Redes neuronais artificiais para a previsão da qualidade em carnes

Detalhes bibliográficos
Autor(a) principal: Portelinha, Manuel
Data de Publicação: 2006
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/6986
Resumo: Dissertação de Mestrado em Sistemas de Informação
id RCAP_a8bcdcb25485766a490e4a262cc86d51
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/6986
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Redes neuronais artificiais para a previsão da qualidade em carnes681.3:636636:681.3636.033Dissertação de Mestrado em Sistemas de InformaçãoA recente criação de produtos cárnicos de origem ovina, com Denominação de Origem ou Identificação Geográfica Protegida, é um incentivo ao desenvolvimento de produtos de qualidade, cujas características devem corresponder às expectativas dos consumidores. De facto, estes dão cada vez mais prioridade à qualidade dos produtos em detrimento da quantidade, estando mesmo dispostos a pagar preços extra por artigos superiores. Assim, no presente mercado global e competitivo, a qualidade torna-se um factor económico deveras relevante para a indústria da carne. De entre os diversos factores que condicionam o paladar, a tenrura é considerada a característica mais importante na influência da percepção alimentar. Por outro lado, nas últimas décadas tem sido dedicada uma intensa investigação à extracção de conhecimento de alto nível a partir de dados em bruto, num processo iterativo designado por Descoberta de Conhecimento em Bases de Dados e que envolve todo um conjunto de etapas. O Data Mining é uma fase crucial deste processo, passando pela aplicação de algoritmos de aprendizagem (e.g. Redes Neuronais Artificiais) com vista à procura de padrões úteis. Neste trabalho é proposto um Conjunto de Redes Neuronais, baseado na selecção de atributos via um procedimento de Análise de Sensibilidade, para predição da tenrura em carne de cordeiros oriundos da região de Trás-os-Montes. Este problema foi modelado através de duas tarefas de regressão, usando medições instrumentais e um painel sensorial. Em ambos os casos, a solução proposta apresentou melhores resultados que outras configurações de Redes Neuronais, bem como o método clássico da Regressão Múltipla. Além disso, o modelo neuronal é mais rápido e menos custoso do que os métodos convencionais para a aferição da tenrura, abrindo assim caminho para o desenvolvimento de ferramentas automáticas de apoio à tomada de decisão.The recent creation of lamb meat products with Protected Designation of Origin or Geographic Identification is a stimulus for the development of quality products, whose features should correspond to the consumers’ expectations. Indeed, nowadays consumers are giving more priority to quality rather than quantity. They even are willing to pay premium prices for top products. In an increasingly global and competitive market, quality is becoming a crucial economic factor for the meat industry. Among several characteristics, tenderness is considered the most important feature that affects the meat’s taste. On the other hand, in the last decades there has been an intense investigation related to the extraction of high level knowledge from raw data, in an iterative process known as Knowledge Discovery from Databases, which involves several stages. In particular, the Data Mining is an important step of this process, where learning algorithms (e.g. Artificial Neural Networks) are applied in search of useful patterns. In this work, a Neural Network Ensemble, based on a feature selection by a Sensitivity Analysis procedure, is proposed to predict the lamb meat tenderness, defined in terms of two regression tasks: a instrumental measurement and a sensorial panel. This strategy will be tested on animal data from the Trás-os-Montes region of Portugal. In both tasks, the proposed approach presented better results than other Neural Networks, as well as the classical Multiple Regression. Furthermore, the neural model is faster and less expensive than the conventional animal science methods, opening room for the development of automatic tools to support decision making.Cortez, PauloUniversidade do MinhoPortelinha, Manuel2006-01-182006-01-18T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/1822/6986porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:36:53Zoai:repositorium.sdum.uminho.pt:1822/6986Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:33:05.185588Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Redes neuronais artificiais para a previsão da qualidade em carnes
title Redes neuronais artificiais para a previsão da qualidade em carnes
spellingShingle Redes neuronais artificiais para a previsão da qualidade em carnes
Portelinha, Manuel
681.3:636
636:681.3
636.033
title_short Redes neuronais artificiais para a previsão da qualidade em carnes
title_full Redes neuronais artificiais para a previsão da qualidade em carnes
title_fullStr Redes neuronais artificiais para a previsão da qualidade em carnes
title_full_unstemmed Redes neuronais artificiais para a previsão da qualidade em carnes
title_sort Redes neuronais artificiais para a previsão da qualidade em carnes
author Portelinha, Manuel
author_facet Portelinha, Manuel
author_role author
dc.contributor.none.fl_str_mv Cortez, Paulo
Universidade do Minho
dc.contributor.author.fl_str_mv Portelinha, Manuel
dc.subject.por.fl_str_mv 681.3:636
636:681.3
636.033
topic 681.3:636
636:681.3
636.033
description Dissertação de Mestrado em Sistemas de Informação
publishDate 2006
dc.date.none.fl_str_mv 2006-01-18
2006-01-18T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/6986
url http://hdl.handle.net/1822/6986
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132847732162560

Registros relacionados