫الشبكة‬
‫المدخالت‬input‫المستهدف‬ ‫الخرج‬ ‫ومتجهات‬
target.
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 26

27. 10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 27
>

28. ‫المراقب‬ ‫غير‬ ‫التدريب‬Unsupervised Training
•‫عن‬ ‫عبارة‬ ‫التدريب‬ ‫فئة‬ ‫تكون‬ ‫الطريقة‬ ‫هذه‬ ‫في‬‫مت‬‫جهة‬
‫المدخالت‬‫فقط‬‫الشبكة‬ ‫على‬ ‫الهدف‬ ‫عرض‬ ‫دون‬‫وتس‬ ،‫مى‬
‫الطريقة‬ ‫هذه‬‫الذاتي‬ ‫التعليم‬‫الشبكا‬ ‫تبنى‬ ‫حيث‬‫العصبية‬ ‫ت‬
‫التعلي‬ ‫أساس‬ ‫على‬ ‫التعليم‬ ‫أساليب‬ ‫االصطناعية‬‫قدرتها‬ ‫م‬
‫م‬ ‫عليها‬ ‫يعرض‬ ‫لما‬ ‫المميزة‬ ‫الصفات‬ ‫اكتشاف‬ ‫على‬‫ن‬
‫داخلي‬ ‫تمثيل‬ ‫تطوير‬ ‫على‬ ‫وقدرتها‬ ‫وأنساق‬ ‫أشكال‬‫لهذه‬
‫أمثل‬ ‫عرض‬ ‫وبدون‬ ‫مسبقة‬ ‫معرفة‬ ‫دون‬ ‫وذلك‬ ‫االشكال‬‫ة‬
‫ال‬ ‫المبدأ‬ ‫عكس‬ ‫على‬ ‫وذلك‬ ‫تنتجه‬ ‫ان‬ ‫عليها‬ ‫يجب‬ ‫لما‬‫متبع‬
‫معلم‬ ‫بواسطة‬ ‫التعليم‬ ‫أسلوب‬ ‫في‬.
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 28

29. ‫الشبكة‬ ‫تعلم‬ ‫عدم‬ ‫أسباب‬
•‫تدر‬ ‫تم‬ ‫الذي‬ ‫التطبيق‬ ‫تناسب‬ ‫ال‬ ‫الشبكة‬ ‫نوعية‬،‫عليه‬ ‫يبها‬
‫أخرى‬ ‫شبكة‬ ‫اختيار‬ ‫يستلزم‬ ‫وهذا‬.
•‫مناسب‬ ‫غير‬ ‫الخاليا‬ ‫عدد‬.
•‫مناسبة‬ ‫غير‬ ‫الشبكة‬ ‫بها‬ ‫تبدأ‬ ‫التي‬ ‫األوزان‬.
•‫مناسب‬ ‫غير‬ ‫التعليم‬ ‫معدل‬.
•‫بعناية‬ ‫اختيارها‬ ‫يكن‬ ‫لم‬ ‫التدريب‬ ‫فئة‬.
•‫مناسب‬ ‫غير‬ ‫التفعيل‬ ‫تابع‬.
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 29

30. ‫الشبكة‬ ‫أهمية‬‫العصبونية‬‫الصناعية‬
•‫الشبكات‬ ‫تعتبر‬‫العصبونية‬‫أفض‬ ‫أحد‬ ‫الصناعية‬‫نماذج‬ ‫ل‬
‫أنظمة‬ ‫عمل‬ ‫طريقة‬ ‫من‬ ‫والمشتقة‬ ‫المعلومات‬ ‫معالجة‬
‫الحيوية‬ ‫األعصاب‬.
•‫فح‬ ‫الصعبة‬ ‫المشاكل‬ ‫حل‬ ‫على‬ ‫بقدرتها‬ ‫تتميز‬ ‫ال‬‫بل‬ ‫سب‬
‫الذاتي‬ ‫التعلم‬ ‫على‬ ‫وبقدرتها‬.
•‫الشبكة‬ ‫قوة‬ ‫تأتي‬‫العصبونية‬‫إع‬ ‫على‬ ‫قدرتها‬ ‫من‬‫طاء‬
‫يمكن‬ ‫ما‬ ‫أقرب‬ ‫وإنما‬ ‫واضح‬ ‫بمدخل‬ ‫مقترن‬ ‫غير‬ ‫خرج‬
‫المعروفة‬ ‫النماذج‬ ‫أحد‬ ‫إلى‬.
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 30

31. ‫أمثلة‬
• R. RUAN, S. ALMAER, and J. ZHANG, 1995, Prediction of Dough
Rheological Properties Using Neural Networks, Cereal Chemistry
72(3):308-311.
• Y. R. CHEN,' S. R. DELWICHE,I and W. R. HRUSCHKA, 1995,
Classification of Hard Red Wheat by Feedforward Backpropagation
Neural Networks, Cereal Chemistry 72(3):317-319.
• Fang Qi , Gerald Biby, Ekramul Haque, Milford A. Hanna, and
Charles K. Spillman, 1998, Neural Network Modeling of Physical
Properties of Ground Wheat, Cereal Chemistry 75(2):251-253
• E. Razmi-Rad, B. Ghanbarzadeh, S.M. Mousavi, Z. Emam-Djomeh,
J. Khazaei, 2007, Prediction of rheological properties of Iranian bread
dough from chemical composition of wheat flour by using artificial
neural networks, Journal of Food Engineering, 81:728-734.
10،‫حزيران‬16 Dr. Farhan Alfin 13 Slides 31