2.3. Measurement of quality indices

2.3. Measurement of quality indices
2.3.1. Fruit firmness (CF)
The penetrating force of all individual fruit was measured
on the three positions along the equator approximately
120
◦
between them, perpendicular to the stem-bottom axis.
The measurements were carried out by a Universal Testing
Machine (Model 5543 Single Column, Instron Corporation,
Canton, MA, USA). The tests were conducted with the diameter 11 mm diameters by penetrating into fruit, the loading
rate of the crosshead was 20 mmmin
−1
. The firmness was the
mean of “the maximum force” for three points.
2.3.2. SSC and pH measurement
The undiluted expressed pear juice was used to measure SSC
in
0
Brix using a digital refractometer (Digital refractometer
2WA-J 0–32% Shanghai, China). The pH of pear juice was measured by a pH meter (PHS-3CW 0–14 Shanghai, China). The
experiments completed three replicates for each pear. The SSC
and pH were the means of SSC and pH for three replicates,
respectively.
2.4. Experimental procedures
Each pear was placed into an airtight 1000 mL glass jar.
The glass jar was closed and the headspace was equilibrated for 1 h. The experiment was started when the
resistance of the gas sensors remained stable to a high
value. A fan homogenised the air in the test chamber. A
little amount of the headspace gas to be tested was introduced into the test chamber. Then, the data acquisition
started and lasted 90 s, the time enough for sensors to
reach a stable value. When a measurement is completed,
clean phase was activated, clean air was introduced into
the test chamber. The main purpose is to clean the test
chamber and return sensors to their baseline. The clean
phase lasted 120 s. Electronic nose was used at the temperature of 25±1
◦
C and 50–60% RH during all experiments. The
E-nose experiments for each pear were conducted three replicates.
After the evaluation by electronic nose, the pear was
removed from the jar and weighed with an electronic balance.
The maximum compression force of individual pears was
measured on the three positions along the equator approximately 120◦between them, perpendicular to the stem-bottom
axis. The fruit was then broken up and the juice was extracted
to evaluate the soluble solid content and pH.
2.5. Data analysis
Principal-component analysis (PCA) is a chemometric linear, unsupervised and pattern-recognition technique used
for analyzing, classifying and reducing the dimensionality of
numerical datasets in a multivariate problem. This method
explores the data structure, the relationship between objects,
the relationship between objects and variables and the global
correlation of the variables. The main features of PCA are the
coordinates of the data in the new base (scores plot) and the
contribution to each component of the sensors (loads plot).
The score plot is usually used for studying the classificationof the data clusters while the loads plot can be used for giving
information on the relative importance of the array sensors
to each principal component and their mutual correlation
[16,17].
Linear-discriminant analysis (LDA) is one of the most used
classification procedure. The method is a probabilistic parametric classification technique and maximizes the variance
between categories and minimizes the variance within categories, by means of a data projection from a high dimensional
space to a low dimensional space. In this way, a number of
orthogonal linear discriminant functions equal to the number
of categories minus one are obtained. The classification model
was validated using a leave-one-out procedure. Each sample
is removed from the data set, one at a time. The classification
model is rebuilt and the removed sample is classified in this
new model. All the samples of the data set are sequentially
removed and reclassified. Finally a percentage of correct classification is calculated. The quality of the LDA classification
model was considered on the basis of the validation results
[16,18].
Artificial neural network and multiple linear regressions
were used for studying the relationships between electronic
nose signals and fruit quality indices.MLR is a common
method used in quantitative analysis. Equations relating the
dependent variable behaviour to the descriptors are developed
with the following form:
y=ˇ0+
N 
i=1
ˇixi
(i=1,2,3,...,N)
whereyis dependent variable, in this paper, ymeans CF or
SSC or pH;xi
is the independent variable, in this paper; xi is
means responses of sensors;ˇ0is the intercept andˇi are the
regression coefficients ofxi
; Nis the number of the independent variables, in this paper,Nmeans the number of sensor. In
the present work a forward stepwise MLR procedure is applied
[19].
Artificial neural network can actualize highly non-linearity
mapping between input and output and it was confirmed that
this model could come to any continuous non-linear curve
[20]. The architecture of the artificial neural network chosen
was a three-layer back-propagation network, with a tansigmoid transfer function in the hidden layers and a pureline
transfer function in the output layer. The training algorithm
was the variable learning rate back-propagation (traingdx)
algorithm available in MATLAB’s Neural Network Toolbox. It
has also shown high performance in pattern-recognition problems[21].
In order to search for the better relationship for predicting fruit quality indices from sensor signal values, the quality
of the calibration model was quantified by standard error of
calibration (SEC), standard error of prediction and correlation
coefficient (r) between the predicted and measured parameters. A good model should have a low SEC, a low SEP, a high
correlation coefficient but also a small difference between SEC
and SEP. SEC and SEP are defined as follows:
SEC=



1
Ic−1
Ic 
i=1
(ˆ yi −yi
)
2

ผลลัพธ์ (ไทย) 1:

2.3 การวัดดัชนีคุณภาพ2.3.1. ผลไม้ไอซ์ (CF)เป็นวัดแรงผิวหนังผลไม้ทั้งหมดละในสามตำแหน่งตามแนวเส้นศูนย์สูตรประมาณ120◦ระหว่าง ตั้งฉากกับแกนก้านด้านล่างวัดได้ดำเนินการ โดยการทดสอบสากลเครื่อง (รุ่น 5543 เดียวคอลัมน์ Instron คอร์ปอเรชั่นแคนตัน MA สหรัฐอเมริกา) ได้ดำเนินการทดสอบกับสมมาตร 11 มม.เส้นผ่าศูนย์กลาง โดยเจาะเข้าไปในผลไม้ โหลดอัตราของ crosshead ถูก 20 mmmin−1. ไอซ์ที่มีการหมายความว่า "สูงสุดแรง" สำหรับจุดสาม2.3.2 วัด SSC และ pHใช้น้ำลูกแพร์แสดงหัววัด SSCใน0Brix ใช้แบบดิจิตอล refractometer (refractometer ดิจิตอล2WA-J 0-32% เซี่ยงไฮ้ ประเทศจีน) PH ของน้ำลูกแพร์เป็นวัด โดยเครื่องวัด pH (PHS-3CW 0-14 เซี่ยงไฮ้ จีน) ที่ทดลองเสร็จเหมือนกับสามสำหรับแต่ละต้น SSCและ วิธีการของ SSC และ pH ในเหมือนกับสาม pHตามลำดับ2.4 การขั้นตอนที่ทดลองลูกแพร์แต่ละที่อยู่ในขวดแก้วเป็นแบบสุญญากาศ 1000 mLปิดขวดแก้ว และ headspace ถูก equilibrated สำหรับ 1 h เริ่มทดลองเมื่อการความต้านทานของเซ็นเซอร์แก๊สยังคงมีเสถียรภาพที่สูงค่า แฟน homogenised อากาศในห้องทดสอบ Aจำนวนก๊าซ headspace จะทดสอบเล็กน้อยถูกนำเข้าห้องทดสอบ แล้ว ซื้อข้อมูลเริ่ม และกินเวลา 90 s เวลาพอสำหรับเซนเซอร์ไปถึงค่าเสถียรภาพ เมื่อประเมินเสร็จเรียกใช้ขั้นตอนการทำความสะอาด สะอาดถูกนำเข้าสู่ห้องทดสอบ วัตถุประสงค์หลักคือการ ทำความสะอาดการทดสอบเซนเซอร์หอและกลับไปพื้นฐานของพวกเขา ล้างข้อมูลใช้ระยะกินเวลา 120 s ได้จมูกอิเล็กทรอนิกส์ที่อุณหภูมิ 25±1◦C และ 50-60% RH ในระหว่างการทดลองทั้งหมด ที่ทดลอง E-จมูกสำหรับแต่ละต้นก็เหมือนกับสามดำเนินหลังจากการประเมินโดยจมูกอิเล็กทรอนิกส์ ลูกแพร์มีเอาออกจากขวด และน้ำหนัก มียอดอิเล็กทรอนิกส์ถูกแรงอัดสูงสุดของแพร์แต่ละวัดในตำแหน่งที่สามตามแนวเส้นศูนย์สูตรประมาณ 120◦between พวกเขา ตั้งฉากกับก้านด้านล่างแกน ผลไม้แล้วเสียขึ้น และน้ำถูกสกัดการประเมินเนื้อหาที่เป็นของแข็งละลายน้ำและค่า pH2.5 วิเคราะห์ข้อมูลวิเคราะห์ส่วนประกอบหลัก (PCA) เป็น chemometric เส้น unsupervised และใช้เทคนิคการรู้จำแบบวิเคราะห์ ประเภท และลด dimensionality ของdatasets ตัวเลขในตัวแปรพหุปัญหา วิธีการนี้สำรวจโครงสร้างข้อมูล ความสัมพันธ์ระหว่างวัตถุความสัมพันธ์ ระหว่างวัตถุ และตัวแปรที่ทั่วโลกความสัมพันธ์ของตัวแปร คุณสมบัติหลักของสมาคมคือการพิกัดของข้อมูลในฐานข้อมูลใหม่ (ลงคะแนน) และสัดส่วนแต่ละองค์ประกอบของเซนเซอร์ (โหลดลง)แปลงคะแนนมักใช้สำหรับการศึกษา classificationof ข้อมูลคลัสเตอร์ในขณะที่สามารถใช้แปลงโหลดให้ข้อมูลเกี่ยวกับความสำคัญของเซนเซอร์อาร์เรย์แต่ละคอมโพเนนต์หลักการของความสัมพันธ์ซึ่งกันและกัน[16,17]การวิเคราะห์ discriminant เชิงเส้น (LDA) เป็นหนึ่งในการใช้มากที่สุดขั้นตอนการจัดประเภท วิธีคือ เทคนิคประเภทพาราเมตริก probabilistic และวางผลต่างระหว่างประเภท และช่วยลดความแปรปรวนภายในประเภท จากข้อมูลคาดการณ์จากสูงมิติพื้นที่ช่องว่างมิติต่ำ ด้วยวิธีนี้ จำนวนorthogonal เส้น discriminant ฟังก์ชั่นเท่ากับจำนวนประเภทลบหนึ่งจะรับ รูปแบบการจัดประเภทได้ตรวจสอบการใช้กระบวนงานลาออกหนึ่ง แต่ละตัวอย่างจะถูกเอาออกจากชุดข้อมูล ที การจัดประเภทสร้างแบบจำลอง และตัวอย่างเอาเป็นประเภทนี้รุ่นใหม่ ตัวอย่างทั้งหมดของชุดข้อมูลเรียงลำดับเอาออก และการจัดประเภทใหม่ สุดท้าย จะคำนวณเปอร์เซ็นต์ของการจัดประเภทที่ถูกต้อง คุณภาพของการจัดประเภท LDAรุ่นถูกพิจารณาตามผลการตรวจสอบ[16,18]โครงข่ายประสาทเทียมและ regressions หลายเส้นใช้สำหรับการศึกษาความสัมพันธ์ระหว่างอิเล็กทรอนิกส์สัญญาณจมูกและดัชนีคุณภาพผลไม้ MLR เป็นการทั่วไปวิธีที่ใช้ในการวิเคราะห์เชิงปริมาณ สมการที่เกี่ยวข้องกับการมีพัฒนาขึ้นอยู่กับตัวแปรพฤติกรรมการคำอธิบายแบบฟอร์มต่อไปนี้:y = ˇ0 +Nฉัน = 1ˇixi(ฉัน = 1, 2, 3,..., N)whereyis ขึ้นอยู่กับตัวแปร ในเอกสารนี้ ymeans CF หรือSSC หรือ pH สิตัวแปรอิสระ ในเอกสารนี้ เป็นสิหมายถึง การตอบสนองของเซนเซอร์ ˇ0is andˇi จุดตัดแกนคือการofxi ค่าสัมประสิทธิ์ถดถอย; นิสจำนวนตัวแปรอิสระ ในเอกสารนี้ Nmeans จำนวนเซ็นเซอร์ ในงานนำเสนอที่ใช้วิธี MLR stepwise ไปข้างหน้า[19]โครงข่ายประสาทเทียมสามารถ actualize สูงไม่แบบดอกไม้การแม็ประหว่างเข้า และออก และจะได้รับการยืนยันที่รูปแบบนี้สามารถมาโค้งไม่ใช่เส้นตรงใด ๆ อย่างต่อเนื่อง[20] . สถาปัตยกรรมของเครือข่ายประสาทเทียมที่เลือกมี 3 ชั้นหลังเผยแพร่เครือข่าย มีฟังก์ชันถ่ายโอน tansigmoid ในชั้นซ่อนและ pureline การฟังก์ชันโอนย้ายในชั้นออก ขั้นตอนวิธีการฝึกอบรมมีการเรียนรู้ตัวแปรอัตราหลังเผยแพร่ (traingdx)ขั้นตอนวิธีใช้เครื่องมือเครือข่ายประสาทของ MATLAB มันนอกจากนี้ยังได้แสดงประสิทธิภาพสูงในการรู้จำรูปแบบปัญหา [21]การค้นหาความสัมพันธ์ที่ดีกว่าคาดการณ์ดัชนีคุณภาพผลไม้จากค่าสัญญาณเซ็นเซอร์ คุณภาพของการปรับเทียบ แบบจำลองถูก quantified โดยข้อผิดพลาดมาตรฐานของปรับเทียบ (วินาที), ข้อผิดพลาดมาตรฐานของการคาดเดาและความสัมพันธ์สัมประสิทธิ์ (r) ระหว่างพารามิเตอร์การวัด และคาดการณ์ แบบที่ดีควรมีต่ำวินาที ก.ย.ต่ำสุด สูงเป็นสัมประสิทธิ์สหสัมพันธ์ แต่ผลเล็กวินาทีและกันยายนวินาทีและกันยายนจะถูกกำหนดเป็นดังนี้:วินาที =1Ic−1Icฉัน = 1(ˆยี่ −yi)2

ผลลัพธ์ (ไทย) 2:

2.3 การวัดดัชนีคุณภาพ
2.3.1 ความแน่นเนื้อผลไม้ (CF) แรงทะลุของผลไม้แต่ละทุกวัดในสามตำแหน่งตามแนวเส้นศูนย์สูตรประมาณ120 ◦ระหว่างพวกเขาตั้งฉากกับแกนลำต้นด้านล่าง. วัดได้ดำเนินการโดยการทดสอบยูนิเวอร์แซเครื่อง (รุ่น 5543 คอลัมน์เดี่ยว บริษัท อินสตรอนคอร์ปอเรชั่นแคนตัน, MA, USA) การทดสอบได้ดำเนินการกับเส้นผ่าศูนย์กลาง 11 มมขนาดเส้นผ่าศูนย์กลางโดยเจาะเข้าไปในผลไม้โหลดอัตรารอสเฮดเป็น 20 mmmin -1 ความแน่นเป็นค่าเฉลี่ยของ "แรงสูงสุด" สามจุด. 2.3.2 เอสเอสและการวัดค่า pH เจือปนแสดงน้ำลูกแพร์ถูกนำมาใช้ในการวัด SSC ใน0 Brix Refractometer ใช้ดิจิตอล (Digital Refractometer 2WA-J 0-32% เซี่ยงไฮ้ประเทศจีน) พีเอชของน้ำผลไม้ลูกแพร์โดยวัดจากค่า pH เมตร (PHS-3CW 0-14 เซี่ยงไฮ้ประเทศจีน) ทดลองเสร็จสามซ้ำสำหรับแต่ละลูกแพร์ เซ็กซี่และค่าความเป็นกรดเป็นวิธีการของเอสเอสพีเอชและสามซ้ำ, ตามลำดับ. 2.4 ขั้นตอนการทดลองลูกแพร์แต่ละถูกวางให้เป็นสุญญากาศ 1,000 มิลลิลิตรขวดแก้ว. ขวดแก้วที่ถูกปิดและ headspace ถูก equilibrated เป็นเวลา 1 ชั่วโมง การทดลองเริ่มต้นเมื่อความต้านทานของเซ็นเซอร์ก๊าซยังคงมีเสถียรภาพที่จะสูงค่า แฟน homogenised อากาศในห้องทดสอบ จำนวนน้อยของก๊าซ headspace ที่จะทดสอบได้รับการแนะนำเข้ามาในห้องทดสอบ จากนั้นเก็บข้อมูลเริ่มต้นและดำเนินไปเป็นเวลา 90 วินาที, เวลาเพียงพอสำหรับการเซ็นเซอร์ที่จะถึงค่าที่มีเสถียรภาพ เมื่อวัดเสร็จสิ้นขั้นตอนการทำความสะอาดถูกเปิดใช้งาน, อากาศที่สะอาดถูกนำเข้าสู่ห้องทดสอบ โดยมีวัตถุประสงค์หลักคือการทำความสะอาดการทดสอบในห้องและกลับเซ็นเซอร์พื้นฐานของพวกเขา สะอาดขั้นตอนที่กินเวลานาน 120 วินาที จมูกอิเล็กทรอนิกส์ถูกนำมาใช้ที่อุณหภูมิ 25 ± 1 ◦ C และ 50-60% RH ในระหว่างการทดลองทั้งหมด ทดลอง E-จมูกสำหรับลูกแพร์แต่ละได้ดำเนินการสามซ้ำ. หลังจากการประเมินผลจากจมูกอิเล็กทรอนิกส์, ลูกแพร์ที่ถูกลบออกจากขวดและชั่งน้ำหนักที่มีความสมดุลอิเล็กทรอนิกส์. แรงอัดสูงสุดของลูกแพร์บุคคลที่ได้รับการวัดในสามตำแหน่งพร้อมเส้นศูนย์สูตรประมาณ120◦betweenพวกเขาตั้งฉากกับลำต้นด้านล่างแกน ผลไม้จากนั้นก็หักและน้ำผลไม้สกัดเพื่อประเมินปริมาณของแข็งที่ละลายน้ำได้และค่า pH. 2.5 การวิเคราะห์ข้อมูลการวิเคราะห์หลักองค์ประกอบ (PCA) เป็นเชิงเส้น chemometric เทคนิคใกล้ชิดและรูปแบบการรับรู้ที่ใช้ในการวิเคราะห์การจัดหมวดหมู่และลดมิติของชุดข้อมูลตัวเลขในปัญหาหลายตัวแปร วิธีการนี้จะสำรวจโครงสร้างข้อมูลความสัมพันธ์ระหว่างวัตถุที่ความสัมพันธ์ระหว่างวัตถุและตัวแปรและทั่วโลกความสัมพันธ์ของตัวแปร คุณสมบัติหลักของ PCA เป็นพิกัดของข้อมูลในฐานใหม่(พล็อตคะแนน) และมีส่วนร่วมในองค์ประกอบของเซ็นเซอร์แต่ละ(พล็อตโหลด). พล็อตคะแนนมักจะใช้สำหรับการศึกษา classificationof กลุ่มข้อมูลในขณะที่พล็อตโหลด สามารถนำมาใช้ในการให้ข้อมูลเกี่ยวกับความสำคัญของเซ็นเซอร์อาร์เรย์แต่ละองค์ประกอบหลักและความสัมพันธ์ของพวกเขาร่วมกัน[16,17]. การวิเคราะห์เชิงเส้น-จำแนก (LDA) เป็นหนึ่งที่ใช้มากที่สุดขั้นตอนการจัดหมวดหมู่ วิธีการที่เป็นเทคนิคการจัดหมวดหมู่พาราน่าจะเป็นและเพิ่มความแปรปรวนระหว่างประเภทและลดความแปรปรวนภายในประเภทโดยใช้วิธีการฉายข้อมูลจากมิติสูงพื้นที่ไปยังพื้นที่มิติต่ำ ด้วยวิธีนี้จำนวนของฟังก์ชั่นแนมุมฉากเชิงเส้นเท่ากับจำนวนของประเภทลบหนึ่งจะได้รับ รูปแบบการจัดหมวดหมู่ได้รับการตรวจสอบโดยใช้ขั้นตอนการลาออกอย่างใดอย่างหนึ่ง แต่ละตัวอย่างจะถูกลบออกจากชุดข้อมูลในช่วงเวลาหนึ่ง การจำแนกรูปแบบจะสร้างใหม่และตัวอย่างลบออกถูกจัดในรูปแบบใหม่ ตัวอย่างทั้งหมดของชุดข้อมูลที่มีลำดับลบออกและจัดประเภทรายการใหม่ ในที่สุดร้อยละของการจัดหมวดหมู่ที่ถูกต้องมีการคำนวณ คุณภาพของการจัดหมวดหมู่ LDA รูปแบบได้รับการพิจารณาบนพื้นฐานของผลการตรวจสอบ[16,18]. เครือข่ายประสาทเทียมและการถดถอยเชิงเส้นหลายถูกนำมาใช้สำหรับการศึกษาความสัมพันธ์ระหว่างอิเล็กทรอนิกส์สัญญาณจมูกและผลไม้ที่มีคุณภาพindices.MLR เป็นร่วมกันวิธีการที่ใช้ในการวิเคราะห์เชิงปริมาณ สมการที่เกี่ยวข้องพฤติกรรมขึ้นอยู่กับตัวแปรที่จะอธิบายมีการพัฒนาโดยใช้แบบฟอร์มต่อไปนี้: Y = 0 +? n i = 1 iXi (i = 1,2,3, ... , N) whereyis ตัวแปรตามในบทความนี้ ymeans CF หรือเอสเอสหรือพีเอช; จินเป็นตัวแปรอิสระในบทความนี้ ซีอานเป็นหมายถึงการตอบสนองของเซ็นเซอร์; 0is Andi ตัดเป็นค่าสัมประสิทธิ์การถดถอยofxi; นิสจำนวนตัวแปรอิสระในบทความนี้ Nmeans จำนวนของเซ็นเซอร์ ในการทำงานในปัจจุบันขั้นตอนการ MLR ไปข้างหน้าแบบขั้นตอนถูกนำไปใช้ [19]. เครือข่ายประสาทเทียมสามารถทำให้เป็นจริงอย่างมากที่ไม่เป็นเชิงเส้นการทำแผนที่ระหว่างเข้าและส่งออกและมันก็ยืนยันว่ารุ่นนี้จะมาถึงโค้งที่ไม่ใช่เชิงเส้นใดๆ อย่างต่อเนื่อง[20] สถาปัตยกรรมของเครือข่ายประสาทเทียมได้รับการแต่งตั้งเป็นสามชั้นเครือข่ายกลับมาขยายพันธุ์ด้วยฟังก์ชั่นการถ่ายโอน tansigmoid ในชั้นที่ซ่อนอยู่และ Pureline ฟังก์ชั่นการถ่ายโอนในชั้นการส่งออก ขั้นตอนวิธีการฝึกอบรมเป็นอัตราการเรียนรู้ตัวแปรกลับขยายพันธุ์ (traingdx) อัลกอริทึมที่มีอยู่ใน MATLAB กล่องเครื่องมือของเครือข่ายประสาทเทียม มันยังได้แสดงให้เห็นประสิทธิภาพสูงในปัญหารูปแบบการรับรู้ [21]. เพื่อที่จะค้นหาความสัมพันธ์ที่ดีในการทำนายดัชนีคุณภาพผลจากค่าสัญญาณเซ็นเซอร์ที่มีคุณภาพของรูปแบบการสอบเทียบที่ถูกวัดจากความผิดพลาดมาตรฐานของการสอบเทียบ(ก.ล.ต. ) ข้อผิดพลาดมาตรฐานของการทำนายและความสัมพันธ์ค่าสัมประสิทธิ์(R) ระหว่างพารามิเตอร์ที่คาดการณ์และการวัด แบบอย่างที่ดีควรจะมีต่ำ ก.ล.ต. ต่ำกันยายนที่สูงค่าสัมประสิทธิ์สหสัมพันธ์แต่ยังมีความแตกต่างเล็ก ๆ ระหว่างสำนักงานคณะกรรมการ ก.ล.ต. และกันยายน ก.ล.ต. และกันยายนจะมีการกำหนดดังต่อไปนี้ก.ล.ต. =???? 1 Ic-1? Ic i = 1 (ยี่ -yi) 2

ผลลัพธ์ (ไทย) 3:

2.3 การวัดดัชนีคุณภาพ
2.3.1 . ได้แก่ ผลไม้ ( CF )
เจาะบังคับของบุคคลทั้งหมดผลไม้วัด
ที่ 3 ตำแหน่งตามแนวเส้นศูนย์สูตรประมาณ 120 ◦


ระหว่างพวกเขา ตั้งฉากกับแกนก้านด้านล่าง .
วัดได้ดําเนินการโดยใช้เครื่องทดสอบแบบเสาเดี่ยว 1
สากล ( Instron , บริษัท ,
Canton , MA สหรัฐอเมริกา )การทดสอบได้ดำเนินการกับขนาด 11 มม. เส้นผ่าศูนย์กลางโดยเจาะเข้าไปในผลไม้ โหลด
คะแนนของมะ 20 mmmin − 1

ความแน่วแน่เป็น
หมายถึง " บังคับ " สูงสุด 3 คะแนน
2.3.2 . SSC และ pH วัด
เจือปนมีน้ำผลไม้ลูกแพร์จะทำการวัดใน SSC

o
Brix Refractometer ดิจิตอล ( Digital Refractometer ใช้
2wa-j 0 – 32 % เซี่ยงไฮ้ , จีน )ความเป็นกรดของน้ำผลไม้ลูกแพร์วัดด้วยเครื่องวัด ( phs-3cw 0 – 14 เซี่ยงไฮ้ , จีน )
3 ซ้ำการทดลองเสร็จแต่ละลูกแพร์ SSC
และ pH เท่ากับค่าเฉลี่ยของ SSC และ pH 3 ซ้ำ

2.4 , ตามลำดับ . ขั้นตอนการทดลอง
แต่ละลูกแพร์ถูกวางลงใน airtight 1000 ml ขวดแก้วขวดแก้ว .
ถูกปิดและเฮดสเปซเป็น equilibrated 1 hการทดลองเริ่มต้นเมื่อ
ต้านทานของก๊าซเซ็นเซอร์ยังคงมีเสถียรภาพในมูลค่าสูง

พัดลม homogenised อากาศในห้องทดสอบ . เป็นจำนวนน้อยของเฮดสเปซ
ก๊าซจะทดสอบใช้ในการทดสอบในห้อง แล้ว การได้มาของข้อมูล
เริ่มต้นและเวลา 90 วินาที , เวลาเพียงพอสำหรับเซ็นเซอร์

ถึงค่าคงที่ เมื่อวัดเสร็จ สะอาด
ระยะทำงานทำความสะอาดอากาศที่ใช้เป็นห้องทดสอบ
. วัตถุประสงค์หลักคือการทำความสะอาดห้องและกลับการทดสอบ
ตัวพื้นฐานของพวกเขา ความสะอาด
เฟสนาน 120 วินาที จมูกอิเล็กทรอนิกส์ที่ใช้ที่อุณหภูมิ 25 ± 1
◦
c 50 – 60 เปอร์เซ็นต์ตลอดการทดลอง
จมูกการทดลองแต่ละลูกแพร์จำนวน 3 ซ้ำ .
หลังจากการประเมินโดยลูกแพร์ถูก
จมูกอิเล็กทรอนิกส์เอาออกจากขวดและชั่งน้ำหนักด้วยเครื่องชั่ง .
สูงสุดแรงบีบอัดของแพร์แต่ละ
วัดใน 3 ตำแหน่งตามแนวเส้นศูนย์สูตรประมาณ 120 ◦ระหว่างพวกเขาตั้งฉากกับลำต้นด้านล่าง
แกน ผลไม้ก็เลิกกัน และน้ำผลไม้สกัดเพื่อหาปริมาณของแข็งที่ละลายได้
.
และ 2.5
การวิเคราะห์ข้อมูลการวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นคีโมเมตริกซ์เชิงเส้นและการใช้เทคนิครูปแบบ unsupervised
วิเคราะห์ จำแนก และการลด dimensionality ของ
ข้อมูลเชิงตัวเลขในการแก้ปัญหาหลายตัวแปร วิธีนี้
สํารวจข้อมูลโครงสร้าง ความสัมพันธ์ระหว่างวัตถุและความสัมพันธ์ระหว่างวัตถุ

) ตัวแปรและความสัมพันธ์ของตัวแปรคุณสมบัติหลักของระบบคือ
พิกัดของข้อมูลในฐานใหม่ ( คะแนนแปลง ) และ
บริจาคให้แต่ละส่วนประกอบของเซ็นเซอร์ ( โหลดแปลง ) .
คะแนนพล็อตมักจะใช้เพื่อศึกษา classificationof ข้อมูลกลุ่มในขณะที่โหลดแปลงสามารถใช้สำหรับการให้
ข้อมูลเกี่ยวกับญาติที่สำคัญของเรย์เซ็นเซอร์
แต่ละองค์ประกอบหลักและความสัมพันธ์ซึ่งกันและกันอันเป็น
[ ]
การวิเคราะห์โดยตรง ( lda ) เป็นหนึ่งในการใช้
มากขั้นตอน วิธีที่เป็นเทคนิคการจำแนกและพารามิเตอร์การเพิ่มความแปรปรวน
ระหว่างประเภทและลดความแปรปรวนในประเภทโดยวิธีการของข้อมูลประมาณการจากสูงมิติ
พื้นที่พื้นที่มิติต่ำในวิธีนี้ , หมายเลขของฟังก์ชันจำแนกเชิงเส้นเชิงตั้งฉาก

เท่ากับจำนวนของประเภทหนึ่งเป็นลบได้ รูปแบบหมวดหมู่
ทำนายใช้ไปหนึ่งขั้นตอน แต่ละตัวอย่าง
ถูกลบออกจากข้อมูลชุดหนึ่งที่เวลา การสร้างและลบ
แบบตัวอย่างจัดอยู่ในรูปแบบใหม่นี้

ทั้งหมดตัวอย่างของชุดข้อมูลมีความสามารถ