For the data analysis, principal co

For the data analysis, principal component analysis (PCA) was
carried out on the SNV- and MSC-processed spectra from both FTNIR
and FT-IR. PCA can readily be applied to spectroscopic data to
perceive the nature and scattering level of the data. The first principal
component (PC1) describes the maximum of variation or spread in
the samples. A second principal component (PC2), orthogonal to the
first (i.e., completely uncorrelated), describes the maximum of the
variation not described by the first eigenvector, and so on. With this
procedure, the most important features of the data set can be seen in a
low-dimensionality plot.19 A multivariate calibration model of a partial
least-squares regression (PLSR) was then developed using all of the
preprocessed spectral data to predict the extent of adulteration in the
pure onion and adulterated onion powder samples. PLSR is
particularly suited when the matrix of predictors has more variables
than observations, such as from spectral data. PLSR has been used in
food authentication studies based in spectroscopic data.11 Multivariate
analysis was performed using MATLAB software version 7.0.4 (The
Mathworks, Natick, MA, USA)

ผลลัพธ์ (ไทย) 1:

สำหรับการวิเคราะห์ข้อมูล การวิเคราะห์ส่วนประกอบหลัก (PCA) เป็นดำเนินการในสเปกตรัมดำเนินเข็ม และ MSC จาก FTNIR ทั้งสองและฟุต IR. พร้อมสามารถใช้ PCA ข้อมูลสเปคตรัมรับรู้ลักษณะและระดับการกระจายของข้อมูล หลักแรกคอมโพเนนต์ (PC1) อธิบายผันแปรหรือแพร่กระจายในสูงสุดกลุ่มตัวอย่าง สองหลักส่วนประกอบ (PC2), มุมฉากเพื่อการครั้งแรก (เช่น สมบูรณ์ uncorrelated), อธิบายถึงจำนวนสูงสุดเปลี่ยนแปลงที่ไม่ได้อธิบายแรก eigenvector และอื่น ๆ ด้วยเหตุนี้ขั้นตอน คุณสมบัติสำคัญที่สุดของชุดข้อมูลเป็นไปได้ในการแบบสอบเทียบตัวแปรพหุมิติต่ำ plot.19 A เป็นบางส่วนถดถอยกำลังสองน้อยสุด (PLSR) ถูกพัฒนาโดยใช้ทั้งหมดแล้วให้preprocessed ข้อมูลสเปกตรัมการคาดการณ์ขอบเขตของแจ๊กในการหอมบริสุทธิ์และเจือปนหอมผงตัวอย่าง เป็น PLSRเหมาะอย่างยิ่งเมื่อเมตริกซ์ของการพยากรณ์ที่มีตัวแปรเพิ่มเติมกว่าข้อสังเกต เช่นข้อมูลสเปกตรัม มีการใช้ PLSR ในศึกษาตรวจสอบอาหารในสเปคตรัม data.11 หลายตัวแปรดำเนินการวิเคราะห์โดยใช้ MATLAB 7.0.4 (เวอร์ชันซอฟต์แวร์Mathworks, Natick, MA, USA)

ผลลัพธ์ (ไทย) 2:

สำหรับการวิเคราะห์ข้อมูลการวิเคราะห์องค์ประกอบหลัก (PCA) คือการ
ดำเนินการในสเปกตรัม SNV- และ MSC ประมวลผลจากทั้ง FTNIR
และ FT-IR PCA สามารถพร้อมที่จะนำไปใช้สเปกโทรสโกข้อมูลเพื่อ
รับรู้ธรรมชาติและกระเจิงระดับของข้อมูล เงินต้นครั้งแรก
ส่วนประกอบ (PC1) อธิบายสูงสุดของการเปลี่ยนแปลงหรือการแพร่กระจายใน
กลุ่มตัวอย่าง เป็นครั้งที่สององค์ประกอบหลัก (PC2) มุมฉากกับ
ครั้งแรก (เช่นไม่มีความสมบูรณ์) อธิบายสูงสุดของ
การเปลี่ยนแปลงไม่ได้อธิบายโดยวิคเตอร์แรกและอื่น ๆ ด้วยวิธีนี้
ขั้นตอนคุณสมบัติที่สำคัญที่สุดของชุดข้อมูลที่สามารถมองเห็นใน
ที่ต่ำมิติ plot.19 รูปแบบการสอบเทียบหลายตัวแปรของบางส่วน
อย่างน้อยสี่เหลี่ยมถดถอย (PLSR) ได้รับการพัฒนาแล้วใช้ทั้งหมดของ
ข้อมูลสเปกตรัม preprocessed ที่จะคาดการณ์ ขอบเขตของการปลอมปนใน
หัวหอมบริสุทธิ์และปลอมปนตัวอย่างผงหัวหอม PLSR คือ
เหมาะอย่างยิ่งเมื่อเมทริกซ์ของการพยากรณ์มีตัวแปรมากขึ้น
กว่าการสังเกตเช่นจากข้อมูลสเปกตรัม PLSR ถูกนำมาใช้ใน
การศึกษาการตรวจสอบอาหารที่อยู่ในสเปกโทรสโก data.11 หลายตัวแปร
การวิเคราะห์ถูกดำเนินการโดยใช้ MATLAB ซอฟต์แวร์เวอร์ชั่น 7.0.4 (ใน
Mathworks, เนติ, MA, USA)

ผลลัพธ์ (ไทย) 3:

สำหรับการวิเคราะห์ข้อมูล การวิเคราะห์องค์ประกอบหลัก ( PCA ) คือดำเนินการเกี่ยวกับ snv และ MSc แปรรูปทั้งจาก ftnir สเปกตรัมแล้ว - . ระบบสามารถพร้อมที่จะใช้ข้อมูลทางสเปกโทรสโกปีเพื่อรับรู้ธรรมชาติและการกระจายระดับของข้อมูล 1 หลักส่วนประกอบ ( PC ) อธิบายการเปลี่ยนแปลงหรือแพร่กระจายในสูงสุดตัวอย่าง สององค์ประกอบหลัก ( pc2 ) ตั้งฉากกับก่อน ( เช่น สมบูรณ์ uncorrelated ) อธิบายถึงสูงสุดของการเปลี่ยนแปลงไม่บรรยายโดยไอเกนเวกเตอร์แรก และอื่น ๆ กับนี้กระบวนการ คุณลักษณะที่สำคัญที่สุดของชุดข้อมูลที่สามารถเห็นได้ในdimensionality ต่ำ plot.19 รูปแบบหลายตัวแปรของการปรับบางส่วนวิธีสมการถดถอย ( plsr ) จึงได้ถูกพัฒนาขึ้นโดยใช้ทั้งหมดของpreprocessed ข้อมูลสเปกตรัมเพื่อทำนายการปลอมปนในขอบเขตของบริสุทธิ์และหอมปลอมปนตัวอย่างผงหัวหอม plsr คือเหมาะอย่างยิ่งเมื่อเมทริกซ์ของตัวแปรตัวนี้มีมากขึ้นนอกจากสังเกต เช่น ข้อมูลที่ได้จากการมองเห็น plsr ได้รับใช้การตรวจสอบอาหารศึกษาตามในทาง data.11 ตัวแปรหลายตัววิเคราะห์ข้อมูลโดยใช้ 7.0.4 ( รุ่นของซอฟต์แวร์แมธเวิร์คส์นาติค , MA , USA ) ,