Redes neurais artificiais na predição de fraude em leite em pó integral pela adição de soro lácteo em pó

RESUMO:

O objetivo do trabalho foi determinar o melhor modelo de rede neural artificial (RNA) para quantificar fraude em leite em pó, pela adição de soro em pó, por meio de analises físico-químicas de rotina. Foram avaliados 103 níveis de adição de soro lácteo em pó em leite em pó integral. As análises de gordura, crioscopia, sólidos totais, extrato seco desengordurado, lactose, proteína e caseína foram realizadas por espectroscopia no infravermelho com transformada de Fourier. A função de transformação utilizada foi a tangente hiperbólica, em que testou-se 45 topologias e dois métodos de validação: holdback e k-fold. Para o método holdback, 75% do banco de dados foi utilizado para o treinamento e 25% para a validação. Para o método k-fold, o banco de dados foi dividido em cinco subconjuntos de mesmo tamanho que se alternavam entre treinamento e validação. O método k-fold se mostrou mais eficiente. Três modelos de redes perceptron de múltiplas camadas com arquitetura feedforward foram analisados. No modelo 1 a camada de entrada constituía todas as análises físico-químicas realizadas, no modelo 2 excluiu-se a análise de caseína e no modelo 3 utilizou-se as análises de rotina em laticínios (gordura, extrato seco desengordurado, crioscopia e sólidos totais). O modelo 3 obteve uma RNA capaz de predizer satisfatoriamente a fraude avaliada a partir de análises consideradas de rotina em laticínios com uma RNA contendo 64 nodos na camada oculta, R² de 0,9935 e RMSE de 0,5779 para treinamento, R² de 0,9964 e RMSE de 0,4358 para validação.

Palavras-chave:
análises de rotina; detecção de fraude; controle de qualidade