The statistical summary of calibrat

The statistical summary of calibration and prediction by crossvalidation
is presented in Table 2. Accurate NIRS predictions were found
for crude protein (CP, R2 = 0.85; RMSECV = 0.48% on a wet matter
basis, RPD = 2.10), moisture (R2 = 0.90; RMSECV = 0.60%, RPD =
2.13) and intramuscular fat content (IMF, R2 = 0.86; RMSECV = 1.08%
on a wet matter basis, RPD= 2.01).Many studies have shown the ability
of NIR spectroscopy to predict the content of main chemical components
in meat of different species, as reviewed in Prieto, Roehe, Lavín,
Batten, and Andrés (2009a). In the present study, when mathematical
treatments were applied to the spectra, NIRS predictability was at a
higher level. Namely, the best mathematical treatment was based on
the scatter correction standard normal variate and detrend combined
with the first or second derivative (SNV-D + 1D/2D) (Fig. 2). It is
known that the SNV-D treatment improves NIRS predictions by reducing
multicolinearity and the confounding effects of baseline shift and curvature
(Dhanoa et al., 1995). Furthermore, the use of derivatives not only
reduces scattering effects but also highlights the signals related to
organic compounds

ผลลัพธ์ (ไทย) 2:

สรุปสถิติการสอบเทียบและการทำนายโดย crossvalidation
จะนำเสนอในตารางที่ 2 การคาดการณ์ที่ถูกต้อง NIRS ที่พบ
สำหรับโปรตีน (CP, R2 = 0.85; RMSECV = 0.48% ในเรื่องเปียก
พื้นฐาน RPD = 2.10) ความชื้น (R2 = 0.90 ; RMSECV = 0.60%, RPD =
2.13) และปริมาณไขมันกล้าม (IMF, R2 = 0.86; RMSECV = 1.08%
บนพื้นฐานเรื่องเปียก RPD = 2.01) การศึกษาหลายคนได้แสดงให้เห็นความสามารถ
ของสเปคโทร NIR ที่จะทำนายเนื้อหาของ องค์ประกอบทางเคมีที่สำคัญ
ในเนื้อสัตว์สายพันธุ์ที่แตกต่างกันเช่นการตรวจสอบในฆี Roehe, Lavín,
ตรึงและAndrés (2009A) ในการศึกษาครั้งเมื่อทางคณิตศาสตร์
การรักษาที่ถูกนำไปใช้กับสเปกตรัม, การคาดการณ์ NIRS อยู่ใน
ระดับที่สูงขึ้น คือการรักษาทางคณิตศาสตร์ที่ดีที่สุดก็ขึ้นอยู่กับ
การแก้ไขกระจายมาตรฐาน variate ปกติและอิทธิพลของความล่าช้ารวม
กับอนุพันธ์เป็นครั้งแรกหรือครั้งที่สอง (SNV-D + 1D / 2D) (รูปที่ 2). มันเป็น
ที่รู้กันว่าการรักษา SNV-D ช่วยเพิ่มการคาดการณ์ NIRS โดยการลด
multicolinearity และผลกระทบของการเปลี่ยนแปลงรบกวนพื้นฐานและความโค้ง
(Dhanoa et al., 1995) นอกจากนี้การใช้อนุพันธ์ไม่เพียง แต่
ช่วยลดผลกระทบกระจาย แต่ยังเน้นการส่งสัญญาณที่เกี่ยวข้องกับ
สารอินทรีย์

ผลลัพธ์ (ไทย) 3:

การสรุปสถิติการสอบเทียบและการพยากรณ์โดย crossvalidation
ที่แสดงในตารางที่ 2 ถูกต้อง nirs คาดคะเนพบ
สำหรับโปรตีน ( CP , R2 = 0.85 ; rmsecv = 0.48 % ในเรื่อง
เปียกพื้นฐานร์แพด = 2.10 ) ความชื้น ( R2 = 0.90 ; rmsecv = 0.60 % ร์แพด =
2.13 ) และปริมาณไขมันฉีด ( IMF , R2 = 0.86 rmsecv = 1.08 %
; บนพื้นฐานเรื่องเปียกร์แพด = 2.01 )การศึกษาจำนวนมากได้แสดงความสามารถ
ของ NIR สเปกโทรสโกปีเพื่อทำนายปริมาณ
ส่วนประกอบทางเคมีหลักในเนื้อชนิดต่าง ๆเช่น ทบทวน roehe ี้ ปรีเ ต , เมือง , ห้องน้ำ , batten
และอังเดร ( 2009a ) ในการศึกษาเมื่อวิทยาการทางคณิตศาสตร์
ถูกนําไปใช้ในสเปกตรัมของ nirs ใน
ในระดับที่สูงขึ้น คือ การรักษาที่ดีที่สุดคือขึ้นอยู่กับ
คณิตศาสตร์การกระจาย variate ปกติมาตรฐาน และ detrend รวม
กับครั้งแรก หรืออนุพันธ์อันดับสอง ( snv-d 1D / 2D ) ( รูปที่ 2 ) มันเป็นที่รู้จักกันว่า การรักษา snv-d ปรับปรุง

multicolinearity nirs คาดคะเน ด้วยการลดและเพิ่มโอกาสเสี่ยงต่อกะพื้นฐานและความโค้ง
( dhanoa et al . , 1995 ) นอกจากนี้ การใช้อนุพันธ์ไม่เพียงแต่
ช่วยลดผลกระทบกระจายแต่ยังเน้นสัญญาณที่เกี่ยวข้องกับ
สารอินทรีย์