انتخاب الگوریتم بهینه ی طبقه بندی و تشخیص تقلب در روغن زیتون با استفاده از ماشین بویایی

روغن زیتون فرابکر همیشه مورد توجه و خواست استفاده کنندگان می باشد؛ از این رو در روغن های زیتون بکر و فرابکر، تقلب، با افزودن روغن های با ارزش غذایی و قیمت کمتر مثل کانولا، آفتابگردان، تفاله زیتون و غیره مشاهده می گردد. در این پژوهش با استفاده از فناوری ماشین بویایی روغن زیتون فرابکر، از نمونه های تقلبی تهیه شده با روغن های متداول در بازار و با هفت مدل طبقه بندی مختلف تشخیص داده شد. نمونه ها در شش دسته ی "خالص و 5، 10، 20، 35 و 50 درصد تقلب" و هر تیمار در هفت نمونه تهیه و آزمایش ها در هفت تکرار انجام گرفت. سامانه بویایی از هشت حسگر متفاوت تشکیل شده که برای هر کدام نمودار تغییر ولتاژ بر حسب زمان تهیه و از آن نمودار چهار ویژگی "کمینه، بیشینه، میانگین و اختلاف بیشینه و کمینه" در مدل های طبقه بندی استفاده گردید. به این ترتیب تعداد 32 ویژگی برای هشت حسگر استخراج و مورد تجزیه و تحلیل قرار گرفت. به جهت تاثیر دمای نمونه ها در خروجی سامانه، تمام آزمایش ها در دمای ثابت انجام گرفتند. طبقه بندی نتایج با چهار الگوریتم طبقه بندی "K-همسایگی نزدیک، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و آدابوست" صورت پذیرفت. 70% داده ها برای آموزش و 30% برای آزمون استفاده گردید. از بین 32 ویژگی، ویژگی "کمینه مقدار خروجی سنسور TGS-822" بیشترین تاثیر را در دقت طبقه بندی داشتند. نتایج نشان داد روش طبقه بندی همسایگی نزدیک با بهترین دقت (89/89%) و پس از آن روش ماشین بردار پشتیبان (52/86%)  بیشترین دقت طبقه بندی را دارا بودند.