Near-infrared (NIR) and Raman spect

Near-infrared (NIR) and Raman spectroscopy have been extensively
utilized for analysis of various agricultural samples [1–5]
since these methods enable fast and non-destructive analysis
without requiring further sample pretreatment. The chemical
composition of agricultural samples is usually complex, severe
overlapping with individual bands of components make the obtained
spectral features indistinct. Therefore, for either quantitative
analysis or classification using spectra with complex features,
the adoption of a multivariate analysis such as principal component
analysis (PCA) and partial least squares (PLS) is now a routine
practice [6–12]. PCA and PLS describe linear variability in spectra
by linear projections of greatest variance from covariance matrix.
Although these methods have been successful for chemometric

ผลลัพธ์ (ไทย) 1:

กรามันและใกล้อินฟราเรด (NIR) ได้อย่างกว้างขวางใช้สำหรับการวิเคราะห์ตัวอย่างทางการเกษตรต่าง ๆ [1-5]เนื่องจากวิธีการเหล่านี้เปิดใช้งานการวิเคราะห์อย่างรวดเร็ว และไม่ทำลายโดยไม่ต้องเพิ่มเติมอย่าง pretreatment สารเคมีองค์ประกอบด้านการเกษตรอย่างมีมักซับซ้อน รุนแรงทับซ้อนกับแต่ละวงของทำให้ส่วนประกอบที่ได้รับลักษณะสเปกตรัม indistinct ดังนั้น สำหรับทั้งเชิงปริมาณวิเคราะห์หรือการจัดประเภทที่ใช้แรมสเป็คตราที่ มีลักษณะซับซ้อนการวิเคราะห์ตัวแปรพหุเช่นคอมโพเนนต์หลักที่ยอมรับการวิเคราะห์ (PCA) และบางส่วนกำลังสองน้อยสุด (กรุณา) เป็นชุดคำสั่งปฏิบัติ [6-12] PCA และกรุณาอธิบายความแปรผันเชิงเส้นในแรมสเป็คตราโดยการคำนวณแบบเชิงเส้นของผลต่างที่มากที่สุดจากเมทริกซ์ความแปรปรวนร่วมแม้ว่าวิธีการเหล่านี้ได้ประสบความสำเร็จสำหรับ chemometric

ผลลัพธ์ (ไทย) 2:

ใกล้อินฟราเรด (NIR)
และสเปคโทรรามันได้รับอย่างกว้างขวางใช้สำหรับการวิเคราะห์ตัวอย่างทางการเกษตรหลายชนิด[1-5] ตั้งแต่วิธีการเหล่านี้ช่วยให้การวิเคราะห์ที่รวดเร็วและไม่ทำลายโดยไม่ต้องมีการปรับสภาพตัวอย่างต่อไป สารเคมีที่องค์ประกอบของตัวอย่างการเกษตรมักจะซับซ้อนรุนแรงที่ทับซ้อนกันกับวงดนตรีของแต่ละชิ้นส่วนให้ได้คุณสมบัติสเปกตรัมไม่ชัด ดังนั้นสำหรับทั้งเชิงปริมาณการวิเคราะห์หรือการจัดหมวดหมู่การใช้สเปกตรัมที่มีคุณสมบัติที่ซับซ้อนการยอมรับของการวิเคราะห์หลายตัวแปรเช่นองค์ประกอบหลักวิเคราะห์(PCA) และสี่เหลี่ยมอย่างน้อยบางส่วน (PLS) คือตอนนี้ประจำการปฏิบัติ [6-12] PCA และ PLS อธิบายความแปรปรวนเชิงเส้นสเปกตรัมจากการคาดการณ์เชิงเส้นของความแปรปรวนมากที่สุดจากแปรปรวนเมทริกซ์. แม้ว่าวิธีการเหล่านี้ได้รับการประสบความสำเร็จสำหรับ chemometric

ผลลัพธ์ (ไทย) 3:

อินฟราเรดใกล้ ( NIR ) และรามานสเปกโทรสโกปีได้รับอย่างกว้างขวางใช้ในการวิเคราะห์ตัวอย่าง
การเกษตรต่างๆ [ 1 – 5 ]
เนื่องจากวิธีการเหล่านี้ให้รวดเร็ว และไม่ทำลาย โดยไม่ต้องมีการเตรียมตัวอย่างการวิเคราะห์
เพิ่มเติม สารเคมี
องค์ประกอบของตัวอย่างเกษตรมักจะซับซ้อน รุนแรง
ซ้อนด้วยแต่ละวงของส่วนประกอบให้นำ
คุณสมบัติเสียงผี . ดังนั้น เพื่อให้ปริมาณวิเคราะห์
หรือการจำแนกโดยใช้สเปกตรัมด้วยคุณสมบัติที่ซับซ้อน
การยอมรับของการวิเคราะห์ตัวแปรหลายตัว เช่น การวิเคราะห์องค์ประกอบหลัก ( PCA ) และ
กำลังสองน้อยที่สุดบางส่วน ( PLS ) ตอนนี้ซ้อมตามปกติ
[ 6 – 12 ] กรุณาอธิบายความแปรปรวนใน PCA และเชิงเส้น โดยเส้น Spectra
ประมาณการมากที่สุดจากความแปรปรวน
เมทริกซ์ถึงแม้ว่าวิธีการเหล่านี้ได้รับความสำเร็จสำหรับคีโมเมตริกซ์