In a second step, we therefore proc

In a second step, we therefore processed FTIR spectroscopy data
using an ANN. Compared to unsupervised learning methods (e.g.
HCA and principal component analysis), supervised learning
methods such as ANNs can significantly increase discriminatory
power and are particularly suited for routine analytical purposes as
they enable analysis of “unknown samples” in a fairly straightforward
‘yes’ or ‘no’ manner (Grunert et al., 2013; Lasch, Beekes,
Schmitt, & Naumann, 2007; Rebuffo, Schmitt, Wenning, von
Stetten, & Scherer, 2006). The establishment of the ANN was
based on the same second derivative, vector normalized spectra
used for HCA. The ANN was trained with selected spectral signatures
defined by the COVAR algorithm as input data (input neurons)
paired with the predefined output classes fresh (refrigerated only)
and frozen/thawed chicken meat (output neurons). To achieve
optimal network performance, the input and hidden neurons were
automatically adjusted during the iterative training process until
the global errorwas at its minimum (Naumann, 2000). In our study,
ANN training resulted in a single-level ANN using the 22 most
discriminativewavenumbers (input neurons), two hidden neurons,
and two output neurons. Two to three randomly selected spectra of
each of the nine sample groups (R0,2,5 and FT2,5,15,30,75,85) were used
for internal validation. A correct classification was achieved for 20
out of 21 samples. One sample (FT85) yielded an ambiguous result

ผลลัพธ์ (ไทย) 1:

ในขั้นตอนที่สอง เราจึงประมวลผลข้อมูลสเปกโทรสโก FTIRใช้การเทียบ ANN. กับวิธีการเรียนรู้คอยกำกับ (เช่นHCA และวิเคราะห์ส่วนประกอบหลัก), ดูแลการเรียนรู้วิธีการเช่น ANNs สามารถเพิ่มเลือกปฏิบัติพลังงานและจะเหมาะอย่างยิ่งสำหรับการวิเคราะห์เป็นประจำใช้การวิเคราะห์อย่าง"ไม่รู้จัก" ในค่อนข้างตรง'ใช่' หรือ 'ไม่' ลักษณะ (Grunert et al. 2013 Lasch, BeekesSchmitt, & นัว 2007 Rebuffo, von Schmitt, WenningStetten, & Scherer, 2006) การจัดตั้งของแอนถูกอิงจากอนุพันธ์อันดับสองเดียว เวกเตอร์สเปกตรัมมาตรฐานใช้สำหรับ HCA แอนได้รับการฝึกฝนพร้อมลายเซ็นสเปกตรัมที่เลือกกำหนด โดยอัลกอริทึม covar จะเป็นข้อมูลที่ป้อน (ป้อนข้อมูลเซลล์ประสาท)จับคู่กับผลลัพธ์ที่กำหนดไว้ล่วงหน้าเรียนสด (แช่เย็นเท่านั้น)และเนื้อไก่แช่แข็ง/เตรียมออกประสาท) เพื่อให้บรรลุประสิทธิภาพของเครือข่ายที่ดีที่สุด เซลล์ประสาทเข้า และซ่อนได้ปรับปรุงโดยอัตโนมัติในระหว่างกระบวนการฝึกอบรมซ้ำจนกว่าerrorwas โลกที่ค่าต่ำสุด (นัว 2000) ในการศึกษาของเราการฝึกส่งผลให้ใน ANN ระดับเดียวที่ใช้มากสุด 22 แอนdiscriminativewavenumbers (สัญญาณประสาท เซลล์ประสาทซ่อนสองและเซลล์ประสาทออกสอง สองถึงสามสุ่มเลือกสเปกตรัมของแต่ละตัวอย่างเก้าใช้กลุ่ม (R0, 2, 5 และ 5, 15, 30, 75, 85, FT2)สำหรับการตรวจสอบภายใน ได้ผลการจำแนกถูกต้อง 20จากตัวอย่างที่ 21 หนึ่งในตัวอย่าง (FT85) ผลผลลัพธ์ชัดเจน

ผลลัพธ์ (ไทย) 2:

ในขั้นตอนที่สองเราจึงประมวลผลข้อมูล FTIR สเปกโทรสโก
ใช้ ANN เมื่อเทียบกับวิธีการเรียนรู้ใกล้ชิด (เช่น
HCA และวิเคราะห์องค์ประกอบหลัก) ภายใต้การดูแลการเรียนรู้
วิธีการเช่น ANNs อย่างมีนัยสำคัญสามารถเพิ่มพินิจพิเคราะห์
อำนาจและมีความเหมาะสมอย่างยิ่งสำหรับการวิเคราะห์ประจำเป็น
พวกเขาช่วยให้การวิเคราะห์ของ "ตัวอย่างที่ไม่รู้จัก" ในธรรมตรงไปตรง
'ใช่' หรือ 'ไม่' ลักษณะ (Grunert et al, 2013;. Lasch, Beekes,
มิตและ Naumann 2007; Rebuffo, ซมิต Wenning ฟอน
เตรทและเรอร์ 2006) สถานประกอบการของแอน
อยู่บนพื้นฐานของอนุพันธ์ที่สองเดียวกันเวกเตอร์สเปกตรัมปกติ
ใช้สำหรับ HCA แอนได้รับการฝึกฝนที่มีลายเซ็นสเปกตรัมเลือก
ที่กำหนดโดยขั้นตอนวิธีการ COVAR เป็นข้อมูลอินพุท (เซลล์ประสาทการป้อนข้อมูล)
จับคู่กับการเรียนที่กำหนดไว้ล่วงหน้าเอาท์พุทสด (แช่เย็นเท่านั้น)
และแช่แข็ง / ละลายเนื้อไก่ (เซลล์ประสาทขาออก) เพื่อให้บรรลุถึง
ประสิทธิภาพของเครือข่ายที่ดีที่สุดและการป้อนข้อมูลที่ซ่อนอยู่ในเซลล์ประสาทที่ถูก
ปรับโดยอัตโนมัติในระหว่างขั้นตอนการฝึกอบรมซ้ำจนกว่า
errorwas ทั่วโลกที่ต่ำสุด (Naumann, 2000) ในการศึกษาของเรา
การฝึกอบรม ANN ผลในระดับเดียว ANN ใช้มากที่สุด 22
discriminativewavenumbers (เซลล์ประสาทการป้อนข้อมูล) สองเซลล์ประสาทที่ซ่อนอยู่
และสองเซลล์ประสาทเอาท์พุท สองถึงสามสเปกตรัมสุ่มเลือกของ
แต่ละกลุ่มตัวอย่างเก้า (R0,2,5 และ FT2,5,15,30,75,85) ถูกนำมาใช้
สำหรับการตรวจสอบภายใน การจัดหมวดหมู่ที่ถูกต้องก็ประสบความสำเร็จ 20
จาก 21 ตัวอย่าง ตัวอย่างหนึ่ง (FT85) ส่งผลให้ผลไม่ชัดเจน

ผลลัพธ์ (ไทย) 3:

ในขั้นตอนที่สอง เราจึงประมวลผล FTIR spectroscopy ข้อมูลใช้ แอน เมื่อเทียบกับวิธีการเรียนคนเดียว ( เช่นHCA และการวิเคราะห์ส่วนประกอบหลัก ) ดูแลการเรียนวิธีการเช่นสามารถเพิ่มทางเลือกปฏิบัติพลังงาน และเหมาะอย่างยิ่งสำหรับวัตถุประสงค์ในการวิเคราะห์ขั้นตอนเป็นพวกเขาช่วยให้วิเคราะห์ " ตัวอย่าง " ที่ค่อนข้างตรงไปตรงมา" ใช่ " หรือ " ไม่ " ลักษณะ ( grunert et al . , 2013 ; แลช beekes , ,ชมิทท์ และเนาเมิ่น , 2007 ; rebuffo เวนนิ่ง ฟอน ชมิตต์ , , ,สเตเทิ้น และ เชอร์เรอร์ , 2006 ) สถานประกอบการของแอน คืออนุพันธ์ที่สองตามแบบมาตรฐาน Spectra เวกเตอร์ใช้ HCA . ที่แอนได้รับเลือกลายเซ็นสเปกตรัมที่กำหนด โดยการเปลี่ยนวิธีเป็นข้อมูลเข้า ( เซลล์ประสาท input )จับคู่กับผลผลิตล่วงหน้า ( เรียนสดแช่เย็นเท่านั้น )และแช่แข็ง / ละลายเนื้อไก่เอาต์พุต ( เซลล์ประสาท ) เพื่อให้บรรลุประสิทธิภาพของเครือข่ายที่เหมาะสม , การป้อนข้อมูลและซ่อนเซลล์ประสาทคือปรับโดยอัตโนมัติในระหว่างกระบวนการฝึกซ้ำจนกว่าโลก errorwas ที่น้อยที่สุด ( เนาเมิ่น , 2000 ) ในการศึกษาของเราแอน อบรม ส่งผลให้ระดับเดียว แอนใช้ 22 มากที่สุดdiscriminativewavenumbers ( เซลล์ประสาท input ) , เซลล์ประสาทที่ซ่อนอยู่ 22 เซลล์ประสาทและผลผลิต สองถึงสามสุ่มสเปกตรัมแต่ละเก้ากลุ่ม ( และ r0,2,5 ft2,5,15,30,75,85 ) จำนวนสำหรับการตรวจสอบภายใน หมวดหมู่ที่ถูกต้องเท่ากับ 20จาก 21 ตัวอย่าง ตัวอย่าง ( ft85 ) ให้ค่าผลกำกวม