FTIR spectra were collected in the

FTIR spectra were collected in the mid-infrared (MIR) region of
4000–650 cm1 because of its sensitivity to baseband vibration
and its specificity. The FTIR spectra of 32 samples appeared fairly
similar, and it was very difficult to differentiate walnut oils from
other oils. Therefore, classification models were necessary to be
built by extracting the detailed information from spectral data.
Meanwhile, to remove undesirable factors in the raw data, derivatives
and SNV were used to optimize data preprocessing to reduce
the influence of spectral variations caused by baseline shifts and
scattering effects.

ผลลัพธ์ (ไทย) 1:

FTIR แรมสเป็คตราถูกเก็บรวบรวมในภูมิภาค (มีร์) อินฟราเรดกลางของซม. 4000 – 650 1 เนื่องจากความไวของการสั่นสะเทือน basebandและ specificity ของ แรมสเป็คตรา FTIR ของตัวอย่างที่ 32 ปรากฏค่อนข้างคล้าย และก็ยากที่จะแยกแยะวอลนัตน้ำมันจากน้ำมันอื่น ๆ ดังนั้น การจัดประเภทรูปแบบถูกต้องสร้าง โดยแยกข้อมูลรายละเอียดจากข้อมูลสเปกตรัมในขณะเดียวกัน การเอาปัจจัยที่พึงประสงค์ในข้อมูลดิบ อนุพันธ์และ SNV ใช้ปรับข้อมูลที่ประมวลผลเบื้องต้นเพื่อลดอิทธิพลของรูปแบบสเปกตรัมที่เกิดจากพื้นฐานกะ และผลกระทบ scattering

ผลลัพธ์ (ไทย) 2:

FTIR สเปกตรัมถูกเก็บไว้ในช่วงกลางอินฟราเรด (MIR) ภูมิภาค
4000-650 ซม. 1 เพราะความไวในการ Baseband การสั่นสะเทือน
และความจำเพาะของตน สเปกตรัม FTIR จาก 32 ตัวอย่างปรากฏค่อนข้าง
คล้ายกันและมันเป็นเรื่องยากมากที่จะแยกความแตกต่างจากน้ำมันวอลนัท
น้ำมันอื่น ๆ ดังนั้นรูปแบบการจัดหมวดหมู่เป็นสิ่งจำเป็นที่จะต้อง
สร้างขึ้นโดยแยกรายละเอียดจากข้อมูลสเปกตรัม.
ในขณะเดียวกันเพื่อลบปัจจัยที่ไม่พึงประสงค์ในข้อมูลดิบอนุพันธ์
และ SNV ถูกนำมาใช้เพื่อเพิ่มประสิทธิภาพการประมวลผลเบื้องต้นข้อมูลเพื่อลด
อิทธิพลของรูปแบบสเปกตรัมที่เกิดจากการเปลี่ยนแปลงพื้นฐานและ
กระจายผลกระทบ

ผลลัพธ์ (ไทย) 3:

FTIR spectra ถูกเก็บในกลางอินฟราเรด ( Mir ) ภูมิภาคของ
4000 – 650 cm  1 เพราะมีความไวและความจำเพาะของการสั่นสะเทือนกัน

. ( สเปกตรัมของ 32 ตัวอย่างปรากฏค่อนข้าง
คล้ายกัน และมันก็ยากมากที่จะแยกแยะวอลนัทน้ำมันจาก
น้ำมันอื่น ๆ ดังนั้น การเป็นนางแบบจำเป็นที่จะ
สร้างโดยสกัดข้อมูลรายละเอียดจากข้อมูลสเปกตรัม .
ทั้งนี้ ปัจจัยลบที่ไม่พึงประสงค์ในข้อมูลดิบ , snv และอนุพันธ์
ใช้ปรับข้อมูล preprocessing เพื่อลดอิทธิพลของการเปลี่ยนแปลง

เกิดจากกะพื้นฐานและการผล