César Hervás Martínez , R. M. García, Gonzalo Zurera-Cosano
, J.A. Martínez
En este estudio se evalúa el poder de las redes neuronales computacionales (CNN) para la predicción de crecimiento microbiano. El conjunto de entrenamiento estaba formado por datos procedentes de respuestas de crecimiento de un combinado de tres cepas de Salmonella frente a diferentes niveles de pH, concentración del cloruro de sodio y temperatura. La arquitectura del CNN que se diseñó fue designada con tres parámetros de entrada para la capa de entrada y un parámetro de salida en la capa de salida. Para su optimización, se han desarrollado algoritmos para podar conexiones de la red, con lo que se obtiene una mejora en la generalización y disminuye el número de patrones necesarios para el entrenamiento. El error estándar de predicción (%SEP) obtenido fue inferior a 5% utilizando 20 entradas a la red, resultado significativamente más pequeño que el hallado por ecuaciones de la regresión. Por consiguiente la utilidad de CNN en los modelos de crecimiento microbiano es atractiva y su perfeccionamiento promete resultados que superan los obtenidos hasta ahora por otros métodos de estimación.
© 2008-2024 Fundación Dialnet · Todos los derechos reservados