IntroductionRice (Oryza sativa L.)

Introduction
Rice (Oryza sativa L.) consumed by over half of the world’s
population is an important cereal crop. In the promotion of
market demand and new breeding technology, the improvement
of rice quality traits was launched and hybrid rice varieties
were cultivated. Compared to conventional rice, hybrid
rice has variant contents in chemical compounds and volatiles.
In some cases, the quality difference between hybrid and
conventional rice needs to be distinguished. The compounds
of rice, i.e., starch (Derycke et al. 2005; Martin and Fitzgerald
2002; Cheng et al. 2005), amylose content (Singh et al. 2000),
and protein (Xie et al. 2008; Bett-Garber et al. 2001), can be
analyzed by the traditional chemical methods. However, it is
always difficult to show the quality difference just by the
content of several components of rice. It is necessary that a
new and easy technology can be used to rapidly discriminate
conventional and hybrid rice.
Electronic tongue and nose, based on sensors array, are a
special type of instruments, which can mimic human taste and
smell to evaluate food quality. Electronic nose consists of
several types of sensor arrays whose output is integrated by
advanced signal processing to identify complex odor mixtures
rapidly (Schulbach et al. 2004; Zheng et al. 2009; Rodríguez
et al. 2014), and it provides an easier and quicker method for
measuring volatile compounds than those traditional chemical
analysis used. Electronic nose data from traditional balsamic
vinegars and six marker compounds (acetic acid, butyric acid,
vanillin, ethylphenylacetate, phenylethyl alcohol, and furfural)
combined with principal component analysis (PCA) revealed a
pattern related to the ageing of vinegars (Versari et al. 2013). It
responds to the whole set of volatile compounds with a unique
digital pattern (Pathange et al. 2006) instead of resolving the
volatiles encountered in the sample into individual components
and has the potential to respond to certain chemicals that
humans cannot smell. For example, the electronic nose wasapplied to identify rice infestation by Nilaparvata lugens
(Zhou and Wang 2011) and distinguish rice variety (Zheng
et al. 2009). Electronic tongue is similar to electronic nose. A
wide range of applications employing electronic tongue for
classification of food products can be found for wine (Wei
et al. 2011), fruit juice (Ciosek et al. 2006), water (Kundu et al.
2011), and cocoa beans (Teye et al. 2014). There were a few
publications about rice quality evaluation by electronic tongue
(Tran et al. 2004, 2005); however, the classification of conventional
and hybrid rice had not been done.
As these two sensory systems—electronic tongue and electronic
nose—when exposed to the same sample, do not look at
the same features; the judgment obtained is solely on their
individual contribution and is not influenced by the other
measurement system. Hence, it is expected that simultaneous
utilization of both instruments will increase the information
extracted from the sample. In several applications, the combinational
approach of electronic tongue and nose systems has
been used to discriminate sensory characteristics of apple
juices (Bleibaum et al. 2002) and tea (Banerjee et al. 2012).
In this paper, we proposed to combine the two sensing
systems—electronic tongue and nose—for improving the
evaluation of rice. It was the first attempt to classify and
predict rice samples utilizing both electronic systems.
The key work to this combinational approach of electronic
tongue and nose is how to process the merged data from two
individual instruments. Many approaches to data process have
been developed and used widely. They can be broadly categorized
into linear and nonlinear methods. PCA is a popular
method which is most widely used for electronic tongue and
nose. Manifold learning is a recently developed technique for
nonlinear dimension reduction, such as locally linear embedding
(LLE). The LLE algorithm was firstly described by
Roweis and Saul as a means of projecting complex highdimensional
data onto a much lower dimensional space for
analysis (Roweis and Saul 2000). Support vector machine
(SVM) is developed based on statistical learning theory of
Vapnik-Chervonenkis (VC) dimension and structural risk
minimization (Vapnik 2004). It has great effect on small
sample size problem of pattern recognition and function approximation.
Because of its attractive advantages and excellent
performances, SVM has been widely applied in many
fields (Comak et al. 2007; Guo et al. 2001; Xiaobo et al.
2010). K-Nearest neighbors (KNN) is a relatively simple
classification algorithm of machines, computing the distance
between one point and others, and removing the nearest
points, then pointing out the classification. These two methods
have been used to classify and predict unknown samples in
many fields.
In this study, one popular linear method—PCA and one
nonlinear dimension reduction method—LLE were applied as
data preprocess methods. Also, two supervised methods, i.e.,
SVMand KNN, were used to evaluate the ability of instruments
and to find out whether the combination of electronic tongue
and nose is more effective to predict the rice type.

ผลลัพธ์ (ไทย) 1:

แนะนำข้าว (Oryza ซา L.) ใช้ โดยมากกว่าครึ่งหนึ่งของโลกประชากรมีการเพาะปลูกธัญพืชที่สำคัญ ในการส่งเสริมตลาดความต้องการและเทคโนโลยีพันธุ์ใหม่ ปรับปรุงถูกเปิดลักษณะคุณภาพของข้าว และผสมพันธุ์ข้าวได้รับการอบรมมาแล้ว เมื่อเทียบกับแบบดั้งเดิมข้าว ไฮบริดข้าวมีเนื้อหาย่อยในสารประกอบทางเคมีและ volatilesในบางกรณี ความแตกต่างของคุณภาพระหว่างผสม และข้าวทั่วไปจำเป็นต้องแตกต่าง สารประกอบข้าว เช่น แป้ง (Derycke et al. 2005 มาร์ตินและห้อง2002 เช็ง et al. 2005), และเนื้อหา (สิงห์ร้อยเอ็ด al. 2000),และโปรตีน (เจีย et al. 2008 จำนวนมาก-Garber et al. 2001) สามารถวิเคราะห์ โดยวิธีทางเคมีแบบดั้งเดิม อย่างไรก็ตาม เป็นเสมอยากที่จะแสดงความแตกต่างคุณภาพเพียงโดยการเนื้อหาของส่วนประกอบต่าง ๆ ของข้าว จำเป็นที่เป็นสามารถใช้เทคโนโลยีใหม่ และใช้งานง่ายรวดเร็วถือพรรคถือพวกปกติข้าวไฮบริดอิเล็กทรอนิกส์ลิ้นและจมูก ยึดเซนเซอร์อาร์เรย์ การชนิดพิเศษตรา ซึ่งสามารถเลียนแบบรสชาติมนุษย์ และกลิ่นเพื่อประเมินคุณภาพอาหาร จมูกอิเล็กทรอนิกส์ประกอบด้วยหลายชนิดของเซนเซอร์อาร์เรย์ที่ซึ่งผลลัพธ์โดยรวมการประมวลผลสัญญาณขั้นสูงเพื่อระบุส่วนผสมกลิ่นซับซ้อนอย่างรวดเร็ว (Schulbach et al. 2004 Al. ร้อยเอ็ดเจิ้ง 2009 Rodríguezร้อยเอ็ด al. 2014), และวิธีง่าย และเร็วกว่าการให้วัดสารระเหยมากกว่าเคมีดั้งเดิมเหล่านั้นการวิเคราะห์ใช้ จมูกอิเล็กทรอนิกส์ข้อมูลจากแบบดั้งเดิมซึ่งทำเองอรูvinegars และสารประกอบเครื่องหก (กรดอะซิติก กรด butyricวานิลลิน ethylphenylacetate, phenylethyl แอลกอฮอล์ และ furfural)ร่วมกับการวิเคราะห์ส่วนประกอบหลัก (PCA) เปิดเผยตัวรูปแบบที่เกี่ยวข้องกับริ้วรอยของ vinegars (Versari et al. 2013) มันตอบการตั้งค่าทั้งหมดของสารระเหยโดยเฉพาะรูปแบบดิจิทัล (Pathange et al. 2006) แทนที่จะแก้ไขvolatiles ที่พบในตัวอย่างในแต่ละส่วนประกอบและมีศักยภาพในการตอบสนองต่อสารเคมีบางอย่างที่มนุษย์ไม่กลิ่น ตัวอย่าง wasapplied จมูกอิเล็กทรอนิกส์เพื่อระบุทำลายข้าว โดย Nilaparvata lugens(โจวและวัง 2011) และแยกข้าวต่าง ๆ (เจิ้งร้อยเอ็ด al. 2009) ลิ้นอิเล็กทรอนิกส์จะคล้ายกับจมูกอิเล็กทรอนิกส์ Aใช้ลิ้นอิเล็กทรอนิกส์สำหรับใช้งานการจัดประเภทผลิตภัณฑ์อาหารสามารถพบได้ในไวน์ (Weiร้อยเอ็ด al. 2011), ผลไม้น้ำ (Ciosek et al. 2006), น้ำ (นดู et al2011), และโกโก้ (Teye et al. 2014) มีกี่สิ่งพิมพ์เกี่ยวกับประเมินคุณภาพข้าวโดยลิ้นอิเล็กทรอนิกส์(ทราน et al. 2004, 2005); อย่างไรก็ตาม การจัดประเภทของทั่วไปและไม่ได้ทำข้าวไฮบริดเป็นระบบการรับความรู้สึกเหล่านี้สองตัวลิ้นอิเล็กทรอนิกส์ และอิเล็กทรอนิกส์จมูกซึ่งเมื่อสัมผัสอย่างเดียว ไม่ดูคุณลักษณะเดียวกัน คำพิพากษาที่ได้รับเป็นแต่เพียงผู้เดียวในการแต่ละส่วน และไม่ได้รับอิทธิพลจากอื่น ๆระบบการวัด ดังนั้น จึง คาดว่าที่เกิดใช้มือทั้งสองจะเพิ่มข้อมูลสกัดจากตัวอย่าง ในการใช้งาน ในวงจรมีวิธีการของระบบลิ้นและจมูกอิเล็กทรอนิกส์การใช้ลักษณะทางประสาทสัมผัสของแอปเปิ้ลที่ถือพรรคถือพวกน้ำ (Bleibaum et al. 2002) และชา (Banerjee และ al. 2012)ในเอกสารนี้ เรานำเสนอรวมทั้งการตรวจระบบแบบอิเล็กทรอนิกส์ลิ้นและจมูก — สำหรับการปรับปรุงการการประเมินผลของข้าว มันเป็นครั้งแรกเพื่อจัดประเภท และทำนายตัวอย่างข้าวที่ใช้ระบบอิเล็กทรอนิกส์ทั้งงานสำคัญที่วิธีการนี้วงจรอิเล็กทรอนิกส์ลิ้นและจมูกเป็นวิธีการประมวลผลข้อมูลรวมจากสองเครื่องมือแต่ละ มีหลายวิธีในกระบวนการข้อมูลการพัฒนา และใช้กันอย่างแพร่หลาย พวกเขาสามารถจะถูกจัดประเภททั่วไปเป็นวิธีเชิงเส้น และไม่เชิงเส้น สมาคมเป็นนิยมวิธีที่ใช้กันอย่างแพร่หลายสำหรับลิ้นอิเล็กทรอนิกส์ และจมูก เรียนรู้ความหลากหลายนับเป็นเทคนิคหนึ่งพัฒนาล่าสุดลดขนาดไม่เชิงเส้น เช่นฝังภายในเส้น(LLE) อัลกอริทึม LLE ถูกอธิบายโดยประการแรกRoweis และซาอูว่า highdimensional ประเมินซับซ้อนข้อมูลลงมากต่ำกว่ามิติช่องว่างสำหรับการวิเคราะห์ (Roweis และซาอู 2000) สนับสนุนเครื่องแบบเวกเตอร์(SVM) คือพัฒนาตามทฤษฎีการเรียนรู้ทางสถิติของVapnik-Chervonenkis (VC) ขนาดและโครงสร้างความเสี่ยงลดภาระ (Vapnik 2004) มีผลขนาดเล็กมากปัญหาขนาดตัวอย่างของรูปแบบการรับรู้และการทำงานประมาณข้อดีน่าสนใจ และดีเยี่ยมแสดง SVM ได้ถูกใช้กันอย่างแพร่หลายในหลายฟิลด์ (Comak et al. 2007 กู et al. 2001 เซี่ยวโป et al2010. (KNN) K ใกล้บ้านได้ค่อนข้างง่ายอัลกอริทึมการจัดประเภทของเครื่องจักร การคำนวณระยะห่างระหว่างจุดหนึ่ง และอื่น ๆ และการลบจุด ชี้ให้เห็นการจัดประเภทแล้ว สองวิธีใช้เพื่อจัดประเภท และการทายผลตัวอย่างที่ไม่รู้จักในฟิลด์หลายฟิลด์ในการศึกษานี้ หนึ่งนิยมเชิงเส้นวิธี — PCA และหนึ่งวิธีลดขนาดไม่เชิงเส้นโดย LLE ถูกนำไปใช้เป็นข้อมูลที่ประมวลผลเบื้องต้นวิธีการ ยัง สองแบบมีผู้สอนวิธีการ เช่นSVMand KNN ใช้ในการประเมินความสามารถของเครื่องมือและพบว่าชุดของลิ้นทางอิเล็กทรอนิกส์และจมูกจะมีประสิทธิภาพมากในการทำนายชนิดของข้าว

ผลลัพธ์ (ไทย) 2:

บทนำข้าว (Oryza sativa L. ) การบริโภคโดยมากกว่าครึ่งหนึ่งของโลกที่มีประชากรเป็นธัญพืชที่สำคัญ ในการส่งเสริมของความต้องการของตลาดและเทคโนโลยีการปรับปรุงพันธุ์ใหม่การปรับปรุงลักษณะข้าวที่มีคุณภาพได้รับการเปิดตัวและพันธุ์ข้าวไฮบริดได้รับการปลูกฝัง เมื่อเทียบกับข้าวธรรมดาไฮบริดข้าวมีเนื้อหาที่แตกต่างกันในสารประกอบทางเคมีและสารระเหย. ในบางกรณีที่มีคุณภาพแตกต่างระหว่างไฮบริดและข้าวธรรมดาที่จะต้องมีความโดดเด่น สารประกอบข้าวคือแป้ง (Derycke et al, 2005;. มาร์ตินและฟิตซ์เจอรัลด์ 2002. Cheng et al, 2005) ปริมาณอมิโลส (. ซิงห์ et al, 2000). และโปรตีน (Xie et al, 2008; Bett-การ์เบอร์เอต al. 2001) สามารถวิเคราะห์โดยวิธีการทางเคมีแบบดั้งเดิม แต่ก็เป็นเรื่องยากเสมอที่จะแสดงความแตกต่างที่มีคุณภาพเพียงแค่เนื้อหาขององค์ประกอบหลายข้าว มันเป็นสิ่งจำเป็นที่เทคโนโลยีใหม่ที่ง่ายและสามารถนำมาใช้อย่างรวดเร็วแตกต่างข้าวธรรมดาและไฮบริด. ลิ้นจมูกอิเล็กทรอนิกส์และขึ้นอยู่กับอาร์เรย์เซ็นเซอร์เป็นชนิดพิเศษของเครื่องมือที่สามารถเลียนแบบรสชาติของมนุษย์และกลิ่นในการประเมินคุณภาพของอาหาร จมูกอิเล็กทรอนิกส์ประกอบด้วยหลายประเภทของอาร์เรย์เซ็นเซอร์มีเอาท์พุทแบบบูรณาการโดยการประมวลผลสัญญาณขั้นสูงเพื่อระบุผสมกลิ่นที่ซับซ้อนอย่างรวดเร็ว(Schulbach et al, 2004;. เจิ้งเหอ et al, 2009;. Rodríguez et al, 2014.) และจะให้ง่ายและรวดเร็ว วิธีการวัดสารระเหยกว่าสารเคมีแบบดั้งเดิมผู้วิเคราะห์ใช้ ข้อมูลจากจมูกอิเล็กทรอนิกส์บัลซามิกแบบดั้งเดิมvinegars หกสารมาร์กเกอร์ (กรดอะซิติกกรดบิวทิริก, วานิล, ethylphenylacetate แอลกอฮอล์ phenylethyl และเฟอร์ฟูรัล) ร่วมกับการวิเคราะห์องค์ประกอบหลัก (PCA) เผยให้เห็นรูปแบบที่เกี่ยวข้องกับอายุของvinegars นี้ (Versari et al, 2013) มันตอบสนองต่อทั้งชุดของสารระเหยที่มีความเป็นเอกลักษณ์ในรูปแบบดิจิตอล(Pathange et al. 2006) แทนการแก้ไขสารระเหยที่พบในตัวอย่างที่เป็นส่วนประกอบของแต่ละบุคคลและมีศักยภาพในการตอบสนองต่อสารเคมีบางอย่างที่มนุษย์ไม่ได้กลิ่น ยกตัวอย่างเช่นจมูกอิเล็กทรอนิกส์ wasapplied การระบุการทำลายข้าวโดย Nilaparvata lugens (โจวและวัง 2011) และความแตกต่างหลากหลายข้าว (เจิ้งเหอet al. 2009) ลิ้นอิเล็กทรอนิกส์คล้ายกับจมูกอิเล็กทรอนิกส์ หลากหลายของการใช้จ้างลิ้นอิเล็กทรอนิกส์สำหรับการจำแนกประเภทของผลิตภัณฑ์อาหารที่สามารถพบได้สำหรับไวน์ (Wei et al. 2011) น้ำผลไม้ (Ciosek et al. 2006), น้ำ (Kundu et al. 2011) และเมล็ดโกโก้ (Teye et al. 2014) มีไม่กี่คนสิ่งพิมพ์เกี่ยวกับการประเมินคุณภาพข้าวโดยลิ้นอิเล็กทรอนิกส์(Tran et al, 2004, 2005.); แต่การจำแนกประเภทของธรรมดาข้าวและไฮบริดได้รับการดำเนินการไม่ได้. ในฐานะที่เป็นทั้งสองลิ้นระบบอิเล็กทรอนิกส์ประสาทสัมผัสและอิเล็กทรอนิกส์จมูกเมื่อสัมผัสกับตัวอย่างเดียวกันไม่ได้ดูที่คุณสมบัติเดียวกัน; ได้รับการตัดสินเป็น แต่เพียงผู้เดียวของพวกเขามีส่วนร่วมของแต่ละบุคคลและไม่ได้รับอิทธิพลจากคนอื่นๆระบบการวัด ดังนั้นจึงเป็นที่คาดว่าพร้อมกันการใช้ประโยชน์ของเครื่องมือทั้งสองจะเพิ่มข้อมูลที่สกัดได้จากตัวอย่าง ในการใช้งานหลายผสมวิธีการของลิ้นอิเล็กทรอนิกส์และระบบจมูกได้ถูกนำมาใช้ในการแยกแยะลักษณะทางประสาทสัมผัสของแอปเปิ้ลน้ำผลไม้(Bleibaum et al. 2002) และชา (Banerjee et al. 2012). ในบทความนี้เราจะเสนอให้รวมทั้งสอง การตรวจวัดระบบอิเล็กทรอนิกส์ลิ้นและจมูกสำหรับการปรับปรุงการประเมินผลของข้าว มันเป็นความพยายามครั้งแรกที่จะจัดและคาดการณ์ตัวอย่างข้าวที่ใช้ทั้งสองระบบอิเล็กทรอนิกส์. การทำงานวิธีการสำคัญในการผสมของอิเล็กทรอนิกส์ลิ้นและจมูกเป็นวิธีการประมวลผลข้อมูลที่ผสานจากสองตราสารของแต่ละบุคคล หลายวิธีในการประมวลผลข้อมูลที่ได้รับการพัฒนาและใช้กันอย่างแพร่หลาย พวกเขาสามารถแบ่งกว้างเป็นวิธีการเชิงเส้นและไม่เชิงเส้น PCA เป็นที่นิยมวิธีการที่มีการใช้กันอย่างแพร่หลายสำหรับลิ้นอิเล็กทรอนิกส์และจมูก การเรียนรู้ต่าง ๆ นานาเป็นเทคนิคที่พัฒนาขึ้นเมื่อเร็ว ๆ นี้สำหรับการลดมิติเชิงเส้นเช่นการฝังเชิงเส้นในประเทศ(LLE) อัลกอริทึม LLE ได้อธิบายไว้ในตอนแรกโดยRoweis และซาอูลเป็นวิธีการฉาย highdimensional ซับซ้อนข้อมูลลงในช่องว่างมิติที่ต่ำกว่ามากสำหรับการวิเคราะห์(Roweis และซาอูล 2000) สนับสนุนเครื่องเวกเตอร์(SVM) ได้รับการพัฒนาบนพื้นฐานของทฤษฎีการเรียนรู้ทางสถิติของVapnik-Chervonenkis (VC) มิติและความเสี่ยงโครงสร้างลด(Vapnik 2004) แต่ก็มีผลอย่างมากต่อขนาดเล็ก. ปัญหาขนาดของกลุ่มตัวอย่างของการรับรู้รูปแบบและฟังก์ชั่นการประมาณเพราะข้อดีที่น่าสนใจและยอดเยี่ยมแสดงSVM ได้รับการใช้กันอย่างแพร่หลายในหลายสาขา(Comak et al, 2007;. Guo et al, 2001;. Xiaobo et al, 2010) เพื่อนบ้านที่ใกล้ที่สุด K-(KNN) เป็นที่ค่อนข้างง่ายขั้นตอนวิธีการจัดหมวดหมู่ของเครื่องคำนวณระยะห่างระหว่างจุดหนึ่งและคนอื่นๆ และลบที่ใกล้ที่สุดจุดแล้วชี้ให้เห็นการจัดหมวดหมู่ ทั้งสองวิธีได้รับการใช้ในการจำแนกและคาดการณ์ตัวอย่างที่ไม่รู้จักในหลายสาขา. ในการศึกษานี้เป็นหนึ่งในวิธีการเชิงเส้นที่นิยม-PCA และเป็นหนึ่งในการลดมิติเชิงเส้นวิธี-LLE ถูกนำไปใช้เป็นข้อมูลวิธีการ preprocess นอกจากนี้ภายใต้การดูแลสองวิธีคือSVMand KNN ถูกนำมาใช้ในการประเมินความสามารถของเครื่องมือและเพื่อหาว่าการรวมกันของลิ้นอิเล็กทรอนิกส์และจมูกมีประสิทธิภาพมากขึ้นในการทำนายประเภทข้าว

ผลลัพธ์ (ไทย) 3:

บทนำ
ข้าว ( Oryza sativa L . ) ที่ใช้โดยมากกว่าครึ่งหนึ่งของประชากรของโลกเป็นพืชธัญพืช
ที่สำคัญ ในการส่งเสริมความต้องการของตลาดและเทคโนโลยีใหม่

ของการปรับปรุงพันธุ์ , ลักษณะคุณภาพข้าวได้เปิดตัว และลูกผสมพันธุ์ข้าว
ปลูก . เมื่อเทียบกับข้าวแบบไฮบริด
ข้าวได้แปรปริมาณสารเคมีและสารระเหย .
ในบางกรณีคุณภาพและความแตกต่างระหว่างลูกผสม
ข้าวธรรมดาต้องโดดเด่น สารประกอบ
ของข้าว เช่น แป้ง ( เดอรีค et al . มาร์ตินฟิตซ์เจอรัลด์ 2002 และ 2005 ;
; เฉิง et al . 2005 ) , ปริมาณอะไมโลส ( Singh et al . 2000 ) ,
และโปรตีน ( เซี่ย et al . 2008 ; เบตต์ การ์เบอร์ et al . 2001 ) สามารถวิเคราะห์โดยวิธีทางเคมี
แบบดั้งเดิม อย่างไรก็ตาม , มันเป็น
เสมอยากที่จะแสดงความแตกต่างคุณภาพโดย
เนื้อหาองค์ประกอบหลายของข้าว มันเป็นสิ่งจำเป็นที่
ใหม่และใช้งานง่ายเทคโนโลยีสามารถใช้อย่างรวดเร็วแบ่งแยก
ปกติและข้าวลูกผสม .
อิเล็กทรอนิกส์ลิ้นและจมูก ตามเซนเซอร์อาร์เรย์ คือ
ชนิดพิเศษของเครื่องมือซึ่งสามารถเลียนแบบรสชาติและกลิ่นของมนุษย์
เพื่อประเมินคุณภาพอาหาร จมูกอิเล็กทรอนิกส์ประกอบด้วย
หลายประเภทของอาร์เรย์เซ็นเซอร์ที่มีผลผลิตรวมโดย
การประมวลผลสัญญาณขั้นสูงเพื่อระบุกลิ่นผสมที่ซับซ้อน
อย่างรวดเร็ว ( schulbach et al . 2004 ; เจิ้ง et al . 2009 ; มาร์ตินลุยส์โรดรีเกซ
et al . 2014 ) , และมันมีวิธีการที่ง่ายและรวดเร็วสำหรับการวัดสารระเหยง่ายกว่าเดิม

การวิเคราะห์สารเคมีที่ใช้ จมูกอิเล็กทรอนิกส์ ข้อมูลจาก
balsamic แบบดั้งเดิมน้ำส้มสายชูและสารประกอบ 6 คะแนน ( กรด butyric acid
VANILLIN , ethylphenylacetate phenylethyl , แอลกอฮอล์ , และเฟอร์ฟูรัล )
รวมกับการวิเคราะห์องค์ประกอบหลัก ( PCA ) เปิดเผย
รูปแบบเกี่ยวข้องกับอายุของน้ำส้มสายชู ( versari et al . 2013 ) มัน
ตอบสนองทั้งชุด ของสารระเหยที่มีรูปแบบดิจิตอลที่ไม่ซ้ำกัน
( pathange et al . 2006 ) แทนการแก้ไข
สารระเหยที่พบในตัวอย่างเป็น
แต่ละองค์ประกอบและมีศักยภาพในการตอบสนองต่อสารเคมีบางอย่างที่
มนุษย์ไม่สามารถได้กลิ่น ตัวอย่างเช่น จมูกอิเล็กทรอนิกส์มาใช้เพื่อระบุข้าว Nilaparvata lugens รบกวนด้วย
( โจว และวัง 2011 ) และแยกข้าวพันธุ์ ( เจิ้ง
et al . 2009 ) ลิ้นอิเล็กทรอนิกส์คล้ายกับจมูกอิเล็กทรอนิกส์
เป็นหลากหลายโปรแกรมการใช้ลิ้นอิเล็กทรอนิกส์
การจำแนกผลิตภัณฑ์อาหารสามารถพบได้สำหรับไวน์ ( เว่ย
et al . 2011 ) , ผลไม้ ( ciosek et al . 2006 ) , น้ำ ( ได้รับ et al .
2011 ) และโกโก้ ( teye et al . 2014 ) มีไม่กี่
สิ่งพิมพ์เกี่ยวกับข้าวการประเมินคุณภาพโดย
ลิ้นอิเล็กทรอนิกส์ ( Tran et al . 2004 , 2005 ) ; อย่างไรก็ตาม , หมวดหมู่ทั่วไป
และ ข้าวลูกผสมได้ทำ .
เป็นทั้งสองระบบอิเล็กทรอนิกส์ทางประสาทสัมผัสลิ้นและจมูกอิเล็กทรอนิกส์
เมื่อสัมผัสกับตัวอย่างเดียวกัน อย่าดู
คุณสมบัติเดียวกัน ; การพิพากษาได้แต่เพียงผู้เดียวในผลงานของแต่ละคน
และไม่ได้รับอิทธิพลจากระบบการวัดอื่น ๆ

ดังนั้น คาดว่าการใช้พร้อมกัน
ของเครื่องมือทั้งสองจะเพิ่มข้อมูล
สกัดจากสารตัวอย่าง ในการใช้งานหลาย ๆ แนวทางของลิ้นและระบบอิเล็กทรอนิกส์ชนิด

จมูกได้ถูกใช้เพื่อแยกแยะลักษณะทางประสาทสัมผัสของน้ำผลไม้แอปเปิ้ล
( bleibaum et al . 2002 ) และชา ( Banerjee et al . 2012 ) .
ในกระดาษนี้เราเสนอให้รวมสองระบบอิเล็กทรอนิกส์ลิ้นและจมูกสัมผัส

สำหรับการปรับปรุงการประเมินของข้าวมันเป็นครั้งแรกที่จะจำแนกและทำนายข้าว
ตัวอย่างทั้งสองใช้ระบบอิเล็กทรอนิกส์ .
งานคีย์วิธีการนี้ชนิดของลิ้นอิเล็กทรอนิกส์
และจมูกเป็นวิธีการประมวลผลที่ผสานข้อมูลจาก 2
เครื่องมือแต่ละ หลายวิธีเพื่อประมวลผลข้อมูลได้
ถูกพัฒนาและใช้กันอย่างแพร่หลาย พวกเขาสามารถเป็นวงกว้างแบ่งออกเป็นเส้นตรง
และวิธีการเชิงเส้น ในปัจจุบันเป็นที่นิยม
ซึ่งเป็นวิธีที่ใช้กันอย่างแพร่หลายในลิ้นและจมูกอิเล็กทรอนิกส์
. การเรียนรู้มากมายเป็นล่าสุดพัฒนาเทคนิค
ไม่เชิงเส้นขนาดลดลง เช่นในประเทศเชิงเส้นการฝังตัว
( ที่ไหน ) มีที่ไหนขั้นตอนวิธีเดิมทีอธิบายด้วย
roweis และซาอูลเป็นวิธีการรักษาข้อมูล highdimensional
ซับซ้อนบนล่างมากมิติสำหรับการวิเคราะห์ (
roweis และซาอูล 2000 )สนับสนุนเวกเตอร์เครื่องจักร
( SVM ) คือการพัฒนาบนพื้นฐานของทฤษฎีการเรียนรู้เชิงสถิติของ
vapnik chervonenkis ( VC ) และลดความเสี่ยงโครงสร้างมิติ
( vapnik 2004 ) มันได้ผลที่ดีในขนาดเล็ก
ขนาดตัวอย่างปัญหาของลวดลายและการประมาณค่าฟังก์ชัน .
เพราะข้อดีที่น่าสนใจและการแสดงยอดเยี่ยม
, SVM ได้ถูกใช้อย่างกว้างขวางในหลายสาขา (
comak et al . 2007 ;กัว et al . 2001 ซาวโป et al .
2010 ) ละเพื่อนบ้าน ( knn ) เป็นขั้นตอนวิธีการจำแนกค่อนข้างง่าย

เครื่องคำนวณระยะทางระหว่างจุดหนึ่งและคนอื่น และเอาจุดที่ใกล้ที่สุด
แล้วชี้ว่า การจำแนก ทั้งสองวิธี
ได้ถูกใช้เพื่อจำแนกและทำนายที่ไม่รู้จักใน

ตัวอย่างอื่นๆ ในการศึกษาหนึ่งที่นิยมเชิงเส้นวิธี PCA และหนึ่ง
มิติเชิงเส้นวิธีลดที่ไหนถูกนำไปใช้เป็นวิธีการ preprocess
ข้อมูล นอกจากนี้ สองมีวิธีการ เช่น
svmand knn ถูกใช้เพื่อประเมินความสามารถของเครื่องมือ
และเพื่อหาคำตอบว่า การรวมกันของ
จมูกและลิ้นอิเล็กทรอนิกส์มีประสิทธิภาพมากขึ้นเพื่อทำนายประเภทข้าว