Identificação de adulterantes no leite bovino por meio de redes neurais artificiais e técnica cromática

0
146
DOI: ESTE ARTIGO AINDA NÃO POSSUI DOI SOLICITAR AGORA!
PDF

ARTIGO ORIGINAL

MAZER, Rodrigo Hans [1], ULSON, José Alfredo Covolan [2], MEDEIROS, Maria Izabel Merino de [3]

MAZER, Rodrigo Hans. ULSON, José Alfredo Covolan. MEDEIROS, Maria Izabel Merino de. Identificação de adulterantes no leite bovino por meio de redes neurais artificiais e técnica cromática. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 06, Ed. 02, Vol. 08, pp. 53-68. Fevereiro de 2021. ISSN: 2448-0959, Link de acesso: https://www.nucleodoconhecimento.com.br/engenharia-eletrica/adulterantes-no-leite

RESUMO

O leite é um dos produtos da agropecuária mais importantes da dieta humana e, ao longo da sua cadeia de produção, fraudes podem ocorrer. As práticas de fraudes no leite bovino são antigas e vêm evoluindo com o decorrer do tempo, tornando-se mais difíceis de serem identificadas. Atualmente, as abordagens para a identificação de adulterantes no leite são caras e demandam muito tempo para disponibilizarem resultados ao usuário. Nesse contexto, uma nova proposta para identificação de adulterantes foi apresentada com resultados promissores, tendo boas vantagens em relação às técnicas existentes, como baixo custo e rapidez. Por meio da propagação de ondas em meio material, ou seja, em amostras de leite puro e contaminado, sinais elétricos foram obtidos a partir de sensores piezelétricos adequadamente dispostos. Através da decomposição dos sinais por técnicas de processamento numéricos, foi possível identificar a existência de contaminantes nas amostras de leite. Nesse cenário, o objetivo deste trabalho foi propor uma abordagem para a classificação dos contaminantes. Para tal, foram estudados três contaminantes: ureia agrícola, bicarbonato de sódio e peróxido de hidrogênio na titulação de 0,5% e 1% tendo como referência o leite do tipo xandô padronizado. Devido à complexidade do problema, sistemas inteligentes baseados em redes neurais artificiais (RNAs) foram empregados a fim de identificar cada um dos contaminantes. Mais especificamente, redes perceptron multicamadas (PMC), rede de reconhecimento de padrões Patternnet e rede de base radial de regressão generalizada (GRNN) foram treinadas e validadas por meio da técnica de validação cruzada. O conjunto de dados continha 700 vetores utilizados em 100% do treinamento, validado com uma amostra de leite puro ou contaminado de 100 vetores, não pertencente ao mesmo banco de dados. Os resultados indicaram que as redes PMC e Patternnet foram capazes de fazer a identificação com a exatidão de 76,43% e 87,86% respectivamente. A rede GRNN apresentou resultados inferiores, além de não conseguir classificar amostras com bicarbonato de sódio. Contudo, a abordagem proposta mostrou-se factível à identificação de contaminantes em leite e pode contribuir na criação de sistemas mais baratos e portáteis para essa finalidade.

Palavras-chave: leite bovino, fraude no leite, RNAs.

1. INTRODUÇÃO

O leite é um dos produtos da agropecuária mais importantes da dieta humana. Está presente na alimentação de cerca de 80% da população, contribuindo com 5% da energia, 10% da proteína e 9% da gordura consumida no planeta (EMBRAPA, 2020). O leite pode sofrer adulteração criminosa com a adição de produtos que  podem causar graves consequências à saúde do consumidor, como intoxicação aguda, dermatite, dores de cabeça, tontura, asma, gastrite, náuseas e convulsões (HANDFORD; CAMPBELL; ELLIOTT, 2016). As adulterações/fraudes em leite são práticas históricas, acontecem desde a antiguidade e ocorrem até os dias de hoje. Algumas destas práticas vão ficando modernas e é um verdadeiro desafio monitorá-las e identificá-las. Nas adulterações verifica-se a utilização do hidróxido de sódio para  neutralizar o pH do leite, segundo Staples e Lough (1989), bem como a do peróxido de hidrogênio, que possui a função de prolongar o prazo de validade e eliminar micro-organismos em embalagens assépticas (EUROPEAN UNION, 2003). A ureia agrícola, presente na própria constituição do leite, como afirmam Trivedi et al. (2009), aumenta seu volume final, quando adicionado em maior quantidade. Em geral, usualmente são adicionados produtos mais baratos para aumentar a lucratividade.

Os equipamentos e metodologias mais utilizados para detecção de fraudes no leite atualmente são caros e demandam muito tempo para apresentarem resultados, o que estimula a busca de novas soluções para minimizar estes obstáculos. Trabalhos recentes estão sendo desenvolvidos com tecnologias diversas. Para se determinar a quantidade de ureia no leite, a técnica elaborada por Khan et al. (2015) combinou espectrômetro Raman – que detecta informações químicas e de estrutura de materiais – com algoritmos, e apresentou resultados superiores a 90%. Se utilizando de espectrômetro com infravermelho e transformada de Fourier, o trabalho de Coitinho et al. (2017) demonstrou sensibilidade de 100% para hidróxido de sódio, e boa calibração para outros adulterantes, como formaldeído. Um estudo de determinação de peróxido de hidrogênio por cromatografia líquida de alta eficiência retratou mais de 97% de precisão (IVANOVA et al., 2019).

Os transdutores piezelétricos são compostos de materiais com propriedades de transformação de vibrações mecânicas em tensões elétricas – como descrevem Kimura e Kim (1998) e Kim e Kim (2011) em seus trabalhos –, e efeito reverso, convertendo energia elétrica em mecânica (CRAWLEY; DE LUIS, 1987). Visando baixo custo nos equipamentos e velocidade nos resultados, o trabalho de Santos Junior (2019) apresentou em sua montagem dois transdutores piezelétricos de disco de cerâmica utilizados em monitoramento de integridade de estruturas, que propagaram ondas acústicas em amostras de leite dentro de um recipiente. Estes transdutores, excitados eletricamente, foram conectados a um dispositivo de aquisição de dados (DAQ). Realizou-se o processamento dos sinais utilizando-se da técnica cromática, como descrito por Jones et al., (2000), obtendo desta forma, a identificação de amostras de leite puro e leite contaminado, apresentados por meio de três parâmetros: energia, banda média e largura de banda equivalente. Na comparação das amostras de leite contaminado com amostras de leite puro, foi possível notar diferenças entre  estes parâmetros, que podem ser vistos na Figura 1. Desta forma, foi possível concluir que cada amostra possui uma característica própria, uma espécie de “impressão digital”.

Figura 1 – Mapa 3D  para classificação de amostras de leite puro e com contaminantes, extraído pelo processamento dos sinais através da Técnica Cromática.

Fonte: (SANTOS JUNIOR, 2019).

Nesse cenário, o objetivo deste trabalho foi a identificação dos adulterantes a partir das informações fornecidas pela técnica cromática (Figura 1) por meio de algoritmos baseados em inteligência artificial. Mais especificamente, redes neurais artificiais perceptron multicamadas (PMC), rede de reconhecimento de padrões Patternnet e rede de base radial de regressão generalizada (GRNN) foram treinadas e validadas por meio da técnica de validação cruzada a fim de identificar os seguintes contaminantes no leite: 0,5% e 1% de ureia, 0,5% e 1% de hidróxido de sódio (bicarbonato de sódio), 0,5% e 1% de peróxido de hidrogênio (água oxigenada), além do leite puro, totalizando assim, sete tipos de amostras. O conjunto de dados para o treinamento e validação foram extraídos do trabalho de Santos Junior (2019).

2. REDES NEURAIS ARTIFICIAIS

2.1 ASPECTOS GERAIS

A ferramenta de sistemas inteligentes utilizada para identificação neste trabalho foi a Rede Neural Artificial (RNA), que tem habilidade de aprender a partir de seu ambiente e melhorar seu desempenho (HAYKIN, 2001). A RNA surgiu com o início da neuro computação e é baseada nas atividades dos neurônios do cérebro humano, onde conjuntos de dados de entrada modulados por pesos sinápticos são processados e transformados por uma função de ativação (ou transferência) em sinal de saída (MCCULLOCH e PITTS, 1943) (KRÖSE et al., 1993). A capacidade de aprendizado dos neurônios está relacionada ao algoritmo utilizado pela RNA, fazendo parte do processo de treinamento (ABRAHAM, 2005).

O algoritmo perceptron é capaz de efetuar a classificação linear de padrões por meio do processo de aprendizagem, sendo a RNA mais simples (ROSENBLATT, 1958). A partir de associações em paralelo de neurônios interconectados, foram criados algoritmos para realização de processamentos mais complexos, formando arquiteturas de redes progressivas (feedforward) ou recorrentes (feedback). Na Figura 2 é mostrada a arquitetura de uma RNA com múltiplas camadas e destaca um neurônio artificial e seus pontos de entradas e saída.

Figura 2 – Representação de um neurônio artificial (a) e arquitetura típica de uma RNA de múltiplas camadas (b).

Fonte: O autor.

Matematicamente, o neurônio artificial é representado pela expressão (1):

As entradas x(onde j = 1-n) e os respectivos pesos sinápticos wkj efetuam a combinação linear que é acrescido do bias bk. O bias representa o limiar de ativação do neurônio. A função de ativação limita a amplitude da saída. A função de ativação pode ser uma função binária, linear, logística ou tangente hiperbólica.

Neste artigo foram empregadas três arquiteturas de RNA: rede Perceptron Multicamadas (PMC), rede de Regressão Generalizada e rede de Reconhecimento de Padrões.

2.2 REDE PERCEPTRON MULTICAMADAS

As redes perceptron multicamadas (PMC) são treinadas com o algoritmo de retro propagação (backpropagation) e podem possuir mais de uma camada de neurônios, sendo as RNAs mais utilizadas. As redes PMC consistem em camadas de entrada, camadas intermediárias (ou ocultas) e  a de saída (SVOZIL; KVASNICKA; POSPICHAL; 1997). O algoritmo de retro propagação ajusta os pesos da camada de saída até a camada de entrada. Para isto, são apresentados padrões de entrada à rede, que retornam valores na saída. De acordo com a diferença do valor desejado e a saída real da rede, os pesos sinápticos são ajustados e o processo repete-se até que uma condição pré-estabelecida de iterações ou erro mínimo, seja satisfeita (WERBOS, 1990). Na Figura 3 tem-se uma rede Feed-Forward perceptron de múltiplas camadas.

Figura 3 – Exemplo de rede Feed-Forward com duas camadas ocultas

Fonte: O autor.

A fim de otimizar o desempenho no aprendizado, algoritmos de segunda ordem são empregados. Na expressão (2) tem-se o ajuste dos pesos sinápticos segundo o algoritmo de Levenberg-Marquardt que apresenta um eficiência de 10 a 1000 vezes superior ao algoritmo backprogation original.

Na expressão 2 tem-se J como sendo a matriz jacobiana dos vetores de erros e(n) da RNA em relação aos pesos com n linhas. Na implementação computacional, μ é feito variável, aumentando quando a função custo diminui em interações sucessivas e diminuído quando a função custo aumenta.

2.3 REDE DE REGRESSÃO GENERALIZADA

Esta rede possui duas camadas intermediárias: a primeira, com função de ativação de base radial para aproximar funções, e a segunda, uma função linear especial que aplica pesos à sua camada de entrada para ponderá-las. A primeira camada intermediária possui a mesma quantidade de neurônios que os vetores de entrada e a taxa de propagação é um parâmetro que calcula a distância do vetor de entrada ao vetor de peso de um neurônio (WASSERMAN, 1993). A estrutura da RNA é mostrada na Figura 4 e representada pelas Equações (3-5), com as seguintes variáveis: padrões de entradas Xi, padrões desconhecidos , distâncias euclidianas ai, bias bi, saída do numerador dos neurônios cj, saída do denominador dos neurônios d, taxa de propagação σ e saídas estimadas ; i = 1,…,n, sendo n o número de neurônios da primeira camada intermediária; j = 1,…,ns, onde ns é o número de neurônios da segunda camada intermediária (NOSE FILHO, 2011).

Figura 4 – Estrutura de uma rede de Regressão Generalizada

Fonte: O autor.

2.4 REDE DE RECONHECIMENTO DE PADRÕES

Redes de Reconhecimento de Padrões (Pattern Recognition) são capazes de classificar entradas de acordo com classes de destino. São baseadas em redes PMC, possuindo duas camadas, com função de ativação do tipo tangente hiperbólica na primeira delas, e softmax na segunda (de saída), que é uma combinação de múltiplas funções sigmóides (KIM e PARK, 2018). Apresentada na Figura 5, esta RNA necessita da conversão das entradas para uma matriz binária que contém 0 em todos os vetores, com exceção das classes a serem representadas, com valor igual a 1. As saídas são dadas após outra conversão dos vetores binários para as classes originais.

Figura 5 – Diagrama de uma rede PatternNet

Fonte: O autor.

A camada de saída com função softmax é convenientemente utilizada para este tipo de RNA, uma vez que a função sigmóide é capaz de lidar com apenas duas classes. Na Equação (6) está demonstrada a saída do m-ésimo neurônio na camada da função softmax da teoria probabilística, onde: N é a quantidade de classes, W e A são vetores com j-ésimo elementos (YUAN, 2016).

Esta função de ativação combina várias funções sigmóides e retorna uma matriz SxQ, transformando vetores de valores diferenciados (inclusive negativos) em sua entrada, para a faixa de 0 a 1 e dividindo pela soma das saídas (YUAN, 2016). Sua característica pode ser observada na Figura 6.

Figura 6 – Gráfico com vetores de entrada e saída para uma função softmax.

Fonte: O autor.

3. ESTRUTURAÇÃO E IMPLEMENTAÇÃO DAS RNAS

Os dados dos conjuntos de amostras do trabalho de Santos Junior (2019) são matrizes de vetores identificados com o nome do adulterante, e possuem as seguintes características: três colunas (cada uma para um parâmetro da TC) por 100 linhas (parâmetros da TC no decorrer do tempo). Existem dois conjuntos de amostras, para garantir a repetibilidade da metodologia.

Para que a implementação em scripts no MATLAB (MATLAB, 2010) fosse efetuada, foram atribuídos números para cada um desses conjuntos, onde adicionou-se então, uma quarta coluna nas matrizes (repetidos em todas as 100 linhas de cada amostra). Esses números foram dispostos da seguinte forma: leite puro = 1; leite contaminado com 0,5% de bicarbonato de sódio = 2; leite contaminado com 1% de bicarbonato de sódio = 3; leite contaminado com 0,5% de ureia = 4; leite contaminado com 1% de ureia = 5; leite contaminado com 0,5% de peróxido de hidrogênio = 6 e leite contaminado com 1% de peróxido de hidrogênio = 7.

Desta forma, obteve-se dois conjuntos de matrizes de 700 linhas por quatro colunas, com sete possibilidades de resultados. Para a criação de um banco de dados, cada matriz de cada conjunto de leite adulterado ou leite puro teve seus componentes somados e depois divididos por dois, resultando em uma matriz de valores médios. Para o treinamento da RNA, as três primeiras colunas foram as entradas da rede, sendo a quarta coluna, a saída desejada.

As RNAs foram treinadas com o algoritmo Levenberg-Marquardt (trainlm), por conta de sua eficiência e rapidez para redes pequenas (YU e WILAMOWSKI, 2011). Toda a matriz de dados médios foi utilizada nos treinamentos.

Foram realizados cinco ensaios para cada RNA, com as parametrizações conforme visto na Tabela 1, em todas as 14 amostras (duas amostras para cada contaminante e duas para leite puro).

Para as redes Perceptron Multicamadas e de Reconhecimento de Padrões, foram alteradas as quantidades de neurônios e camada oculta para verificação de seus desempenhos. O parâmetro modificado na rede de Regressão Generalizada foi sua taxa de propagação (spread). Foram fixadas 2000 épocas, máximas quantidades de iterações executadas em cada treinamento.

Tabela 1 – Parâmetros usados em cada rede

Ensaio Rede Perceptron Multicamadas  (quantidade de neurônios) Rede de Regressão Generalizada (taxa de propagação) Rede de Reconhecimento de Padrões (quantidade de neurônios)
1 5 0,01 5
2 10 0,1 10
3 15 1 15
4 10 (camada 1)
5 (camada 2)
10 10 (camada 1)
5 (camada 2)
5 15 (camada 1)
10 (camada 2)
100 30

Fonte: O autor.

A validação é fundamental no processo de avaliação da RNA e para tal, foi escolhida uma amostra que não fazia parte do banco de dados médios e identificada como “Teste” – esse passo foi realizado manualmente para todas as amostras em cada experimentação. Depois de feito o treinamento, uma simulação foi efetuada e o vetor resultante foi comparado ao número atribuído à amostra que se desejou identificar, sendo considerado acerto apenas no caso de igualdade entre os dois valores. Desta forma, foi possível identificar se a amostra apresentada (“Teste”) se tratava de leite puro ou com algum tipo de contaminação conhecida, e, por fim, foi calculada a porcentagem de acertos das dez execuções totais da configuração.

4. RESULTADOS E DISCUSSÕES

Dentre as parametrizações executadas, buscou-se as configurações que funcionaram de forma generalizada para todos os ensaios com os maiores percentuais de acertos, tendo sido elas: 15 neurônios na 1ª camada e 10 neurônios na 2ª camada da rede PMC Feed-Forward, 30 neurônios na rede de Reconhecimento de Padrões e taxa de propagação de 100 para a rede de Regressão Generalizada.

Ao final de cada ensaio foi gerada uma tabela comparativa e os valores percentuais finais foram tabulados manualmente em uma planilha para comparação geral, por rede neural, para cada parâmetro utilizado. Na Tabela 2 estão apresentados os melhores percentuais de acertos obtidos com os parâmetros utilizados de forma geral para todas as amostras. É possível se verificar que a RNA com melhor resultados para esta comparação foi a de Reconhecimento de Padrões, com 87,86% de acertos, ficando a rede PMC com média de 76,43% de acertos, sendo que a rede de Regressão Generalizada foi capaz de identificar metade das amostras. Nenhuma rede foi capaz de identificar a amostra com contaminação de 1% de bicarbonato de sódio.

Tabela 2 – Melhores resultados obtidos para cada amostra nas três redes utilizadas

Amostra Rede Perceptron Multicamadas Rede de Regressão Generalizada Rede de Reconhecimento de Padrões
Leite puro (amostra 1) 100% 100% 100%
Leite puro (amostra 2) 10% 0% 100%
Leite contaminado com 0,5 % de Bicarbonato de Sódio (amostra 1) 100% 100% 100%
Leite contaminado com 0,5 % de Bicarbonato de Sódio (amostra 2) 100% 100% 100%
Leite contaminado com 1 % de Bicarbonato de Sódio (amostra 1) 10% 0% 30%
Leite contaminado com 1 % de Bicarbonato de Sódio (amostra 2) 0% 0% 0%
Leite contaminado com 0,5 % de Ureia (amostra 1) 100% 100% 100%
Leite contaminado com 0,5 % de Ureia (amostra 2) 100% 0% 100%
Leite contaminado com 1 % de Ureia (amostra 1) 100% 100% 100%
Leite contaminado com 1 % de Ureia (amostra 2) 100% 100% 100%
Leite contaminado com 0,5 % de Peróxido de Hidrogênio (amostra 1) 100% 100% 100%
Leite contaminado com 0,5 % de Peróxido de Hidrogênio (amostra 2) 100% 0% 100%
Leite contaminado com 1 % de Peróxido de Hidrogênio (amostra 1) 50% 0% 100%
Leite contaminado com 1 % de Peróxido de Hidrogênio (amostra 2) 100% 0% 100%
Média 76,43% 50,00% 87,86%

Fonte: O Autor.

5. CONCLUSÃO

Foram utilizadas três RNAs para identificar amostras de leite puro ou contaminado a partir de sinais processados pela técnica cromática. Os ensaios consistiram em alterações nas quantidades de neurônios, camada escondida ou taxa de propagação, de acordo com as estruturas de cada rede, onde se observou os desempenhos individuais e foram feitas comparações entre elas.

A rede de Reconhecimento de Padrões se destacou entre as RNAs ao identificar 12 amostras de um total de 14 (87,86%), parametrizada com 30 neurônios, onde não apresentou nenhum erro. A rede Perceptron Multicamadas também obteve resultado satisfatório com média de 76,43% de acertos. Já a RNA de Regressão Generalizada foi capaz de identificar metade das amostras apresentadas em seu melhor desempenho. Entretanto, a amostra de 1% de contaminação de bicarbonato de sódio não foi reconhecida por nenhuma rede neural, ainda que a contaminação com metade da porcentagem do mesmo adulterante foi identificada sem erro em todas as redes.

O experimento foi realizado com dois conjuntos de matrizes de cada amostra de leite contaminado ou puro, mas é possível concluir que a rede de Reconhecimento de Padrões pode ser utilizada em complemento com o trabalho anterior de Santos Junior (2019). Deve ser observada a importância de se utilizar uma quantidade de amostras maior para se permitir maior generalização das redes, além da expansão dos ensaios para outras ferramentas de RNAs.

AGRADECIMENTO

O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Brasil (CAPES) – Código de Financiamento 001.

REFERÊNCIAS

ABRAHAM, Ajith. Artificial neural networks. Handbook of measuring system design, 2005.

COITINHO, Tatiane Barbosa et al. Adulteration identification in raw milk using Fourier transform infrared spectroscopy. Journal of food science and technology, v. 54, n. 8, p. 2394-2402, 2017.

CRAWLEY, Edward F.; DE LUIS, Javier. Use of piezoelectric actuators as elements of intelligent structures. AIAA journal, v. 25, n. 10, p. 1373-1385, 1987.

EMBRAPA. Anuário Leite 2020. Disponível em: https://www.embrapa.br/busca-de-publicacoes/-/publicacao/1124722/anuario-leite-2020-leite-de-vacas-felizes. Acesso em Janeiro 2021.

EU (EUROPEAN UNION). Risk assessment report, hydrogen peroxide. 2003.

HANDFORD, Caroline E.; CAMPBELL, Katrina; ELLIOTT, Christopher T. Impacts of milk fraud on food safety and nutrition with special emphasis on developing countries. Comprehensive Reviews in Food Science and Food Safety, v. 15, n. 1, p. 130-142, 2016.

HAYKIN, Simon. Redes neurais: princípios e prática. Bookman Editora, 2001.

IVANOVA, Anastasia S. et al. Method for determination of hydrogen peroxide in adulterated milk using high performance liquid chromatography. Food chemistry, v. 283, p. 431-436, 2019.

KHAN, Khan Mohammad et al. Detection of urea adulteration in milk using near-infrared Raman spectroscopy. Food analytical methods, v. 8, n. 1, p. 93-102, 2015.

KIM, Bitna; PARK, Young Ho. Beginner’s guide to neural networks for the MNIST dataset using MATLAB. The Korean Journal of Mathematics, v. 26, n. 2, p. 337-348, 2018.

KIM, Heung Soo; KIM, Joo-Hyong; KIM, Jaehwan. A review of piezoelectric energy harvesting based on vibration. International journal of precision engineering and manufacturing, v. 12, n. 6, p. 1129-1141, 2011.

KIMURA, Mitsuteru. Piezo-electricity generation device. U.S. Patent n. 5,801,475, 1 set. 1998.

KRÖSE, Ben et al. An introduction to neural networks. 1993.

JONES, G. R. et al. The Gabor transform basis of chromatic monitoring. Measurement Science and Technology, v. 11, n. 5, p. 489, 2000.

MATLAB, Version. 7.10. 0 (R2010a). The MathWorks Inc., Natick, Massachusetts, 2010.

MCCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, v. 5, n. 4, p. 115-133, 1943.

NOSE FILHO, Kenji. Previsão de carga multinodal utilizando redes neurais de regressão generalizada. Dissertação (Mestrado) – Universidade Estadual Paulista. Faculdade de Engenharia, Ilha Solteira, 2011.

ROSENBLATT, Frank. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological review, v. 65, n. 6, p. 386-408, 1958.

SPECHT, Donald F. et al. A general regression neural network. IEEE transactions on neural networks, v. 2, n. 6, p. 568-576, 1991.

SANTOS JUNIOR, Marcos Messias dos. Identificação de adulteração de leite bovino pelo método de propagação de onda em meio material utilizando diafragmas piezelétricos. Dissertação (Mestrado) – Universidade Estadual Paulista. Faculdade de Engenharia, Bauru, 2019.

SHARMA, Sagar. Activation functions in neural networks. towards data science, v. 6, 2017.

STAPLES, C. R.; LOUGH, D. S. Efficacy of supplemental dietary neutralizing agents for lactating dairy cows. A review. Animal Feed Science and Technology, v. 23, n. 4, p. 277-303, 1989.

SVOZIL, Daniel; KVASNICKA, Vladimir; POSPICHAL, Jiri. Introduction to multi-layer feed-forward neural networks. Chemometrics and intelligent laboratory systems, v. 39, n. 1, p. 43-62, 1997.

TRIVEDI, U. B. et al. Potentiometric biosensor for urea determination in milk. Sensors and Actuators B: Chemical, v. 140, n. 1, p. 260-266, 2009.

WASSERMAN, Philip D. Advanced methods in neural computing. John Wiley & Sons, Inc., 1993.

WERBOS, Paul J. Backpropagation through time: what it does and how to do it. Proceedings of the IEEE, v. 78, n. 10, p. 1550-1560, 1990.

YU, H. e WILAMOWSKI, B. M. Levenberg-marquardt training. Industrial electronics handbook, 2011. 12.1-16. Disponível em http://www.eng.auburn.edu/~wilambm/pap/2011/K10149_C012.pdf. Acesso em: 16 de Outubro de 2020.

YUAN, Bo. Efficient hardware architecture of softmax layer in deep neural network. In: 2016 29th IEEE International System-on-Chip Conference (SOCC). IEEE, 2016. p. 323-326.

[1] Graduado em Engenharia Elétrica.

[2] Orientador. Doutor em Agronomia.

[3] Coorientadora. Doutora em Medicina Veterinária.

Enviado: Fevereiro, 2021.

Aprovado: Fevereiro, 2021.

DEIXE UMA RESPOSTA

Please enter your comment!
Please enter your name here