3.1. Spectral characteristics for t

3.1. Spectral characteristics for the freshness detection
3.1.1. Prediction of freshness based on whole spectral wavelength
In this study, PLSR and SVR were used to build calibration models
to assess egg freshness using a full spectral range. The calibration
and prediction results obtained from various pre-treatment
routines were compared in Table 1. When PLSR was used to establish
a calibration model, the pre-treatment routines were
R2
p = 0.78, and RMSEP = 5.30% using ‘Autoscale’, which improved
predictive capacity compared to the original data (R2
p = 0.68,
RMSEP = 6.49%). When SVR was used to establish a calibration
model, the pre-treatment routines were R2
p = 0.85,
RMSEP = 4.33% using ‘PCA’. The pre-treatment processes improved
little predictive capacity compared to the original data, however,
the discrepancy between R2
c (1.00) and R2
p (0.85) in the original
data indicated that the model was over fit for the training samples,
resulting in a poor generalization ability. The above analysis suggests
that the SVR calibration model delivers better outcomes,
and the pre-treatment is effective and necessary to generate a suitable
set of data. To evaluate how accurate the model predicts the
value of a component, the root mean standard error value should
be compared with the standard deviation of the reference data
(Kamruzzaman et al., 2012). Therefore, calibration models were
evaluated according to the RPD. According to the reports by
Williams (2001), RPD value of 2.60 in SVR model suggesting that
the model can screen the egg freshness roughly. Kemps et al.
(2006) and Giunchi et al. (2008) reported the similar results but
with lower correlation coefficients for the measuring and the

ผลลัพธ์ (ไทย) 1:

3.1. สเปกตรัมลักษณะสำหรับการตรวจสอบความสดใหม่3.1.1. ทำนายสดตามความยาวคลื่นสเปกตรัมทั้งหมดในการศึกษานี้ SVR และ PLSR ใช้ในการสร้างรูปแบบการสอบเทียบเพื่อประเมินความสดของไข่โดยใช้ช่วงสเปกตรัมเต็มรูปแบบ การสอบเทียบและคาดคะเนผลที่ได้รับจากการรักษาต่าง ๆ ก่อนตามปกติถูกเปรียบเทียบในตารางที่ 1 เมื่อใช้ PLSR สร้างแบบสอบเทียบ คำสั่งการรักษาก่อนR2p = 0.78 และ RMSEP = 5.30% 'ปรับมาตราส่วนอัตโนมัติ' ซึ่งใช้ทำนายความจุเมื่อเทียบกับข้อมูลเดิม (R2p = 0.68RMSEP = 6.49%) เมื่อ SVR ถูกใช้เพื่อสร้างการสอบเทียบแบบ R2 ได้ตามปกติรักษาก่อนp = 0.85RMSEP = 4.33% ใช้ 'PCA' กระบวนการรักษาก่อนการปรับปรุงความจุเล็กน้อยคาดการณ์เมื่อเปรียบเทียบกับข้อมูลเดิม อย่างไรก็ตามความขัดแย้งระหว่าง R2c (1.00) และ R2p (0.85) ในต้นฉบับข้อมูลระบุว่า เป็นแบบเกินพอดีสำหรับตัวอย่างการฝึกอบรมส่งผลให้ความสามารถลักษณะทั่วไปไม่ดี การวิเคราะห์ข้างต้นแสดงให้เห็นว่า แบบสอบเทียบ SVR ให้ผลลัพธ์ที่ดีกว่าและรักษาก่อนมีประสิทธิภาพ และจำเป็นต้องสร้างความเหมาะสมชุดของข้อมูล การประเมินแบบจำลองการคาดการณ์วิธีที่ถูกต้องค่าของส่วนประกอบ ค่าข้อผิดพลาดมาตรฐานหมายถึงรากควรจะเปรียบเทียบกับส่วนเบี่ยงเบนมาตรฐานของข้อมูลอ้างอิง(Kamruzzaman et al. 2012) ดังนั้น การสอบเทียบรุ่นได้ประเมินตาม RPD ตามรายงานโดยวิลเลียมส์ (2001), RPD มูลค่า 2.60 ใน SVR รุ่นบอกว่าแบบจำลองสามารถหน้าจอสดไข่ประมาณ เคมป์คอเนอร์ et al(2006) และอัน et al. (2008) รายงานผลที่คล้ายกัน แต่มีค่าสัมประสิทธิ์สหสัมพันธ์ต่ำกว่าสำหรับการวัด และการ

ผลลัพธ์ (ไทย) 2:

3.1 ลักษณะสเปกตรัมสำหรับการตรวจสอบความสดใหม่
3.1.1 การทำนายของความสดใหม่บนพื้นฐานของความยาวคลื่นสเปกตรัมทั้ง
ในการศึกษานี้ PLSR และ SVR ถูกนำมาใช้ในการสร้างแบบจำลองการสอบเทียบ
เพื่อประเมินความสดไข่โดยใช้ช่วงสเปกตรัมเต็มรูปแบบ สอบเทียบ
และการทำนายผลที่ได้รับจากต่าง ๆ การรักษาก่อน
การปฏิบัติถูกนำมาเปรียบเทียบในตารางที่ 1 เมื่อ PLSR ถูกใช้ในการสร้าง
รูปแบบการสอบเทียบประจำการรักษาก่อนเป็น
R2
p = 0.78 และ RMSEP = 5.30% โดยใช้ 'สเกลอัตโนมัติซึ่ง การปรับปรุง
ความจุทำนายเมื่อเทียบกับข้อมูลเดิม (R2
p = 0.68,
RMSEP = 6.49%) เมื่อ SVR ถูกใช้ในการสร้างการสอบเทียบ
รุ่นประจำการรักษาก่อนเป็น R2
p = 0.85
RMSEP = 4.33% โดยใช้ 'PCA' กระบวนการรักษาก่อนการปรับปรุง
กำลังการผลิตคาดการณ์เล็กน้อยเมื่อเทียบกับข้อมูลเดิม แต่
ความแตกต่างระหว่าง R2 เรียก
C (1.00) และ R2
P (0.85) เดิม
ข้อมูลที่ชี้ให้เห็นว่ารูปแบบถูกกว่าเหมาะสำหรับตัวอย่างการฝึกอบรมที่
มีผลในการ ความสามารถทั่วไปที่ไม่ดี การวิเคราะห์ข้างต้นแสดงให้เห็น
ว่ารูปแบบการสอบเทียบ SVR มอบผลลัพธ์ที่ดีขึ้น
และการรักษาก่อนที่มีประสิทธิภาพและความจำเป็นในการสร้างที่เหมาะสม
ชุดของข้อมูล เพื่อประเมินว่ามีความถูกต้องแบบจำลองคาดการณ์
มูลค่าขององค์ประกอบรากหมายถึงค่าความผิดพลาดมาตรฐานควร
นำมาเปรียบเทียบกับค่าเบี่ยงเบนมาตรฐานของข้อมูลอ้างอิง
(Kamruzzaman et al., 2012) ดังนั้นรูปแบบการสอบเทียบที่ได้รับ
การประเมินตาม RPD ตามรายงานโดย
วิลเลียมส์ (2001) ค่า RPD 2.60 ในรุ่น SVR บอกว่า
รูปแบบสามารถคัดกรองความสดไข่ลวก Kemps et al.
(2006) และ Giunchi et al, (2008) รายงานผลที่คล้ายกัน แต่
มีค่าสัมประสิทธิ์สหสัมพันธ์ที่ต่ำกว่าสำหรับวัดและ

ผลลัพธ์ (ไทย) 3:

3.1 . ลักษณะสเปกตรัมสำหรับความสดการตรวจจับ3.1.1 . คำทำนายแห่งความสดชื่นจากทั้งสเปกตรัมความยาวคลื่นในการศึกษานี้ และ plsr กล่าวถูกใช้เพื่อสร้างแบบจำลองการสอบเทียบเพื่อประเมินการตุนไข่เต็มสเปกตรัมของช่วง สอบเทียบและการทำนายผลจากผลต่าง ๆตามปกติเมื่อมีในตารางที่ 1 เมื่อ plsr ถูกใช้เพื่อสร้างการสอบเทียบแบบจำลองกิจวัตรก่อนคืออาร์ทูP = 0.78 และ rmsep = 5.30 % โดยใช้ " บันทึก " ซึ่งการปรับปรุงความสามารถในการทำนายเมื่อเทียบกับข้อมูลเดิม ( อาร์ทูP = 0.68 ,rmsep = 6.49 % ) เมื่อกล่าวถูกใช้เพื่อสร้างการสอบเทียบโมเดล กิจวัตรก่อนถูกอาร์ทูP = 0.85 ,rmsep = 4.33 % การใช้ " ระบบ " การและกระบวนการพัฒนาความสามารถในการทำนายน้อยเมื่อเทียบกับข้อมูลเดิม อย่างไรก็ตามความแตกต่างระหว่างอาร์ทู( 1 ) R2 C และP ( 0.85 ) ในต้นฉบับข้อมูลพบว่าโมเดลอยู่พอดี สำหรับการฝึกอบรมอย่างส่งผลให้ความสามารถในการยากจน การวิเคราะห์ข้างต้นแสดงให้เห็นการสอบเทียบแบบจำลองที่กล่าวให้ผลที่ดีกว่าและเยื่อหุ้มเมล็ดที่มีประสิทธิภาพและจำเป็นที่จะสร้างที่เหมาะสมชุดของข้อมูล เพื่อประเมินวิธีการที่ถูกต้องแบบจำลองคาดการณ์ค่าขององค์ประกอบรากหมายถึงค่าความคลาดเคลื่อนมาตรฐาน ควรจะเทียบกับส่วนเบี่ยงเบนมาตรฐานของข้อมูลที่อ้างอิง( kamruzzaman et al . , 2012 ) ดังนั้น การสอบเทียบ คือรุ่นประเมินตามการร์แพด . ตามรายงานโดยวิลเลียมส์ ( 2001 ) , ร์แพดมูลค่า 2.60 แบบกล่าวแนะนำว่าแบบสามารถจอไข่สดประมาณ สมุดขนาด et al .( 2006 ) และ giunchi et al . ( 2008 ) รายงานผลที่คล้ายกัน แต่าสัมประสิทธิ์สหสัมพันธ์สำหรับการวัดและ