Near infrared (NIR) spectroscopy ha

Near infrared (NIR) spectroscopy has been proved to be an effective approach to detect internal quality of agro-products including fruits. Many researches regarding detection of fruits' internal quality are available in literatures, in which one of the most frequently studied is the SSC determination in fruits including apple (Ying et al., 2005), pear (Xu et al., 2012), peach (Golding et al., 2005 and Shao et al., 2011), orange (Jamshidi et al., 2012), watermelon (Jie et al., 2013) and so on. However, because the absorption bands in NIR region are typically broad, weak and extensively overlapped, the appropriate application of NIR spectral data requires careful attention (Arakawa et al., 2011). Furthermore, the modern spectroscopy instrumentations usually possess high resolution, with the spectral data sets obtained often containing hundreds even thousands of variables including noises from environmental and instrumental sources (Wu et al., 2010 and Xu et al., 2012). The large number of spectral variables often leads to complexity and poor predicting ability of a calibration model (Zou et al., 2010). To deal with these problems, chemometrical methods such as partial least squares (PLS) regression and principal component regression (PCR) are commonly used since they are capable to treat very large data matrices and extract relevant information (Leardi and Lupiáñez González, 1998). However, when used for on-line or at-line purposes, the complex calibration models developed with the whole spectrum will not be applicable (Andersen and Bro, 2010). In such cases, multiple linear regression (MLR) models developed with critical variables/wavelengths are practically usable. However, the MLR method suffers from the collinearity among the variables used in the models (Næs and Mevik, 2001). In addition, when building MLR models, variables should be less than samples, which is almost impossible for the large spectral data. Therefore, the selection of effective wavelengths (EWs) is of great significance for building models especially for online purposes (Zou et al., 2010). Elimination of uninformative variables can improve the model predictions, reduce measurement costs and facilitate model interpretation (Andersen and Bro, 2010 and Cai et al., 2008)

ผลลัพธ์ (ไทย) 1:

สเปกโทรสโกได้รับการพิสูจน์แล้วว่าเป็นแนวทางที่มีประสิทธิภาพในการตรวจสอบคุณภาพภายในของสินค้าเกษตรรวมทั้งผลไม้ใกล้อินฟราเรด (NIR) หลายงานวิจัยเกี่ยวกับการตรวจสอบคุณภาพภายในผลไม้ที่มีอยู่ในวรรณกรรมซึ่งในส่วนหนึ่งของการศึกษาที่พบบ่อยที่สุดคือความมุ่งมั่นของเอสเอสในผลไม้รวมทั้งแอปเปิ้ล (Ying et al. 2005), ลูกแพร์ (Xu ร้อยเอ็ด 2012), ลูกพีช (ดิงส์ร้อยเอ็ด ปี 2005 และ Shao et al. 2011), สีส้ม (Jamshidi et al. 2012), แตงโม (Jie et al. 2013) และอื่นๆอย่างไรก็ตามเนื่องจากวงดนตรีที่ดูดซึมในภูมิภาคมักจะกว้างอ่อนแอและพร้อมเพรียงกันอย่างกว้างขวางโปรแกรมที่เหมาะสมของข้อมูลสเปกตรัม NIR NIR ต้องให้ความสนใจอย่างระมัดระวัง (อะระกะวะ et al. 2011) นอกจากนี้ instrumentations สเปกโทรสโกที่ทันสมัยมักจะมีความละเอียดสูงด้วยชุดข้อมูลสเปกตรัมที่ได้รับมักจะมีหลายร้อยหลายพันของตัวแปรรวมทั้งเสียงจากแหล่งข้อมูลด้านสิ่งแวดล้อมและเครื่องมือ (Wu et al. 2010 และ Xu et al. 2012) จำนวนมากของตัวแปรผีมักจะนำไปสู่ความซับซ้อนและความสามารถในการคาดการณ์ที่น่าสงสารของรูปแบบการสอบเทียบ (Zou et al. 2010) การจัดการกับปัญหาเหล่านี้วิธีการ chemometrical เช่นสี่เหลี่ยมอย่างน้อยบางส่วน (PLS) ระดับการถดถอยและการถดถอยองค์ประกอบหลัก (PCR) เป็นที่นิยมใช้เนื่องจากพวกเขามีความสามารถในการฝึกอบรมในการรักษาข้อมูลที่มีขนาดใหญ่มากและสารสกัดจากข้อมูลที่เกี่ยวข้อง (Leardi และLupiáñezGonzález, 1998) แต่เมื่อนำมาใช้เพื่อวัตถุประสงค์ในบรรทัดหรือบรรทัดรูปแบบการสอบเทียบการพัฒนาที่มีความซับซ้อนทั้งสเปกตรัมจะไม่บังคับ (เซนและ 2010 ครับ) แบบจำลองการพัฒนาที่มีตัวแในกรณีดังกล่าวหลายถดถอยเชิงเส้น (MLR)ปรที่สำคัญ / ความยาวคลื่นที่มีการใช้งานจริงอย่างไรก็ตามวิธี MLR ทนทุกข์ทรมานจากภาวะร่วมเส้นตรงระหว่างตัวแปรที่ใช้ในแบบจำลอง (Naes และ Mevik 2001) เดอะนอกจากนี้เมื่อมีการสร้างแบบจำลองอัตราดอกเบี้ย MLR ตัวแปรควรจะน้อยกว่ากลุ่มตัวอย่างซึ่งเป็นไปไม่ได้เกือบสำหรับข้อมูลสเปกตรัมขนาดใหญ่มีความสำคัญอย่างยิ่งสำหรับการสร้างแบบจำลองโดยเฉพาะอย่างยิ่งสำหรับวัตถุประสงค์ออนไลน์ดังนั้นการเลือกความยาวคลื่นที่มีประสิทธิภาพ (EWS) (Zou et al. 2010)การกำจัดของตัวแปร uninformative สามารถปรับปรุงการคาดการณ์รูปแบบการลดค่าใช้จ่ายการวัดและการอำนวยความสะดวกในการตีความรูปแบบ (เซนและครับ 2010 และ Cai et al. 2008)

ผลลัพธ์ (ไทย) 2:

ใกล้อินฟราเรด (NIR) (Ying et al., 2005), ลูกแพร์ (Xu et al., 2012), ลูกพีช (ดิงส์ et al., ปี 2005 และ Shao et al. 2011) สีส้ม (Jamshidi et al., 2012) แตงโม (Jie et al., 2013) และอื่น NIR NIR ต้องให้ความสนใจอย่างระมัดระวัง (Arakawa et al. 2011) นอกจากนี้ instrumentations (Wu et al., 2010 และ Xu et al., (Zou et al., chemometrical เช่นสี่เหลี่ยมอย่างน้อยบางส่วน (PLS) (PCR) (Leardi และLupiáñezGonzález, (เซนและ Bro 2010) ในกรณีดังกล่าวหลายถดถอยเชิงเส้น (MLR) / MLR ทนทุกข์ทรมานจาก collinearity ระหว่างตัวแปรที่ใช้ในแบบจำลอง (Naes และ Mevik 2001) อัตราดอกเบี้ย MLR (EWS) (Zou et al., 2010) การกำจัดของตัวแปร uninformative (เซนและ Bro 2010 และ Cai et al., 2008)

ผลลัพธ์ (ไทย) 3:

近红外（NIR）光谱已被证明是一个有效的方法来detect agro-products内部质量许多研究，包括regarding水果。水果的内部质量检测，可在literatures '，这是在一是研究的最frequently水果包括苹果determination在SSC（英）等人，2005 pear（Xu et al .，2012），桃（戈尔丁和邵2005 et al .，et al .，2011），橙色（Jamshidi et al .，2012（捷），watermelon et al .，2013）和SO上。然而，由于在近红外区的吸收带，通常是广阔的，weak和extensively overlapped应用近红外光谱数据的appropriate requires Arakawa注意（小心），2011等人。此外，现代高分辨率光谱仪器通常possess光谱数据，与obtained often containing hundreds套成千上万的声音，甚至包括从该来源的标记和帮助（Wu et al .，2010和Xu et al .，2012 number of large均可）。often variables）和leads complexity可怜到一predicting校准模型的能力。邹等人，2010（这些协议）。与“的问题，如chemometrical部分最小二乘方法（PLS）squares As和回归。principal component回归（PCR）的能力，他们是来自commonly用数据处理非常大matrices和蛋白胨相关信息.（Leardi和EZ的女同性恋者，Gonzñ1998）。然而，当用为目的，at-line在线或复合体。校准模型的发展与整个频谱（安德森和applicable不会是兄弟，在这样的情况下，2010多）。开发的模型的线性回归（MLR），该波长与practically / usable是关键。然而，MLR方法。从最suffers共线的变量在模型among赢得Mevik（N，S和2001℃）。此外，当建立MLR。该模型应该是较少的样本，这是比的，几乎impossible均可），因此，选择的数据。的有效波长的EWs郡（）是significance模型为目的，建立网上（特别是，邹等。Elimination of variables）。2010模型可以提高信息的可靠性，成本和facilitate predictions reduce模型（安德森和interpretation兄弟，2010和蔡等人，2008）