( PDF ) Aplicação de redes neurais artificiais na ciência e tecnologia de alimentos: estudo de casos

Download PDF

ads:

Centro de Ciências Agrárias

Departamento de Ciência e Tecnologia de Alimentos

Mestrado em Ciência de Alimentos

Aplicação de Redes Neurais Artificiais na Ciência e

Tecnologia de Alimentos: Estudo de Casos

Mestranda: Isabella Peres Gualda

Orientador: Prof. Dr. Rui Sérgio dos

Santos Ferreira da Silva

LONDRINA

2008

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

ISABELLA PERES GUALDA

Aplicação de Redes Neurais Artificiais na Ciência e

Tecnologia de Alimentos: Estudo de casos

Dissertação apresentada ao Programa de

Mestrado e Doutorado em Ciência de Alimentos

como cumprimento às exigências para obtenção

do tiítulo de Mestre em Ciência de Alimentos.

Orientador: Prof. Dr. Rui Sergio dos Santos

Ferreira da Silva

LONDRINA

2008

ads:

AGRADECIMENTOS

A realização deste trabalho não é mérito individual, mas resultado da

contribuição de inúmeras pessoas que participaram direta ou indiretamente para o seu

desenvolvimento. Agradeço a todas elas e, de forma particular:

Agradeço em primeiro lugar a Deus que iluminou o meu caminho durante esta

caminhada.

Em especial aos meus queridos pais, Wadson e Solange pelas orações, pelo

conselho, empenho, estímulo, força para realizar este trabalho e o grande amor dado a

mim em todos os momentos bons e ruins de minha vida.

Aos meus avós Daniel e Maria Josefa que foram fundamentais na formação do

meu caráter e na pessoa que sou hoje .

A minha irmã Danielle, a “Dan”, por ser minha melhor amiga e estar sempre

disposta a ouvir meus desabafos, reclamações e me ajudar nas tomadas de decisões.

Agradeço também ao meu namorado, Bruno, que de forma especial e carinhosa

me deu força e coragem, me apoiando nos momentos de dificuldades.

Ao meu orientador, Prof. Dr. Rui Sérgio dos Santos Ferreira da Silva, pelas

orientações, discussões enriquecedoras, paciência durante a realização deste trabalho.

Agradeço ao Evandro Bona por todo tempo e auxilio.

A Profa Dra. Sandra Cachoeira Stertz que gentilmente disponibilizou o banco de

dados utilizado.

Ao CNPQ pelo apoio financeiro durante o curso de mestrado

Aos amigos, o mais sincero agradecimento, pois sem vocês a vida vale pouco.

“A maior recompensa pelo esforço de uma

pessoa não é o que ela ganha com isso, mas

o que ela se torna através dele.”

John Ruskinz

iii

SUMÁRIO

AGRADECIMENTOS............................................................................................... i

SUMÁRIO .............................................................................................................. iii

LISTA DE FIGURAS............................................................................................... v

LISTA DE TABELAS ............................................................................................ vii

LISTA DE ANEXOS............................................................................................... ix

RESUMO................................................................................................................. x

ABSTRACT............................................................................................................ xi

INTRODUÇÃO GERAL ........................................................................................ 12

Capítulo 1 - REDES NEURAIS ARTIFICIAIS ...................................................... 14

1. REVISÃO BIBLIOGRÁFICA.......................................................................... 15

1.1. Inteligência Artificial..........................................................................................15

1.2. Redes Neurais Artificiais - RNAs......................................................................15

1.3. Histórico RNAs ..................................................................................................16

1.4. Cérebro Humano e o Neurônio Biológico........................................................18

1.5. Neurônio Artificial..............................................................................................19

1.6. Arquitetura das RNAS .......................................................................................25

1.7. Aprendizado RNAs ............................................................................................27

1.7.1 Algoritmo Backpropagation ........................................................................30

1.8. Redes Multilayer Perceptron – MLP.................................................................34

1.9. Função de Base Radial - RBF ...........................................................................35

1.10. Modelagem em Redes Neurais Artificiais......................................................38

Capítulo 2 - APLICAÇÕES DE REDES NEURAIS ARTIFICIAIS NA SALGA MISTA

COM NaCl E KCl EM QUEIJO PRATO............................................................... 43

1. INTRODUÇÃO .................................................................................................. 44

2. REVISÃO BIBLIOGRÁFICA............................................................................. 45

2.1. Hipertensão Arterial e o Cloreto de Sódio.......................................................45

2.2. Queijo prato e a redução de cloreto de sódio .............................................48

2.3. Difusão............................................................................................................51

3. OBJETIVOS................................................................................................... 54

3.1. Objetivo Geral ................................................................................................54

3.2. Objetivos Específicos....................................................................................54

4. MATERIAL E MÉTODOS .............................................................................. 54

4.1. Queijo prato....................................................................................................54

4.2. Simulação .......................................................................................................55

4.3. Aplicativo Computacional .............................................................................57

4.4. Desenvolvimento da Rede Neural: manual de operação............................58

5. RESULTADOS e DISCUSSÃO ........................................................................ 65

6. CONCLUSÃO ................................................................................................... 77

CAPÍTULO 3 - UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA

CLASSIFICAR FRUTAS E HORTALIÇAS QUANTO A SUA FORMA DE CULTIVO:

CONVENCIONAL, ORGÂNICO E HIDROPÔNICO.............................................. 78

1. INTRODUÇÃO............................................................................................... 79

2. REVISÃO BIBIOGRÁFICA............................................................................ 81

2.1 Agricultura Convencional

..................................................................................81

2.2. Agricultura Orgânica .........................................................................................85

2.3. Agricultura hidropônica ....................................................................................91

3. OBJETIVOS...................................................................................................... 95

3.1. Objetivo Geral ....................................................................................................95

3.2. Objetivos Específicos........................................................................................95

4. MATERIAL E MÉTODOS ................................................................................. 95

4.1. Banco de dados .................................................................................................95

4.2. Aplicativo Computacional .............................................................................97

4.3. Desenvolvimento das Redes Neurais: manual de operação .........................97

5. RESULTADOS E DISCUSSÃO ...................................................................... 107

5.1 Morango.............................................................................................................107

5.2. Alface Crespa...................................................................................................111

5.3. Tomate cereja...................................................................................................117

6. CONCLUSÃO ................................................................................................. 121

BIBLIOGRAFIA .................................................................................................. 122

ANEXOS ............................................................................................................. 142

LISTA DE FIGURAS

Fig. 1 - Representação de um neurônio .....................................................................19

Fig. 2- Sinapse entre neurônios ..................................................................................19

Fig. 3 - Neurônio artificial projetado por McCulloch .................................................20

Fig. 4 – Modelo de um neurônio artificial...................................................................20

Fig. 5 - Função sinal (a) e sua derivada em relação à entrada interna (b)...............22

Fig. 6 - Função de ativação semi-linear (a) e sua derivada (b).................................23

Fig. 7 - Função de ativação Sigmóide (a) e sua derivada (b)...................................23

Fig. 8- Tangente hiperbólica (a) e sua derivada (b). ..................................................24

Fig. 9 - Camadas de uma Rede Neural Artificial (RNA) .............................................25

Fig. 10 - Rede Direta (Feedforward) ............................................................................26

Fig. 11 - Rede com Ciclos (Feedback) ........................................................................27

Fig. 12 - Fase de Propagação......................................................................................33

Fig. 13 - Fase de Retropropagação.............................................................................33

Fig. 14 – Etapas para o desenvolvimento de um modelo de RNA ...........................38

Fig. 15 - Convensão adotada para os eixos imaginários, com origem no centro

geométrico da amostra para identificação da simetria......................................55

Fig. 16 – Caixa de diálogo inicial do Statistica – módulo De Redes Neurais

Artificiais................................................................................................................59

Fig. 17 Caixa de diálogo do Statistica 7.1 para escolha do tipo de problema,

variáveis e tipo de análise....................................................................................60

Fig. 18 - Caixa de diálogo do Statistica 7.1 para escolha do tipo de rede e

quantidade de neurônios na camada escondida ...............................................61

Fig. 19 – Caixa de diálogo do Statistica 7.1 - Treinamento da Rede de Função de

Base Radial............................................................................................................62

Fig. 20 - Caixa de diálogo do Statistica 7.1 – Resultados.........................................62

Fig. 21 - Caixa de diálogo do Statistica 7.1 – Continuação de Resultados .............63

Fig. 22 - Gráfico de comparação entre os valores previsto – NACl2 (X) e os valores

obtidos – NACl2. 16 (Y) para concentração de NaCl..........................................75

Fig. 23 - Gráfico de comparação entre os valores previsto – KCl2 (X) e os valores

obtidos – KCl2. 16 (Y) para concentração de KCl ..............................................76

Fig. 24 – Desempenho de vendas de agrotóxicos no Brasil em 2006 Fonte:

SINDAG, 2006 ........................................................................................................84

Fig. 25 – Área plantada de alimentos orgânicos e hectares. Fonte: YUSSEFI, 2003

................................................................................................................................88

Fig. 26 – Caixa de Diálogo inicial do Statistica - Módulo de Redes Neurais...........98

Fig. 27 – Caixa de diálogo para seleção das variáveis .............................................99

Fig. 28 – Especificação dos códigos das variáveis subset ......................................99

Fig. 29- Caixa de diálogo para escolha da rede.......................................................100

Fig. 30 – Caixa de diálogo para seleção da quantidade de camadas escondidas,

neurônios nas camadas escondidas e função do erro de classificação .......101

Fig. 31 – Caixa de diálogo de parâmetros de treinamento .....................................102

Fig. 32 – Caixa de diálogo dos resultados ...............................................................103

Fig. 33 - Continuação da caixa de diálogo de resultados......................................104

vii

LISTA DE TABELAS

Tab. 1 – Comparação nutricional entre queijo, carne e ovo (%) composição bruta

................................................................................................................................48

Tab. 2 – Proporção em massa entre os sais NaCl e KCL na salmoura ..................56

Tab. 3 - Análise de Sensibilidade das redes com eixos X, Y, Z, volume,

Concentração inicial de NaCl e KCl, e tempo de salga como variáveis de

entrada e neurônios entre 15 e 24 .......................................................................65

Tab. 4 - Desempenho de treinamento, validação e teste das redes com eixos X, Y

e Z...........................................................................................................................67

Tab. 5 - Desempenho de treinamento, validação e teste das redes com o volume

................................................................................................................................68

Tab. 6 – Desempenho de treinamento, validação e teste das redes com eixos X, Y

e Z, neurônios variando de 25 a 30 e 35 e vizinhos mais próximos variando

entre 9 e 15 ............................................................................................................69

Tab. 7– Desempenho de treinamento, validação e teste das redes com eixos X, Y

e Z, com 29, 30 e 35 neurônios e vizinhos mais próximos variando entre 9 e 15

................................................................................................................................71

Tab. 8- Desempenho de treinamento, validação e teste das redes com eixos X, Y e

Z, com 29, 30 e 35 neurônios e vizinhos mais próximos variando entre 9 e 15

................................................................................................................................72

Tab. 9- Desempenho de treinamento, validação e teste das redes com eixos X, Y

e Z, com 29, 30 e 35 neurônios e vizinhos mais próximos variando entre 9 e 15

................................................................................................................................73

Tab. 10 - Desempenho de treinamento, validação e teste das redes com eixos X, Y

e Z, com 29 neurônios e 9 vizinhos mais próximos...........................................74

Tab. 11 – Análise estatística de uma rede RBF com 29 neurônios e 13 vizinhos

mais próximos K ...................................................................................................74

Tab. 12 – Desempenho de treinamento, validação da classificação de morangos

com 30 variaveis de entrada e variação entre 5 e 15 neurônios na camada

intermediária........................................................................................................108

viii

Tab. 13 – Análise de Sensibilidade das redes com 13 neurônios na camada

intermediária........................................................................................................109

Tab. 14 – Desempenho de treinamento, validação da classificação de morangos

com variação entre 4 e 8 neurônios na camada intermediária .......................110

Tab. 15 - Análise de sensibilidade da comparação entre alface convencional e

orgânico e com 10 neurônios na camada intermediária..................................113

Tab. 16 - Análise de sensibilidade da comparação entre alface orgânico e

hidropônico com 13 neurônios na camada intermediária...............................114

Tab. 17 - Análise de sensibilidade da comparação entre alface crespa

convencional e hidropônico com 9 neurônios na camada intermediária ......115

Tab. 18 - Análise de Sensibilidade da comparação entre tomate cereja Orgânico e

Hidropônico com 8 neurônios na camada intermediária.................................118

Tab. 19 - Análise de sensibilidade da comparação entre tomate cereja

convencional e hidropônico com 10 neurônios na camada intermediária ....119

LISTA DE ANEXOS

ANEXO 1 – Tabela com as medidas e volume dos três tamanhos de queijo.......143

ANEXO 2- Tabela formulada no statistica 7.1 para estudo do queijo prato..........144

ANEXO 3– Exemplo da tabela formulada no Statistica para o estudo da

classificação de horticolas quanto seu tipo de cultivo ...................................145

Gualda, Isabella Peres. Aplicação de Redes Neurais Artificiais na Ciência e

Tecnologia de Alimentos: Estudo de casos. 2008. 149 p. Dissertação (Mestrado em

Ciências de Alimentos) - Universidade Estadual de Londrina, Londrina.

RESUMO

Redes Neurais Artificiais (RNAs) são uma forma de computação não-algorítmica capaz

de resolver problemas complexos obtendo resultados melhores que os métodos

matemáticos. As RNAs têm sido aplicadas em muitas áreas da ciência e tecnologia de

alimentos, principalmente em problemas de classificação, predição, reconhecimento de

padrões e controle. Este trabalho trata dois casos. O primeiro caso simula a salga

mista de queijo prato e utilizou uma rede Função Base Radial (RBF). Essas redes são

consideradas aproximadoras universais de funções. O modelo que apresentou melhor

resultado foi o desenvolvido com 7 variáveis de entrada: as três dimensões do queijo

(X, Y e Z), tempo de salga, concentrações iniciais de NaCl e KCl na salmoura e

condição de contorno (salga estática ou agitada), 29 neurônios na camada

intermediária e 13 vizinhos mais próximos de K. O desvio na simulação foi de 5,5% para

NaCl e 4,4% para KCl. O segundo caso foi uma tentativa de classificar hortícolas

quanto à sua forma de cultivo (convencional, hidropônico e orgânico). Foram utilizadas

redes Perceptron de Múltiplas Camadas (MLP). A rede MLP é muito empregada em

classificações devido ao seu grande poder de generalização. As topologias que

apresentaram classificação (acerto de 100% no treinamento e validação) foram as

seguintes. Para o morango, rede com 12 variáveis de entrada (Mg, Al, Fe, Mn, Co, Cu,

frutose, sacarose, nitrato, lipídios e carboidratos) e 6 neurônios na camada

intermediária. Para alfaces crespas redes com 30 variáveis de entrada (composição

centesimal, açúcares, todos os minerais, soma de açúcares, soma de minerais, nitrato,

nitrito e soma nitrato+nitrito) e com 10 e 13 neurônios na camada oculta classificaram,

respectivamente, quando foram comparados os cultivos convencional X orgânico e

orgânico X hidropônico. Na comparação entre cultivos convencional e hidropônico

foram necessárias 13 variáveis de entrada (Na, Mg, Al, Fe, Mn, Se, Hg, Pb, soma de

açúcares, cinzas, lipídeos e energia) e 5 neurônios na camada escondida. No tomate

cereja, os modelos que apresentaram classificação foram os que utilizaram 15 variáveis

de entrada (Na, Mg, Al, Ca, Fe, Mn, Cd, Pb, nitrato, nitrito, soma nitrato+nitrito, cinzas,

lipídios, proteínas e energia) e 10 neurônios quando se comparou os cultivos orgânico e

hidropônico. Ainda, 11 variáveis (Na, Mg, P, Ca, Fe, Mn, Zn, Cd, nitrato, soma

nitrato+nitrito e lipídios) e 4 neurônios na camada oculta quando os cultivos

convencional e hidropônico foram comparados. Este trabalho adiciona evidências ao

potencial de aplicação das RNAs para modelar tarefas complexas no controle e

simulação de processos alimentares e na capacidade de classificação de dados na

análise de alimentos.

Palavras-chave: Redes Neurais Artificiais, simulação, salga, classificação, orgânico,

hidropônico e convencional.

Gualda, Isabella Peres. Application of Artificial Neural Network in Technology and

Food Science : A study case. 2008. 149 p. Dissertation (Master in Food Science) –

The State University of Londrina, Londrina.

ABSTRACT

Artificial Neural Networks (ANNs) are a non algorithm computing method capable of

solving complex problems, getting better results than mathematical methods. The

artificial neural networks has been used in many areas of technology and food science,

most of them in classification problems, prediction, pattern recognition and control. This

study approach two different situations. The first one simulates the brining of prato

Brazilian cheese and uses a radial basis function (RBF). These networks are

considerate universal function approximation. The model that have the best result was

develop with 7 input variables: Three dimensions of cheese (X, Y, and Z), time of

brining, NaCl and KCl inicial concentrations in the brining and boundary conditions

(stationary or with agitacion brine), 29 units in the hide layer and 13 K-Nearest

neighbors. The simulation deviation was about 5,5% for NaCl and 4,4% for KCl.The

second situation was an attempt to assort some horticultural based on the cultivation

(conventional, hydroponic and organic). Multi Layer Perceptron (MLP) networks have

been used to do that. The MLP has a great ability of generalization and is very used in

classification problems. The topologies that acquired classification (100% in training and

validation) was as follow: Strawberry, network with 12 input variables (Mg, Al, Fe, Mn,

Co, Cu, fructose, sucrose, nitrate, lipid e carbohydrate) and 6 units in the hide layer. For

crispleaf lettuce networks with 30 input variables (composition centesimal, sugars, all

the minerals, sugars’s sum, minerals’s sum, nitrate, nitrite e sum of nitrate+nitrite) and

with 10 and 13 units in the hide layer, was classificated when compared with

conventional cultivation X organic cultivation and organic cultivation X hydroponic

cultivation. For the comparation between conventional cultivation and hydroponic

cultivation was used 13 input entries variables (Na, Mg, Al, Fe, Mn, Se, Hg, Pb, sugars’

sum, ash, lipids e energy) and 5 units in the hide layer. Using the cherry tomato the

model that could be classified was the one that has used 15 input variables (Na, Mg, Al,

Ca, Fe, Mn, Cd, Pb, nitrate, nitrite, sum of nitrate+nitrite, ash, lipids, proteins and

energy) and 10 units when compared agaist organic and hydroponic cultivation. Yet, 11

input variables (Na, Mg, P, Ca, Fe, Mn, Zn, Cd, nitrate, sum of nitrate+nitrite e lipids)

and 4 units in the hide layer when the conventional and hydroponic cultivation where

compared each other. This study adds some evidence to the potential of the ANN

application to modeling complex tasks in the control and simulation of food process and

the capacity of data classification in food analysis.

Key words: Artificial Neural Networks, simulation, brine, classification, organic,

hydroponic and conventional.

INTRODUÇÃO GERAL

O estudo das redes neurais artificiais é algo fascinante e esse fascínio aumenta

à medida que se tem mais conhecimento sobre o assunto. Trata-se de um conceito de

extrema importância da computação, responsável pela solução de muitos problemas

complexos (ALECRIM, 2004).

As aplicações de RNAs são inúmeras. Podem ser utilizadas pra analisar dados e

processamento de sinais, controle de processos, robótica, análise de aroma (nariz

eletrônico) e cor, classificação de dados, etc. Com base em bancos de dados de redes

neurais específicas é possível prever novos valores, utilizando-se de um mínimo de

dados experimentais, o que pode agilizar a determinação de parâmetros desconhecidos

(VALE et al, 2000). Este procedimento computacional vem sendo utilizado em várias

áreas da ciência e tecnologia de alimentos.

No capítulo 1 foi apresentada uma revisão bibliográfica sobre as Redes Neurais

Artificiais, o que são, o histórico, principais arquiteturas formas de aprendizados, e

algumas utilizações da área de ciências e tecnologia de alimentos.

O capítulo 2 aborda sobre um grave problema na sociedade mundial, a

hipertensão arterial, que dentre as principais formas de amenizá-la esta a diminuição do

consumo de Cloreto de sódio, mais conhecido como sal de cozinha e muito utilizado na

fabricação de produtos alimentícios. Neste capítulo mostra estudos que vem sendo feito

para substituição de parte de NaCl por KCl em queijos pratos e a utilização de uma

rede do tipo RBF na determinação das concentração finais de NaCl e KCl na salga do

queijo prato.

O capítulo 3 através da revisão bibliográfica mostra a crescente preocupação dos

consumidores com relação aos temas como: segurança alimentar, meio ambiente, bem-

estar social e saúde. E que cada vez mais pessoas estão dispostas a pagar mais caro

por “alimentos naturais” que não contenham produtos químicos ou outras fontes de

contaminação. Visando atender as tendências do mercado e exigências dos

consumidores a ciência agrícola tem trabalhado com novas formas de cultivo de

hortícolas como a agricultura orgânica, hidropônica entre outras. Porém, há poucos

estudos com controle efetivo que comparam alimentos obtidos pelos sistemas de cultivo

convencional, orgânico e hidropônico, capazes de conclusões válidas cientificamente.

Neste capítulo, foram testadas redes neurais artificiais do tipo Multilayer Perceptron

(MLP) para tentar classificar alimentos quanto sua forma de cultivo (Convencional,

Orgânica e Hidropônica).

Capítulo 1 - REDES NEURAIS ARTIFICIAIS

1. REVISÃO BIBLIOGRÁFICA

1.1. Inteligência Artificial

O objetivo da Inteligência Artificial (IA) é o desenvolvimento de paradigmas ou

algoritmos que requeiram máquinas para realizar tarefas cognitivas, para as quais os

humanos são atualmente melhores (SAGE, 1990).

Um sistema de IA deve ser capaz de fazer três coisas: (i) armazenar

conhecimento, (ii) aplicar o conhecimento armazenado para resolver problemas e (iii)

adquirir novo conhecimento através da experiência (HAYKIN, 2001).

1.2. Redes Neurais Artificiais - RNAs

As redes neurais artificiais consistem em um método de solucionar problemas de

inteligência artificial, construindo um sistema que tenha circuitos que simulem o cérebro

humano, inclusive seu comportamento, ou seja, aprendendo, errando e fazendo

descobertas. São mais que isso são técnicas computacionais que apresentam um

modelo inspirado na estrutura neural de organismos inteligentes e que adquirem

conhecimento através da experiência. Uma grande rede neural artificial pode ter

centenas ou milhares de unidades de processamento, enquanto que o cérebro de um

mamífero pode ter muitos bilhões de neurônios (DIN, 2006). As redes neurais artificiais

tentam reproduzir as funções das redes biológicas, buscando implementar seu

comportamento básico e sua dinâmica (BRAGA; CARVALHO e LUDEMIR, 2000).

Para se definir RNAs são necessárias 3 palavras chaves: neurônio, que é a

unidade computacional básica na rede em questão; arquitetura, estrutura topológica de

como os neurônios são conectados; aprendizagem, processo que adapta a rede de

modo a computar uma função desejada ou realizar uma tarefa.

As RNAs são uma forma de computação não-algorítmica. Por não ser baseadas

em regras ou programas, a computação neural se constitui em uma alternativa à

computação algorítmica convencional (BRAGA; CARVALHO e LUDEMIR, 2000).

A rede neural artificial é um sistema de neurônios ligado por conexões sinápticas

e dividido em neurônios de entrada, que recebe estímulos do meio externo, neurônios

internos ou hidden (ocultos) e neurônios de saída, que se comunicam com o exterior

(DIN, 2006). As RNAs apresentam como vantagens as características de

adaptabilidade, generalização e tolerância a ruídos, dentre outras (HAYKIN, 2001).

O principal objetivo almejado com a estrutura de funcionamento de uma rede

neural artificial e com algoritmos de aprendizagem é a capacidade de generalização. A

generalização se refere ao fato de a rede neural produzir saídas adequadas para

entradas que não estavam presentes durante o treinamento (ou aprendizagem). Esta

capacidade de processar informação torna possível para as redes neurais resolver

problemas complexos, alguns intratáveis por meios convencionais (HAYKIN, 2001).

As redes neurais têm sido utilizadas com sucesso em variadas áreas, por

exemplo, indústria, negócios, finanças, medicina, etc., principalmente em problemas de

classificação, predição, reconhecimento de padrões e controle. A razão desse sucesso

está relacionada ao fato de que uma rede, composta por uma ou mais camadas ocultas

com um número adequado de neurônios, possa aproximar praticamente qualquer

função (ou relação) não-linear contínua, num dado intervalo (SUYKENS;

VANDEWALLE E DE MOOR, 1996; LIU, 1996), embora haja restrições práticas

(HAYKIN, 2001).

1.3. Histórico RNAs

O primeiro modelo artificial de um neurônio biológico foi fruto do trabalho pioneiro

do psiquiatra e neuroanatomista Warren McCulloch e do matemático Walter Pitts em

1943. Este trabalho se concentrou muito mais em descrever um modelo artificial de um

neurônio e apresentar suas capacidades computacionais de que apresentar técnicas de

aprendizado. Parte da discussão em RNAs gira em torno de métodos de aprendizagem

para que os nós possamos ser capazes de executar uma determinada função (BRAGA;

CARVALHO e LUDEMIR, 2000).

McCulloch e Pitts, 1943, escreveram:

"A lei de tudo-ou-nada da actividade nervosa é

suficiente para assegurar que a actividade de um

neurônio pode ser denotada por uma proposição.

As relações fisiológicas que existem entre

actividades nervosas correspondem, então, às

relações entre proposições, isto é, uma rede de

conexões entre proposições simples pode originar

proposições complexas”.

O primeiro trabalho de que se tem notícia com ligação direta ao aprendizado foi

apresentado por Donald Hebb (1949). Frank Rosenblatt (1958), demonstrou, com seu

novo modelo, o perceptron, que, se fossem acrescidas de sinapses ajustáveis, as RNAs

como nós poderiam ser treinadas para classificar certos tipos de padrões.

Minsky e Papert (1969), chamaram a atenção para algumas tarefas que o

perceptron não era capaz de executar, já que este só resolve problemas linearmente

separáveis, ou seja, problemas cuja solução pode ser obtida dividindo-se o espaço de

entrada em duas regiões através de uma reta.

Nos anos 70, a abordagem conexionista ficou adormecida, principalmente por

causa da repercussão do trabalho de Misnky e Papert (BRAGA; CARVALHO e

LUDEMIR, 2000).

Em meados dos anos 80, o avanço da tecnologia, principalmente a

microeletrônica, alavancou uma explosão nestes estudos: Jonh Hopfield (1982)

publicou um artigo que chamou a atenção para as propriedades associativas das RNAs.

Quatro anos depois Rumelhart, Hinton e Williams descreveram um algorítmico de

treinamento, o backpropagation (retropropagação), mostrando que a visão de Minsky e

Papert era pessimista. As Redes Neurais de múltiplas camadas são sem duvida

capazes de resolver “problemas difíceis de aprender” (BRAGA; CARVALHO e

LUDEMIR, 2000).

A origem das Redes Neurais remonta aos modelos matemáticos e aos modelos

de engenharia de neurônios biológicos (KOVÁCS, 1996). As RNAs foram criadas, não

para imitar o funcionamento do cérebro, mas como um modelo de resolução de

problemas não algorítmicos inspirado no funcionamento do cérebro humano.

1.4. Cérebro Humano e o Neurônio Biológico

O cérebro humano é responsável pelo que se chama de emoção, pensamento,

percepção e cognição, assim como pela execução de funções sensoriomotoras e

autônomas. Além disso, tem a capacidade de reconhecer padrões e relacioná-los, usar

e armazenar conhecimento por experiência, além de interpretar observações (BRAGA;

CARVALHO e LUDEMIR, 2000). O cérebro humano pesa cerca de 1,5 kg e tem cerca

de 100 bilhões de neurônios e usa de 20% a 25% de toda a energia do corpo humano.

O neurônio pode ser considerado a unidade básica da estrutura do cérebro e do

sistema nervoso. O neurônio é constituído por uma célula principal, por dendritos, por

um axônio e na sua extremidade existem estruturas designadas por sinapses (Fig.1)

(VILELA, 2006).

Fig. 1 - Representação de um neurônio

Sinapse é um tipo de junção especializada em que um terminal axonal faz

contato com o dendrito de outro neurônio ou tipo celular (Fig. 2). As sinapses podem

ser elétricas ou químicas (maioria). Os neurônios recebem continuamente impulsos nas

sinapses de seus dendritos vindos de milhares de outras células. Os impulsos geram

ondas de corrente elétrica (excitatória ou inibitória; cada uma num sentido diferente). O

impulso nervoso constitui a informação que o neurônio processara, esse impulso passa

pela sinapse através de neurotransmissores, que promovem a entrada de sódio no

neurônio, provocando a inversão de cargas elétricas e a condução de um impulso

nervoso no neurônio estimulado (VILELA, 2006).

Fig. 2- Sinapse entre neurônios

1.5. Neurônio Artificial

O primeiro modelo de neurônio artificial proposto por McCulloch e Pitts em 1943

(Fig.3) é uma simplificação do que se sabia então, de um neurônio biológico. Eles

interpretaram o funcionamento do neurônio biológico como sendo um circuito de

entradas binárias combinadas por uma soma ponderada (com pesos) produzindo uma

entrada efetiva (DIN, 2006):

Fig. 3 - Neurônio artificial projetado por McCulloch

Fig. 4 – Modelo de um neurônio artificial

A operação de um neurônio artificial se resume em (LACERDA, 2006):

 Sinais são apresentados à entrada (x

à x

);

 Cada sinal é multiplicado por um peso que indica sua influência na saída da

unidade (w

);

 É feita a soma ponderada dos sinais que produz um nível de atividade (u

);

 A função de ativação f(u

) tem a função de limitar a saída e introduzir não-

linearidade ao modelo.

Σ f(u

)

sinais

entrada

pesos

sinápticos

junção

aditiva

(bias)

função

de ativação

saída

=+1

entrada fixa

Função

degrau

 O bias (viés) b

tem o papel de aumentar ou diminuir a influência do valor das

entradas.

 É possível considerar o bias como uma entrada de valor constante 1,

multiplicado por um peso igual à b

Matematicamente a saída pode ser expressa por:

(1)

ou considerando o bias como entrada de valor x0=1 e peso wk0=bk,

(2)

A função f é chamada de função de ativação e pode assumir várias formas,

geralmente não-lineares. As quatro funções de ativação mais utilizadas são linear,

rampa, degrau e sigmoidal (logística) (KARRER; CAMEIRA E VASQUES, 2005).

A seguir, as funções e derivadas das funções de ativação linear, semilinear,

sigmoidal e tangente hiperbólica (VON ZUBEN, 2006):

Função de ativação linear:

0 se u

< 0

) = [0,1] se u

= 0

1 se u

> 0 (3)













+==

∑

kjkjkk

bxwfufy

)(













∑

jkjkk

xwfufy

)(

Fig. 5 - Função sinal (a) e sua derivada em relação à entrada interna (b)

Função de ativação: semi-linear

1 se pu

≥ 0

) = pu

se 0 , pui < 1

0 se pu

≤ 0 (4)

com p constante e positivo

Fig. 6 - Função de ativação semi-linear (a) e sua derivada (b).

Função de ativação logística (sigmóide)

ai (ui) = e

pui

= 1___

∂

_ = pa

(1 – a

) > 0

pui

+ 1 1 + e

– pui

∂

(5 e 6)

Fig. 7 - Função de ativação Sigmóide (a) e sua derivada (b).

Função de ativação tangente hiperbólica

) = tanh (pu

) = e

pui

– e

–pui

∂

= p (1 – a

) > 0

pui

+ e

- pui

∂

(7 e 8)

Fig. 8- Tangente hiperbólica (a) e sua derivada (b).

De forma geral, a operação de uma célula da rede se resume em (FERNANDES,

2003):

•

Sinais são apresentados à entrada;

•

Cada sinal é multiplicado por um peso que indica sua influência na saída da

unidade;

•

É feita a soma ponderada dos sinais que produz um nível de atividade;

•

Se este nível excede um limite (threshold), a unidade produz uma saída;

1.6. Arquitetura das RNAS

Arquiteturas de redes neurais são tipicamente organizadas em camadas, com

unidades que podem estar conectadas às unidades da camada posterior como na

figura 9 (FERNANDES, 2003).

Fig. 9 - Camadas de uma Rede Neural Artificial (RNA)

Usualmente as camadas são classificadas em três grupos:

• Camada de entrada: onde os padrões são apresentados à rede;

• Camadas intermediárias ou ocultas: onde é feita a maior parte do

processamento, através das conexões ponderadas; podem ser consideradas

como extratoras de características;

• Camada de saída: onde o resultado final é concluído e apresentado.

A definição da arquitetura de uma RNA é um parâmetro importante na sua

concepção, uma vez que ela restringe o tipo de problema que pode ser tratado pela

rede. Uma Rede Neural artificial é especificada, principalmente pela sua topologia,

características de seus nós, regras de treinamento e tipos de modelos (BRAGA;

CARVALHO e LUDEMIR, 2000).

As Redes Neurais podem ser distinguidas com base na direção na qual o sinal

flui. Basicamente há dois tipos de Redes Neurais Artificiais (FERNANDES, 2003):

Redes diretas, acíclicas ou alimentadas para frente (feedforward): são RNA cuja

representação gráfica não possui ciclos e cujos neurônios estão organizados em

camadas (Fig.10). A RNA direta não, necessariamente, possui camadas intermediárias,

as quais também são conhecidas como camadas escondidas ou ocultas (hidden

layers). Entretanto, o uso de camadas ocultas permite a extração de estatísticas de

ordem elevada e a aproximação da RNA por uma função não-linear. Normalmente, para

este tipo de redes, utiliza-se o algoritmo de treinamento de retropropagação

(backpropagation) (RAMÍREZ, 2005). São exemplos deste tipo de rede aquelas

“alimentadas adiante”, como os Perceptrons de Múltiplas Camadas - Multi-Layer

Perceptron-MLP (RUMELHART e MCCLEAND., 1986) e as redes de função de base

radial - Radial Basis Function-RBF (BISHOP, 1995). Essas redes são usadas como

identificadores e classificadores de padrões, controle, avaliação de dados de entrada

etc. (KOHONEN, 2001).

Fig. 10 - Rede Direta (Feedforward)

Redes com ciclos (retroação, retroalimentação ou feedback): correspondem a

uma grande família de RNA cuja representação gráfica possui pelo menos um ciclo

(Fig.11). Quando são compostas por neurônios dinâmicos com retardo são chamadas

de redes recorrentes (RAMÍREZ, 2005). São exemplos deste tipo de rede, as redes de

Hopfield (FAUSETT, 1994) e a máquina de Boltzman (HAYKIN, 2001). As principais

aplicações destas redes são: como função de memória associativa e em problemas de

otimização, embora também sejam usadas no reconhecimento de padrões.

Fig. 11 - Rede com Ciclos (Feedback)

1.7. Aprendizado RNAs

A maioria dos modelos neurais possui alguma regra de treinamento, onde os

pesos de suas conexões são ajustados de acordo com os padrões apresentados. Em

outras palavras, elas aprendem através de exemplos (FERNANDES, 2003).

Aprendizagem é um processo pelo quais os parâmetros livres de uma rede

neural são adaptados através de um processo de estimulação pelo ambiente no qual a

rede está inserida. O tipo de aprendizagem é determinado pela maneira pela qual a

modificação dos parâmetros ocorre (HAYKIN, 2001).

Esta definição do processo de aprendizagem implica a seguinte seqüência de

eventos (HAYKIN, 2001):

• A Rede Neural é estimulada por um ambiente.

• A Rede Neural sofre modificações nos seus parâmetros livres como

resultado desta estimulação.

• A Rede Neural responde de uma maneira nova ao ambiente, devido às

modificações ocorridas na sua estrutura interna. (HAYKIN, 2001).

Um conjunto preestabelecido de regras bem definidas para a solução de um

problema de aprendizagem é denominado um algoritmo de aprendizagem. Como se

pode esperar, não há um algoritmo único de aprendizagem para o projeto de redes

neurais. Em vez disso, temos um conjunto de ferramentas representado por uma

variedade de algoritmos de aprendizagem cada qual oferecendo vantagens específicas.

Basicamente, os algoritmos de aprendizagem diferem entre si pela forma como é

formulado o ajuste de um peso sináptico de um neurônio (HAYKIN, 2001).

A aplicação do algoritmo de aprendizagem poderá ser seqüencial ou por lote. No

treinamento seqüencial, a correção dos pesos sinápticos é aplicada toda vez que é

apresentado um exemplo à RNA. Já no treinamento por lote esta correção somente

será feita após a apresentação completa de uma época, que consiste em todos os

exemplos da amostra de treinamento (RAMÍREZ, 2005).

Como foi dito anteriormente, é importante à maneira pela qual uma rede neural

se relaciona com o ambiente. Neste contexto, existem os seguintes paradigmas de

aprendizado (BRAGA; CARVALHO e LUDEMIR, 2000):

• Aprendizado Supervisionado: Este método é o mais comum no

treinamento das RNAs, tanto de neurônios com pesos como com neurônios sem peso.

É chamado supervisionado porque a entrada e a saída desejada para a rede são

fornecidas por um supervisor (professor) externo. O objetivo da aprendizagem será

minimizar o erro entre a resposta desejada e a resposta real da RNA. Normalmente,

esta abordagem é utilizada para classificação de padrões e aproximação de funções. A

desvantagem do aprendizado supervisionado é que, na ausência do professor, a rede

não conseguirá aprender novas estratégias para situações não cobertas pelos

exemplos do treinamento da rede. Os exemplos mais conhecidos de algoritmos para

aprendizado supervisionado são a regra delta e o algoritmo backpropagation

(retropropagação). A regra delta usa apenas informação local da sinapse para o

aprendizado. Além disso, ela é útil quando se deseja minimizar o erro médio quadrático

durante o treinamento de uma RNA. Entretanto, o uso da regra delta é limitado a RNA

com duas camadas de neurônios (uma camada de entrada e uma camada de saída).

Quando a regra delta é aplicada a neurônios lineares pode ser chamada de algoritmo

do mínimo quadrado médio, ou LMS (Least Mean Squares). O algoritmo de

backpropagation ou retropropagação é considerado uma generalização da regra delta

para redes diretas com mais de duas camadas, ou seja, que possuem pelo menos uma

camada oculta. Para isso, na correção dos pesos sinápticos são levados em conta os

gradientes locais da rede (BRAGA; CARVALHO e LUDEMIR, 2000).

• Aprendizado não-supervisionado: não há um supervisor (professor) para

acompanhar o processo de aprendizagem para este algoritmo. Somente os padrões de

entrada estão disponíveis para rede e não há exemplos rotulados da função a ser

aprendida pela rede. No aprendizado não-supervisionado a rede “analisa” os conjuntos

de dados apresentados a ela, determina algumas propriedades dos conjunto de dados

e “aprende” a refletir estas propriedades na sua saída. A rede utiliza padrões,

regularidades e correlações para agrupar os conjuntos de dados em classes. As

propriedades que a rede vai “aprender” sobre os dados pode variar em função do tipo

de arquitetura utilizada e da lei de aprendizagem. Por exemplo, Mapa Auto-Organizavél

de Kohonen, Redes de Hopfield e Memória Associativa Bidirecional, são algumas

métodos de aprendizado não supervisionado (MEDEIROS,1999).

• Reforço: este conceito é usado em algumas redes neurais para indicar

quando as conexões seriam adaptadas. Aprendizado por reforço é um mecanismo de

aprendizado no qual apenas uma medida da adequação dos resultados obtidos é

fornecida como um parâmetro externo. Este tipo de reforço ocorre quando dois eventos

acontecem juntos e devem ser associados um ao outro. A associação é formada

porque as conexões que são ativas são adaptadas ou ficam mais fortes ao mesmo

tempo, isto estabelece que a rede responde quando um dos dois eventos originais é

ativo (FERNANDES, 2003).

1.7.1 Algoritmo Backpropagation

O algoritmo backpropagation foi criado por Rumelhard, Hinton e Williams em

1986 (ZURADA, 1992; HAYKIN, 1994), a partir da generalização da regra de

aprendizado “Widrow-Hoff”, que fora introduzido em 1960 - 1962 para redes do tipo

“feedforward perceptron”. A regra de aprendizado “Widrow-Hoff”, também conhecida

como “Regra Delta” – LMS (minimização do erro médio quadrático) – que ajusta os

pesos das conexões entre os neurônios da rede de acordo com o erro.

O algoritmo backpropagation é o principal algoritmo de treinamento de rede

utilizado e é, freqüentemente, usado como o algoritmo de aprendizado em redes

neurais estruturadas em camadas, isto devido à sua eficiência (HIROSE; YAMASHITA

E HIJIYA, 1991).

O algoritmo backpropagation ajusta os pesos das unidades das camadas

intermediárias a partir dos erros das unidades da camada de saída. A aplicação do

algoritmo backpropagation requer a escolha de um conjunto de parâmetros (número de

iterações do algoritmo, critério de parada, pesos iniciais, taxa de aprendizado), cuja

influência pode ser decisiva para a capacidade de generalização da rede (CALÔBA,

1995).

O critério de parada do treinamento exige considerar a capacidade de

generalização da rede. Um treinamento prolongado demais pode levar a um

sobreajuste da rede, especialmente no caso de dispormos de poucos pares de entrada

e saída para o conjunto de treinamento, o que pode piorar o desempenho da rede

quando o conjunto de teste lhe for apresentado

(CALÔBA, 1995).

A escolha da taxa de aprendizado α depende da função a aproximar. Valores

muito pequenos de α tornam o treinamento lento, enquanto valores muito grandes

podem provocar divergência do processo de treinamento

(KLEIBAUM, 1994).

A aplicação do algoritmo backpropagation envolve um deslocamento para frente,

através da rede, para calcular as saídas de cada elemento neural da camada de saída

e o seu respectivo erro. A segunda fase envolve um deslocamento no sentido contrário,

durante o qual o sinal de erro é passado para cada elemento e as mudanças nos pesos

são efetuadas. A rede é treinada através da apresentação de todos os dados de

treinamento repetidas vezes. Em cada iteração, a diferença entre o valor da saída e o

valor esperado, determina a correção que deverá ser feita nos valores dos pesos e dos

limiares. Os valores dos pesos são ajustados após cada etapa de treinamento, até que

a função erro seja reduzida a um valor tido como aceitável (FARACO et al,1998).

O algoritmo de retropropagação envolve a execução de dois passos distintos de

computação: o processamento direto (forward) e o processamento reverso (backward).

O procedimento direto é executado no sentido, entrada  saída da rede. Neste caso,

um exemplo de treinamento é apresentado à rede e as saídas de todos os neurônios

são computadas, usando as equações (9) e (10).

v j (n) =

∑

w ji (n) yi (n) (9)

i =0

onde,

(n) = f

(n)) (10)

Comparamos então as saídas da rede com as saídas desejadas e calculamos o

erro, usando as equações (11) e (12).

(n) = s

(n) – y

(n),

(11)

(n) = ½

∑ e

(n), (12)

jєC

O processamento reverso é executado no sentido, saída  entrada. Neste caso,

os sinais de erro são propagados da saída para a entrada, camada a camada, através

dos cálculos dos

’s (gradientes locais) para cada neurônio da rede. Para os neurônios

de saída, d é calculado usando a Equação (13) e os respectivos pesos são ajustados

usando a Equação (14).

δ ϕ (ν) = ∂ ε (

∂

(n)

∂

(n) = e

(n) f

’(v

(n))

(13)

∂

(n)

∂

(n)

∂

(n)

(n + 1) = w

(n) – η (n)

∂ ε

(n) ,

∂

(n)

(14)

Com os

’s da camada de saída calculados, usamos a Equação (15) para

calcular os

’s dos neurônios localizados na camada imediatamente anterior à camada

de saída; os pesos destes neurônios são então atualizados segundo a Equação (14).

Continuamos este procedimento camada a camada, até que a camada de entrada seja

alcançada (IYODA, 2000).

(n) = f

’(v

(n)) ∑

(n) w

(n)

(15)

As seguir ilustração da fase de propagação (Fig.12) e retropropagação (Fig. 13).

Fig. 12 - Fase de Propagação

Fig. 13 - Fase de Retropropagação

A rede neural baseia-se nos dados a ela exibidos para extrair o modelo

desejado. Portanto, a fase de treinamento deve ser rigorosa e verdadeira, a fim de

serem evitados modelos espúrios (SANTOS, et al, 2005).

Segundo Hair Jr. et al. (1998), existem três modelos básicos de redes neurais:

perceptron multicamadas, função de base radial e redes de Kohonen. As redes de base

radial são mais recentes e são utilizadas, segundo os autores, para os mesmos tipos de

aplicação que as multicamadas. Já as redes de Kohonen são mais apropriadas para

agrupamentos (clustering). A seguir, expõem-se mais detalhadamente a rede

Multicamadas (MLP) e a Função de Base Radial (RBF), por serem as utilizadas neste

trabalho.

1.8. Redes Multilayer Perceptron – MLP

De acordo com Rummelhart (1986) as redes com duas camadas (entrada e

saída) apresentam desempenho muito limitado, a adição de uma camada intermediária

faz-se necessária. Neste tipo de configuração, cada neurônio está ligado com todos os

outros das camadas vizinhas, mas neurônios da mesma camada não se comunicam,

além da comunicação ser unidirecional, apresentando assim um comportamento

estático.

As redes MLP apresentam um poder computacional muito maior que aquele

apresentado pelas redes sem camadas intermediárias (BRAGA; CARVALHO e

LUDEMIR, 2000). A MLP é uma das RNAs mais importantes existentes atualmente. Ela

permite a solução de problemas onde as classes são não-linearmente separáveis, pois,

pode-se adicionar camadas ocultas para o processamento e usar uma função de

ativação não linear, geralmente a sigmoid function, apresentada na eq. (16) (FERRARI

et al., 2006).

S (T) = 1___

1 + e

-t

(16)

Seu treinamento é do tipo supervisionado e utiliza um algoritmo muito popular

chamado retropropagação do erro (error backpropagation). Este algoritmo é baseado

numa regra de aprendizagem que “corrige” o erro durante o treinamento (HAYKIN,

1994).

Hornik et al. (1989) provaram que uma rede com apenas uma camada

intermediária, portanto, uma rede com três camadas, é suficiente para representar

qualquer função ou problema de classificação.

Hair, Jr. et al. (1998) apresenta três elementos básicos das redes multicamadas:

• Neurônios (Nós): É o elemento básico das redes neurais, um elemento

de processamento que atua em paralelo com os outros nós da rede.

• Rede: Uma rede neural é um arranjo seqüencial de três tipos básicos de

nós ou camadas: nós (ou neurônios) de entrada, nós intermediários e nós de saída. Os

nós de entrada recebem os dados iniciais e transmitem para a rede.

• Aprendizado: Segundo Hair Jr. et al. (1998), o que realmente diferencia

uma rede neural de outras técnicas multivariadas é sua capacidade de aprendizado. Os

valores são propagados pela rede através de pesos de conexão entre os nós. Os pesos

de conexão são ajustados através de um método de aprendizado. O modelo mais

freqüentemente utilizado é o método de retropropagação que se baseia nos modelos de

processamento distribuído paralelo propostos por Rumelhart e Mccleand. (1986).

1.9. Função de Base Radial - RBF

Recentemente as redes de funções radiais de base vêm ganhando bastante

atenção no domínio das RNA (BORS, 2001).

Consideradas como aproximadores universais de funções, as redes neurais

ativadas por função de base radial (RBF) produzem um mapeamento global dos dados

de treinamento a partir de contribuições locais, ou seja, da soma das ativações de cada

um de seus neurônios (HAYKIN, 1994 e CHEN e CHEN, 1994). Esta característica

torna sua aplicação rápida, didaticamente interessante, principalmente em problemas

que envolvem mais de duas variáveis, dado que sua eficiência pode ser constatada em

numerosos trabalhos internacionais (NIYOG e GIROSI, 1994).

As RBFs podem ser usadas em problemas de aproximação de funções, predição

e classificação (FERNANDES; NETO & BEZERRA, 1999) .

São redes alimentadas adiantes (feedforward), basicamente envolve 3 camadas

diferentes: a camada de entrada, a camada oculta e a camada de saída (LEKUTAI,

1997). A primeira camada implementa uma conexão direta do espaço vetorial de

entrada para a segunda camada ou camada escondida

As redes neurais com funções de ativação de base radial (RBF) apresentam três

diferenças principais em relação às redes tipo perceptron multicamadas (MLP) (VON

ZUBEN & CASTRO, 2005):

• Elas sempre apresentam uma única camada intermediária;

• Neurônios de saída são sempre lineares;

• Os neurônios da camada intermediária têm apenas funções de base radial como

função de ativação, ao invés de funções sigmoidais ou outras.

As funções de base radial (RBF’s) são uma classe especial de funções cuja

característica principal é o fato de seus valores crescerem (ou decrescerem)

monotonicamente à medida que aumenta a distância a um ponto central, chamado de

centro da função. Alguns exemplos desse tipo de função são dados abaixo (BRAGA;

CARVALHO e LUDEMIR, 2000):

função gaussiana: f(u)= exp (- v

/ 2σ

)

(17)

função multiquadrática: f(u)= √ ( v

+ σ

) (18)

função multiquadrática inversa: f(u)= v

log (v) (19)

onde v= || x - µ ||, que é dado geralmente pela distância euclidiana, x é o vetor de

entrada, e µ e σ representam o centro e a largura da função radial, respectivamente.

A função radial de base mais utilizada é a função de Gauss. Sua saída é

determinada pela distância Euclidiana entre o centro e o vetor de entrada. Cada função

requer um parâmetro vetorial - o centro, e um parâmetro escalar que define a largura da

função radial. A última camada (camada de saída) transforma o espaço vetorial interno,

implementando uma soma ponderada (processo linear) dos neurônios escondidos

(BORS, 2001).

Vários métodos têm sido propostos para o treinamento de redes RBF. Na maioria

destes métodos, o treinamento é classificado como híbrido, uma vez que é dividido em

dois estágios (BRAGA; CARVALHO e LUDEMIR, 2000). Na primeira fase, os

parâmetros da função radial utilizada (os centros e a largura) são determinados por

métodos não supervisionados. Durante a segunda fase é realizado o ajuste dos pesos

dos neurônios de saída, correspondendo a um problema linear, de processamento mais

simples (HAYKIN, 1994).

Os dois métodos usualmente utilizados para seleção dos centros são a sub

amostragem (sub sampling) e o algoritmo K-médias (K-means). Após a seleção dos

centros, deve-se determinar o fator de largura da função. Os algoritmos mais utilizados

para essa operação são o isotrópico e o algoritmo dos vizinhos mais próximos de K (K-

nearest neighbors). Após essa primeira fase, o passo seguinte corresponde à

otimização da camada de saída, que pode ser feita empregando-se uma técnica padrão

para otimização linear: pseudo-inversa. (HAYKIN, 1994; BISHOP, 1995).

Este modelo de rede é apropriado para desempenhar diversas tarefas, dentre as

quais se inclui a aproximação de funções. Uma camada intermediária, segundo Bishop

(1995), é o suficiente para a aproximação de qualquer função.

O algoritmo K-médias particiona o espaço de padrões em K regiões ou grupos.

Esta partição é realizada da seguinte maneira: inicialmente são escolhidos

aleatoriamente K vetores de entrada para serem os centros de K grupos de padrões.

Os outros vetores de entrada são atribuídos ao grupo que tiver o centro mais próximo.

Para isso geralmente é utilizada a distância euclidiana. Após esta fase, os centros são

recalculados para que sejam os vetores médios do seu grupo, ou seja, a média dos

vetores pertencentes ao grupo. Novamente os vetores de entrada são apresentados e

associados ao centro mais próximo. Estes processos de redefinição de centros e dos

vetores associados a cada centro é repetido até que o algoritmo convergir, isto é, até os

centros não precisarem ser modificados (BRAGA; CARVALHO e LUDEMIR, 2000).

Pseudo-inversa é usada para aperfeiçoar a saída linear na atribuição do desvio. Depois

de calculado o erro, este é minimizado pela matriz pseudo-inversa (STATISTICA, 2006).

1.10. Modelagem em Redes Neurais Artificiais

Para o desenvolvimento de um modelo ou projeto baseado em redes neurais

artificiais são necessárias

diversas etapas (Fig. 14), descritas conforme Caudill (1991):

Fig. 14 – Etapas para o desenvolvimento de um modelo de RNA

Definição do

Problema

Coleta de dados

treinamento,

validação e teste

Projeto da

RNA

Treinamento da

RNA

Teste/ Validação da

RNA

Os dois primeiros passos do processo de desenvolvimento de redes neurais

artificiais são a definição do problema e a coleta de dados relativos ao problema e a sua

separação em um conjunto de treinamento e um conjunto de testes (CLAUDILL, 1991).

O conjunto de treinamento é utilizado para o treinamento da rede e ajuste dos

parâmetros da rede, devendo conter um número estatisticamente significativo de casos

em estudo, de modo a constituir uma amostra representativa do problema que se

pretende estudar (KLIMASAUKAS,1991 ; HERTZ; KROGH E PALMER,1991

)

O conjunto de teste é utilizado para verificar a capacidade de generalização da

rede sob condições reais de utilização. Os dados do conjunto de teste não devem ser

usados para ajuste dos parâmetros da rede. A habilidade de generalização da rede se

refere a seu desempenho ao classificar padrões do conjunto de teste. Deficiências na

capacidade de generalização da rede podem ser atribuídas ao problema de sobreajuste

(overfitting). Esse problema ocorre quando, após um certo período de treinamento, a

rede se especializa no conjunto de treinamento e perde a capacidade de generalização.

Diz-se então que a rede memorizou os padrões de treinamento, gravando suas

peculiaridades e ruídos, proporcionando perdas na capacidade de generalização

quando essa é utilizada para classificar os padrões pertencentes ao conjunto de teste

(KLIMASAUKAS,1991 ; HERTZ; KROGH E PALMER,1991

)

Para evitarmos o problema de sobreajuste, pode-se usar também uma

subdivisão do conjunto de treinamento, criando um conjunto de validação, cuja

finalidade é verificar a eficiência da rede quanto a sua capacidade de generalização

durante o processo de treinamento, também podendo ser empregado como critério de

parada do treinamento da rede (KLIMASAUKAS,1991 ; HERTZ; KROGH E

PALMER,1991).

O terceiro passo é a definição da configuração da rede, que pode ser dividido em

três etapas: (i) seleção do paradigma neural apropriado à aplicação; (ii) determinação

da topologia da rede a ser utilizados - o número de camadas, o número de unidades em

cada camada, etc. (iii) determinação de parâmetros do algoritmo de treinamento e

funções de ativação. Este passo tem um grande impacto no desempenho do sistema

resultante (DIN, 2006).

O quarto passo é o treinamento da rede. Nesta fase, seguindo o algoritmo de

treinamento escolhido, são ajustados os pesos das conexões. É importante considerar,

nesta fase, alguns aspectos tais como a inicialização da rede, o modo de treinamento e

o tempo de treinamento. O quinto passo é o teste da rede. Durante esta fase o conjunto

de teste é utilizado para determinar o desempenho da rede com dados que não foram

previamente utilizados. O desempenho da rede, medida nesta fase, é uma boa

indicação de seu desempenho real (DIN, 2006).

Não existem regras claras para se definir quantas unidades devem existir nas

camadas intermediárias, quantas camadas, ou como devem ser as conexões entre

essas unidades.

Em geral, redes neurais com poucos neurônios escondidos são preferidas, visto

que elas tendem a possuir um melhor poder de generalização, reduzindo o problema de

sobreajuste (overfitting). Entretanto, redes com poucos neurônios escondidos podem

não possuir a habilidade suficiente para modelar e aprender os dados em problemas

complexos podendo ocorrer underfitting, ou seja, a rede não converge durante o

treinamento

(PEREIRA, 1999).

O aumento do número de camadas implica num aumento da complexibilidade e

conseqüentemente do tempo de processamento. Já um pequeno número de camadas

pode fazer com que a RNA não tenha flexibilidade necessária para generalização; por

outro lado, um número excessivo pode fazer com que a RNA “decore” os dados ao

invés de generalizá-los (DINIZ, 1997).

A implementação de um modelo ou projeto que utilize as RNA poderá ser

realizada de diversas formas. Caso o interessado possua bom conhecimento em

desenvolvimento de software poderá desenvolver seu próprio código, específico para o

problema. Caso contrário, poderá utilizar os pacotes de sistemas simuladores de redes

neurais comerciais ou de domínio público. Também poderá projetar e construir um

hardware utilizando chips de redes neurais disponíveis no mercado. (MEDEIROS,1999).

Embora as redes neurais artificiais demonstrem uma grande capacidade de

previsão, apresentam também algumas limitações, dentre as quais se destaca que

todos os processos de interconexões entre neurônios e camadas, correção do erro e

previsão do valor desejado são efetuados de maneira que não há uma inferência direta.

Além disso, deve-se ter cuidado para evitar a saturação da rede ou overtraining, o que

faz com que, se o treinamento se estender por períodos muito longos, a rede tome

decisões arbitrárias, especializando-se no grupo de variáveis utilizado no treinamento e

perdendo sua capacidade de generalização (JANSSON, 1991).

As aplicações de RNAs são inúmeras. Podem ser utilizadas pra analisar dados e

processamento de sinais, controle de processos, robótica, análise de aroma (nariz

eletrônico) e cor, classificação de dados, etc. Com base em bancos de dados de redes

neurais específicas é possível prever novos valores, utilizando-se de um mínimo de

dados experimentais, o que pode agilizar a determinação de parâmetros desconhecidos

(VALE et al, 2000). Este procedimento computacional vem sendo utilizado em várias

áreas da Ciência e Tecnologia de Alimentos.

As redes neurais artificiais (RNAs) já foram aplicadas em praticamente

todas as áreas da ciência de alimentos . As RNAs são ferramentas úteis para as

análises de qualidade e segurança alimentar, que incluem a modelagem do

crescimento microbiano, a interpretação de dados espectroscópicos, e a

previsão de propriedades funcionais e sensoriais de vários alimentos durante o

processamento e a distribuição. Uma promessa das RNAs é modelar tarefas

complexas no controle e na simulação do processo e nas aplicações das

previsões (HUANG; KANGAS & RASCO, 2007).

Na área de alimentos algumas redes já foram utilizadas com sucesso. Vale e

Zambiazi (2000), confirmaram a viabilidade de previsão da estabilidade de óleos

vegetais pela rede neural, a partir de dados de sua composição química, utilizando

como parâmetro de estabilidade o índice de peróxido. Horinomoto et al (1995), usaram

diferentes variáveis de processo e de composição do trigo para prever o volume da

massa de pães elaborados de diferentes cultivares de trigo através de uma rede neural

(Brainmaker software). Arteaga & Nakai (1993), desenvolveram uma rede neural

usando propriedades físico-químicas de proteínas para prever sua estabilidade e

capacidade de formação de espuma, destacando que a habilidade de previsão por

parte da rede foi superior ao encontrado pela utilização da análise dos componentes

principais.

Ramos (2003), através das redes neurais, formulou um modelo artificial de

classificação de frutos que considerou simultaneamente vários atributos de propriedade

físicas, procurando simular o mais próximo possível o grau de maturidade desejado

pelos compradores de tomates. O’farrell et al. (2005), procuraram projetar uma única

rede neural que verificasse a tendência, projetando uma escala de cor geral que

classificasse diferentes cortes de frangos (filé, asa), com e sem pele, submetidos a

diferentes tratamentos (cozido, grelhado e assado).

O campo de redes neurais artificiais é acima de tudo extremamente vasto e

promissor. Por ser um assunto que surgiu há muito tempo atrás ganhou muita

credibilidade, e devido á novas descobertas relacionadas a ela a cada instante, tornou-

se bastante atrativo para profissionais de domínios distintos, tornando-se um assunto

interdisciplinar. Os conhecimentos obtidos até hoje atraem o interesse de profissionais

tais como psicólogos, neurofisiologistas, engenheiros, cientistas cognitivos, e cientistas

da computação, que buscam cada um em sua área, novos caminhos através da

computação neural (DIN, 2006).

Capítulo 2 - APLICAÇÕES DE REDES NEURAIS ARTIFICIAIS NA SALGA MISTA

COM NaCl E KCl EM QUEIJO PRATO

1. INTRODUÇÃO

A hipertensão arterial é uma doença muito comum em todo o mundo e atinge

jovens, adultos e idosos, pessoas de ambos os sexos, de todas as raças e de qualquer

padrão social. Na maioria dos casos a hipertensão parece estar ligada à herança

familiar e a hábitos alimentares. A hipertensão é uma doença que não tem cura, mas

pode-se, através de tratamento, manter controlados os níveis da pressão arterial

(COREN, 2007).

O alimento mais relacionado com a hipertensão arterial é o cloreto de sódio, mas

conhecido como sal de cozinha (ICRG, 1988). O cloreto de sódio está presente também

em vários produtos industrializados que consumimos diariamente, como pães, queijos,

cereais, bolachas, enlatados. Em muitos casos, a redução do sódio na dieta é suficiente

para baixar a pressão sanguínea (PEDRINOLA, 2007).

Com isso, hoje se faz necessário à produção de alimentos com teor reduzido de

sódio. Por isso, estudos vêm sendo realizados para substituir uma parte de cloreto de

sódio por cloreto de potássio (BORSATO et al, 2007). Uma substituição completa não é

recomendada, pois apesar de ter características semelhantes ao do cloreto de sódio, o

cloreto de potássio apresenta sabor amargo quando utilizado em grandes quantidades

(FITZGERALD et al, 1985; LINDSAY et al, 1982 e RAPACCI, 1989).

O queijo é um exemplo de alimento muito apreciado, mas com grande

quantidade de sal. Um dos queijos mais consumidos no Brasil é o queijo prato

(SILVEIRA e ABREU, 2003), por isso estudos envolvendo a difusão do cloreto de sódio,

na presença de um substituto (KCl), são fundamentais na estimativas de parâmetros

como as concentrações finais desses sais no queijo e o tempo de salga necessário

para alcançar essas concentrações.

2. REVISÃO BIBLIOGRÁFICA

2.1. Hipertensão Arterial e o Cloreto de Sódio

Segundo estimativa de 2004 do Instituto Brasileiro de Geografia Estatística

(IBGE, 2004) atualmente 35% da população brasileira acima de 40 anos são

hipertensos, isso representa em números absolutos um total de 17 milhões de

portadores da doença (MINISTÉRIO DA SAÚDE, 2005). O termo hipertensão arterial,

denominado comumente de hipertensão ou pressão alta, significa a perda de

elasticidade das artérias, acompanhado da elevação da pressão arterial para além de

140 x 90 mmHg (CECIL, 2005). Esta elevação anormal pode causar lesões em

diferentes órgãos do corpo humano, tais como cérebro, coração, rins e olhos

(VARELLA, 2006).

Hipertensão é a causa de 60% dos ataques cardíacos e 80% dos derrames

cerebrais. Mas o que pouca gente sabe é que a pressão alta também provoca

sofrimento dos rins, levando à insuficiência renal. Grande parte dos doentes que

precisam ser submetidos à diálise enquanto aguardam o transplante de rim chegaram a

esse estágio por causa da pressão alta (VARELLA, 2006).

No cérebro, podem acontecer dois tipos de acidentes vasculares, conhecidos

como derrames cerebrais. O isquêmico ocorre quando a artéria é obstruída, e o

hemorrágico, quando a artéria rompe, provocando sangramento. (VARELLA, 2006).

No coração, a hipertensão pode contribuir para a obstrução das coronárias,

artérias que nutrem o músculo cardíaco, levando ao infarto do miocárdio. (VARELLA,

2006).

Nos rins, o aumento da pressão conduz à dificuldade de filtrar o sangue, à

retenção de líquido e à insuficiência renal, que pode exigir diálise e transplante de rim.

(VARELLA, 2006).

O sal ajuda a reter no organismo os líquidos que ingerimos. Para cada nove

gramas de sal que a pessoa ingere, o organismo retém um litro de água. Um litro de

água a mais no volume circulante obriga o coração a fazer mais força para trabalhar.

(VARELLA, 2006).

Dentre os fatores nutricionais estudados e que se associam à alta prevalência de

hipertensão arterial estão o elevado consumo de álcool e sódio e excesso de peso

(ICRG, 1988).

Populações ocidentais e com alto consumo de sal apareceram como tendo os

maiores percentuais de hipertensão, enquanto as populações rurais ou primitivas que

não faziam uso de sal de adição apresentaram menores prevalências ou nenhum caso

de hipertensão arterial (ICRG, 1988).

As medidas de maior eficácia do tratamento da hipertensão arterial são:

• Redução do peso corporal e manutenção do peso ideal - índice de massa

corpórea (peso em quilogramas dividido pelo quadrado da altura em metros)

entre 20 e 25 kg/m

porque existe relação direta entre peso corpóreo e pressão

arterial

(SACKS et al, 2001).

• Redução da ingestão de sódio - é saudável ingerir até 6 g/dia de sal

correspondente a 4 colheres de café rasas de sal, 4g, e 2g de sal presente nos

alimentos naturais, reduzindo o sal adicionado aos alimentos, evitando o saleiro

à mesa e alimentos industrializados. A dieta habitual contém 10 a 12 g/dia de sal

(SACKS et al, 2001).

• Maior ingestão de potássio - dieta rica em vegetais e frutas contém 2 a 4g de

potássio/dia e pode ser útil na redução da pressão e prevenção da hipertensão

arterial

(WHELTON et al, 1997). Os substitutos do sal contendo cloreto de

potássio e menos cloreto de sódio (30% a 50%) são úteis para reduzir a ingestão

de sódio e aumentar a de potássio.

• Redução do consumo de bebidas alcoólicas (MACMAHON, 1987; KRAUSS et al,

2000, PUDDEY ET AL, 1985 e PUDDEY; BEILIN E VANDONGEN, 1987) para os

consumidores de álcool, a ingestão de bebida alcoólica deve ser limitada a 30g

álcool/dia contidas em 600 ml de cerveja (5% de álcool) ou 250 ml de vinho (12%

de álcool) ou 60ml de destilados (whisky, vodka, aguardente - 50% de álcool).

Este limite deve ser reduzido à metade para homens de baixo peso, mulheres,

indivíduos com sobrepeso e/ou triglicérides elevados.

• Exercícios físicos regulares (BERLIN e COLDITZ, 1990 e PAFFENBARGER,

1988) - há relação inversa entre grau de atividade física e incidência de

hipertensão; exercício físico regular reduz a pressão.

Neil (2006) anunciou os resultados de um estudo duplo-cego com 608 indivíduos

que foram randomizados para receber um substituto de sal (65% de cloreto de sódio,

25% de cloreto de potássio e 10% de sulfato de magnésio) ou sal comum (cloreto de

sódio a 100%). O estudo teve duração de um ano. A escolha da composição do

substituto foi realizada para que não houvesse o gosto residual amargo normalmente

reportado pelos substitutos padrões que contém com maior quantidade de cloreto de

potássio.

No início do estudo, a pressão arterial média aferida foi de 159/93 mmHg. Após

12 meses, a pressão sistólica era 5,4 mmHg menor entre aqueles que utilizaram o

substituto do sal quando comparados ao grupo controle, com alta significância

estatística (NEIL, 2006).

A indicação redução da ingestão de sal e aumento da ingestão de potássio se

justifica pela possibilidade de o potássio exercer efeito anti-hipertensivo, ter ação

protetora contra danos cardiovasculares, e servir como medida auxiliar em pacientes

submetidos à terapia com diuréticos (SOCIEDADE BRASILEIRA DE CARDIOLOGIA,

2001).

Em muitos casos, a redução do sódio na dieta é suficiente para baixar a pressão

sanguínea, mas o sal de mesa não é a nossa única fonte de sódio . Sabe-se que o sal

de mesa tem 40% de sódio, mas ele está presente também em vários produtos

industrializados que consumimos diariamente, como pães, queijos, cereais, bolachas,

enlatados, etc. (PEDRINOLA, 2007).

2.2. Queijo prato e a redução de cloreto de sódio

A importância do queijo como alimento está no fato de ser um produto rico em

proteínas, gordura, sais minerais (cálcio e fósforo) e vitaminas. Portanto, indivíduos que

não apreciam o leite, encontram no queijo um alimento substitutivo, uma vez que uma

pequena porção de queijo (40g.) contém proteína e cálcio em quantidades suficientes

para substituir um copo de leite (200 ml) (CCA, 2001).

Incontestavelmente o queijo ocupa um lugar de grande destaque, pelo seu valor

nutritivo, entre os alimentos chamados completos, mas que contém uma grande

quantidade de sal, que pode ser constatado pela sua composição bruta, comparada

com a carne de vaca e o ovo (Tab. 1) (CCA, 2001).

Tab. 1 – Comparação nutricional entre queijo, carne e ovo (%) composição bruta

COMPONENTES QUEIJO CARNE OVO

Água 34,2 61,9 33,7

Gordura 33,7 18,5 10,5

Proteínas 25,9 18,6 14,8

Carboidratos 2,4 0,0 0,0

Sais 3,8 1,0 1,0

Calorias por libra 1885 1090 6,0

No Brasil, um dos queijos de maior destaque é o queijo prato. Este tipo de queijo

foi introduzido no Brasil por imigrantes dinamarqueses, e originou-se dos queijos tybo e

danbo, dinamarqueses, e do gouda, holandês. Possui grande importância no meio

comercial, ocupando o segundo lugar em produção no Brasil. Esse tipo de queijo

caracteriza-se por ter sabor suave, consistência macia, fácil fatiabilidade e melhor

padronização tecnológica, sendo, portanto, mais bem caracterizado comercialmente

(SILVEIRA e ABREU, 2003).

O teor de cloreto de sódio tem levado os consumidores conscientes a optarem

por queijos ou derivados menos salgados, devido à associação entre o consumo de sal

e a hipertensão arterial. Uma alternativa para reduzir o teor salino em queijos é a

substituição parcial do NaCl pelo KCl, desde que não se altere sua qualidade final

(BORSATO et al, 2007)

Rappaci (1989), fez um estudo que substitui uma parte de cloreto de sódio por

cloreto de potássio. O cloreto de potássio pode ser utilizado como substituto, pois,

possui características semelhantes ao cloreto de sódio. A substituição completa do

NaCl pelo KCl não é recomendada, devido ao sabor amargo conferido ao produto, o

que o torna pouco aceitável (FITZGERALD et al, 1985; LINDSAY et al, 1982 e

RAPACCI, 1989). Contudo, a substituição de até 30% do cloreto de sódio pelo cloreto

de potássio não apresentou diferenças sensoriais, físico-químicas ou microbiológicas

significativas (p < 0,05) em relação ao queijo prato salgado apenas com cloreto de

sódio (RAPACCI, 1989).

A salga é uma etapa muito importante na fabricação de queijo. A salga melhora o

sabor do queijo, ajuda a mascarar algum tipo de sabor indesejável que esteja com

baixa intensidade e inicia a formação da casca do queijo. Quando o queijo absorve o

sal, ocorre liberação de soro, levando a uma perda de peso de aproximadamente 2%

no queijo Prato. Esse sal absorvido auxilia na inibição do desenvolvimento de alguns

microrganismos, pois contribui de forma considerável na atividade de água (aw) do

queijo, além de controlar a velocidade e intensidade da maturação. O queijo só é

salgado quando atinge uma fermentação adequada, pois caso contrário, há inibição do

fermento, levando ao aparecimento de problemas, principalmente na superfície do

queijo, como manchas e fermentação indesejada (LATICÍNIO. NET, 2004). O conteúdo

do sal determina também muitas características nos queijos, tais como, fragmentação,

fatiabilidade, esticabilidade e derretibilidade. Quanto às formas de salga, existem

quatro. São elas: no leite, na massa, a seco e em salmoura (LATICÍNIO. NET, 2004).

Dentre os diferentes tipos de salga dos queijos, destaca-se a salga por submersão,

onde o produto é mantido em salmoura por tempo variável (BORSATO et al, 2007).

A salga em salmoura ou salga úmida, é realizada normalmente em tanques de

salmoura, onde os queijos são mergulhados após a prensagem. A quantidade de sal

retida pelo queijo depende da concentração e temperatura da salmoura, e do tempo de

salga. Geralmente utilizam-se salmouras com concentração de sal de 20 a 24% e uma

temperatura entre 10 e 15°C, para evitar o crescimento de microrganismos

indesejáveis. O tempo de salga é determinado em função do teor de umidade,

tamanho, formato do queijo em questão e do teor de sal desejado. Um queijo prato,

variedade lanche de 1kg, necessita permanecer aproximadamente 24 horas em uma

salmoura com 20% sal em uma temperatura de 15°C. A salmoura deve obedecer a um

rigoroso controle quanto à concentração do sal e condições adequadas de higiene

(SHEGDONI; RETTI e SOUZA, 1979).

O sal exerce um papel preponderantemente nos fenômenos físico-químicos,

bioquímicos e microbiológicos que ocorrem durante a maturação (HOHENDORFF e

SANTOS, 2006).

Quando o queijo é colocado na salmoura ocorrem simultaneamente, a entrada

de sal (difusão) e saída de água (osmose). O sistema NaCl/água, portanto pode ser

classificado como binário (GERLA e RUBIOLO, 2003).

No caso da utilização de uma parte de cloreto de potássio na salga do queijo,

passa a ser um sistema ternário (NAUMAN e SAVOCA, 2001). Para estudar a difusão

nesse sistema é necessário levar em conta o fluxo do cloreto de potássio, bem como

sua influência no fluxo de cloreto de potássio. Para isso Bona (2004), utilizou uma

modelagem matemática mais ampla para a simulação do sistema de difusão que ocorre

neste sistema multicomponente.

2.3. Difusão

A difusão representa um fenômeno de transferência de massa que surge devido

a uma diferença de potencial, provocada graças a uma diferença de concentração

puntual. Este fenômeno é o responsável por muitas das operações unitárias existentes

no campo da Engenharia Química e da Engenharia de Alimentos. A grandeza que

mede a condutividade da transferência de massa, no fenômeno da difusão, é a

difusividade mássica ou coeficiente de difusão. Dos três estados da matéria, os gases

são os mais fáceis de serem tratados matematicamente em relação difusão, pelo fato

de suas moléculas estarem distantes uma das outras e as forças moleculares poderem

ser descartadas ou consideradas apenas nas colisões. Já os líquidos, que têm sido

tratados como “gases densos”, estão num grupo intermediário e existem atualmente

modelos razoáveis para a predição do coeficiente de difusão de determinados pares

(WELTY, WICKS e WILSON, 1986).

A difusão pode ser vista como um processo no qual a concentração tende a se

igualar em todos os pontos do sistema com o passar do tempo, ou seja, a difusão é um

processo no qual a diferença de concentração é reduzida através de um fluxo

espontâneo da matéria (NETZ E GONZALEZ, 2002).

A expressão que descreve o processo de difusão mássica é a conhecida lei de

Fick.

= - ρ D

(20)

onde, ρ é a densidade mássica: ρ= ρ

+ρ

;

é a fracção de massa: m

= ρ

/ρ

= - C D

(21)

onde, C é a concentração molar: C = C

+ C

;

é a fracção molar: x

= C

A lei de Fick estabelece que o fluxo de matéria é proporcional à diminuição da

concentração e inversamente proporcional à distância (dx) (NETZ E GONZALEZ, 2002).

A segunda lei de Fick representa a velocidade de alteração da concentração de

soluto em função do tempo e o deslocamento, ou seja, dois fatores importantes na

determinação do coeficiente de difusão de qualquer soluto em diferentes sistemas

(NETZ E GONZALEZ, 2002).

A difusão mássica em um sólido é um fenômeno geralmente lento e pode ser

satisfatoriamente modelado pela 2ª lei Fick (CRANK, 1975). Quando dois solutos estão

presentes (difusão multicomponente), um sistema de equações formado a partir da

segunda lei de Fick pode ser empregado no estudo quantitativo do fenômeno

(CUSSLER,1976). Ao sistema estão associados coeficientes de difusão referentes ao

fluxo dos solutos em relação ao próprio gradiente de concentração (coeficiente de

difusão principal) e coeficientes de difusão cruzados que correlacionam a interação

existente entre os solutos à variação da concentração (ZORRILA e RUBIOLO, 1998).

A utilização de modelos que simulam a difusão multicomponente, como a 2ª lei

de Fick generalizada, durante a salga e maturação de queijos é importante para o

controle do processo e da qualidade do produto (BORSATO et al, 2007).

Bona (2004), modelou e simulou a difusão multicomponete que ocorre durante a

salga mista (NaCl e KCl) de queijo prato em salmoura estática. Para este estudo utilizou

o Método de Elementos Finitos (MEF) e um método analítico (MA). O desvio em relação

aos dados experimentais do NaCl foi de 2,7% para o MA e 2,8% para o MEF, já para o

KCl o MA apresentou um desvio de 6,6% e o MEF 5,5%. Bona (2007), fez o mesmo

estudo com o MEF, mas usando salga com agitação. O desvio de NaCl dos dados

experimentais da concentração foi 7.3% e 5.4% para o KCl.

Atualmente um novo programa computacional vem sendo utilizado para

simulações, as Redes Neurais Artificiais.

As Redes Neurais consistem em

algoritmos de aprendizagem podendo ser uma ferramenta poderosa para

resolver determinados tipos de problemas complexos e resultados do rendimento

melhores do que outros modelos matemáticos (HUANG; KANGAS & RASCO,

2007).

As Redes Neurais Artificiais podem ser utilizadas em todas as áreas da ciência

de alimentos, são ferramentas úteis para análises da segurança alimentar e da

qualidade, tais como a modelagem do crescimento microbiano e predição da segurança

alimentar. Podem interpretar dados espectroscópicos, e a predição do produto químico,

e propriedades funcionais de alimento durante o processamento e a distribuição. RNAs

são uma promessa para modelar tarefas complexas no controle e na simulação do

processo (HUANG; KANGAS & RASCO, 2007).

3. OBJETIVOS

3.1. Objetivo Geral

Desenvolver a melhor Rede Neural Artificial para a obtenção das

concentrações finais de NaCl e KCl.

3.2. Objetivos Específicos

i. Utilizar o programa Soft Statistica 7.1, com o módulo RNA para simulação

da salga mista.

ii. Validar e verificar a confiabilidades dos resultados com a rede obtida.

4. MATERIAL E MÉTODOS

4.1. Queijo prato

Os queijos pratos foram medidos em supermercado da cidade de Londrina.

Foram medidos queijos pratos de três pesos 0,5 kg marca Italac, 2,0 Kg Tirolez e 3,0 kg

Leitebom. Dez queijos foram medidos utilizando como convenção os eixos imaginários

(x,y,z) com origem no centro geométrico (Fig.15) .

Fig. 15 - Convensão adotada para os eixos imaginários, com origem no centro geométrico da

amostra para identificação da simetria.

Com as medidas do queijo foram calculados a média, desvio padrão e volume

(ANEXO 1).

4.2. Simulação

Com os novos valores de medidas de queijos foi feita uma simulação utilizando

um programa em linguagem FORTRAN para a criação de um banco de dados maior.

Para simulação utilizou-se o programa SIMUL 3.0 software (Bona,2004), em

linguagem Fortran. A partir da concentração inicial de NaCl e KCl da salmoura (tabela),

o tempo salga, as medidas dos eixos X,Y,Z, condição de contorno (com e sem

agitação), foi feita uma simulação para obtenção da concentração final de NaCl e KCl

no queijo prato.

Tab. 2 – Proporção em massa entre os sais NaCl e KCL na salmoura

NaCl (%) KCl (%)

90 10

80 20

75 25

70 30

65 35

60 40

50 50

Outros dados utilizados para a simulação:

Malha com 504 elementos: (8 no eixo X, 7 no Y e 9 no Z)

Discretização temporal: 2 x 0,05h; 3 x 0,30h; 11 x 1,00h

Pontos de integração: 3

Biot 16,577

Concentração inicial de NaCl e KCl no queijo (g/100g de água no queijo)

NaCl 0,18 e KCl 0,26

Umidade de queijo 45% (g/100g de queijo base úmida)

Matriz de coeficiente de difusão

0,242 0,019

0,039 0,254

Onde 0,242 e 0,254 são os coeficientes de difusão principais (cm

/dia) para NaCl

e KCl respectivamente e 0,039 e 0,019 são os coeficientes de difusão cruzados

(cm

/dia) para NaCl e KCl respectivamente.

O número de Biot (Bi) expressa a magnitude relativa das resistências externa e

interna, relaciona a velocidade de transporte de massa na camada líquida estagnada ao

redor da biopartícula com a velocidade de difusão intraparticular (FAZOLO et al, 2001)

De acordo com Bailey & Ollis (1986), se Bi for da ordem de 100 ou maior, os efeitos de

resistência externos não serão significativos. O número de Biot só foi utilizado para

salga estática, onde Bi = 16,577.

No final da simulação teve um banco de dados com 504 dados, onde 240 para

treinamento, 120 para validação e 144 para teste.

4.3. Aplicativo Computacional

Foi utilizado o programa STATISTICA 7.1 (2006). O módulo de redes neurais

consta de:

• aquisição de dados;

• pré e pós- processamento;

• perceptrons de multicamadas (MLP);

• funções de base radial (RBF);

• ferramentas estatísticas para avaliação e validação;

• mapas auto-ajustáveis (SOM) ou algoritmo de Kohonen para aprendizagem não

supervisionada;

• solução de problemas de classificação;

• técnicas de ensemble (maquina de comitê) para melhorar o desempenho das

redes;

• análise de componentes principais.

4.4. Desenvolvimento da Rede Neural: manual de operação

No programa Statistica 7.1 foi criada uma tabela, com as seguintes variáveis

X,Y,Z, volume, NaCl, KCl, condição de contorno, tempo de salga, NaCl

, KCl

amostragem. Um exemplo da tabulação dos dados encontra-se no ANEXO 2.

Onde X,Y e Z são as médias desses eixos para cada queijo e estão em cm. O

volume foi encontrado pela multiplicação dos três eixos e esta em cm

. NaCl e KCl são

as concentrações iniciais desses sais e estão expressos em grama por 100 de água do

queijo. A condição de contorno foi estabelecida como salga com agitação e salga sem

agitação (estática). O tempo de salga foi de 1 a 12 horas e NaCl

e KCl NaCl

são as

concentrações finais desses sais em g/100g de água no queijo. A amostragem é

utilizada para determinar quais são utilizadas para treinamento e quais utilizadas para

validação e teste. Onde 1 representa treinamento e 2 validação e 3 teste (ANEXO 2).

Os índices 1 e 2 foram selecionados aleatoriamente entre as simulações com 90 e 10,

80 e 20, 70 e 30, 60 e 40 e 50 e 50 de proporção em massa entre os sais NaCl e KCl

na salmoura. O índice três 3 foi uma simulação que considerou as proporções de 75, 25

e 65, 35 para o NaCl e KCl respectivamente (Tab. 2).

O primeiro passo é definir o tipo de problema (Fig. 16). Neste caso, será utilizada

a regressão. Em problemas de regressão, o objetivo é estimar o valor de uma variável

de saída continua e as variáveis de entrada são conhecidas. Os problemas de

regressão podem ser resolvidos utilizando vários tipos de redes como MLP (Multi Layer

Perceptron, Perceptron de Multi Camadas); RBF (Radial Basics Function ou Função de

Base Radial); GRNN (Generelized Regression Neural Network ou Rede Neural de

Regressão Generalizada) e Linear.

Fig. 16 – Caixa de diálogo inicial do Statistica – módulo De Redes Neurais Artificiais

A seguir, em selecione a análise (Select analysis) (Fig. 16) define-se o tipo de

análise. Pode ser utilizado tanto o Inteligent Problem Solver (Resolução Inteligente de

Problemas), onde se pode escolher mais de um tipo de rede ou o Custom Network

Designer (CND - Projetista de Rede Customizada), onde se especifica o tipo de rede

criando uma rede neural individual. Foi selecionado o CND, pois será utilizada uma

rede individual. Após a seleção do CND, seleciona-se quais serão as variáveis de

entrada (input), de saída (output), as variáveis qualitativas (Categorical Inputs), que são

empregadas quando é necessário agrupar (grupos ou classes), por exemplo, a

condição de contorno e por último a variável de subgrupos (subset), utilizada para

definir quais subgrupos serão usados no treinamento, validação e teste da rede (Fig.

17).

Quando se utiliza subset variável, é necessário especificar o código do variável,

qual subgrupo será utilizado para o treinamento e qual será utilizado para validação e

teste (Fig.16).

Fig. 17 Caixa de diálogo do Statistica 7.1 para escolha do tipo de problema, variáveis e tipo de

análise

Depois de definido o tipo do problema, as variáveis e os tipos de análise, clica-se

OK. Na próxima caixa de diálogo (Fig. 18) foi selecionado o tipo de rede. Para este

estudo foi empregada uma rede do tipo RBF. Essa rede tem como característica

combinar uma única camada intermediária ou escondida com uma camada de saída. A

grande vantagem da utilização da RBF está na velocidade do processo de treinamento.

As redes RBF, como descrito por Haykin (1994), são, usualmente mais rápidas no

processo de treinamento que o MLP. Nesta mesma caixa de diálogo, em Units

(unidades) escolhe-se a quantidade de neurônios da camada intermediária (escondida).

Fig. 18 - Caixa de diálogo do Statistica 7.1 para escolha do tipo de rede e quantidade de neurônios

na camada escondida

O próximo passo foi optar pelo algoritmo de treinamento da rede. Como visto

no capitulo 1, as redes do tipo RBF podem ser treinadas por vários métodos. As redes

RBF usam um processo de treinamento de 2 estágios:

1. Atribuição dos centros do radial e os seus desvios;

2. Otimização da camada de saída.

Na caixa de diálogo de treinamento (Fig. 19) escolhe-se entre Sample training

cases (treinamento de amostras) e K-means (K-médias). Foi utilizado o K-means, que é

um dos mais simples algoritmos de aprendizagem não supervisionado (MOORE, 2001).

Depois deve-se escolher a propagação do radial (radial spread). Seleciona-se o K-

Nearest neighbors ou vizinho mais próximo de K ou centro mais próximo de K e defini-

se a quantidade de K-Nearest neighbors a ser utilizada.

Fig. 19 – Caixa de diálogo do Statistica 7.1 - Treinamento da Rede de Função de Base Radial

Após escolher os números de vizinhos mais próximos de K clica-se em OK e o

programa calcula os desempenhos e os erros (Fig. 20 e 21).

Fig. 20 - Caixa de diálogo do Statistica 7.1 – Resultados

Fig. 21 - Caixa de diálogo do Statistica 7.1 – Continuação de Resultados

Na coluna Profile – perfil (Fig. 20) está a topologia da rede. Por exemplo, RBF

7:7-29-2:2, significa: RBF é o tipo de rede, 7 é o número de variáveis de entrada, 7

número de neurônios de entrada, 29 número de neurônios na camada intermediária, 2 o

número de neurônios de saída e 2 o número de variáveis de saída (as variáveis de

entrada e saída são especificadas a frente (item 5.) O Train perf/ Select perf/ Test perf

referem-se à performance da rede no treinamento, validação e teste, respectivamente

e são o valor do desvio entre os valores obtidos paras as concentrações finais de NaCl

e KCl pela rede neural e o valores previstos, durante o treinamento, validação e teste.

Train. Error; Select Error e Test Error indicam o erro da rede nos subconjuntos usados

durante o treinamento, validação e teste respectivamente.

A coluna Training/Members (Fig. 21), apresenta um breve resumo dos

algoritmos usados no treinamento para aperfeiçoar a rede neural KM- K-means; KN- K-

Nearest Neighbors e PI– Pseudo Inversa.

Na aba Advanced (Fig.21), se tem à geração especializada dos resultados,

onde se pode fazer gráficos e ilustração das redes neurais. A aba Predictions (Fig. 21),

não esta disponível para todos modelos de rede, gera a previsão padrão da rede; isto é,

um valor previsto para as variáveis de saída do modelo. A aba Residual (Fig. 21)

funciona apenas em problemas de regressão e calcula os erros gerados por essas

redes. Pode-se escolher entre os tipos de resíduos como, por exemplo, o Raw (valor

observado – previsto); Squared (Raw)

; Standart (erro padrão) e Absolute (|Observado-

Previsto|).

Na aba Sensitivy (Fig.21), avalia-se a sensibilidade das variáveis de entrada e

sua importância. As relações abaixo de 1.0 são irrelevantes e essas variáveis podem

ser desconsideradas (STATISTICA 7.1, 2006).

A aba Plot (Fig. 21) está somente disponível para redes de regressão. As opções

nesta aba são usadas para produzir uma variedade de gráficos X versus Y, por

exemplo valor previsto versus observado e histogramas. A aba Descriptive Statistics

(Fig.21), gera estatísticas do desempenho da regressão. As estatísticas da regressão

incluem:

Data Mean: valor médio da variável de saída (observada).

Data S.D.: desvio padrão da variável de saída (observada).

Error Mean. erro médio (resíduo entre os valores de saída observados e previstos) das

variáveis de saída.

Abs. E. Mean: erro médio absoluto (diferença entre os valores de saída observados e

previstos) das variáveis de saída.

Error S.D. : desvio padrão dos erros das variáveis de saída.

S.D. Ratio: relação do desvio padrão.

Correlation: coeficiente de correlação entre os valores previstos e observados dos

valores de saída.

Essas etapas são repetidas várias vezes alterando a quantidade de neurônios da

camada intermediária e do número de vizinhos mais próximos. Também se pode

modificar as variáveis de entrada.

5. RESULTADOS e DISCUSSÃO

Antes de iniciar o estudo para desenvolver a melhor rede capaz de prever as

concentrações finais de NaCl e KCl , verificou-se o que seria mais relevante, o uso do

volume ou dos eixos X, Y e Z como variáveis de entrada ao problema em estudo. Para

isso foi realizada uma análise de sensibilidade (aba Sensitivy Fig. 21) das redes quando

essas foram simuladas utilizando os eixos X; Y; Z; volume; concentração inicial NaCl e

KCl (g/100 g de água no queijo) e tempo de salga como variáveis de entrada. Como

variáveis de saída foram definidas; concentração final de KCl (KClf) e NaCl (NaClf)

(g/100 g de água no queijo). A variável qualitativa é a condição de contorno (contorno) e

subset, a amostragem. A quantidade de neurônios variou entre 15 e 24

Tab. 3 - Análise de Sensibilidade das redes com eixos X, Y, Z, volume, Concentração inicial de

NaCl e KCl, e tempo de salga como variáveis de entrada e neurônios entre 15 e 24

volume

NaCl

KCl

Contorno

Tempo

Rank.1

5,000000

8,000000

7,000000

6,000000

4,000000

3,000000

2,000000

1,000000

Rank.2

5,000000

8,000000

7,000000

6,000000

4,000000

3,000000

2,000000

1,000000

Rank.3

3,000000

8,000000

7,000000

6,000000

5,000000

4,000000

2,000000

1,000000

Rank.4

5,000000

8,000000

7,000000

6,000000

3,000000

4,000000

2,000000

1,000000

Rank.5

5,000000

8,000000

7,000000

6,000000

4,000000

3,000000

2,000000

1,000000

Rank.6

5,000000

8,000000

7,000000

6,000000

4,000000

3,000000

2,000000

1,000000

Rank.7

3,000000

8,000000

7,000000

6,000000

5,000000

4,000000

2,000000

1,000000

Rank.8

5,000000

8,000000

7,000000

6,000000

4,000000

3,000000

2,000000

1,000000

Rank.9

5,000000

8,000000

7,000000

6,000000

3,000000

4,000000

2,000000

1,000000

Rank.10

5,000000

8,000000

7,000000

6,000000

3,000000

4,000000

2,000000

1,000000

Observa-se na tabela 3 que o tempo e o contorno são as duas variáveis mais

relevantes (1º e 2º lugares na classificação), seguidas pela concentração de cloreto de

sódio e cloreto de potássio e o eixo x que variaram sua posição. as que apresentaram

menor relevância foram o volume, o eixo Z e por ultimo o Y. Como, ao mesmo tempo

em que o eixo X teve maior importância que o volume, e esse teve mais relevância que

os eixos Y e Z, não se pode definir, a princípio, se seria mais conveniente usar o

volume ou os três eixos como variáveis de entrada.

Por isso, foram simuladas redes separadas. Primeiramente foram simuladas

redes utilizando os eixos X, Y e Z e depois usando o volume. Em ambas simulações

foram empregadas ainda como variáveis de entrada o tempo de salga e as

concentrações iniciais de cloreto de sódio e cloreto de potássio. O contorno foi utilizado

como variável qualitativa e a amostragem como variável subset. A quantidade de

neurônios variou entre 20 e 30 e ainda 35, 40, 45 e 50 e o número de vizinhos na

camada mais próxima (neighbors) foi mantido em 9 para começar. A seguir, as tabelas

com as duas simulações (Tab. 4 e 5).

Tab. 4 - Desempenho de treinamento, validação e teste das redes com eixos X, Y e Z.

Profile

Train Perf. -

Desempenho

treinamento

Select perf –

Desempenho

da Validação

Test Perf –

Desempenho

do teste

Treinamento

Hidden(1)

neighbors

RBF 7:7-20-2:2

0,107770

0,117855

0,106309

KM,KN,PI

RBF 7:7-21-2:2

0,086933

0,099244

0,092957

KM,KN,PI

RBF 7:7-22-2:2

0,083301

0,101780

0,092370

KM,KN,PI

RBF 7:7-23-2:2

0,092711

0,102323

0,098442

KM,KN,PI

RBF 7:7-24-2:2

0,099812

0,106457

0,103683

KM,KN,PI

RBF 7:7-25-2:2

0,082863

0,096504

0,083615

KM,KN,PI

RBF 7:7-26-2:2

0,088723

0,107881

0,104375

KM,KN,PI

RBF 7:7-27-2:2

0,065904

0,085896

0,076949

KM,KN,PI

RBF 7:7-28-2:2

0,102320

0,113431

0,110844

KM,KN,PI

RBF 7:7-29-2:2

0,076123

0,095798

0,082393

KM,KN,PI

RBF 7:7-30-2:2

0,074084

0,097427

0,085472

KM,KN,PI

RBF 7:7-31-2:2

0,064314

0,078239

0,073401

KM,KN,PI

RBF 7:7-32-2:2

0,073986

0,098833

0,076202

KM,KN,PI

RBF 7:7-33-2:2

0,068150

0,086885

0,073677

KM,KN,PI

RBF 7:7-34-2:2

0,070508

0,088503

0,075168

KM,KN,PI

RBF 7:7-35-2:2

0,063346

0,091665

0,071887

KM,KN,PI

RBF 7:7-40-2:2

0,060539

0,076687

0,065464

KM,KN,PI

RBF 7:7-45-2:2

0,050449

0,076382

0,060514

KM,KN,PI

RBF 7:7-50-2:2

0,056831

0,081001

0,069868

KM,KN,PI

Tab. 5 - Desempenho de treinamento, validação e teste das redes com o volume

Profile

Train Perf. -

Desempenho

do treinamento

Select perf –

Desempenho

da Validação

Test Perf –

Desempenho

do teste

Treinamento

Hidden(1)

neighbors

RBF 5:5-20-2:2

0,122783

0,132714

0,114887

KM,KN,PI

RBF 5:5-21-2:2

0,115517

0,121144

0,124894

KM,KN,PI

RBF 5:5-22-2:2

0,104706

0,108739

0,111933

KM,KN,PI

RBF 5:5-23-2:2

0,106030

0,136535

0,095386

KM,KN,PI

RBF 5:5-24-2:2

0,113978

0,127395

0,121648

KM,KN,PI

RBF 5:5-25-2:2

0,121473

0,130031

0,125063

KM,KN,PI

RBF 5:5-26-2:2

0,100737

0,109901

0,110468

KM,KN,PI

RBF 5:5-27-2:2

0,118605

0,139940

0,122099

KM,KN,PI

RBF 5:5-28-2:2

0,112963

0,120206

0,116850

KM,KN,PI

RBF 5:5-29-2:2

0,086126

0,099001

0,088569

KM,KN,PI

RBF 5:5-30-2:2

0,099088

0,109980

0,096301

KM,KN,PI

RBF 5:5-31-2:2

0,096591

0,109053

0,113657

KM,KN,PI

RBF 5:5-32-2:2

0,077053

0,091115

0,073940

KM,KN,PI

RBF 5:5-33-2:2

0,080536

0,101962

0,078642

KM,KN,PI

RBF 5:5-34-2:2

0,086315

0,099472

0,089832

KM,KN,PI

RBF 5:5-35-2:2

0,071096

0,096239

0,070983

KM,KN,PI

RBF 5:5-40-2:2

0,080685

0,101483

0,084152

KM,KN,PI

RBF 5:5-45-2:2

0,077862

0,091494

0,073139

KM,KN,PI

RBF 5:5-50-2:2

0,071124

0,099028

0,083920

KM,KN,PI

Como pode ser observado, as redes que utilizaram os eixos X, Y e Z como

variáveis de entrada tiveram valores menores de train perf., select perf., test perf. Por

isso para o estudo foi decidido utilizar os eixos X, Y e Z.

Nos próximos testes, foram definidas como variáveis de entrada os eixos X, Y e Z;

concentração inicial NaCl e KCl no queijo e tempo de salga. Como variáveis de saída

KCl

e NaCl

. A variável qualitativa é o contorno e subset à amostragem.

Variou-se os números de neurônios (25 a 30 e 35) e dos vizinhos mais próximos

de K (9 a 15) (Tab. 6).

Tab. 6 – Desempenho de treinamento, validação e teste das redes com eixos X, Y e Z, neurônios

variando de 25 a 30 e 35 e vizinhos mais próximos variando entre 9 e 15

Profile

Train Perf. -

Desempenho

do treinamento

Select perf –

Desempenho da

Validação

Test Perf –

Desempenho

do teste

Treinamento Hidden(1)

neighbors

RBF 7:7-25-2:2 0,083980 0,095612 0,092027 KM,KN,PI 25

RBF 7:7-25-2:2 0,066095 0,075775 0,075305 KM,KN,PI 25

RBF 7:7-25-2:2 0,099372 0,106873 0,091414 KM,KN,PI 25

RBF 7:7-25-2:2 0,072556 0,082566 0,077342 KM,KN,PI 25

RBF 7:7-25-2:2 0,058700 0,078415 0,065876 KM,KN,PI 25

RBF 7:7-25-2:2 0,061223 0,069016 0,065517 KM,KN,PI 25

RBF 7:7-25-2:2 0,064748 0,073525 0,067803 KM,KN,PI 25

RBF 7:7-26-2:2 0,076689 0,093108 0,084446 KM,KN,PI 26

RBF 7:7-26-2:2 0,084083 0,102669 0,092879 KM,KN,PI 26

RBF 7:7-26-2:2 0,063758 0,080863 0,074279 KM,KN,PI 26

RBF 7:7-26-2:2 0,077002 0,096408 0,083217 KM,KN,PI 26

RBF 7:7-26-2:2 0,065398 0,078628 0,073526 KM,KN,PI 26

RBF 7:7-26-2:2 0,084522 0,099175 0,089385 KM,KN,PI 26

RBF 7:7-26-2:2 0,056426 0,073218 0,067158 KM,KN,PI 26

RBF 7:7-27-2:2 0,108335 0,137320 0,108254 KM,KN,PI 27

RBF 7:7-27-2:2 0,082931 0,099868 0,089946 KM,KN,PI 27

RBF 7:7-27-2:2 0,065591 0,076236 0,067678 KM,KN,PI 27

RBF 7:7-27-2:2 0,067728 0,084246 0,074867 KM,KN,PI 27

RBF 7:7-27-2:2 0,078528 0,092291 0,084271 KM,KN,PI 27

RBF 7:7-27-2:2 0,076579 0,082090 0,078521 KM,KN,PI 27

RBF 7:7-27-2:2 0,063101 0,079355 0,069753 KM,KN,PI 27

RBF 7:7-28-2:2 0,065899 0,081613 0,072790 KM,KN,PI 28

RBF 7:7-28-2:2 0,086146 0,097400 0,092155 KM,KN,PI 28

RBF 7:7-28-2:2 0,064317 0,086879 0,066781 KM,KN,PI 28

RBF 7:7-28-2:2 0,086221 0,097681 0,092122 KM,KN,PI 28

RBF 7:7-28-2:2 0,077224 0,096844 0,088002 KM,KN,PI 28

RBF 7:7-28-2:2 0,065132 0,077784 0,069012 KM,KN,PI 28

RBF 7:7-28-2:2 0,063046 0,089876 0,069456 KM,KN,PI 28

RBF 7:7-29-2:2 0,064377 0,080859 0,069189 KM,KN,PI 29

RBF 7:7-29-2:2 0,086451 0,096079 0,090754 KM,KN,PI 29

RBF 7:7-29-2:2 0,064730 0,084119 0,073101 KM,KN,PI 29

RBF 7:7-29-2:2 0,073305 0,088569 0,076756 KM,KN,PI 29

Continuação (Tab .6)

RBF 7:7-29-2:2 0,053029 0,070589 0,059862

KM,KN,PI 29

RBF 7:7-29-2:2 0,053162 0,071421 0,059039

KM,KN,PI 29

RBF 7:7-29-2:2 0,063878 0,080559 0,070290

KM,KN,PI 29

RBF 7:7-30-2:2 0,073264 0,090816 0,080162

KM,KN,PI 30

RBF 7:7-30-2:2 0,069357 0,084688 0,076286

KM,KN,PI 30

RBF 7:7-30-2:2 0,063208 0,081224 0,061674

KM,KN,PI 30

RBF 7:7-30-2:2 0,061136 0,070191 0,063257

KM,KN,PI 30

RBF 7:7-30-2:2 0,072770 0,087628 0,076988

KM,KN,PI 30

RBF 7:7-30-2:2 0,063428 0,085312 0,069597

KM,KN,PI 30

RBF 7:7-30-2:2 0,053312 0,069952 0,065713

KM,KN,PI 30

RBF 7:7-35-2:2 0,057539 0,079771 0,063190

KM,KN,PI 35

RBF 7:7-35-2:2 0,051736 0,077086 0,059307

KM,KN,PI 35

RBF 7:7-35-2:2 0,063195 0,082196 0,064907

KM,KN,PI 35

RBF 7:7-35-2:2 0,059989 0,079797 0,069748

KM,KN,PI 35

RBF 7:7-35-2:2 0,065402 0,081131 0,066372

KM,KN,PI 35

RBF 7:7-35-2:2 0,053398 0,067033 0,059816

KM,KN,PI 35

RBF 7:7-35-2:2 0,046364 0,065822 0,054147

KM,KN,PI 35

O próximo passo foi selecionar e repetir os testes que tiveram valor de train perf.

≤ 6x10

-2

, ou seja, um desvio menor ou igual a 6% do valor obtido em relação ao valor

previsto. As redes que tiveram menor desvio foram as que utilizaram 29, 30 e 35

neurônios. Nesta etapa, todas as variáveis e variação dos vizinhos mais próximos foram

mantidas. Essa etapa foi repetida três vezes para verificar repetibilidade dos resultados

(Tab. 7, 8 e 9).

Tab. 7– Desempenho de treinamento, validação e teste das redes com eixos X, Y e Z, com 29, 30 e

35 neurônios e vizinhos mais próximos variando entre 9 e 15

Profile

Train Perf. -

Desempenho

do treinamento

Select perf –

Desempenho

da Validação

Test Perf –

Desempenho

do teste

Treinamento Hidden(1)

neighbors

RBF 7:7-29-2:2

0,080319

0,102855

0,089044

KM,KN,PI

RBF 7:7-29-2:2

0,081180

0,092752

0,082036

KM,KN,PI

RBF 7:7-29-2:2

0,057666

0,080267

0,063527

KM,KN,PI

RBF 7:7-29-2:2

0,069823

0,086167

0,075817

KM,KN,PI

RBF 7:7-29-2:2

0,056781

0,068766

0,067647

KM,KN,PI

RBF 7:7-29-2:2

0,063179

0,081494

0,073252

KM,KN,PI

RBF 7:7-29-2:2

0,096217

0,097666

0,100857

KM,KN,PI

RBF 7:7-30-2:2

0,061036

0,081536

0,074665

KM,KN,PI

RBF 7:7-30-2:2

0,084781

0,098902

0,097052

KM,KN,PI

RBF 7:7-30-2:2

0,081283

0,095101

0,081248

KM,KN,PI

RBF 7:7-30-2:2

0,062467

0,082563

0,064781

KM,KN,PI

RBF 7:7-30-2:2

0,065981

0,084082

0,075298

KM,KN,PI

RBF 7:7-30-2:2

0,054538

0,071585

0,059840

KM,KN,PI

RBF 7:7-30-2:2

0,053652

0,070973

0,062172

KM,KN,PI

RBF 7:7-35-2:2

0,071905

0,096912

0,078030

KM,KN,PI

RBF 7:7-35-2:2

0,060476

0,085579

0,061847

KM,KN,PI

RBF 7:7-35-2:2

0,059863

0,075128

0,067684

KM,KN,PI

RBF 7:7-35-2:2

0,070168

0,093155

0,075632

KM,KN,PI

RBF 7:7-35-2:2

0,054956

0,073161

0,063854

KM,KN,PI

RBF 7:7-35-2:2

0,049573

0,075225

0,057763

KM,KN,PI

RBF 7:7-35-2:2

0,050434

0,064151

0,060169

KM,KN,PI

Tab. 8- Desempenho de treinamento, validação e teste das redes com eixos X, Y e Z, com 29, 30 e

35 neurônios e vizinhos mais próximos variando entre 9 e 15

Profile

Train Perf. -

Desempenho

do treinamento

Select perf –

Desempenho

da Validação

Test Perf –

Desempenho

do teste

Treinamento Hidden(1)

neighbors

RBF 7:7-29-2:2

0,064799

0,082739

0,089044

KM,KN,PI

RBF 7:7-29-2:2

0,078160

0,102941

0,082036

KM,KN,PI

RBF 7:7-29-2:2

0,067158

0,089563

0,063527

KM,KN,PI

RBF 7:7-29-2:2

0,071172

0,090327

0,075817

KM,KN,PI

RBF 7:7-29-2:2

0,059437

0,074555

0,067647

KM,KN,PI

RBF 7:7-29-2:2

0,048186

0,064731

0,073252

KM,KN,PI

RBF 7:7-29-2:2

0,062207

0,074962

0,100857

KM,KN,PI

RBF 7:7-30-2:2

0,079264

0,091808

0,074665

KM,KN,PI

RBF 7:7-30-2:2

0,084049

0,102861

0,097052

KM,KN,PI

RBF 7:7-30-2:2

0,058121

0,071083

0,081248

KM,KN,PI

RBF 7:7-30-2:2

0,060853

0,077444

0,064781

KM,KN,PI

RBF 7:7-30-2:2

0,071348

0,087308

0,075298

KM,KN,PI

RBF 7:7-30-2:2

0,057445

0,077402

0,059840

KM,KN,PI

RBF 7:7-30-2:2

0,061636

0,069814

0,062172

KM,KN,PI

RBF 7:7-35-2:2

0,068438

0,091469

0,078030

KM,KN,PI

RBF 7:7-35-2:2

0,054565

0,080184

0,061847

KM,KN,PI

RBF 7:7-35-2:2

0,054569

0,075462

0,067684

KM,KN,PI

RBF 7:7-35-2:2

0,054620

0,071671

0,075632

KM,KN,PI

RBF 7:7-35-2:2

0,052717

0,073037

0,063854

KM,KN,PI

RBF 7:7-35-2:2

0,066339

0,090071

0,057763

KM,KN,PI

RBF 7:7-35-2:2

0,051039

0,076381

0,060169

KM,KN,PI

Tab. 9- Desempenho de treinamento, validação e teste das redes com eixos X, Y e Z, com 29, 30 e

35 neurônios e vizinhos mais próximos variando entre 9 e 15

Profile

Train Perf. -

Desempenho

do treinamento

Select perf –

Desempenho

da Validação

Test Perf –

Desempenho

do teste

Treinamento Hidden(1)

neighbors

RBF 7:7-29-2:2

0,086524

0,107116

0,096808

KM,KN,PI

RBF 7:7-29-2:2

0,070256

0,084517

0,071901

KM,KN,PI

RBF 7:7-29-2:2

0,069407

0,089326

0,078530

KM,KN,PI

RBF 7:7-29-2:2

0,065177

0,078801

0,074221

KM,KN,PI

RBF 7:7-29-2:2

0,054043

0,076782

0,062782

KM,KN,PI

RBF 7:7-29-2:2

0,057839

0,076925

0,066990

KM,KN,PI

RBF 7:7-29-2:2

0,071448

0,084141

0,071239

KM,KN,PI

RBF 7:7-30-2:2

0,065927

0,083805

0,075764

KM,KN,PI

RBF 7:7-30-2:2

0,071391

0,088042

0,080670

KM,KN,PI

RBF 7:7-30-2:2

0,071833

0,089558

0,079876

KM,KN,PI

RBF 7:7-30-2:2

0,055551

0,073980

0,061274

KM,KN,PI

RBF 7:7-30-2:2

0,055918

0,070517

0,063007

KM,KN,PI

RBF 7:7-30-2:2

0,068944

0,095658

0,077683

KM,KN,PI

RBF 7:7-30-2:2

0,063980

0,082409

0,072786

KM,KN,PI

RBF 7:7-35-2:2

0,057943

0,071644

0,067628

KM,KN,PI

RBF 7:7-35-2:2

0,063497

0,089077

0,065656

KM,KN,PI

RBF 7:7-35-2:2

0,056340

0,074005

0,063937

KM,KN,PI

RBF 7:7-35-2:2

0,055796

0,070763

0,062476

KM,KN,PI

RBF 7:7-35-2:2

0,059777

0,080340

0,070000

KM,KN,PI

RBF 7:7-35-2:2

0,056321

0,077234

0,062972

KM,KN,PI

RBF 7:7-35-2:2

0,055945

0,079448

0,060213

KM,KN,PI

O exame das tabelas 7, 8 e 9 mostrou que a melhor rede (assinaladas em azul) foi

a que utilizou 29 neurônios na camada intermediária e 13 vizinhos mais próximos de K.

Essa rede foi escolhida pois, de acordo com Pereira (1999), é melhor utilizar o menor

número de neurônios possíveis. O resultado também deve ser constante, não deve

apresentar desvios de treinamento superiores ao arbitrado (≤ 6x10

-2

Para confirmar a repetibilidade dos resultados da rede com 29 neurônios e 13

vizinhos mais próximos de K, testou-se essa rede mais algumas vezes.

Tab. 10 - Desempenho de treinamento, validação e teste das redes com eixos X, Y e Z, com 29

neurônios e 9 vizinhos mais próximos

Profile

Train Perf. -

Desempenho do

treinamento

Select perf –

Desempenho

da Validação

Test Perf –

Desempenho

do teste

Treinamento Hidden(1)

neighbors

RBF 7:7-29-2:2

0,059653

0,069897

0,068310

KM,KN,PI

RBF 7:7-29-2:2

0,057811

0,063827

0,055980

KM,KN,PI

RBF 7:7-29-2:2

0,056748

0,077837

0,062240

KM,KN,PI

RBF 7:7-29-2:2

0,059148

0,077134

0,069180

KM,KN,PI

RBF 7:7-29-2:2

0,057128

0,073359

0,061726

KM,KN,PI

RBF 7:7-29-2:2

0,056782

0,074221

0,067572

KM,KN,PI

RBF 7:7-29-2:2

0,049962

0,067026

0,060387

KM,KN,PI

Depois dos realizados, foi escolhida a rede que utiliza como variáveis de entrada

os eixos X, Y e Z; concentração inicial NaCl e KCl e tempo de salga. Como variáveis de

saída concentração final de KCl e NaCl. A variável qualitativa é o contorno e subset à

amostragem. Com 29 neurônios na camada intermediária e 13 vizinhos mais próximos

de K. Pode-se observar que os valores de treinamento, validação e teste são próximos.

Para avaliar melhor o resultado, não se deve levar em consideração apenas os

desvios do treinamento. Pode usar outros resultados como resíduos, predições e

análises estatística e gráficos. Na tabela 11 tem-se as análises estatísticas pra uma

rede que foi definida como a melhor rede (RBF 7:7-29-2:2, com 13 neurônios na

camada intermediária).

Tab. 11 – Análise estatística de uma rede RBF com 29 neurônios e 13 vizinhos mais próximos K

NaCl

KCl

Data S.D.

0,951791

0,587280

Error S.D.

0,054958

0,043711

S.D. Ratio

0,057742

0,074429

Correlation

0,998334

0,997235

Um valor de S. D. Ratio de 0,1 ou menor indica um desempenho muito bom da

regressão (STATISTICA, 2006). Pode-se observar que os valores de S. D. Ratio foram

menores que 0,1 (Tab. 11) tanto pro NaCl (0,058) como KCl (0,074) observados,

comprovando que a rede selecionada foi capaz de uma boa aproximação com os

valores finais da concentração de NaCl e KCl previstos e que pode ser utilizada para

definir essa concentração final.

Com os valores de previsão foram construídos dois gráficos (Fig. 22 e 23)

comparando os valores esperados (x) com os valores obtidos (y), tanto para

concentração de NaCl e KCl. Pode-se observar que o grau de correlação é um valor

bem próximo a 1 (0,9988) para NaCl e (0,9903) para KCl, o que demonstra que os

valores foram bem próximos e que a rede conseguiu uma boa aproximação com a

função desejada.

Scatterplot (Prediction (16 ) (Isabella) 4v*504c)

NaCl2.16 = -0,0042+0,9988*x

0 1 2 3 4 5 6 7

NaCl2

NaCl2.16

Fig. 22 - Gráfico de comparação entre os valores previsto – n (X) e os valores obtidos – n. 16 (Y)

para concentração de NaCl

Scatterplot (Prediction (16 ) (Isabella) 4v*504c)

KCl2.16 = 0,0084+0,9903*x

0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

KCl2

0,0

0,5

1,0

1,5

2,0

2,5

3,0

3,5

4,0

KCl2.16

Fig. 23 - Gráfico de comparação entre os valores previsto – k (X) e os valores obtidos – k. 16 (Y)

para concentração de KCl

6. CONCLUSÃO

As concentrações finais de NaCl e KCl podem ser previstas com sucesso

aplicando o programa de Redes Neurais Artificiais, quando utiliza-se as medidas do

queijo, as concentrações iniciais, o tempo de salga e a condição de contorno como

parâmetros.

A rede conseguiu uma boa aproximação com os valores utilizados, apresentando

um desvio padrão médio percentual de 5,5% para NACl e 4,4% KCl.

As Redes neurais mostraram-se tão eficiente quanto os métodos analíticos

(desvio de 2,7% para NaCl e 6,6% para KCl) e métodos de elementos finitos (desvio de

2,8% para NaCl e 5,5% para KCl) (BONA, 2004) na modelagem das concentrações

finais de NaCl e KCl, podendo ser utilizadas para simular a salga mista do queijo prato.

Os valores um pouco maiores do desvio podem ser explicados pela utilização da

salga agitada. Quando Bona (2007), estudou a salga agitada pelos métodos de

elementos finitos os erros foram: 7.3%para NaCl e 5.4% para o KCl.

Os valores do desvio durante a validação e o teste da rede, são comparáveis

entre si e próximos do treinamento comprovando que a rede foi bem treinada.

CAPÍTULOS 3 - UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA CLASSIFICAR

FRUTAS E HORTALIÇAS QUANTO A SUA FORMA DE CULTIVO: CONVENCIONAL,

ORGÂNICO E HIDROPÔNICO

1. INTRODUÇÃO

Durante as últimas décadas a agricultura mudou sua característica através do

desenvolvimento de novas tecnologias, máquinas agrícolas e indústria química. Embora

isto tenha impulsionado a produção de alimentos, também produziu efeitos colaterais.

A degradação ambiental na atualidade é muito grande especialmente no tocante

ao solo, devido à erosão que reduz a oferta do ambiente agricultável em cerca de seis

milhões de atar, além da salinização, desvios de águas impróprias para a irrigação,

destruição dos lençóis de água, entre outros (MELO FILHO, 1999, CORSON, 1997),

sendo que de 1945 para cá, dois bilhões de hectares de terra dos quais 1,5 bilhão em

países em desenvolvimento (75% do total), quase o dobro da área do Brasil, foram

degradadas por intervenções do homem (CONWAY, 1998). Somente de agrotóxicos ou

pesticidas mais de três milhões de toneladas são utilizadas no mundo por ano com

problemas sérios de contaminação, intoxicações, doenças agudas e crônicas e

incremento da resistência das pragas (insetos, ácaros) e das plantas daninhas, com

nove casos de resistência relatados por ano desde 1978 (GARCIA, 1997 a, b e c,

VARGAS et al. 1999 e GUEDES, 2001).

O uso indiscriminado de agrotóxicos na produção de alimentos vem causando

preocupação em diversas partes do mundo. A crítica ao modelo de agricultura vigente

cresce à medida que estudos comprovam que os agrotóxicos contaminam os alimentos

e o meio ambiente, causando danos à saúde (ARCHANJO; BRITO E SAURBECK et al,

2001).

Um número crescente de consumidores tem se preocupado cada vez mais com

temas como: segurança alimentar, meio ambiente, bem-estar social e saúde,

mostrando-se dispostos apagar mais caro por “alimentos naturais” que não contenham

produtos químicos ou outras fontes de contaminação (REGMI, 2001; UNCTAD, 1999).

Visando atender as tendências do mercado e exigências dos consumidores a

ciência agrícola tem trabalhado com novas formas de cultivo de hortícolas como a

agricultura orgânica, hidropônica entre outras (SEVERINO, 2000).

A crescente preocupação quanto aos aspectos toxicológicos dos agrotóxicos e a

possibilidade de contaminação dos produtos agrícolas têm levado muitos países a

estabelecer programas de vigilância ou de monitoramento, com a execução de análises

freqüentes e programadas. Preocupação esta que se estende também à qualidade

nutricional, microbiológica e sensorial dos alimentos, alterada em função do sistema de

cultivo (convencional, hidropônico, orgânico, etc.) de determinadas culturas (CALDAS,

1999).

Um grande número de fatores tem sido investigado em estudos que comparam

alimentos produzidos pelos sistemas de cultivo orgânico e convencional, incluindo os de

ordem econômica e social, agronômica (propriedades químicas, físicas e

microbiológicas do solo, pragas e doenças), produtividade, sistema de administração da

propriedade, qualidade do produto (valor nutricional, sensorial, vida de prateleira),

impactos ambientais, biodiversidade, entrada de nutrientes, comércio e políticas

associadas com a produção de alimentos (FINESILVER, JOHNS, HILL, 1989;

LAMPKIN, 1990). Entretanto pouco se tem estudado, em termos de comparação, sobre

o sistema de cultivo hidropônico (MIYAZAWA; KHAUTOUNIAN e ODENATH-PENHA.,

2001; CARMO JR., 2002).

2. REVISÃO BIBIOGRÁFICA

2.1 Agricultura Convencional

A agricultura convencional vem demonstrando sérios problemas sociais,

ambientais e econômicos. Nas questões ambientais pode-se citar a utilização

inadequada de recursos naturais não renováveis bem como os renováveis. O meio

ambiente está dando vários “gritos de socorro”, o empobrecimento dos solos, erosão,

rios contaminados, desequilíbrios da fauna e flora, entre tantas outras demonstrações

que a natureza vem tornando visível para o homem. (QUADROS & KOSKUSCA, 2007).

A agricultura moderna teve sua origem ligada às descobertas do século XIX, a

partir de estudos dos cientistas Saussure (1797-1845), Boussingault (1802-1887) e

Liebig (1803-1873), que derrubaram a teoria do húmus, segundo a qual as plantas

obtinham seu carbono a partir da matéria-orgânica do solo (PLANETA ORGÂNICO,

2004).

Liebig difundiu a idéia de que o aumento da produção agrícola seria diretamente

proporcional à quantidade de substâncias químicas incorporadas ao solo. Toda a

credibilidade atribuída às descobertas de Liebig deu-se ao fato de estarem apoiadas em

comprovações científicas. Junto com Jean-Baptite Boussingault, que estudou a fixação

de nitrogênio atmosférico pelas plantas leguminosas, Liebig é considerado o maior

precursor da "agroquímica" (EHLERS, 1996). As descobertas de todos esses cientistas,

segundo Ehlers (1996), marcam o fim de uma longa data, da Antiguidade até o século

XIX, na qual o conhecimento agronômico era essencialmente empírico. A nova fase foi

caracterizada por um período de rápidos progressos científicos e tecnológicos.

No início do século XX, Louis Pasteur (1822-1895), Serge Winogradsky (1856-

1953) e Martinus Beijerinck (1851-1931), precursores da microbiologia dos solos,

dentre outros, contribuíram com mais fundamentos científicos que fizeram uma

contraposição às teorias de Liebig, ao provarem a importância da matéria orgânica nos

processos produtivos agrícolas (EHELRS, 1996).

Contudo, mesmo com o surgimento de comprovações científicas a respeito dos

equívocos de Liebig, os impactos de suas descobertas haviam extrapolado o meio

científico e ganhado força nos setores produtivo, industrial e agrícola, abrindo um

amplo e promissor mercado: o de fertilizantes "artificiais" (FRADE, 2000).

Na medida em que certos componentes da produção agrícola passaram a serem

produzidos pelo setor industrial, ampliaram-se as condições para o abandono dos

sistemas de rotação de culturas e da integração da produção animal à vegetal; que

passaram a ser realizadas separadamente. Tais fatos deram início a uma nova fase da

história da agricultura, que ficou conhecida como "Segunda Revolução Agrícola". São

também parte desse processo o desenvolvimento de motores de combustão interna e a

seleção e produção de sementes como os outros itens apropriados pelo setor industrial.

Estas inovações foram responsáveis por sensíveis aumentos nos rendimentos das

culturas (FRADE, 2000).

Entretanto, esse modelo de agricultura a partir da década de 60 começava a dar

sinais de sua exaustão: desflorestamento, diminuição da biodiversidade, erosão e perda

da fertilidade dos solos, contaminação da água, dos animais silvestres e dos

agricultores por agrotóxicos passaram a ser decorrências quase inerentes à produção

agrícola (EHLERS, 1993).

Rachel Carson (1962) lançou o livro “Primavera Silenciosa”, onde detalhava os

efeitos da utilização dos pesticidas e inseticidas químicos sintéticos no meio ambiente e

na saúde humana. A obra ganhou relevância internacional, pois iniciou o debate sobre

o custo ambiental dessa contaminação para o homem. A autora alertou para os

prejuízos do uso de produtos químicos no controle de pragas e doenças, advertindo

que estavam interferindo nas defesas naturais do próprio ambiente (CARSON, 1964).

Na prática, porém, o que se viu nos anos seguintes foi à continuação do avanço

da agricultura convencional, particularmente nos países em desenvolvimento, com o

agravamento dos danos ambientais. (PLANETA ORGÂNICO, 2004)

O crescimento da produção agrícola no Brasil se dava, basicamente, até a

década de 50, por conta da expansão da área cultivada. A partir da década de 60, o

uso de máquinas, adubos e defensivos químicos, passaram a ter, também, importância

no aumento da produção agrícola. De acordo com os parâmetros da “Revolução

Verde”, incorporou-se um pacote tecnológico à agricultura, tendo a mudança da base

técnica resultante passada a ser conhecida como modernização da agricultura

brasileira (SANTOS, 1986).

O processo de modernização intensificou-se a partir dos anos 70. Os modelos de

desenvolvimento agrícola difundidos na década de 70 e predominantes na década de

80 caracterizaram-se por utilizar sistemas de produção intensivos em tecnologias

mecânicas e químicas, que utilizavam grandes quantidades de capital e energia. Esses

sistemas produtivistas aumentaram a eficiência econômica das empresas agrícolas

isoladamente, devido ao crédito barato e aos ganhos de produtividade imediatos. Por

outro lado, reduziam a necessidade de utilização de mão-de-obra e aumentavam os

danos ao meio-ambiente, causando graves prejuízos para o conjunto da sociedade. “O

modelo imperante, agroquímico, é fortemente negativo em relação à estabilidade sócio

econômica do homem do campo, pois conduz ao desemprego rural devido à

necessidade de se concentrar áreas e rendas. Com efeito, o uso dos modernos

insumos agroquímicos e das sofisticadas maquinarias agrícolas paradigmas desse

modelo - exige pesados investimentos de capital, concentrando, portanto, as áreas

produtivas” (BONNILA, 1992).

O uso de fertilizantes artificiais e agrotóxicos também se acentuou a partir da

década de 1960, com índices bastante elevados. Segundo Graziano Neto (1985), entre

1965 e 1975 o consumo de fertilizantes cresceu a taxa média de 60% ao ano, enquanto

que os agrotóxicos cresceram numa média anual de 25%.

As expectativas atuais são mais otimistas que o desempenho observado em

2006, quando as vendas de defensivos agrícolas no Brasil totalizaram US$ 3,920

bilhões. São Paulo se destacou como o maior Estado consumidor em 2006,

representando 21,7% das vendas nacionais em termos de produto comercial e 20,6%

em valor, ou seja, US$ 808,2 milhões; seguido de Mato Grosso (17,9%), Paraná

(13,4%), Rio Grande do Sul (10,4%), Minas Gerais (9,0%), Goiás (8,8%), Bahia (6,0%)

e Mato Grosso do Sul (4,7%). As demais Unidades da Federação, juntas, responderam

por 9,2%. (SINDAG, 2006).

Vendas-Estados-2.006-US$ 1000

344.445

(8,8%)

Demais

Estados

277.424

( 7,1%)

185.087

(4,7%)

236.358

(6,0%)

82.678

(2,1%)

351.104

(9,0%)

405.840

(10,4%)

526.463

(13,4%)

702.198

(17,9%)

808.244

(20,6%)

Fig. 24 – Desempenho de vendas de agrotóxicos no Brasil em 2006 Fonte: SINDAG, 2006

Entre os prejuízos ambientais, pode-se citar o aumento do número de pragas

resistentes, o transporte de produtos químicos pela atmosfera e a contaminação das

águas subterrâneas, do solo; degradação do solo, devido compactações e erosões,

redução da biodiversidade e dos processos microbianos do solo, presença de resíduos

químicos em alimentos causando riscos à saúde dos consumidores e intoxicações dos

trabalhadores que manuseiam os pesticidas. Os prejuízos sociais podem ser

representados pelo êxodo rural e o inchaço urbano que ocorre a partir da década de 70

(MEURER; BISSANI E SELBACH, 2000; REGANOLD; GLOVER e ANDREWS., 2000).

Devido a esses e outros problemas, o paradigma agrícola produtivista vem sendo

contestado pela sociedade, que cobra dos empreendimentos agrícolas intensivos os

custos ambientais e sociais de suas atividades, seja através de um maior controle por

parte do governo, seja através de uma mudança nos hábitos do consumidor, que

privilegia as empresas responsáveis socialmente e ecologicamente. Um dos reflexos

desta mudança de mentalidade por parte dos consumidores é crescimento do consumo

dos produtos orgânicos (TEIXEIRA, 2005).

Nesta nova fase, são contemplados aspectos ligados às características

organolépticas, à segurança alimentar e à proteção ao ambiente. Isso contrasta com o

sistema de produção praticado nos últimos tempos, com excesso no uso de insumos e

pouca preocupação com o impacto ambiental (MARTINS et al, 2001).

2.2. Agricultura Orgânica

Agricultura orgânica é um conjunto de processos de produção agrícola que parte

do pressuposto básico de que a fertilidade é função direta da matéria orgânica contida

no solo. A ação de microorganismos presentes nos compostos biodegradáveis

existentes ou colocados no solo possibilita o suprimento de elementos minerais e

químicos necessários ao desenvolvimento dos vegetais cultivados.

Complementarmente, a existência de uma abundante fauna microbiana diminui os

desequilíbrios resultantes da intervenção humana na natureza. Alimentação adequada

e ambiente saudável resultam em plantas mais vigorosas e mais resistentes a pragas e

doenças (ORMOND et al, 2002).

A agricultura orgânica tem por princípio estabelecer sistemas de produção com

base em tecnologias de processos, ou seja, um conjunto de procedimentos que

envolvam a planta, o solo e as condições climáticas, produzindo um alimento sadio e

com suas características e sabor originais, que atenda às expectativas do consumidor

(PENTEADO, 2000).

Em outras palavras, sistemas de produção que se limitam a evitar, ou excluir

amplamente, o uso de fertilizantes sintéticos, pesticidas, reguladores de crescimento e

aditivos para a alimentação animal, na medida em que esta é a demanda do mercado a

ser atendido (ASSIS; ROMEIRO, 2002).

A agricultura orgânica tem diversas vantagens com relação ao plantio

convencional, tais como: preservação de solos produtivos, com potencial para melhorá-

los, preservação e recuperação dos recursos hídricos, proteção da biodiversidade,

redução no uso de combustíveis fósseis e outros. Para desenvolver a agricultura

sustentável há necessidade de se reduzir ao máximo à erosão do solo, reduzir a

dependência ou eliminá-la, em termos de fertilizantes químicos, pesticidas e outros

insumos modernos, reduzir o uso de combustível fóssil e reduzir as perdas dos

produtos agrícolas. (SATURNINO, 1997 e SEGUY; BOUZINAC e MARONEZZI. 1999)

De acordo com a Lei Federal no 10.831, de 23 de dezembro de 2003, considera-

se sistema orgânico de produção agropecuária todo aquele em que são adotadas

técnicas específicas, mediante a otimização do uso dos recursos naturais e

socioeconômicos disponíveis e o respeito à integridade cultural das comunidades

rurais, tendo por objetivo a sustentabilidade ecológica e econômica, a maximização dos

benefícios sociais, a minimização da dependência de energia não renovável,

empregando, sempre que possível, métodos culturais, biológicos e mecânicos, em

contraposição ao uso de materiais sintéticos, a eliminação do uso de organismos

geneticamente modificados e radiações ionizantes, em qualquer fase do processo de

produção, processamento, armazenamento, distribuição e comercialização, e a

proteção do meio ambiente (BRASIL, 2003).

De acordo com Torjusen et al (2001) a agricultura orgânica tem sido praticada

desde a década de 20, inicialmente como uma resposta ao processo de industrialização

da agricultura, marcado pela tecnificação. De acordo com Coelho (2001), o sistema de

cultivo orgânico no Brasil, em bases tecnológicas, teve início no final da década de

setenta, em pequena escala e começou a se expandir após a criação do Instituto

Biodinâmico de Desenvolvimento Rural (IBD) em 1990, sendo que de 1994 até 2000, as

vendas totais de produtos orgânicos cresceram mais de 16 vezes.

A busca da qualidade alimentar está se tornando uma das principais

preocupações dos consumidores conscientes. Atualmente, as motivações para o

consumo de alimentos orgânicos variam em função do país, da cultura e dos produtos

que se analisa (DAROLT, 2001).

De acordo com Yussefi (2003), atualmente no mundo cerca de 23 milhões de

hectares são manejados organicamente em aproximadamente 400.000 propriedades

orgânicas, o que representa pouco menos de 1% do total das terras agrícolas do

mundo. A maior parte destas áreas está localizada na Austrália (10,5 milhões de

hectares), Argentina (3,2 milhões de hectares) e Itália (cerca de 1,2 milhão de

hectares). Conforme mostra a fig. 25

a Oceania tem aproximadamente 46% da terra

orgânica do mundo, seguida pela Europa (23%) e América Latina (21%). É importante

destacar que os países que têm o maior percentual de área sob manejo orgânico em

relação à área total destinada à agricultura, computam a área de pastagem. Assim, por

exemplo, em países como a Austrália e Argentina mais de 90% da área de produção

orgânica correspondem a áreas de pastagem. O mesmo acontece nos países da

Europa: na Áustria 80% da área orgânica refere-se à pastagem; na Holanda, 56%; na

Itália, 47%, e no Reino Unido 79%.

Fig. 25 – Área plantada de alimentos orgânicos e hectares. Fonte: YUSSEFI, 2003

Segundo Archanjo et al (2001), o crescimento do consumo não está diretamente

relacionado com o valor nutricional dos alimentos, mas aos diversos significados que

lhes são atribuídos pelos consumidores. Tais significados variam desde a busca por

uma alimentação mais saudável, de melhor qualidade e sabor, até a preocupação

ecológica de preservar o meio ambiente.

Para Hall, Baker e Franco (1989), o crescimento do consumo é atribuído a maior

preocupação com a saúde familiar e também com o meio ambiente. De acordo com

Assis (1993); Junqueira & Luengo (2000), o consumo de produtos da agricultura

orgânica tem se caracterizado como um segmento diferenciado de mercado, no qual a

segurança alimentar, aliado ao não uso de agrotóxicos é decisiva na opção de

consumo.

Observando países como Alemanha e Inglaterra (WOODWARD & MEIER-

PLOEGER, 1999), Austrália (PEARSON,1999), Estados Unidos (HENDERSON, 1999),

França (SYLVANDER, 1998), Dinamarca e Noruega (DUBGAARD & HOLST, 1994;

SOGN; PERSILLET e SYLVANDER, 2002), Polônia (ZAKOWSKA-BIEMANS, 2002) e

Costa Rica (AGUIRRE & TUMLTY, 2002) percebe-se que existe uma tendência de o

consumidor orgânico privilegiar, em primeiro lugar, aspectos relacionados à saúde e

sua ligação com os alimentos, em seguida ao meio ambiente e, por último, à questão

do sabor e frescor dos alimentos orgânicos.

No Brasil, a principal motivação para compra de alimentos orgânicos também

está ligada à preocupação com a saúde. Uma pesquisa encomendada pelo SEBRAE-

PR e realizada pelo DATACENSO (2002) nos estados do Sul e Sudeste do Brasil

mostrou que os principais motivos que levaram a consumir os alimentos orgânicos

foram: em 1

lugar e 2

lugar, faz bem a saúde/saudável; em 3

lugar, sem agrotóxicos,

em 4

lugar, mais sabor; e em 5

lugar, natural e qualidade do produto.

A expansão do comércio e consumo de produtos da agricultura orgânica tem

limitações, tanto em nível de cultivo como de canais de comercialização. Os aspectos

de baixa qualidade visual, preços sobre valorizados em relação aos convencionais,

aliado ao fato da irregularidade de sua oferta, são grandes empecilhos a este segmento

de mercado (ASSIS, 1993; VÍGLIO, 1996; JUNQUEIRA & LUENGO, 2000).

Em média, os produtos orgânicos in natura têm um sobre-preço de 40%, quando

comparados aos produtos convencionais, porém, alguns produtos, como o trigo e o

açúcar, chegam a custar (venda ao atacado), respectivamente, 200% e 170% acima do

convencional (SOUZA & ALCÂNTARA, 2003).

Os produtos comercializados in natura, sobretudo as hortaliças, são os mais

expressivos na produção orgânica nacional (ORMOND et al, 2002). Entre os produtos

orgânicos destinados à exportação, merecem destaque à soja, café, cacau, açúcar

mascavo, erva-mate, suco de laranja, mel, frutas secas, castanhas de caju, óleos

essenciais, óleo de palma, frutas tropicais, palmito, guaraná e arroz.

De acordo com a AAO (Associação de Agricultura Orgânica) a produção

brasileira de alimentos orgânicos concentra-se nos estados de São Paulo, Minas

Gerais, Espírito Santo, Paraná e Rio Grande do Sul. No Brasil, apesar dos

consumidores (62,7%) considerarem os produtos orgânicos mais caros do que os

convencionais, o mercado é crescente e firme (BELTRÃO, 2003).

Os pequenos produtores por necessitarem de diversificação da produção, têm

maior facilidade de adaptação aos princípios da agricultura orgânica, que segundo

Harkaly (1999), são: diversificação, integração da propriedade, indução do equilíbrio

ecológico, reciclagem de nutrientes, insumos caseiros, conservação do solo e o controle

de pragas e doenças na maneira ecológica.

Para Campanhola & Valarini (2001), a agricultura orgânica para o pequeno

produtor, oferece diversas vantagens, destacando-se: viabilidade em pequenas áreas

favorece a diversificação produtiva no estabelecimento, gera mais empregos do que a

convencional tem menor dependência dos insumos externos, elimina o uso de

agrotóxicos, os produtos são mais valorizados e a adoção é mais fácil. Como problemas

deste tipo de exploração agrícola tem-se: produção em pequena escala, escassez de

pesquisas, deficiência ou falta de assistência técnica, dificuldades ao acesso ao crédito,

elevados custos da certificação e a possibilidade de alguns impactos negativos ao

ambiente, devido ao uso inadequado de alguns insumos, em especial o esterco.

De acordo com Souza (2003), quanto menos direta for à relação entre produtores

e consumidores, maior será a necessidade de instrumentos formais de certificação da

produção. Isso ocorre devido à maior distância entre os agentes e à dificuldade para a

comprovação das características inerentes a esses produtos. Para Campanhola &

Valarini (2001) a certificação fornece maior credibilidade aos produtos e tranqüiliza os

consumidores.

O processo de certificação de alimentos orgânicos visa assegurar aos

consumidores a oferta de um alimento que foi produzido segundo os princípios da

agricultura orgânica (BRASIL, 2004), capaz de assegurar qualidade do ambiente

natural, qualidade nutricional e biológica dos alimentos e qualidade de vida para quem

os produz e para quem os consome.

Souza (2003), afirmou que “A regulamentação é necessária não só para manter

os padrões éticos do movimento orgânico como também para fortalecer a confiança do

consumidor nesses produtos”.

Desde 29 de dezembro de 2007, a agricultura orgânica no Brasil passou a ter

critérios para o funcionamento de todo o seu sistema de produção, desde a propriedade

rural ao ponto de venda. Estas regras estão expressas no Decreto nº 6323 publicado

nesta data, no Diário Oficial da União. A legislação, que regulamenta a Lei nº

10.831/2003, inclui a produção, armazenamento, rotulagem, transporte, certificação,

comercialização e fiscalização dos produtos (BRASIL, 2007).

2.3. Agricultura hidropônica

A hidroponia, ou seja, o cultivo de plantas em meio líquido, é uma técnica

bastante antiga. Resh (1997) cita o caso dos jardins suspensos da Babilônia e os

jardins flutuantes dos Astecas e da China, como exemplos.

A hidroponia é caracterizada como o cultivo de plantas em meio líquido,

associado ou não a substratos não orgânicos naturais, ao qual é adicionada uma

solução nutritiva necessária ao desenvolvimento da cultura (CASTELLANE & ARAÚJO,

1994).

Na hidroponia as soluções nutritivas provenientes de fertilizantes químicos

industriais, de custo elevado, determinam a exclusão da utilização da técnica por parte

dos produtores, principalmente dos que utilizam sistemas que visam o desenvolvimento

agrícola sustentável (NICOLA, 2002).

Este tipo de cultivo vem se tornando uma alternativa bastante interessante em

relação ao cultivo tradicional feito no solo, podendo ser utilizada em regiões onde há

pouca disponibilidade de terras agricultáveis e em locais onde ocorreu uso excessivo do

solo, problema freqüente em solos sob estufa plástica, porém vem se destacando pela

alta produtividade e qualidade dos produtos obtidos (SANTOS et al, 2000).

Um dos sistemas hidropônicos mais utilizados é o NFT (Nutrient Film Technique),

onde a absorção de nutrientes pela planta é através de um filme de água que passa por

suas raízes (CASTELLANE & ARAÚJO, 1995; MARTINEZ, 2002). Porém, este tipo de

sistema apresenta como desvantagem um alto consumo de energia, aumentando assim

os custos de produção.

O cultivo em solução nutritiva é utilizado tanto em estudos sobre nutrição de

plantas quanto na área comercial. A solução nutritiva é um dos pontos mais importantes

em todo o sistema de cultivo hidropônico, no qual, seu mau uso poderá acarretar em

sérios prejuízos para as plantas (MARTINEZ, 2002).

Esse sistema de cultivo tem sido utilizado com sucesso em plantios de hortaliças

como, por exemplo, à alface, pois possibilita elevar a produtividade, aumentar o número

de colheitas por ano, prescindido da rotação da cultura, reduzir os gastos com

defensivos agrícolas, obter um produto comercial de melhor aspecto, além de ocupar

um menor espaço físico para o cultivo (MOREIRA; FONTES e CAMARGO, 2001). A

hortaliça fica protegida de geadas, chuvas intensas, granizo e ventos fortes, com ganho

na produtividade e qualidade, fatores que contribuem para o fornecimento constante

aos pontos de venda. Contudo, é necessário acompanhamento técnico especializado,

para que se tenha uma solução nutritiva balanceada que forneça nutrição adequada às

plantas e evite, dentre outros problemas, o acúmulo excessivo de nitrato (FERNANDES;

MARTINEZ E PEREIRA, 2002). Além disso, esse sistema exige um investimento inicial

maior e gasto com energia elétrica.

O nitrato é indispensável ao crescimento de vegetais e por isso os fertilizantes

nitrogenados têm sido usados em doses cada vez maiores para aumentar a produção

(RUSCHEL, 1998). Além de ser originado do fertilizante, o nitrato presente nos vegetais

pode ser formado no substrato, pela mineralização ou nitrificação (MAYNARD et al.,

1976).

Quando o nitrato (NO

) é absorvido em grande quantidade, a planta não

consegue metabolizá-lo totalmente, o que provoca o acúmulo nos tecidos. Quando

ingerido, no trato digestivo pode ser reduzido a nitrito (NO

), que entrando na corrente

sangüínea oxida o ferro (Fe

==> Fe

+++

) da hemoglobina, produzindo a

metahemoglobina. Esta forma de hemoglobina é incapaz de transportar o O

para a

respiração normal das células dos tecidos causando a chamada metahemoglobinemia.

Outro problema é que parte do nitrito pode acabar combinando com as aminas

formando nitrosaminas, as quais são cancerígenas e mutagênicas (OHSE, 1999).

Trabalhos mais recentes mostram que o nitrato pode ser benéfico à saúde em doses

comumente ingeridas nos alimentos (GOLDEN e LEIFERT, 1999; BOINK E SPEIJERS,

2001; ARCHER, 2002). Portanto, há controvérsias a respeito do efeito do nitrato na

saúde humana.

Apesar de alguns cientistas defenderem que os teores de nitrato em plantas

cultivadas no sistema convencional e hidropônico, ainda permanecem dentro do limite

permitido pela Organização Mundial de Saúde (OMS), é preciso orientação mais

adequada aos produtores sobre o manejo do nitrogênio, sobretudo, em sistemas

hidropônicos, além de informação aos consumidores de como os alimentos são

produzidos em cada sistema, permitindo uma escolha de produtos mais saudáveis

(DAROLT, 2003).

Os custos iniciais elevados na implementação, a necessidade de prevenção

contra falta de energia elétrica, conhecimentos técnicos e de fisiologia vegetal

indispensáveis, requerimento de acompanhamento freqüente do funcionamento do

sistema e da solução nutritiva, além de uma planta doente poder contaminar toda a

produção, são algumas desvantagens apontadas por Penningsfeld e Kurzmann (1983),

Hamerschimidt (1997) e Carmo Jr. (2002).

Atualmente, o desenvolvimento de processos de produção agrícola alternativos

aos tradicionais têm merecido a atenção de pesquisadores, no sentido de minimizar a

intensa utilização de fertilizantes e defensivos sintéticos (agrotóxicos), e reduzir as

influências ambientais. A agricultura orgânica e a hidroponia são técnicas de produção

agrícola alternativas, mas, enquanto as motivações para a agricultura orgânica se

remetem às tradições culturais mais integradas com a natureza, as motivações para a

hidroponia são de outra ordem: ausência de solo e/ou clima adequados à agricultura

(GRAF & FIGUEIREDO, 1999).

Estudos que comparam alimentos obtidos pelos sistemas de cultivo

convencional, orgânico e hidropônico em relação ao seu valor nutricional, qualidade

sensorial e segurança alimentar têm sido realizados, porém, há poucos estudos com

controle efetivo capazes de conclusões válidas cientificamente. Em relação à qualidade

nutricional, de forma geral, para a maioria dos nutrientes ainda não existe um consenso

sobre a superioridade dos orgânicos. Com exceção do conteúdo de nitrato, matéria

seca e vitamina C, não há evidências fortes de que alimentos orgânicos, convencionais

e hidropônicos diferem em suas concentrações de nutrientes (LECLERC et al., 1991;

MIYAZAWA; KHAUTOUNIAN e ODENATH-PENHA., 2001; BOURN e PRESCOT, 2002;

AFSSA, 2003).

Há um mercado potencial para os produtos orgânicos, uma vez que existe

resistência de uma parcela da população em manter a aquisição e consumo de alguns

alimentos convencionais, como tomate, morango e batata, cujo cultivo

reconhecidamente envolve o emprego de substanciais quantidades de adubos

sintéticos e pesticidas (PENTEADO, 2000).

No entanto, existem controvérsias sobre os alimentos orgânicos, principalmente,

quando são classificados como mais nutritivos e seguros (PASCHOAL, 1994) devido à

escassez de dados científicos que assegurem tais vantagens em relação ao alimento

convencional.

3. OBJETIVOS

3.1. Objetivo Geral

Verificar através das redes neurais artificiais a existência de diferenças entre

hortícolas obtidas pelos sistemas de cultivo convencional, orgânico e hidropônico em

relação à composição centesimal, açucares e minerais.

3.2. Objetivos Específicos

i. Desenvolver a melhor Rede Neural Artificial para a classificação de

hortícolas quanto ao seu cultivo.

ii. Validar a confiabilidades dos resultados com a rede obtida.

4. MATERIAL E MÉTODOS

4.1. Banco de dados

Para este estudo foi utilizado um banco de dados cedido pela professora Doutora

Sônia Cachoeira Stertz. Deste banco que contém informações de análises físico-

químicos de hortícolas/culturas cultivadas em três sistemas: convencional, orgânico e

hidropônico, foram retirados dados para o presente estudo. São eles:para a alface

crespa, cv. Verônica (Lactuca sativa L., Compositaceae, morango, cv. Tundlas e

Camarosa (Fragaria ananassa Duch, Rosaceae), tomate cereja, cv. Cindy

(Lycopersicum esculentum var. cerasiforme (Duval) A. Gray., Solanaceae. Para cada

cultura foram coletadas as mesmas variedades nos diferentes sistemas.

Foram coletadas com rastreabilidade 46 amostras sendo 18 amostras de culturas

orgânicas (de sistemas certificados ou em conversão), 19 amostras de culturas

convencionais e 9 amostras de culturas hidropônicas. A razão da menor quantidade de

variedades e amostras hidropônicas é porque existe um menor número de produtores

que dão preferência para culturas mais facilmente comercializáveis e com retorno

econômico mais significativo, como é o caso do agrião, da alface, da rúcula, do tomate

cereja e salada (STERTZ, 2004).

A rastreabilidade permite identificar os fornecedores que abastecem o comércio

varejista ou atacadista, sendo considerados certificação, variedade, data e condições

de colheita, condições da cadeia de distribuição, armazenamento no varejo, etc. Deste

modo, algumas variáveis podem ser controladas, diminuindo as diferenças na

composição nutricional do produto adquirido no varejo (BOURN e PRESCOTT, 2002).

As amostras empregadas foram analisadas quanto à composição centesimal:

proteínas, lipídeos, cinzas, fibra alimentar, energia total metabolizável, carboidratos. Os

açucares, glicose, sacarose, maltose e frutose. Em relação aos minerais

foram

determinados os teores de alumínio (Al), cálcio (Ca), cádmio (Cd), chumbo (Pb), cobalto

(Co), cobre (Cu), ferro (Fe), fósforo (P), magnésio (Mg), manganês (Mn), mercúrio (Hg),

potássio (K), sódio (Na), selênio (Se) e zinco (Zn). Foram determinados também os

teores de nitrato e nitrito (STERTZ, 2004).

Com exceção de energia total cuja unidade é kcal as outras análises da

composição centesimal encontram-se em gramas. Os açucares também foram

apresentados em gramas. Cobalto, selênio, cadmo, mercúrio e chumbo estão

demonstrados em µg os demais minerais estão em mg. Todas os resultados

encontram-se em base úmida.

4.2. Aplicativo Computacional

O hardware utilizado consistiu de um microcomputador PC, com processador

Pentium III de 900 Mhz e 256 RAM. Foi utilizado o programa STATISTICA 7.1 (2006)

adquirido com recursos da Fundação Araucária (PR).

O módulo de redes neurais apresenta os seguintes recursos:

• aquisição de dados;

• pré e pós- processamento;

• perceptrons de multicamadas (MLP);

• funções de base radial (RBF);

• ferramentas estatísticas para avaliação e validação;

• mapas auto-ajustáveis (SOM) ou algoritmo de Kohonen para aprendizagem não

supervisionada;

• solução de problemas de classificação;

• técnicas de ensemble (maquina de comitê) para melhorar o desempenho das

redes;

• análise de componentes principais.

4.3. Desenvolvimento das Redes Neurais: manual de operação

No programa Statistica 7.1, no módulo de redes neurais “Neural Networks” foram

criadas tabelas para cada tipo de hortaliça, esta tabela continha todas as análises

físico-químicas, a soma de todos os minerais, soma de açucares, soma nitrato e nitrito.

Nesta tabela foi acrescentada uma coluna identificando as amostras quanto ao seu tipo

de cultivo: convencional, orgânico e hidropônico e uma outra coluna que identificava se

os dados da amostras seriam usados no treinamento ou validação da rede. A tabela

encontra-se no ANEXO 3.

Na caixa de diálogo inicial do módulo (Fig. 26), o primeiro passo é definir o tipo

de problema; neste caso será utilizada a classificação. Em problemas de classificação,

a finalidade da rede é atribuir a cada caso um número de classes, ou mais

genericamente, estimar a probabilidade do caso pertencer a uma cada classe. Os

problemas de classificação podem ser resolvidos utilizando vários tipos de redes como

MLP (Multi Layer Perceptron, Perceptron de Multi Camadas); RBF (Radial Basics

Function ou Função de Base Radial); PNN (Probabilistic Neural Network, Probabilidade

de Redes Neurais); SOFM (Self Organizing Feature Map ou Mapa auto-organizável);

Linear e Clustering Network (Redes de conjuntos).

O próximo passo é definir qual o tipo de análise. Para isto pode ser utilizado

tanto o Inteligent Problem Solver (Resolução Inteligente de Problemas), onde se pode

escolher mais de um tipo de rede ou o Custom Network Designer (CND - Projetista de

Rede Customizada), onde se pode especificar o tipo de rede, criando uma rede neural

individual. Foi selecionado o CND, pois será utilizada uma rede individual (Fig. 26).

Fig. 26 – Caixa de Diálogo inicial do Statistica - Módulo de Redes Neurais

Após a seleção do CND, seleciona-se quais serão as variáveis contínuas de

entrada (Continuous inputs), as variáveis qualitativas de saída (Categorical Outputs),

que são os grupos ou classes que se espera classificar, por exemplo, os tipos de cultivo

(convencional, orgânico e hidropônico) e, por último, a variável de subgrupos (subset),

utilizada para definir os subgrupos que serão empregados no treinamento, validação e

teste etc. da rede (Fig. 27).

Fig. 27 – Caixa de diálogo para seleção das variáveis

Quando se utiliza subset variável, é necessário especificar o código da variável,

isto é, qual subgrupo será utilizado para o treinamento e qual será utilizado para

validação e teste (Fig. 28).

Fig. 28 – Especificação dos códigos das variáveis subset

100

Depois de definido o tipo de problema, as variáveis e os tipos de análise, clica-se

OK para continuar, então define-se o tipo de rede (Fig. 29). Para este estudo foi

utilizada uma rede do tipo MLP, que permite a solução de problemas onde as classes

são não-linearmente separáveis, que vem sendo muito utilizada para tarefas como

classificação de padrões, controle e processamento de sinais. Nas redes MLP pode-se

especificar o número de camadas escondidas e o número de neurônios nestas

camadas, modelando assim a complexidade da rede.

Fig. 29- Caixa de diálogo para escolha da rede

Nesta mesma caixa de diálogo (Fig. 30), na aba Units (unidades) deve-se

escolher o número de camadas ocultas e a quantidade de neurônios em cada uma

dessas camadas. Também se seleciona a função de erro da classificação. A função de

erro da classificação é utilizada para a interpretação da saída; aplicável aos problemas

com variáveis de saída qualitativas.

101

Fig. 30 – Caixa de diálogo para seleção da quantidade de camadas escondidas, neurônios nas

camadas escondidas e função do erro de classificação

Na caixa de diálogo seguinte (Fig. 31), na aba quick, define-se o algoritmo de

treinamento que será usado na rede, a quantidade de épocas, que é a quantidade de

iterações, e a taxa de aprendizagem de cada fase. O treinamento pode ser feito em

uma ou duas fases. Neste estudo foram utilizadas duas fases.

1ª fase: definiu-se o algoritmo backpropagation (retropropagação), um dos

métodos de aprendizagem mais aplicado atualmente. Ele funciona da seguinte maneira:

primeiramente apresenta-se um padrão à camada de entrada da rede. Esse padrão é

processado camada por camada até que a camada de saída forneça a resposta

processada. Essa resposta é comparada com a resposta desejada e se estiver errada,

o erro é calculado. Ele é retropropagado e o processamento é realizado novamente, até

que se obtenha um erro mínimo.

Foram utilizadas 100 épocas (número de iterações) e uma taxa de aprendizagem

de 0,01.

102

2ª fase: aplica-se a fase dois do procedimento bifásico do treinamento o

Conjugate gradient descent (CG).

O gradiente descendente conjugado é um método avançado de treinamento para o

multilayer perceptrons (MLP). Esse treinamento geralmente produz resultados

significantemente melhores que os de backpropagation, e pode ser usado em situações

análogas.

O gradiente descendente conjugado é um algoritmo melhorado: o

backpropagation ajusta os pesos da rede após cada caso, enquanto o gradiente

descendente conjugado utiliza a média gradiente do erro da superfície de todos os

casos antes de atualizar no final da época. Não é necessário selecionar taxas de

aprendizagem para o método do gradiente descendente conjugado. Portanto ele pode

ser muito mais simples de ser utilizado do que o backpropagation (STATISTICA 7.1,

2006).

Definiu-se 500 épocas (número de iterações) para fase dois e não há taxa de

aprendizado.

Fig. 31 – Caixa de diálogo de parâmetros de treinamento

103

Clica-se em OK para se ter os resultados da classificação (Fig. 32 e 33).

A caixa de diálogo dos resultados (Fig. 32) é usada para gerar as saídas,

incluindo estatísticas descritivas, predições, resíduos, gráficos, superfícies de resposta

e outros formulários da saída, executando modelos.

Fig. 32 – Caixa de diálogo dos resultados

Na coluna Profile (Fig. 32), tem-se a topologia da rede. Assim, MLP 30:30-7-1:1,

onde MLP é a abreviatura de Multi Layer Perceptron, que foi o tipo de rede utilizado, os

números significam, respectivamente, o número de variáveis de entrada, o número de

neurônios de entrada, a quantidade de neurônios na camada intermediária, o número

de neurônios de saída e o número de variáveis de saída.

104

O Train. Perf; Select Perf. e Test Perf. (Fig. 32) referem-se à medida de

desempenho. É a proporção de casos classificados corretamente no treinamento,

validação e teste respectivamente.

Train. Error; Select Error e Test Error (Fig. 32 e 33) referem-se ao erro da rede

nos subconjuntos usados durante o treinamento, validação e teste, respectivamente.

Fig. 33 - Continuação da caixa de diálogo de resultados

A coluna Training/Members (Fig. 33) apresenta um breve resumo dos algoritmos

usados no treinamento para aperfeiçoar a rede neural. Contém um número de códigos,

que são seguidos pelo número de épocas que funcionou o algoritmo, e um código

terminal que indica como a rede final foi selecionada. Por exemplo, o código: BP200

CG102b, que significa “duzentas épocas da retropropagação, seguidas por cento e

duas épocas do gradiente conjugado, e que a melhor rede durante esse funcionamento

foi selecionada (para o " b" leia o " o menor erro” da seleção)”.

105

Os códigos são:

BP - Backpropagation;

CG - Gradiente conjugado;

“b" - A melhor rede (a rede com o menor erro da seleção no procedimento foi

restaurada).

“s" - Condição de parada (o processo de treinamento foi interrompido antes que o

número total de épocas decorresse; uma condição da parada foi satisfeita).

“c" - Convergência (o algoritmo interrompido cedo porque convergiu; isto é, foi

alcançado e detectado um mínimo local ou global).

Na aba Advanced (Fig. 33), tem-se a geração especializada dos resultados, onde

se pode produzir gráficos e ilustrações das redes neurais. A aba Predictions (Fig. 33) é

somente para problemas de classificação e regressão. Seleciona-se o Confidence

levels, que indica os níveis de confiança da rede nas várias classes possíveis, que são

representadas pelos níveis da ativação dos neurônios de saída, que correspondem à

variável de saída.

Na aba Sensitivy (Fig.33), avalia-se a sensibilidade das variáveis de entrada e

sua importância. As relações abaixo de 1.0 são irrelevantes e essas variáveis podem

ser desconsideradas (STATISTICA, 2006).

Na aba Descriptive Statistics (Fig. 33), pode-se gerar estatísticas totais do

desempenho da classificação e uma matriz de confundimento. As estatísticas de

classificação incluem, para cada classe:

106

Total:

Número de casos dessa classe.

Correct

: O número de casos classificados corretamente.

Wrong

: Número de casos atribuídos erroneamente a uma outra classe.

Unknown:

Número de casos que não poderiam ser classificados de forma correta.

Correct (%):

A porcentagem dos casos classificados corretamente.

Wrong (%):

A porcentagem dos casos classificados errado.

Unknown (%):

A Porcentagem dos casos classificados como o desconhecido

Uma matriz de confundimento dá uma avaliação detalhada dos erros de

classificação.

Estas etapas foram repetidas várias vezes para todas hortícolas alterando o

número de neurônios da camada intermediária e as variáveis de entrada. A variável

qualitativa de saída e a variável subset não foram alteradas. O erro da função de

classificação, os algoritmos de aprendizagem nas duas fases, assim como a taxa de

aprendizagem e a quantidade de épocas permaneceram as mesmas.

107

5. RESULTADOS E DISCUSSÃO

5.1 Morango

Para estudar a existência de diferenças entre morangos cultivados de forma

convencional e orgânica foram utilizadas 7 amostras convencionais e 6 amostras

orgânicas, onde 4 e 5 respectivamente foram selecionadas para o treinamento da rede

e duas para a validação da mesma.

Foram testadas redes onde a quantidade de neurônios na camada escondida

variou entre 5 e 15 quando se utilizou à composição centesimal, açucares e minerais

como variáveis de entrada e 5 e 10 neurônios quando foram utilizados Mg, Al, Fe, Mn,

Co, Cu, Zn, Cd, frutose, sacarose, maltose, nitrato, lipídios, proteínas e carboidratos

como variáveis de entrada.

Só considerou-se que a rede foi capaz de classificar o sistema de cultivo quando

o resultado foi 100% de acerto, ou seja, os valores de Train Perf. (desempenho de

treinamento) e Select Perf. (desempenho de validação) foram igual a 1; isso porque

mesmo que se apenas uma amostra fosse classificada de forma errônea, como existem

poucas amostras, isso resulta num erro superior a 5%.

Das redes testadas com 30 variáveis na camada de entrada, a arquitetura que

classificou os morangos quanto ao cultivo foi à que utilizou 13 neurônios na camada

oculta. Os modelos com 8 e 9 neurônios na camada oculta também classificaram os

morangos, mas não foi possível repetibilidade. Como pode-se analisar na tabela 12

(redes assinaladas em amarelo).

108

Tab. 12 – Desempenho de treinamento, validação da classificação de morangos com 30 variáveis

de entrada e variação entre 5 e 15 neurônios na camada intermediária

Profile

Desempenho

de treinamento

Desempenho

da validação

Training

1 MLP 30:30-5-1:1 0,777778 0,500000 BP100b

2 MLP 30:30-6-1:1 1,000000 0,500000 BP100,CG1b

3 MLP 30:30-7-1:1 1,000000 0,500000 BP100,CG1b

4 MLP 30:30-8-1:1 1,000000 1,000000 BP100,CG1b

5 MLP 30:30-9-1:1 1,000000 1,000000 BP100,CG1b

6 MLP 30:30-10-1:1 0,888889 0,250000 BP100b

7 MLP 30:30-11-1:1 0,888889 0,750000 BP100b

8 MLP 30:30-12-1:1 0,777778 1,000000 BP99b

9 MLP 30:30-13-1:1 1,000000 1,000000 BP100,CG4b

MLP 30:30-14-1:1 0,888889 0,750000 BP81b

MLP 30:30-15-1:1 1,000000 0,500000 BP99b

MLP 30:30-9-1:1 0,888889 0,750000 BP100,CG2b

MLP 30:30-13-1:1 1,000000 1,000000 BP100,CG3b

MLP 30:30-8-1:1 0,888889 0,750000 BP100b

MLP 30:30-13-1:1

1,000000

BP100,CG9b

MLP 30:30-13-1:1

1,000000

BP100,CG1b

Como foi possível classificar o morango utilizando as trinta variáveis citadas

anteriormente, tentou-se diminuir a quantidade de variáveis de entrada. Para isso, fez-

se uma análise de sensibilidade. Essa análise é feita pelo programa na aba sensitivy na

caixa de diálogo (Fig. 33) e é utilizada para saber quais as variáveis de entrada foram

mais importantes na classificação. A análise de sensibilidade foi feita na rede que

obteve melhor resultado de classificação ou seja a rede com 13 neurônios na camada

intermediária (Tab. 13). Foram selecionadas as variáveis que ficaram “melhor

posicionadas” no rank (assinaladas em azul) 3 e 4 vezes.

109

Tab. 13 – Análise de Sensibilidade das redes com 13 neurônios na camada intermediária

Na-BU

Mg-BU

Al-BU

P-BU

K-BU

Ca-BU

Fe-BU

Mn-BU

Co-BU

Cu-BU

Rank.9

23,00000

12,00000

30,00000

24,00000

10,00000

6,00000

2,00000

14,00000

4,00000

8,00000

Rank.13

29,00000

22,00000

5,00000

19,00000

30,00000

20,00000

7,00000

14,00000

9,00000

15,00000

Rank.15

28,00000

9,00000

11,00000

6,00000

16,00000

24,00000

7,00000

13,00000

29,00000

10,00000

Rank.16

23,00000

4,000000

3,000000

12,00000

28,000000

26,00000

17,00000

19,00000

9,00000

30,00000

N 0 3 3 2 2 1 3 3 3 3

Zn-BU

Se-BU

Cd-BU

Hg-BU

Pb-BU

Soma

Minerais

Frutose

Glicose

Sacarose

Maltose

Rank.9

20,00000

3,00000

28,00000

27,00000

5,00000

29,00000

17,00000

25,00000

7,00000

19,00000

Rank.13

10,00000

17,00000

12,00000

27,00000

25,00000

28,00000

6,00000

23,00000

3,00000

13,00000

Rank.15

15,00000

25,00000

26,00000

17,00000

8,000000

4,00000

14,00000

18,00000

5,00000

20,00000

Rank.16

16,00000

10,00000

29,00000

7,000000

11,00000

1,000000

6,000000

15,00000

18,00000

25,00000

N 2 2 1 1 3 2 3 1 3 1

Soma

Açúcares

Nitrito

Nitrato

Soma

nitrito+

nitrato

Cinzas

Fibras

Lipídios

Proteínas

Carboi

dratos

Energia

Rank.9

22,00000

16,00000

1,00000

26,00000

21,00000

18,00000

15,00000

9,000000

11,00000

13,00000

Rank.13

16,00000

18,00000

1,00000

21,00000

26,00000

11,00000

8,00000

4,000000

2,00000

24,00000

Rank.15

27,00000

22,00000

1,000000

30,00000

2,00000

21,00000

3,000000

19,00000

12,00000

23,00000

Rank.16

8,000000

24,00000

5,000000

2,000000

14,00000

22,00000

13,00000

21,00000

27,00000

20,00000

N 1 0 4 1 2 1 4 2 3 1

N= número de vezes ranqueada entre 1 e 15

As variáveis de entrada que tiveram maior importância e que foram utilizadas nos

novos testes (assinaladas em amarelo) foram: Mg, Al, Fe, Zn, Mn, Co, Cu, frutose,

sacarose, nitrato, lipídios e carboidratos.

Nas redes que utilizaram 12 variáveis na camada de entrada foi possível

classificação com 6 neurônios na camada intermediária. Quando utilizou-se 9 neurônios

na camada intermediária não houve repetibilidade (redes assinaladas em amarelo, Tab.

14).

110

Tab. 14 – Desempenho de treinamento, validação da classificação de morangos com variação

entre 4 e 8 neurônios na camada intermediária

Profile

Desempenho

de treinamento

Desempenho

da validação

Training

1 MLP 12:12-4-1:1

0,888889

0,750000

BP100,CG7b

2 MLP 12:12-5-1:1

0,888889

0,750000

BP100,CG1b

3 MLP 12:12-6-1:1

1,000000

BP100,CG2b

4 MLP 12:12-7-1:1

0,888889

0,250000

BP54b

5 MLP 12:12-8-1:1

0,555556

0,000000

BP0b

6 MLP 12:12-9-1:1

1,000000

BP100,CG4b

7 MLP 12:12-6-1:1

1,000000

BP100,CG6b

8 MLP 12:12-6-1:1

1,000000

BP100,CG2b

9 MLP 12:12-9-1:1

0,777778

1,000000

BP13b

MLP 12:12-6-1:1

1,000000

BP100b

Neste trabalho, Mg, Al, Fe, Cu, Zn, Mn e Co foram os elementos que

demonstraram maior importância na classificação, ou seja, foram elementos que

demonstraram níveis diferentes entre os cultivos.

Stertz (2004) obteve níveis mais altos de: K (79,67%), Mg (183,16%), Na

(858,49%), P (63,06%), Co (399,53%), Cu (198,74%), Fe, (342,39%), Zn (134,13), Al

(363,15%) e Pb (75,31%) nas amostras cultivada pelo sistema orgânico, quando

comparado com o sistema convencional, compatíveis parcialmente (Mg, Al, Fe, Cu e

Zn) com os dados obtidos no presente estudo. O sódio só foi detectado em apenas uma

amostra de morango convencional podendo ser o provável motivo para o programa não

ter destacado o Na na classificação.

Frutose e sacarose também estão entre as análises que foram importantes para

diferenciar os morangos produzidos de forma orgânica e convencional, convergindo em

parte com o trabalho de Cayuela et al (1997). Esses autores fizeram um estudo onde

compararam morangos cultivados de forma convencional e orgânica quanto ao teor de

acidez, açucares, matéria seca, cinzas, vitamina C, Ca, Mg, Fe, Mn Zn e Cu. Obtiveram

diferenças somente no teor de açucares e matéria seca, sendo esses maiores nos

morangos cultivados organicamente.

111

Quanto à composição centesimal, nitrato, lipídios e proteínas foram os que

demonstraram maior importância na classificação. Estudos comprovam que alimentos

produzidos de forma convencional apresentam maiores níveis de nitrato em

comparação aos alimentos orgânicos. A aplicação de fertilizantes nitrogenados no solo,

prática comum na agricultura convencional, associada à irrigação, faz elevar os teores

de nitrato nos alimentos (DAROLT, 2003).

5.2. Alface Crespa

No item anterior, referente ao morango, foi apresentado o desenvolvimento

passo-a-passo para melhor topologia de rede para classificação. A partir de agora,

devido à similaridade de procedimentos, os resultados estão limitados às melhores

redes escolhidas para classificação.

Foram coletadas amostras de alface dos três sistemas de cultivo. Na tentativa de

classificar a alface crespa conforme seu cultivo e assim comprovar se existem

diferenças entre esses sistemas, foram desenvolvidas várias redes. Primeiramente,

foram testadas redes utilizando os dados dos três tipos de cultivos (convencional,

orgânico e hidropônico), em seguida foram testadas redes comparando os cultivos

convencional e orgânico, orgânico e hidropônico e por último foram comparados os

sistemas convencional e hidropônico para ver se as redes desenvolvidas conseguiam

fazer a classificação e identificar diferenças entre alfaces crespas cultivados nestes

sistemas. Havia seis amostras de cada cultivo, dessas, 4 foram utilizadas para

treinamento e 2 para validação. A quantidade de neurônio variou entre 5 e 15.

A seguir, foram refeitos os teste com a mesma comparação entre os cultivos,

mas desta vez as variáveis de entrada utilizadas foram: todos os minerais, soma de

açucares, nitrato, nitrito, soma nitrato+nitrito e cinzas. E a quantidade de neurônios

variou entre 5 e 10.

112

As primeiras redes testadas compararam os três tipos de cultivos

simultaneamente e com 30 variáveis de entrada (todos os minerais, composição

centesimal, nitrato, nitrito, frutose, glicose, sacarose, maltose, soma de minerais, soma

de açucares e soma nitrato+nitrito), Como não se observou classificação, foram feitas

análises separadamente dos cultivos dois a dois: convencional X orgânico, onde com

10 neurônios na camada oculta, houve classificação; orgânico X hidropônico, neste

caso foram necessários 13 neurônios e convencional X hidropônico, quando ocorreu

classificação com 9 e 13 neurônios na camada escondida. Mas, considerou-se que a

melhor classificação aconteceu quando foram utilizados 9 neurônios na camada oculta

por ser uma rede mais simples e que apresenta os mesmos resultados (PEREIRA,

1999).

Fez-se, então, uma análise de sensibilidade de cada rede que obteve

classificação na comparação entre os cultivos (de 10, 13 e 9 neurônios) para selecionar

quais variáveis havia sido mais importante para classificação (Tab. 15, 16 e 17,

assinaladas em amarelo). Foram consideradas as variáveis mais importantes aquelas

que tiveram N ≥ 3 (N= Número de vezes que a variável foi ranqueada entre 1 e 15).

Com as variáveis selecionadas foram feitos novos testes para saber se alguma rede

seria capaz de classificar com uma menor quantidade de variáveis.

113

Tab. 15 - Análise de sensibilidade da comparação entre alface convencional e orgânico e com 10

neurônios na camada intermediária

Na-BU

Mg-BU

Al-BU

P-BU

K-BU

Ca-BU

Fe-BU

Mn-BU

Co-BU

Cu-BU

Rank.6

25,00000

10,00000

29,00000

18,00000

8,00000

15,00000

11,00000

13,00000

2,00000

27,00000

Rank.13

7,00000

5,00000

15,00000

14,00000

3,00000

17,00000

26,00000

13,00000

29,00000

12,00000

Rank.14

12,00000

10,00000

13,00000

7,00000

26,00000

14,00000

3,00000

4,00000

2,00000

23,00000

Rank.15

4,00000

13,00000

12,00000

21,00000

23,00000

22,00000

26,00000

18,00000

29,00000

30,00000

N 3 4 3 2 2 2 2 3 2 1

Zn-BU

Se-BU

Cd-BU

Hg-BU

Pb-BU

Soma

Minerais

Frutose

Glicose

Sacarose

Maltose

Rank.6

28,00000

24,00000

23,00000

1,00000

9,00000

3,00000

21,00000

6,00000

26,00000

20,00000

Rank.13

11,00000

2,00000

19,00000

9,00000

1,00000

21,00000

27,00000

28,00000

30,00000

20,00000

Rank.14

9,00000

8,00000

28,00000

30,00000

1,00000

20,00000

18,00000

29,00000

11,00000

21,00000

Rank.15

27,00000

6,00000

19,00000

1,00000

25,00000

8,00000

10,00000

3,00000

28,00000

16,00000

2 3 0 3 3 2 1 2 1 0

Soma

Açúcares

Nitrito

Nitrato

Soma

nitrito+

nitrato

Cinzas

Fibras

Lipídios

Proteínas

Carboi

dratos

Energia

Rank.6

30,00000

17,00000

14,00000

16,00000

12,00000

5,00000

7,00000

19,00000

22,00000

4,00000

Rank.13

8,00000

23,00000

16,00000

24,00000

10,00000

25,00000

4,00000

22,00000

18,00000

6,00000

Rank.14

5,00000

25,00000

16,00000

15,00000

17,00000

27,00000

22,00000

24,00000

19,00000

6,00000

Rank.15

5,00000

15,00000

17,00000

20,00000

9,00000

2,00000

7,00000

24,00000

11,00000

14,00000

N 3 1 1 1 3 2 3 0 1 4

N= número de vezes ranqueada entre 1 e 15

As variáveis mais importantes na comparação entre alfaces crespas

convencionais e orgânicas foram: Na, Mg, Al, Fe, Mn, Se, Hg, Pb, soma de açucares,

cinzas, lipídeos e energia (assinalas em amarelo na Tab. 15). Coma redução (30 para

12) das variáveis de entrada as topologias testadas não foram capazes de identificar a

diferenças entre esses cultivos, não sendo possível uma classificação.

114

Tab. 16 -

Análise de sensibilidade da comparação entre alface orgânico e hidropônico com 13

neurônios na camada intermediária

Na-BU

Mg-BU

Al-BU

P-BU

K-BU

Ca-BU

Fe-BU

Mn-BU

Co-BU

Cu-BU

Rank.9

7,00000

1,00000

9,00000

30,00000

21,00000

27,00000

3,00000

14,00000

24,00000

17,00000

Rank.16

11,00000

4,00000

24,00000

27,00000

13,00000

23,00000

17,00000

15,00000

26,00000

29,00000

Rank.25 4,00000

3,00000

13,00000

28,00000

19,00000

16,00000

29,00000

10,00000

7,00000

30,00000

Rank.28 12,00000

10,00000

15,00000

21,00000

30,00000

18,00000

23,00000

16,00000

6,00000

13,00000

N 4 4 3 0 1 0 1 3 2 1

Zn-BU

Se-BU

Cd-BU

Hg-BU

Pb-BU

Soma

Minerais

Frutose

Glicose

Sacarose

Maltose

Rank.9

20,00000

16,00000

6,00000

13,00000

28,00000

12,00000

2,00000

11,00000

23,00000

5,00000

Rank.16

25,00000

30,00000

18,00000

10,00000

1,00000

7,00000

3,00000

6,00000

22,00000

8,00000

Rank.25 27,00000

26,00000

6,00000

8,00000

1,00000

14,00000

18,0000

2,00000

24,00000

5,00000

Rank.28 24,00000

25,00000

4,00000

5,00000

2,00000

29,00000

1,00000

27,00000

28,00000

17,00000

N 0 0 3 3 3 3 3 3 1 3

Soma

Açúcares

Nitrito

Nitrato

Soma

nitrito+

nitrato

Cinzas

Fibras

Lipídios

Proteínas

Carboi

dratos

Energia

Rank.9

10,00000

15,00000

8,00000

4,00000

29,00000

22,00000

18,00000

19,00000

25,00000

26,00000

Rank.16

9,00000

5,00000

20,00000

14,00000

28,00000

19,00000

16,00000

12,00000

21,00000

2,00000

Rank.25 25,00000

11,00000

12,00000

17,00000

23,00000

20,00000

22,00000

9,00000

21,00000

15,00000

Rank.28 7,00000

8,00000

9,00000

3,00000

19,00000

20,00000

22,00000

11,00000

26,00000

14,00000

N 3 4 3 3 0 0 0 3 0 3

N= número de vezes ranqueada entre 1 e 15

Na análise de sensibilidade entre alface crespa orgânica e hidropônica (Tab. 16),

as 18 variáveis de entrada que mostraram-se mais importantes na classificação

(assinalas em amarelo na Tab. 16) foram usadas nos novos testes, são elas: Na, Mg,

Al, Mn, Cd, Hg, Pb, soma de minerais, frutose, glicose, soma de açucares, nitrato,

nitrito, soma nitrato+nitrito, fibras, proteínas e energia. Com essa redução (de 30 para

18) de variáveis o programa não conseguiu definir diferenças entre esses cultivos, não

havendo classificação.

115

Tab. 17 - Análise de sensibilidade da comparação entre alface crespa convencional e hidropônico

com 9 neurônios na camada intermediária

Na-BU

Mg-BU

Al-BU

P-BU

K-BU

Ca-BU

Fe-BU

Mn-BU

Co-BU

Cu-BU

Rank.5

13,00000

30,00000

19,00000

28,00000

16,00000

23,00000

20,00000

7,00000

29,00000

27,00000

Rank.15

25,00000

10,00000

2,00000

26,00000

28,00000

15,00000

8,00000

13,00000

22,00000

16,00000

Rank.20 29,00000

20,00000

18,00000

27,00000

28,00000

10,00000

13,00000

25,00000

22,00000

16,00000

Rank.21 15,00000

20,00000

22,00000

26,00000

19,00000

29,00000

2,00000

4,00000

9,00000

12,00000

Rank.22 8,00000

17,00000

2,00000

5,00000

20,00000

19,00000

3,00000

6,00000

21,00000

13,00000

N 3 1 2 1 0 2 3 4 1 2

Zn-BU

Se-BU

Cd-BU

Hg-BU

Pb-BU

Soma

Minerais

Frutose

Glicose

Sacarose

Maltose

Rank.5

24,00000

5,00000

6,00000

1,000000

22,00000

4,00000

2,00000

21,00000

8,00000

18,00000

Rank.15

19,00000

12,00000

7,00000

1,000000

17,00000

23,00000

9,00000

11,00000

20,00000

21,00000

Rank.20 24,00000

6,00000

17,00000

3,000000

5,00000

30,00000

14,00000

21,00000

15,00000

11,00000

Rank.21 10,00000

30,00000

27,00000

1,000000

8,00000

18,00000

7,00000

16,00000

24,00000

14,00000

Rank.22 9,00000

29,00000

28,00000

1,000000

27,00000

12,00000

16,00000

30,00000

24,00000

10,00000

N 2 3 2 5 2 2 4 1 2 3

Soma

Açúcares

Nitrito

Nitrato

Soma

nitrito+

nitrato

Cinzas

Fibras

Lipídios

Proteínas

Carboi

dratos

Energia

Rank.5

11,00000

10,00000

26,00000

25,00000

17,00000

9,00000

12,00000

14,00000

3,00000

15,00000

Rank.15

14,00000

30,00000

4,00000

27,00000

24,00000

6,00000

29,00000

3,00000

18,00000

5,00000

Rank.20 19,00000

9,00000

7,00000

8,00000

26,00000

4,00000

23,00000

1,00000

2,00000

12,00000

Rank.21 5,00000

28,00000

17,00000

21,00000

6,00000

23,00000

13,00000

3,00000

11,00000

25,00000

Rank.22 4,00000

22,00000

7,00000

18,00000

11,00000

26,00000

23,00000

15,00000

14,00000

25,00000

N 4 2 3 1 2 3 2 5 4 3

N= número de vezes ranqueada entre 1 e 15

Quando os cultivos de alface convencional e hidropônico foram comparados com

as 13 variáveis melhores ranqueadas (Na, Fe, Mn, Se, Hg, frutose, maltose, soma de

açucares, nitrato, fibras, proteínas, carboidratos e energia) que estão assinalas em

amarelo (Tab. 17), o programa identificou diferenças entre esses sistemas de cultivos,

conseguindo classificação com três topologias diferentes, isto é, 5, 6, 8 e 10 neurônios

na camada intermediária. Considerou-se o melhor resultado a topologia com 5

116

neurônios, pois é uma rede mais simples e apresenta o mesmo resultados das redes

com mais neurônios (PEREIRA, 1999), mantendo-se o critério de 100% de acerto no

treinamento e validação.

Quando foram comparadas as alfaces convencionais e hidropônicas, os minerais

que se mostraram mais importantes na classificação foram: Na, Fe, Mn, Se, Hg, não

havendo concordância, com exceção do sódio, com o estudo de Stertz (2004), que

apresentou algumas tendências positivas quando comparado o sistema de cultivo

hidropônico em relação ao convencional, com cerca de +38% de Mg, +72% de Na,

+2000% de Co e +78% de Cu.

Os minerais que se mostraram importantes em todas as análises de

sensibilidade, para os cultivos dois a dois, quando classificou-se as alfaces crespa

foram: Na, Mn e Hg. No estudo de Malavolta, Moraes e Malavolta (2003), manganês,

não apresentou diferenças estatísticas significativas (p≤0,05), quando comparados os

sistemas de cultivo orgânico e convencional, diferindo, porém, das amostras obtidas

pelo sistema de cultivo hidropônico.

Os mesmos autores, encontraram diferença significativa (p≤0,05) no nível de

chumbo nas amostras orgânicas quando comparadas os três cultivos entre si. As

amostras hidropônicas e convencionais porém não diferiram entre si significativamente.

Esse resultado converge com o presente trabalho, tendo em vista que o chumbo não foi

importante quando foram comparados os cultivos convencional e hidropônico e

destacou-se quando as alfaces foram comparadas quanto aos cultivos orgânico X

hidropônico e orgânico X convencional.

Na comparação entre os cultivos orgânico e hidropônico e convencional e

hidropônico (principalmente nesta última), os níveis de nitrato, nitrito e/ou soma

nitrato+nitrito mostraram-se importantes na classificação, o que indica que os cultivos

têm diferença desses nutrientes. Essa diferença já era esperada pois, concorda com

estudos realizados pelo IAPAR com alfaces hidropônicas, orgânicas e convencionais,

que mostraram que alfaces produzidas de forma hidropônica têm uma maior quantidade

117

de nitrato que alfaces orgânicas. Pode-se explicar a superioridade dos níveis de nitrato

nas hortaliças cultivadas de forma hidropônica pois, essas crescem em soluções

nutritivas provenientes de fertilizantes químicos industriais que contêm nitratos

(MIYAZAWA; KHAUTOUNIAN e ODENATH-PENHA, 2001).

5.3. Tomate cereja

Devido à similaridade dos procedimentos computacionais, os resultados

mostrados destacam apenas as redes escolhidas para as classificações desenvolvidas.

Foram analisadas ao todo, 15 amostras de tomates cereja, 6 cultivadas de forma

convencional, 6 de forma orgânica e 3 de forma hidropônica. Foram selecionadas para

treinamento e validação, respectivamente, 4 e 2 amostras do tipo convencional, 4 e 2

para orgânico e 2 e 1 para hidropônica.

Foram testadas redes que compararam os três tipos de cultivos, utilizando a 30

variáveis de entrada: composição centesimal, açucares e minerais. Foram testadas

ainda redes com essas mesmas variáveis de entrada mas, comparando os cultivos dois

a dois: convencional X orgânico; orgânico X hidropônico e convencional X hidropônico.

Nestas redes a quantidade de neurônios na camada oculta variaram entre 5 e 15.

Quando os tomates cereja foram comparados entre os três cultivos e com 30

variáveis na camada de entrada, não foi possível uma classificação. Mas quando os

cultivos foram comparados dois a dois foi possível uma classificação mostrando

diferença entre tomate orgânico e hidropônico e convencional e hidropônico. Para

essas classificações foram utilizados 8 e 10, neurônios na camada escondida,

respectivamente.

118

Fez-se então uma análise de sensibilidade nestas duas redes e as variáveis que

ficaram entre e 1 e 15, mais vezes (3 e 4 vezes) no rank (em azul), foram selecionadas

para os próximos testes (Tab. 18 e 19).

Tab. 18 - Análise de Sensibilidade da comparação entre tomate cereja Orgânico e Hidropônico

com 8 neurônios na camada intermediária

Na-BU

Mg-BU

Al-BU

P-BU

K-BU

Ca-BU

Fe-BU

Mn-BU

Co-BU

Cu-BU

Rank.4

22,00000

25,00000

13,00000

10,00000

19,00000

2,00

12,00000

3,00

21,00000

8,00000

Rank.12 13,00000

10,00000

4,00000

27,00000

25,00000

16,00

26,00000

3,00

17,00000

18,00000

Rank.16 10,00000

14,00000

21,00000

27,00000

19,00000

3,00

20,00000

13,00

5,00000

26,00000

Rank.17 14,00000

15,00000

4,00000

22,00000

25,00000

28,00

5,00000

12,00

2,00000

20,00000

Rank.18

12,00000

10,00000

13,00000

18,00000

17,00000

1,00

3,00000

25,00

24,00000

23,00000

N 4 4 4 1 0 3 3 4 2 1

Zn-BU

Se-BU

Cd-BU

Hg-BU

Pb-BU

Soma

Minerais

Frutose

Glicose

Sacarose

Maltose

Rank.4

7,0000

18,00000

20,00000

9,00000

14,00000

23,00000

24,00000

11,00000

17,00000

16,00000

Rank.12 1,0000

22,00000

11,00000

19,00000

5,00000

12,00000

8,00000

20,00000

24,00000

23,00000

Rank.16 30,0000

7,00000

6,00000

22,00000

24,00000

18,00000

2,00000

29,00000

17,00000

16,00000

Rank.17 29,0000

30,00000

17,00000

9,00000

11,00000

21,00000

16,00000

13,00000

24,00000

23,00000

Rank.18

30,0000

11,00000

14,00000

16,00000

4,00000

15,00000

22,00000

26,00000

21,00000

20,00000

N 2 2 3 2 4 2 2 2 0 0

Soma

Açúcares

Nitrito

Nitrato

Soma

nitrito+

nitrato

Cinzas

Fibras

Lipídios

Proteínas

Carboi

dratos

Energia

Rank.4

27,00000

1,0

6,0000

26,00000

5,000

29,00000

4,000

28,00000

30,00000

15,00000

Rank.12 29,00000

2,0

7,0000

15,00000

9,000

21,00000

14,000

30,00000

28,00000

6,00000

Rank.16 28,00000

4,0

11,0000

8,00000

1,000

15,00000

23,000

12,00000

25,00000

9,00000

Rank.17 26,00000

3,0

7,0000

27,00000

1,000

19,00000

6,000

10,00000

8,00000

18,00000

Rank.18

28,00000

6,0

29,0000

5,00000

8,000

27,00000

2,000

7,00000

19,00000

9,00000

N 0 5 4 3 5 1 4 3 1 4

N= número de vezes ranqueada entre 1 e 15

119

Tab. 19 - Análise de sensibilidade da comparação entre tomate cereja convencional e hidropônico

com 10 neurônios na camada intermediária

Na-BU

Mg-BU

Al-BU

P-BU

K-BU

Ca-BU

Fe-BU

Mn-BU

Co-BU

Cu-BU

Rank.6

2,00000

9,00000

4,00000

13,00000

20,00000

25,00000

3,00000

11,00000

5,00000

15,00000

Rank.15

5,00000

1,00000

16,00000

30,00000

6,00000

4,00000

2,00000

9,00000

24,00000

27,00000

Rank.18 5,00000

22,00000

3,00000

2,00000

27,00000

6,00000

1,00000

7,00000

28,00000

26,00000

Rank.22 8,00000

4,00000

20,00000

6,00000

25,00000

7,00000

5,00000

21,00000

1,00000

26,00000

N 4 3 2 3 1 3 4 3 2 1

Zn-BU

Se-BU

Cd-BU

Hg-BU

Pb-BU

Soma

Minerais

Frutose

Glicose

Sacarose

Maltose

Rank.6

12,00000

29,00000

1,00000

28,00000

24,00000

23,00000

8,00000

17,00000

22,00000

21,00000

Rank.15

22,00000

29,00000

8,00000

19,00000

7,00000

18,00000

12,00000

26,00000

14,00000

15,00000

Rank.18 4,00000

30,00000

10,00000

18,00000

23,00000

25,00000

16,00000

19,00000

12,00000

13,00000

Rank.22 2,00000

15,00000

13,00000

22,00000

18,00000

29,00000

27,00000

14,00000

17,00000

16,00000

N 3 1 4 0 1 0 2 1 2 2

Soma

Açúcares

Nitrito

Nitrato

Soma

nitrito+

nitrato

Cinzas

Fibras

Lipídios

Proteínas

Carboi

dratos

Energia

Rank.6

16,00000

27,00000

6,00000

10,00000

30,00000

18,00000

7,00000

14,00000

19,00000

26,00000

Rank.15

17,00000

23,00000

3,00000

11,00000

28,00000

20,00000

13,00000

10,00000

21,00000

25,00000

Rank.18 21,00000

24,00000

8,00000

14,00000

20,00000

15,00000

29,00000

17,00000

9,00000

11,00000

Rank.22 10,00000

11,00000

3,00000

23,00000

30,00000

28,00000

9,00000

24,00000

19,00000

12,00000

N 1 1 4 3 0 1 3 2 1 2

N= número de vezes ranqueada entre 1 e 15

Fez-se um novo teste, agora com as 15 variáveis de entrada que apresentaram

maior importância (tab. 18, assinaladas em amarelo) quando comparou-se os tomates

cereja orgânico e hidropônico. As variáveis utilizadas foram: Na, Mg, Al, Ca, Fe, Mn, Cd,

Pb, nitrato, nitrito, soma nitrato+nitrito, cinzas, lipídios, proteínas, calorias. Com essas

variáveis foi possível uma classificação, ou seja, um treinamento e validação com 100

% de acerto, com 10 neurônios na camada oculta.

120

Na comparação entre os sistemas de cultivos convencional e hidropônico 11

variáveis mostraram-se mais importantes e foram utilizadas em um novo teste, são

elas: Na, Mg, P, Ca, Fe, Mn, Zn, Cd, nitrato, soma nitrato+nitrito e lipídios. Os testes

foram realizados variando a quantidade de neurônios na camada oculta entre 4 e 8. Foi

possível uma classificação com as topologias que utilizaram 4 e 8 neurônios na camada

intermediária, mas considera-se a melhor rede a que utilizou 4 neurônios na camada

intermediária pois, é mais simples e apresenta o mesmo resultado (PEREIRA, 1999).

O atual estudo converge em parte (Mg e Mn) com o estudo de Stertz (2004) que

constatou uma diferença significativa (p≤ 0,05) na concentração de magnésio e

manganês nas amostras de tomate cereja hidropônico quando comparadas com

amostras de tomates cereja orgânico e convencional.

Nas três hortícolas estudadas (morango, alface crespa e tomate cereja) o nível

de nitrato mostrou-se importante na classificação mostrando que existe diferença desse

elemento nos tipos de cultivos. Esses níveis apresentaram-se menores em produtos

orgânicos e maiores nos produtos hidropônicos (DAROLT, 2003; MIYAZAWA;

KHAUTOUNIAN e ODENATH-PENHA, 2001), concluindo-se, que ser mais vantajoso o

consumo de produtos orgânicos, uma vez que a segurança do consumo de nitrato

ainda é contestada .

121

6. CONCLUSÃO

As redes neurais do tipo MLP mostraram-se eficazes na classificação de

morango, alface e tomate cereja quanto ao seu cultivo (orgânico, hidropônico e

convencional).

Só foi possível classificação quando os cultivos foram comparados dois a dois.

Este estudo mostrou que não é necessária a utilização de todas as análises

realizadas, pôde-se identificar um complexo de bioindicadores para cada hortícola. Isso

resulta em redução de custo, diminui-se o tempo de análises, facilitando a diferenciação

dos cultivos propondo controle para certificação.

A classificação é importante, pois, mostra que existem diferenças quando essas

hortícolas são cultivadas de forma convencional, orgânica e hidropônica, o que pode

levar o consumidor a escolhas mais prudentes em relação ao cultivo.

122

BIBLIOGRAFIA

AFSSA – Agence Française de Securite Sanitaire des Aliments.

Evaluation

nutritionnelle et sanitaire dês aliments issus de lágriculture biologique

. Disponível

em: <http://www.afssa.fr/dossiers/index.asp?id_dossier=4267.htm> Acesso em: 10 de

outubro de

2007.

AGUIRRE, J.A. & TUMLTY, S. The Marketing and Consuption of Organic Products in

Costa Rica. In: IFOAM Organic World Congress, 14

., (2002: Victoria, BC, Canada).

Proceedings...

Ottawa: COG/ IFOAM, 2002. p. 182.

ALECRIM, E. Redes Neurais Artificiais. 2004. Disponível em:

http://www.infowester.com/redesneurais.php. Acesso em: 27 de outubro de 2006.

ARCHANJO, L. R.; BRITO, F. W., SAUERBECK, S. Alimentos Orgânicos em Curitiba:

consumo e significado.

Revista Cadernos de Debate,

Vol. VIII, UNICAMP, 2001 p. 1-6.

ARCHER, D. L. Evidence that ingested nitrate and nitrite are beneficial to health.

Journal of Food Protection

, Des Moines, v. 65, n. 5, p. 872-875, 2002.

ARTEAGA, G.E. & NAKAI, S. Predicting protein functionality with artificial neural

networks: foaming and emulsifying properties.

Journal of Food Science

, n. 58, p.

1152-1156, 1993.

ASSIS, R. L. de.

Diagnóstico da agricultura orgânica no Estado do Rio de Janeiro

e propostas para a sua difusão.

Dissertação de Mestrado - Universidade

Federal

Rural do Rio de Janeiro. Itaguaí, 1993. 154 p.

ASSIS, R. L. de; ROMEIRO, A. R. Agroecologia e Agricultura Orgânica: controvérsias e

tendências.

Desenvolvimento e Meio Ambiente

, Curitiba, v. 6, p. 67-80, 2002.

123

BARRETO, G. A., Rede de Funções de Base Radial. Departamento de Engenharia de

Teleinformática,

Programa de Pós - Graduação em Engenharia Elétrica

Universidade Federal do Ceará, Fortaleza, 2007.

BAILEY, J.E.; OLLIS, D.F. (1986) Biochemical Enginnering Fundamentals. 2ed

McGraw-Hill, New York.

BELTRÃO, N. E. M, Agricultura orgânica e seu potencial como estratégia de produção.

IV Congresso Brasileiro de Algodão. Goiania, GO, 2003.

BERLIN, J. A. , COLDITZ, G. A. A meta-analysis of physical activity in the prevention of

coronary heart disease.

Am J Epidemiol

1990; 132: 612-28.

BISHOP, C. M.,

Neural Networks for Pattern Recognition

. New York: Oxford

University Press Inc., 1995, 482p.

BOINK, A. e SPEIJERS, G., Health effects of nitrates and nitrites, a review.

Acta

Horticulturae

, Leuven, n. 563, p. 29-36, 2001.

BONA, E.

Salga mista com NaCl e KCL em queijo prato: Modelagem da difusão

multicomponente com o emprego de métodos dos elementos finitos

. Dissertação

de Mestrado, Universidade Estadual de Londrina, 2004. 120p.

BORS, G., Introduction of the Radial Basis Function (RBF) Networks. Online

Symposium

for Electronics Engineers, issue 1, vol. 1, DSP Algorithms: Multimedia,

<http://www.osee.net/>, pp. 1-7, 2001. Acesso em 25 de maio de 2006.

BORSATO, et al. Uso do aplicativo COMSOL MULTIPHYSICS 3.2 na simulação da

transferência de massa em biossólido alimentar

. 30ª Reunião Anual da Sociedade

Brasileira de Química

. 2007.

124

BOURN, D.; PRESCOTT, J. A comparison of the nutritional value, sensory qualities, and

food safety of organically and a conventionally produced foods.

Critical Reviews in

Food Science and Nutrition

, Dunedin, New Zealand, v. 42, n. 1, p. 1-34, 2002.

BRAGA, A. P.; CARVALHO, A.C.P.L.F. E LUDERMIR, T.B.

Redes Neurais Artificiais:

Teoria e Aplicações.

Rio de Janeiro: LTC, 2000

, 262 p.

BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Instrução Normativa no.

16, de 11 de junho de 2004. Estabelece os procedimentos a serem adotados, até que

se concluam os trabalhos de regulamentação da Lei nº 10.831, de 23 de dezembro de

2003, para registro e renovação de registro de matérias-primas e produtos de origem

animal e vegetal, orgânicos, junto ao Ministério da Agricultura, Pecuária e

Abastecimento - MAPA. Diário Oficial da União, Brasília, DF, p.4, 14 de junho de 2004.

Seção 1.

BRASIL. Ministério da Agricultura, Pecuária e do Abastecimento. Lei Federal no 10.831

de dezembro de 2003. Dispõe sobre normas para a produção de produtos orgânicos

vegetais e animais. Diário Oficial da República Federativa do Brasil, Brasília, 23 dez

2003. Seção 1, p.11.

BRASIL. Ministério da Agricultura, Pecuária e do Abastecimento. Decreto nº 6323 de

dezembro de 2007. Dispõe sobre normas para a produção de produtos orgânicos

vegetais e animais. Diário Oficial da União, Brasília, 29 dez 2007.

BRASIL. Ministério da Saúde. Agência Nacional de Vigilância Sanitária

. Normatização

e monitoramento da produção.

Disponível:

<http://www.agricultura.gov.br/sda/ddiv/pdf/pnmcrv.pdf > Acesso em 2 de dezembro de

2007.

BRASIL. Ministério da Saúde - Portal Saúde- pratique saúde contra Hipertensão

Arterial. Disponível em: www.portal.saude.gov.br/portal/saude/. Acesso em: 15 de abril

de 2007.

125

CALDAS, E.D. Resíduos de Pesticidas em Alimentos e o Codex Alimentarius,

Campinas.

Bol. SBCTA

, 33, 50-56, 1999.

CALÔBA, L. P., Introdução à computação neuronal. In: Anais do 9º Congresso

Brasileiro de Automação; Vitória-ES, 1995. p 25-38.

CAMPANHOLA, C.; VALARINI, P. J. A agricultura orgânica e seu potencial para o

pequeno agricultor.

Cadernos de Ciência & Tecnologia,

v.18, n.3, p. 69-101, 2001.

CARMO JR., R. R.

O que é a hidroponia?

Disponível em:

<http://www.hidroponica.cjb.net>. Acesso em 12 de dezembro de 2006.

CARSON, Rachel.

Primavera Silenciosa

. São Paulo. Edições Melhoramentos, 1964.

CASTELLANE, P. D. & ARAUJO, J. A. C. de. Cultivo sem solo – hidroponia. SOB

Informa, Itajaí, 13 (1): 28 – 29, 1994.

CASTELLANE, P. D. & ARAÚJO, J. A. C. de. Cultivo sem solo – hidroponia.

Jaboticabal: FUNEP, 1995. 43 p.

CAUDILL, M.

Expert Network.

Byte. October. 1991. pp 108-116.

CCA – USC -

Apostila da Universidade Federal de São Carlos

- Centro de

Ciências Agrárias - Departamento de tecnologia agroindustrial e socioeconômica

rural tecnologia de produtos agrícolas de origem animal : O leite e seus derivados p. 18.

2001.

126

CHEN, T.; CHEN, R. Approximation Capability to functions of several networks variables

nonlinear functions and operators by operators by radial basis function neural networks.

IEEE Transaction in Neural Networks

, 1994.

COELHO, C. N. A expansão e o potencial do mercado mundial de produtos orgânicos.

Revista de Política Agrícola, ano 10, n.2, p.9-26, 2001.

COREN, M. C. R. F.

Hipertensão Arterial

. Disponível em:

<http://www.departamentomedico.com/artigos_ver.php?id=35>. Acesso em 21 de

janeiro de 2008.

CORSON, W.H. (ed.)

Manual global de ecologia: o que você pode fazer a respeito

da crise do meio ambiente

. Tradução de Alexandre G. Camaru. São Paulo, SP:

AUGUSTUS, 1993. 413 p.

CONWAY, G.

Uma agricultura sustentável para a segurança alimentar mundial.

Brasília, DF: Embrapa SPI; Petrolina: Embrapa CPATSA. 1998. 68 p.

CRANK, J.

The mathematics of Difusion

. London: Oxford University Press, 1975,

414p.

CUSSLER, E.L

. Multicomponent Difusion

. Amsterdan: Elsevier,1976, 176p.

DAROLT, M. R. O papel do consumidor no mercado de produtos orgânicos.

Agroecologia hoje

, ano II, n. 7, p. 8-9, 2001.

DAROLT, M. R.

A Qualidade dos Alimentos Orgânicos.

Artigo publicado em

maio/2003. Disponível em: <www.planetaorganico.com.br/daroltqualid.htm>. Acesso em

03 de dezembro de 2007.

DATACENSO.

Mercado de Produtos Orgânicos: Consumidor

. Curitiba: SEBRAE,

2002. 89 p.

127

DIN - Departamento de informática –

Uma introdução as Redes Neurais Artificiais

Universidade estadual de Maringá. Disponível em : <www.din.uem.br/ia/neurais/>.

Acesso em: 5 de setembro de 2006.

DINIZ, S. S.,

Uso de Técnicas Neurais para o reconhecimento de comandos à voz.

Dissertação de Mestrado em Engenharia Elétrica – Rio de Janeiro – Instituto Militar de

Engenharia, 1997.

DUBGAARD, A . & HOLST, H. Policy issues and impacts of government assistance for

conversion to organic farming: The Danish experience. In: LAMPKIN, N.H. & PADEL, S.

(ed.). 1994.

The Economics of Organic Farming: an international perspective

Wallingford, UK: Cab International. 1994. p. 383-392.

EHLERS, Eduardo.

Agricultura Sustentável: Origens e perspectivas de um novo

paradigma.

São Paulo: Livros da Terra, 1996. 178 p

EHLERS, Eduardo. O

que se entende por agricultura sustentável?

Projeto

Dissertação de Mestrado

São Paulo: Programa de Pós-Graduação em Ciência

Ambiental/USP, 1993.

EMBRAPA Hortaliças. Disponível em:

<http://www.embrapa.br/linhas_de_acao/alimentos/hortalicas/index_html/mostra_docum

ento >Acesso em 3 de dezembro de 2007.

FAZOLO, A.; VIEIRA, L. G. T.; FORESTI, E. & ZAIAT, M., Estimativa dos Parâmetros

Cinéticos e de Transferência de Massas em um Reator Aeróbio de Leito Fixo Utilizado

no Pós- tratamento de Efluente Anaeróbio.

Coletânea de Trabalhos Técnicos

, vol. 2.

Pós-tratamento de efluentes de reatores anaeróbios. 203- 218 p. Belo Horizonte – MG.

2001

128

FARACO, R. A. L., COSTA JR, P. P. C., CRUZ, F. R. B., Minimização do Erro no

Algoritmo Back-Propagation Aplicado ao Problema de Manutenção de Motores.

Pesquisa Operacional,

v.18, n. 1, jun de 1998.

FERNANDES, M. A. C.; NETO, A. D. D. & BEZERRA, J. B., Aplicação das Redes RBF

na Detecção Intelegente de Sinais Digitais.

IV Congresso Brasileiro de Redes

Neurais

pp. 226-230, Julho 20-22, 1999 - ITA, São José dos Campos - SP – Brazil

FERNANDES, A. A.; MARTINEZ, H. E. P.; PEREIRA, P. R. G. Nutrient sources

affecting yield, nitrate concentration and nutritional status of lettuce cultivars, in

hydroponics.

Horticultura Brasileira

, Brasília, v. 20, n. 2, p. 195-200, 2002.

FERNANDES, A. M.R.

Inteligência Artificial: Noções Gerais.

Florianópolis, Visual

Books, 2003, cap. 4, p. 61-64.

FERRARI, H. V., HOTO, R. , MACULAN, N., OLIVEIRA, C., BRUNETTO, M. A. O. C.,

Uma comparação entre Redes Neurais Wavelet, LMS, MLP e RBF para classificação de

DPOC.

Congresso de Matemática e suas Aplicações

. Foz do Iguaçu, 2006.

FITZGERALD, E.; BUCKLEY, J. Effect of total and partial substituition of sodium

chloride on the quality of cheddar cheese. Journal of Dairy Science, v.68, n.12, p.3127-

3134, 1985.

FRADE, Carmem Oliveira.

A construção de um espaço para pensar e praticar a

Agroecologia na UFRRJ e seus arredores

. Dissertação de Mestrado

Rio de Janeiro:

CPDA/UFRRJ, 2000.

GARCIA, E. G. Os agrotóxicos e a saúde no mundo. I parte.

Jornal da Agricultura

Orgânica

, ano 6, n. 24, p.3, 1997a.

GARCIA, E. G. Os agrotóxicos e a saúde no mundo. II parte.

Jornal da Agricultura

Orgânica

, ano 6, n. 25, p.4, 1997b.

129

GARCIA, E. G. Os agrotóxicos e a saúde no mundo. III parte.

Jornal da Agricultura

Orgânica

, ano 6, n. 26, p.6, 1997c.

GERLA, P. E. e RUBIOLO, A. C. A Model for determination of multicomponent diffusion

coefficients in foods.

Jounal of Food Enginnering

, v.56, p 401-410, 2003.

GOLDEN, M.; LEIFERT, C. Potential risks and benefits of dietary nitrate. In: WILSON,

W. S., BALL, A. S.; HINTON, R. H.(eds.).

Managing risks of nitrates to humans and

the environment

. New York: Springer, 1999. p. 269-280.

GRAF, R. ; FIGUEIREDO, P. J. M.,

Uma Aplicação da Avaliação de Ciclo de Vida do

Produto no Setor Agrícola: Comparação da Produção de Alface com as Técnicas

Intensiva, Hidropônica e Orgânica.

Disponível:

<http://www.abepro.org.br/biblioteca/ENEGEP1999_A0563.PDF>. Acesso em: 21 de

novembro de 2007.

GRAZIANO NETO, Francisco.

Questão Agrária e Ecologia: Crítica da Agricultura

Moderna

, São Paulo: Brasiliense, 1985

GUEDES, A. C. L. Agricultura e saúde: Interação ameaçada.

Agroecologia hoje

, ano

II, n. 7, p. 24- 28, 2001.

HAIR Jr, F; ANDERSON; R.E. TATHAM, R.L. e BLACK, W.C.

Multivariate Data

Analysis

. Prentice Hall, 1998.

HALL, D. C; BAKER, B. P; FRANCO, J. et al. Organic food and sustainable agriculture.

Comtemporacy Policy Issus

, v.7, n.4, p.47-72, oct; 1989.

130

HAMERSCHIMIDT, I.

Hidroponia ao alcance de todos

. Curitiba: EMATER-

PR/Secretaria de Estado da Agricultura e do Abastecimento, 1997. 27 p. (Apostila

Curso Técnico).

HARKALY, A. Perspectivas da agricultura orgânica no mercado internacional.

Boletim

Agro-ecológico

, ano III, n. 11, p. 8-11, 1999.

HAYKIN, S.

Neural Networks - A compreensive foundation. New York: Mcmillan

Publishing Company, 1994, 696p.

HAYKIN, S.

Neural networks: a comprehensive foundation

. 2ª ed. NJ: Prentice

Hall.

Moody, J. e C.J. Darkin, (1989) – “Fast learning in networks of locally-tuned processing

units” – Neural Computing, vol.1, p.281-294, 1999.

HAYKIN, S.

Redes Neurais: Princípios e Prática.

Porto Alegre, Bookman, 2001, 900p.

HEBB, D. O.,

The Organization of Behavior

. Wiley,1949.

HENDERSON, E. Getting farmers and consumers together: Community supported

agriculture in North America. In: INTERNATIONAL IFOAM SCIENTIFIC CONFERENCE,

., (1998: Mar del Plata).

Proceedings...

Tholey-Theley: IFOAM, 1999. p. 96-103.

HERTZ, J., KROGH, A., PALMER, R. G., Introduction to the Theory of Neural

Computation

New York Addison-Wesley Publishing Company; 1991.

HIROSE, Y., YAMASHITA, K., HIJIYA, S. Back-Propagation algorithm which varies the

number of hidden units. Neural Networks, v. 4, p. 61-66, 1991.

HOHENDORFF, C.G. V., SANTOS, D.

Produção de Queijos.

Florianópolis, Agosto de

2006.

131

HORINOMOTO, Y.; DURANCE, T.; NAKAI, S.; LUKOW, O.M. Neural Networks vs

Principal Component Regression for Prediction of Wheat Flour Loaf Volume in Baking

Tests.

Journal of Food Science

, n.60, p.429-433, 1995.

HORNIK, K. .M. Stichcombe e H. White. “

Multilayer feedforrward networks are

universal approximators” – Neural Networks

, vol. 2, p. 359-366, 1989

HUANG, Y.; KANGAS, L. J.; RASCO, B. A., Applications of Artificial Networks (ANNs)

in Food Science. Critical Reviews in Food Science and Nutrition

, vol. 47. p. 113–

126. 2007.

IBGE, DPE, DEAGRO –

Levantamento Sistemático da Produção Agrícola,

confronto das safras de 2003 e das estimativas para 2004.

Disponível em:

<http://www.IBGE.com.br>. Acesso em: 22 de novembro 2007.

ICRG - Intersalt Cooperative Research Group. An international study of electrolyte

excretion and blood pressure: results for 24 hour urinary sodium and potassium

excretion.

BMJ

1988;297:319-28.

IYODA, E. M.,

Inteligência Computacional no Projeto Automático de Redes

Neurais Híbridas e Redes Neurofuzzy Heterogêneas

. Tese de Mestrado.

Departamento de Engenharia de Computação e Automação Industrial (DCA),

Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de

Campinas (Unicamp), SP, Brasil. 166 páginas, 2000.

JANSSON, P.A. Neural Networks: an overview.

Analytical chemistry,

n. 63, p. 357-

362, 1991.

JUNQUEIRA, A. H.; LUENGO, R. F. A. de. Mercados diferenciados de hortaliças.

Horticultura Brasileira

, Brasília- DF, v.18, n.18, p. 95-99, 2000.

132

KARRER, D.; CAMEIRA, R. F.e VASQUES, A. S., Redes Neurais Artificiais: conceitos e

aplicações. Profundão –

IX Encontro de Engenharia de Produção da UFRJ

Disponível em:

<http://www.gpi.ufrj.br/pdfs/artigos/Karrer,%20Cameira,%20Vasquez,%20Benzecry%20

-%20Redes%20neurais%20artificiais%20-%20IX%20Profundao%20-%202005.pdf>.

Acesso em: 23 de novembro de 2007.

KLIMASAUKAS, C. C., Applying neural networks, Part 3: Trainning a neural network,

Proceedings in Artificial Intelligence

1991; 20- 24.

KOVÁCS, Z.L.,

Redes Neurais Artificiais: Fundamentos e Aplicações.

São Paulo,

Edição Acadêmica, 1996 p. 9.

KRAUSS, R. M. et al. AHA Dietary Guidelines: revision 2000: A statement for healthcare

professionals from the Nutrition Committee of the American Heart Association.

Stroke

2000; 31: 2751-66.

LATICÍNIO. NET,

Salga em Queijos: Aspectos Técnicos e Práticos,

março/abril

2004. Disponível em <www.laticinio.net/inf_tecnicas.asp?cod=152>. Acesso em: 14 de

abril 2007.

LECLERC, J., et Al. Vitamin and mineral contents of carrot and celeriac under mineral or

organic fertilization,

Biol. Agric. Hort

. v. 7, p. 349-361, 1991.

LEKUTAI, G.,

Adaptive Self-Tuning Neural Wavelet Network Controllers.

Dissertação de Doutorado, Faculty of the Virginia Polytechnic Institute and State

University, Blacksburg – Virginia, 1997.

LINDSAY, R. C.; HARGETT, S. M.; BUSH, C. S

Effect of sodium/potassium (1:1)

chloride concentrations on quality of cheddar cheese.

Journal of Dairy Science

, v.65,

n.3, 1982.

133

LIU, Y. (1996). “Calibrating an Industrial Microwave Six-Port Instrument Using Artificial

Neural Network Technique”. IEEE Trans IM, v.45, n.2, p.651-656.

MACMAHON S. Alcohol consumption and hypertension.

Hypertension

1987; 9: 111-

210.

MALAVOLTA, M.; MORAES, M. F. E MALAVOLTA, E., Estudo comparativo da

produção e composição mineral da alface cultivada em cinco sistemas.

Anais do 43º

Congresso Brasileiro de Oleicultura

. Brasília – Distrito Federal. Horticultura

Brasileira, 2003. 4p.

MARTINEZ, H. E. P. O uso de cultivo hidropônico de plantas em pesquisa.Viçosa:

UFV, 2002. 61p.

MARTINS, C. R. et al. Manejo da Cobertura Vegetal na Conservação e Qualidade Pós-

colheita de Pêssegos (Prunus persica (L.) Batsch) cv. Chimarrita.

Revista Brasileira de

Fruticultura,

Cruz das Almas, v.23, n. 1, p. 55-58, 2001.

MAYNARD D. et al. Nitrate accumulation in vegetables.

Advances in Agronomy

Amsterdam, v. 28, p. 71-118, 1976.

MCCULLOCH, W.S. e PITTS, W. A logical calculus of the ideas immanent in nervou

activy.

Bulletin of Mathematical Biophysics

, 5:115-133, 1943.

MEDEIROS, J.S.,

Banco de dados geográficos e redes neurais artificiais:

tecnologias de apoio à gestão do território

. Tese de Doutorado em Geografia Física

- Universidade de São Paulo, 1999.

MELO FILHO, J. F. de. Síndromes de degradação do meio ambiente.

Bahia Agrícola

v.3. n. 3. p. 38-44, 1999.

134

MEURER, E.J.; BISSANI, C.A. & SELBACH, P.A. Poluentes do solo e do ambiente. In:

MEURER, E.J., ed.

Fundamentos de química do solo

. Porto Alegre, Genesis, 2000.

p.151-167.

MINSKY, M. E PAPERT, S.

Perceptons; an introduction to computational

geometry

. MIT Press, Massachusetts, 1969.

MIYAZAWA, M.;KHATOUNIAN, C.A.; ODENATH-PENHA, L.A. Teor de nitrato nas

folhas de alface produzida em cultivo convencional, orgânico e hidropônico.

Revista

Agroecologia Hoje,

Agroecológica Eventos e Publicações, Botucatu, 2001. p.23.

MOORE, A.,

“K-means and Hierarchical Clustering – Tutorial Slides”,

2001

Disponivel em: <http://www 2.cs.cmu.edu/~awm/tutorials/kmeans.html> Acesso em: 25

de maio de 2006.

MOREIRA, M. A.; FONTES, P. C. R.; CAMARGOS, M. I. Interação zinco e fósforo em

solução nutritiva influenciando o crescimento e a produtividade da alface.

Pesquisa

Agropecuária Brasileira

, Brasília, v. 36, n. 6, p. 903-909, 2001.

NAUMAN, E. B. e SAVOCA, J. An enginnering approach to an unsolved problem in

multicomponent diffusion.

AlChE Journal

, v. 47n. 5, p. 1016-1021, 2001.

NEIL, B., Substituto de sal com alto teor de potássio e menor teor de sódio reduziu os

níveis pressóricos em estudo com pacientes chineses.

Scientific Sessions da

American College of Cardiology

. Atlanta, 2006. Disponível em:

<http://www.spmedical.com.br/acc2006/artigos/artigo_05.htm>. Acesso em: 15 de

dezembro de 2006.

NETZ E GONZALÉZ ORTEGA.

Fundamentos de Físico-Química

, cap. 8

NICOLA, M.C. 2002.

Cultivo hidropônico da alface utilizando soluções nutritivas

orgânicas.

Dissertação Mestrado em Agronomia. Faculdade de Agronomia Eliseu

Maciel. Pelotas, RS. Brasil. 62pp.

135

NIYOG, P.; GIROSI, F.

On the relationship between generalization error,

hypothesis complexity and sample complexity for radial function

, Memo 1467,

Artificial Intelligence Laboratory, Massachusetts Institute of Technology. 1994.

O’FARRELL, M.; LEWIS E.; FLANAGAN, C.; LYONS, W.B., JACKMAN, N. Combining

principal component analysis with an artificial neural network to perform online quality

assessment of food as it cooks in a large-scale industrial oven.

Sensors and

Actuators,

2005 B 107 p. 104–112.

ORMOND, J. G. P. et al.

Agricultura orgânica: quando o passado é futuro

. BNDS

Setorial 2002, 15: 3-34.

ORR, M. J. L.,

Introduction to Radial Basis Function Networks

. Disponível em:

<www.anc.ed.ac.uk/papers/recad.ps.>. Acesso em: 25 de maio de 2006.

OHSE, S.

Rendimento, composição centesimal e teores de nitrato e vitamina C em

alface sob hidropônica

. 1999. 103 p. Dissertação (Doutorado em Fitotecnia) – Escola

Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba-SP.

PASCHOAL, A. D.,

Produção orgânica de alimentos: agricultura sustentável para

os séculos XX e XXI

. Piracicaba: EDUSP, 1994.

PAFFENBARGER, R. S. JR. Contributions of epidemiology to exercise science and

cardiovascular health.

Med Sci Sports Exerc

1988; 20: 426-38.

PEARSON, D. Why do consumers choose organic food ? A model based on a review of

empirical research. In: INTERNATIONAL IFOAM SCIENTIFIC CONFERENCE, 12

(1998: Mar del Plata).

Proceedings...

Tholey-Theley: IFOAM, 1999. p. 104-108.

136

PEDRINOLA, F. Cuidados com o Consumo de sal.

Revista Menu.

Disponível em:

<www.saudesaude.com.br/saudesaude/arquivo.php?numero=137> Acesso em : 14 de

abril de 2007.

PENNINGSFELD F.; KURZMANN, P.

Cultivos hidropónicos y en turba

. 2.ed. Madrid:

Mundi-Prensa, 1983. p. 7- 64.

PENTEADO, S. R.

Introdução à Agricultura Orgânica

: Normas e técnicas de cultivo.

Campinas: Editora Grafimagem, 2000. 110 p.

PEREIRA, B.B.,

Introduction to Neural Networks in Statistics

, Center of Multivariate

Analysis, Technical Report; Penn. State University; 1999.

PUDDEY, I. B., BEILIN, L. J., VANDONGEN, R. Regular alcohol use raises blood

pressure in treated hypertensive subjects: a randomized controlled trial.

Lancet

1987; 1:

647-51.

PUDDEY, I. B. et Al. Evidence for a direct effect of alcohol consumption on blood

pressure in normotensive men. A randomized controlled trial.

Hypertension

1985; 7:

707-13.

QUADROS, K. R., KOKUSZKA, R. Balanço energético em sistemas de produção

convencional e agroecológico de feijão, na região de Rebouças- PR.

Revista Brasileira

de Agroecologia,

v.2, n.1, fev. 2007

RAMÍREZ, E.F.F.,

Modelo Conexionista para Avaliação de Propostas para

Aquisição de Equipamentos Médico-Hospitalares

. Tese de doutorado. Faculdade de

Engenharia Elétrica e de Computação. UNICAMP,Campinas, São Paulo, 2005, cap 3.

137

RAMOS, J.P.S, Redes Neurais artificiais na classificação de frutos: Cenário

Bidimensional.

Ciênc. Agrotec.,

Lavras. V.27, n.2, p.356-362. mar/abr., 2003.

RAPACCI, M.

Efeito da substituição do cloreto de sódio por cloreto de potássio

nas características do queijo prato.

Tese de Mestrado.

Universidade Estadual de

Londrina. Londrina, 1989, 106p.

REGANOLD, J.P.; GLOVER, J.D. & ANDREWS, P.K. Systematic method for rating soil

quality of conventional, organic, and integrated apple orchards in Washington State.

Agric. Ecosyst. Environ

., 80:29-45, 2000.

REGMI, A.. Changing Structure of Global Food Consumption and Trade.

Market and

Trade Economic Division, Economic Research Service.

U.S. Department of

Agriculture. maio, 2001.

RESH, A.

Hidroponic food production

. 5th. ed. Califórnia:Woorbridge Press

Publishing Company, 1997. 527p.

ROSENBLATT, F.The perceptron: A probabilistc model for information storage and

orgaization in the brain. Psychol. Rev. , 65: 386-408,1958.

RUMELHART, D. E. e MCCLEAND, J. L.

Parallel Distributed Processing

, volume1:

Foudantions. The MIT Press, 1986.

RUSCHEL, J.

Acúmulo de nitrato, absorção de nutrientes e produção de duas

cultivares de alface cultivadas em hidroponia, em função de doses conjuntas de

nitrogênio e potássio

. 1998. 76 p. Dissertação de Mestrado em Fitotecnia – Escola

Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba-SP.

SACKS, F. M. et al. Effects on blood pressure of reduced dietary sodium and the Dietary

Approaches to Stop Hypertension (DASH) diet DASH - Sodium Collaborative Research

Group.

N Engl J Med

2001; 344: 3-10.

138

SAGE, A.P.,

Concise Encyclopedia of Information processing in Systms and

Organizations,

New York: Pergamon, 1990.

SANTOS, O. et al. Recomendação de cultivares. Santa Maria: UFSM, 2000. 6p.

(

Informe Técnico

, 01/2000).

SANTOS, R. F., Análise crítica da interpretação neoclássica do processo de

modernização da agricultura brasileira. In: SANTOS, R.F. dos.

Presença de viéses de

mudança técnica da agricultura brasileira

. São Paulo: USP/IPE, p.39-78, 1986.

SANTOS, A. M. et al., Usando Redes Neurais Artificiais e Regressão Logística na

Predição da Hepatite A.

Rev. bras. epidemiol

. v.8 n.2 São Paulo jun. 2005.

SATURNINO, H. M. Plantio direto e a agricultura sustentável nos trópicos.

Revista de

Política Agrícola

, ano 6, n.4, p. 28-32, 1997.

SEGUY, L.; BOUZINAC, S.; MARONEZZI, A. C.

Plantio direto e resistência das

culturas às doenças

. Piracicaba, SP: POTAFOS. 1999. p. 1-3.

SEVERINO, L. S.,

Desenvolvimento da Agricultura Orgânica no Nordeste. Texto

baseado na palestra apresentada no Programa Debate das Quintas

no dia

14/12/2000, Banco do Nordeste, Passaré, Fortaleza, CE.

SHEGDONI, A.; RETTI, C; SOUZA, G.P. Fabricação de mussarela.

Rev. Inst. Lact.

Candido Tostes

, 34

p. 27-30, 1979.

SILVEIRA, P. R, ABREU L. R.

Rendimento e composição físico-química do queijo prato

elaborado com leite pasteurizado pelo sistema htst e injeção direta de vapor

Ciênc.

agrotec.

, Lavras. V.27, n.6, p.1340-1347, nov./dez., 2003.

SINDAG – Sindicato Nacional das Industrias de Produtos para Defesa Agrícola.

Disponível:http://www.sindag.com.br Acesso em 15 de março de 2008.

139

SOCIEDADE BRASILEIRA DE CARDIOLOGIA - III Diretrizes Brasileiras sobre

Dislipidemias de Prevenção da Aterosclerose do Departamento de Aterosclerose da

Sociedade Brasileira de Cardiologia.

Arq Bras Cardiol

2001; 77: 1-48.

SOGN, O.; PERSILLET, V.; SYLVANDER,B. Consumers’ Faithfulness and Competence

in Regards to Organic Products: A comparison between France and Norway. In: IFOAM

Organic World Congress, 14

., (2002: Victoria, BC, Canada).

Proceedings...

Ottawa:

COG/ IFOAM, 2002. p. 184.

SOUZA, A. P. O. ; ALCÂNTARA, R. L. C., Alimentos orgânicos: estratégias para o

desenvolvimento do mercado. In: Neves MF, Castro LT (org)

Marketing e estratégia

em agronegócios e alimentos

. São Paulo: Atlas; 2003.

SOUZA, M. C. M., Aspectos institucionais do Sistema agroindustrial de produtos

orgânicos, Revista Informações Econômicas, SP, v.33, n.3, mar. 2003.

STATISTICA V 7.1 for windows. Tulsa, OK: Statsoft Inc.

Software

, 2006.

STERTZ, S. C.; Qualidade de hortícolas convencionais, orgânicas e

hidropônicas na regiao metropolitana de Curitiba, Paraná. 2004. 258 p.Tese

de Doutorado Universidade Federal do Paraná, Setor de Tecnologia,

Programa de Pós-Graduaçăo em Tecnologia de Alimentos.

SUYKENS, Johan A.K., VANDEWALLE, Joos P.L. & De MOOR, B.L. (1996). Artificial

Neural Networks for Modelling and Control of Non-Linear Systems. Holanda:

Kluwer.

SYLVANDER, B.

Le marché des produits biologiques et la demande.

INRA-

UREQUA, Le Mans, 27 p. 1998.

TEIXEIRA, J. C., Modernização da Agricultura no Brasil: Impactos Econômicos, Sociais

e Ambientais.

Revista Eletrônica da Associação dos Geógrafos Brasileiros

– Seção

Três Lagoas

Três Lagoas-MS, V 2 – n.º 2 – ano 2, Setembro de 2005

140

TORJUSEN H, et al, Food system orientation and quality perception among consumers

and producers of organic food in Hedmark County, Norway.

Food Qual Preferences

2001; 12: 207-216.

UNCTAD.

Organic Food and Beverages: world supply and major European

markets

. Geneva: ITC, UNCTAD / WTO, 1999.

VALE, C. M.; ZAMBIAZI, R.C., Previsao de Estabilidade de Óleos Vegetais através da

Rede de Inteligência Artificial.

Ciência e tecnologia de alimentos.

Campinas,

Sept/Dec 2000, vol 20 no. 3.

VARELLA, D.

Questão de peso, Cuidados com a pressão arterial

. Disponível em:

<www.drauziovarella.ig.com.br/qpeso> Acesso em 12 de agosto de 2006.

VARGAS, L., et al.

Resistência de plantas daninhas a herbicidas

. Viçosa, MG: UFV,

1999. 131 p.

VÍGLIO, E. C. B. L. Produtos orgânicos: uma tendência para o futuro?

Agroanalysis,

Rio de Janeiro, v.16, n.12, p. 8-11,1996.

VILELA, A. M., Disponível em: <www.afh.bio.br/nervoso/nervoso2.asp#tiposneuro>.

Acesso em; 5 de setembro de 2006.

VON ZUBEN, F. J., Modelos e Aplicações de Redes Neurais Artificiais – Parte I -

Baseado em Notas de Aula da disciplina Inteligência Artificial de pós-graduação.

2006. FEEC/ UNICAMP. Disponível em:

<ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ea072_2s06/notas_de_aula/topicoP1.2

_06_ParteI.pdf>. Acesso em: 23 de novembro de 2007.

141

VON ZUBEN, F. J.; CASTRO, L. N., Redes Neurais com Função de Ativação de Base

Radial. 2005. Baseado em Notas de Aula da disciplina Inteligência Artificial de

pós-graduação. FEEC/ UNICAMP. Disponível em:

<ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia353_05/topico8_05.pdf>. Acesso em:

23 de novembro de 2007.

WELTY,J..R , WICKS C.E. & WILSON, R.E. – Fundamentals of Momemtum, Heat and

Mass Transfer ,

John Wiley & Sons

, 3th Edition , 1986.

WHELTON, P. K. et al. Effects of oral potassium on blood pressure. Meta-analysis of

randomized controlled clinical trials.

JAMA

1997; 277: 1624-32.

WOODWARD, L. & MEIER-PLOEGER, A . “Raindrops on Roses and Whiskers no

Kittens”: Consumer’s Perceptions of Organic Food Quality ? In: INTERNATIONAL

IFOAM SCIENTIFIC CONFERENCE, 12

., (1998: Mar del Plata).

Proceedings...

Tholey-Theley: IFOAM, 1999. p. 81- 88.

YUSSEFI, M

Development and State of Organic Agriculture World-wide. In

YUSSEFI,

M. &

WILLER, H. (Org.) The World of Organic Agriculture 2003 -

Statistics and Future Prospects

IFOAM Publication, 5

revised edition, February

2003, 130 pages, ISBN 3-934055-22-2.

ZAKOWSKA-BIEMANS, S. Organic Foods and Farming in the Perception of Polish

Consumers. In: IFOAM Organic World Congress, 14

., (2002: Victoria, BC, Canada).

Proceedings...

Ottawa: COG/ IFOAM, 2002. p. 185.

ZORRILA, S. E. e RUBIOLO, A. C. Moddelling average concentrations of salt and salt

substitute in partial or total volumes of semihard cylindrical cheeses.

International

Journal of Food Science and Technology,

v.33, p 501-508, 1998.

ZURADA, J.M.,

Intruducion to Artificial Neural Systems

. Boston, Mass: West

Publishing Company, 1992.

142

ANEXOS

143

ANEXO 1 – Tabela com as medidas e volume dos três tamanhos de queijo

Italac 0,5 kg

Tirolez 2,0 kg

Tirolez 3,0 kg

X Y Z Volume(cm3) X Y Z

Volume

(cm3)

X Y Z

Volume

(cm3)

1,0 4,1

6,8

15,7

437,7 9,5 9,0 20,0 1710,00 8,0 11,7

24,4 2283,8

2,0 4,5

6,8

14,0

428,4 9,3 9,1 20,2 1709,53 8,0 11,6

24,3 2255,0

3,0 4,7

6,5

13,3

406,3 9,4 8,9 20,4 1706,66 7,4 12,2

23,8 2148,7

4,0 4,8

6,3

13,0

393,1 9,7 9,3 19,6 1768,12 9,1 11,2

24,0 2446,1

5,0 4,5

6,7

14,1

425,1 9,3 8,9 20,3 1680,23 7,4 11,2

23,5 1947,7

6,0 4,8

6,3

13,9

420,3 9,6 9,0 20,5 1771,20 8,1 11,8

23,7 2265,2

7,0 4,2

6,3

13,8

365,1 9,5 9,4 19,8 1768,14 9,0 11,7

23,5 2474,6

8,0 4,4

6,6

13,1

380,4 9,2 8,8 20,1 1627,30 7,4 12,8

23,2 2197,5

9,0 5,0

6,2

13,4

415,4 9,8 8,7 20,2 1722,25 9,1 11,9

24,2 2620,6

10,0 4,5

6,6

13,2

392,0 9,1 9,5 20,6 1780,87 7,3 12,9

23,3 2194,2

média 4,6

6,5

13,8

406,4 9,4 9,1 20,2 1724,4 8,1 11,9

23,8 2283,3

dp 0,3

0,2

0,8 23,2 0,2 0,3 0,3 48,7 0,7 0,6 0,4 189,8

144

ANEXO 2- Tabela formulada no statistica 7.1 para estudo do queijo prato

Amostra

volume

NaCl

KCl

Contorno

Tempo

NaClf

KClf

Amostragem

4,6 6,5 13,8 412,12 10 10 com agitação 1 1,8264 1,9048 1

2 4,6 6,5 13,8 412,12 10 10 com agitação 2 2,056 2,1422 2

3 4,6 6,5 13,8 412,12 10 10 com agitação 3 2,2587 2,3507 1

4,6 6,5 13,8 412,12 10 10 com agitação 4 2,4419 2,5385 1

5 4,6 6,5 13,8 412,12 10 10 com agitação 5 2,6098 2,7103 2

6 4,6 6,5 13,8 412,12 10 10 com agitação 6 2,7652 2,8692 1

4,6 6,5 13,8 412,12 10 10 com agitação 7 2,9103 3,0172 2

8 4,6 6,5 13,8 412,12 10 10 com agitação 8 3,0466 3,156 1

9 4,6 6,5 13,8 412,12 10 10 com agitação 9 3,1752 3,2869 1

4,6 6,5 13,8 412,12 10 10 com agitação 10 3,2971 3,4108 1

11 4,6 6,5 13,8 412,12 10 10 com agitação 11 3,413 3,5287 1

12 4,6 6,5 13,8 412,12 10 10 com agitação 12 3,5237 3,641 2

500 9,4

9,1

20,2

1727,908

sem agitação

2,062

1,4486

501 9,4

9,1

20,2

1727,908

sem agitação

2,1642

1,5144

502 9,4

9,1

20,2

1727,908

sem agitação

2,2617

1,5772

503 9,4

9,1

20,2

1727,908

sem agitação

2,355

1,6373

504 9,4

9,1

20,2

1727,908

sem agitação

2,4448

1,695

145

ANEXO 3– Exemplo da tabela formulada no Statistica para o estudo da classificação de horticolas quanto seu tipo de cultivo

amostragem

Var1

Na-BU

Mg-BU

Al-BU

P-BU

K-BU

Ca-BU

Fe-BU

Mn-BU

Co-BU

Cu-BU

classe

trein

48,8405

367,0524

9,9484177

408,6916

3334,0593

1096,8792

20,0855665

3,6030029

0,0268088

0,9036562

conv

trein

75,7617

381,3369

20,7922071

530,061

3709,2531

1030,5939

24,222072

2,5466406

0,0260064

0,7899444

conv

trein

214,245

637,353

5,272911

595,953

3523,14

824,9985

9,793998

15,247206

0,0468855

1,9251

conv

trein

23,4544

370,4768

7,3402

459,5864

2658,2224

916,6904

12,915328

3,533568

0,017548

0,8437592

conv

val

17,7755841

55,0981635

2,2834371

156,077798

1105,67859

280,477306

4,0388121

1,2293061

0,0046206

0,2426721

conv

val

24,8040765

59,841873

1,9593798

250,730111

1232,36168

420,80959

5,1247371

1,3486116

0,0041013

0,3328563

conv

trein

151

6,771714

13,456714

7,908928

61,939772

996,280448

19,9798224

0,5043164

0,5453814

0,001719

0,552181

org

trein

31,85

386,6625

2,3328375

406,0875

2710,4875

669,9875

8,2705

1,518475

0,01155

0,4354

org

trein

36,1018

290,0128

17,9039462

281,1746

3129,6965

746,4534

37,2264235

3,3231632

0,0378994

0,5556082

org

trein

13,3584

655,9784

25,3076912

457,7276

3154,91

1254,0704

43,986074

2,7416092

0,0160908

0,6316904

org

val

230,7265

621,6005

15,048975

515,569

3536,122

1252,7365

19,4484265

3,2119965

0,015485

0,9247805

org

val

132

12,3496068

50,6390312

5,5669692

169,244634

1398,39323

472,631678

12,3304612

2,19248

0,0064076

0,4503076

org

trein

113,4224

104,6812

1,10331

113,1559

2659,6167

432,0498

8,1016

1,96144

0,008528

0,23985

hidr

trein

29,9907

249,8238

0,9306

237,3453

2738,8404

328,7133

5,38479

1,808325

0,0947097

0,892107

hidr

trein

171,696

307,377

4,012365

208,005

1519,245

1021,1355

16,1994

7,824516

0,0187425

6,587511

hidr

trein

136,4316

458,7132

6,0398772

335,0256

2115,7872

856,4676

9,7089456

3,0444

0,0092748

0,4434912

hidr

val

197,6148

467,0172

6,88806

385,9272

2002,4028

995,418

11,0420712

1,3120668

0,007038

0,4101012

hidr

val

146

7,3407334

24,7664495

0,9972092

224,601218

1290,16778

320,461344

4,4671913

2,772003

0,0040404

0,457912

hidr

146

Zn-BU

Se-BU

Cd-BU

Hg-BU

Pb-BU

Soma Minerais BU

Frutose BU

Glicose BU

Sacarose BU

Maltose BU

4,6722177

0,0402132

0,0304451

0,0280922

5294,86142

0,260958

0,072013

5,816223

0,0391902

0,0146286

0,0014448

0,0474978

5781,30245

0,210399

0,121002

19,8505755

0,043677

0,0493695

0,000621

0,0301185

5847,94996

0,23598

0,145935

0,09522

0,08073

5,5671672

0,021828

0,013696

0,0331272

4458,71662

0,234544

0,087312

2,5522473

0,0350169

0,0110079

0,0050736

0,0236466

1625,53329

0,17667

0,079275

2,9970087

0,0642537

0,0199206

0,005208

0,0094395

2000,41285

0,335265

0,25389

0,3997248

0,0803346

0,0027886

0,000573

0,0203224

1108,44474

0,018718

7,9830625

0,17675

0,1414875

0,0032375

0,028175

4225,97647

0,14

0,06475

2,5540151

0,1041859

0,0078645

0,0041944

0,0337799

4545,19018

0,135569

0,141561

3,9664328

0,0686136

0,0090068

0,0021252

0,0512072

5612,82534

0,274252

6,3632755

0,059006

0,015974

0,0008965

0,0688675

6201,91218

0,168705

3,407994

0,1114768

0,017756

0,0032424

0,0253988

2127,37068

0,187596

0,13124

0,071796

0,0579

3,42719

0,011726

0,004797

0,027716

0,022386

3437,83454

0,011193

3,3791355

0,0335862

0,0972054

0,0233919

0,0136629

3597,37101

6,4538145

0,039984

0,00574035

0,0055125

0,0841575

3268,69024

0,03087

0,252105

0,125685

2,9192256

0,0758268

0,0039648

0,001416

0,0408516

3924,71247

0,19824

0,045312

0,090624

2,5980012

0,0201348

0,0042228

0,0088128

0,0273564

4070,69787

0,289476

0,204408

0,106488

0,9127456

0,0504569

0,0036075

0,0012025

0,0218374

1877,02573

0,263588

147

S. Açu BU

Nitrito BU

Nitrato BU

Soma N/N BU

Cinzas BU

Fibras BU

Lipídios BU

Proteínas BU

Carboidratos BU

Energia BU

0,332971

97,477795

1,015312

98,493107

1,094455

1,84667

0,589651

2,307981

3,137913

19,704468

0,331401

2,93475

2,119341

5,054091

1,286775

2,432682

0,612234

2,803815

4,327176

24,304245

0,557865

13,656825

2,56059

16,217415

1,1385

2,418795

0,682065

3,161925

5,36751

30,58218

0,321856

1,358472

1,147896

2,386528

0,365512

2,827368

4,219224

21,929008

0,255945

61,36791

0,859341

62,227251

0,978027

1,274742

0,281766

1,147902

2,121852

10,519566

0,589155

0,430962

0,883407

1,58193

0,374976

1,351476

3,900141

18,053532

0,018718

42,491006

1,629612

44,120618

0,959966

1,3179

0,161204

0,929024

1,769806

6,974556

0,20475

143,780875

779,030875

922,81175

0,644875

2,258375

0,5775

2,482375

5,62275

23,387875

0,27713

0,223951

0,784203

1,008154

1,1984

2,245502

0,39697

3,416938

2,874662

16,183643

0,274252

10,657372

714,55296

725,210332

1,535204

3,404368

0,585948

3,246496

4,752352

23,653476

0,168705

53,080135

0,9291

54,009235

1,322745

2,22006

0,67971

0,54768

5,599865

21,82733

0,448532

1,070764

1,260676

2,360776

0,321152

1,78332

4,354852

18,001496

0,011193

56,111575

306,063524

362,175099

1,21524

1,133158

0,404014

0,401349

3,310463

13,946478

18,054486

156,47193

174,526416

1,019853

1,076112

0,11421

0,375624

2,720313

9,10719

0,40866

125,23665

9,608655

134,845305

0,913605

1,96539

0,663705

2,095485

3,677205

21,201075

0,334176

39,0108

35,009184

74,019984

1,0974

2,174976

0,346212

2,00718

3,629208

16,960848

0,600372

14,216148

0,299268

14,515416

0,806004

2,0196

0,317016

1,519596

3,477384

14,762664

0,263588

80,827721

1,108705

81,936426

0,994227

1,32756

0,203463

0,073593

3,538717

11,144289

Obs: Foi feita uma tabela dessa para cada tipo de hortícola

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 