The classification of FT-IR spectra

The classification of FT-IR spectra of different oil samples (corn,
canola, sunflower, soya, olive and butter) by means of pattern recognition
method was investigated. The principal aim of this paper
is to present chemometrics as a serious alternative to more complex
analytical tools for the analysis of ‘‘high correlated’’ data for
quality control diagnosis and, ultimately, food chemistry. PLS-DA
and iPLS-DA resulted in partial discrimination of few classes. However,
high discrimination ability was obtained by ECVA and iECVA
such that all of 255 oil samples used in this study were correctly
assigned by iECVA to their own class group with 100% sensitivity
and specificity.
Table 2
Specificity (Sp)a and sensitivity (Sn)b achieved by different classification methods.
Subset Method Corn Canola Sun flower Soya Olive Butter
Cal Sn Sp Sn Sp Sn Sp Sn Sp Sn Sp Sn Sp
PLS 0 1 0 0.95 0.24 0.60 0.34 0.64 0.18 0.96 0.80 1
PLS with ESMC 0 0.98 0 0.93 0.20 0.89 0.31 0.33 0.18 0.95 0.85 1
iPLS with ESMC 0 1 0.1 0.94 0.27 0.74 0.36 0.56 0.20 1 1 1
ECVA with ESMC 1 1 1 1 0.82 1 1 0.97 1 1 1 1
iECVA with ESMC 1 1 1 1 1 1 1 1 1 1 1 1
Pred PLS 0 1 0 0.87 0.22 0.92 0.30 0.75 0.17 0.88 0.82 1
PLS with ESMC 0 1 0 0.95 0.20 0.85 0.28 0.52 0.19 0.92 0.86 1
iPLS with ESMC 0 1 0.2 0.94 0.27 0.77 0.32 0.52 0.19 1 1 1
ECVA with ESMC 1 1 1 1 0.96 1 1 0.98 1 1 1 1
iECVA with ESMC 1 1 1 1 1 1 1 1 1 1 1 1
a Class sensitivity (Sn) describes the model ability to correctly recognize samples belonging to the gth class, i.e. if all the samples belonging to g are correctly assigned, Sn is
equal to 1.
b Class specificity (Sp) describes the model ability to reject samples of all the other classes from class g, i.e. if samples not belonging to g are never assigned to g, Sp is equal
to 1.
labs and also increase the amount of environmental hazards
and of course the cost of analysis. Thus, there is a great demand for

ผลลัพธ์ (ไทย) 1:

การจัดประเภทของสเปกตรัมฟุต-IR ตัวอย่างน้ำมันที่แตกต่างกัน (ข้าวโพดคาโนลา ทานตะวัน ถั่วเหลือง มะกอก และเนย) โดยใช้การรู้จำแบบวิธีรับการตรวจสอบ จุดประสงค์หลักของเอกสารนี้การให้ chemometrics เป็นร้ายแรงทางเลือกซับซ้อนมากขึ้นเครื่องมือวิเคราะห์สำหรับการวิเคราะห์ข้อมูล ''สูงสัมพันธ์ '' สำหรับควบคุมคุณภาพการวินิจฉัยและ ในที่สุด เคมีอาหาร กรุณาดาและดา iPLS ส่งผลให้การเลือกปฏิบัติบางส่วนของคลา อย่างไรก็ตามความสามารถในการเลือกปฏิบัติที่สูงได้รับ โดย ECVA และ iECVAซึ่งทั้งหมด 255 ตัวอย่างน้ำมันที่ใช้ในการศึกษานี้ได้อย่างถูกต้องกำหนด โดย iECVA ตนเองระดับกลุ่ม มีความไว 100%และความจำเพาะตารางที่ 2ความจำเพาะ (Sp) และ b ความไว (Sn) ทำได้ โดยวิธีแตกต่างกันจำแนกคาโนลาข้าวโพดวิธีย่อยดอกทานตะวันเนยเหลืองมะกอกCal Sn Sp Sn Sp Sn Sp Sn Sp Sn Sp Sn SpPLS 0 1 0 0.95 0.24 0.60 0.34 0.64 0.18 0.96 0.80 1PLS ด้วย ESMC 0 0.98 0 0.93 0.20 0.89 0.31 0.33 0.18 0.95 0.85 1iPLS กับ ESMC 0 1 0.1 0.94 0.27 0.74 0.36 0.56 0.20 1 1 1ECVA กับ ESMC 1 1 1 1 0.82 1 1 0.97 1 1 1 1iECVA กับ ESMC 1 1 1 1 1 1 1 1 1 1 1 1Pred PLS 0 1 0 0.87 0.22 0.92 0.30 0.75 0.17 0.88 0.82 1PLS ด้วย ESMC 0 1 0 0.95 0.20 0.85 0.28 0.52 0.19 0.92 0.86 1iPLS กับ ESMC 0 1 0.2 0.94 0.27 0.77 0.32 0.52 0.19 1 1 1ECVA กับ ESMC 1 1 1 1 0.96 1 1 0.98 1 1 1 1iECVA กับ ESMC 1 1 1 1 1 1 1 1 1 1 1 1ระดับความไวแสง (Sn) อธิบายแบบจำลองความสามารถในการอย่างถูกต้องจดเป็นของคลาส gth ตัวอย่างเช่นถ้าทั้งหมดที่ถูกกำหนดตัวอย่างของ g, Snเท่ากับ 1ความจำเพาะ (Sp) อธิบายถึงรูปแบบความสามารถในการปฏิเสธตัวอย่างอื่น ๆ ทั้งนี้จากชั้น g เช่นถ้าไม่เคยกำหนดให้ตัวอย่างที่ไม่เป็นของ g กับ g คลาส b, Sp เท่า1ห้องปฏิบัติการ และเพิ่มจำนวนของสิ่งแวดล้อมอันตรายและแน่นอนว่าต้นทุนการวิเคราะห์ ดังนั้น มีความต้องการที่ดีสำหรับ

ผลลัพธ์ (ไทย) 2:

การจำแนกประเภทของ FT-IR สเปกตรัมของตัวอย่างน้ำมันที่แตกต่างกัน (ข้าวโพด
คาโนลาทานตะวันถั่วเหลืองมะกอกและเนย) โดยใช้วิธีการจดจำรูปแบบ
วิธีการที่ถูกตรวจสอบ จุดมุ่งหมายหลักของการวิจัยนี้
คือการนำเสนอ Chemometrics เป็นทางเลือกอย่างจริงจังเพื่อที่ซับซ้อนมากขึ้น
เครื่องมือวิเคราะห์สำหรับการวิเคราะห์ของ '' มีความสัมพันธ์สูง '' ข้อมูลสำหรับ
การวินิจฉัยโรคการควบคุมคุณภาพและท้ายที่สุดเคมีอาหาร PLS-DA
และ iPLS-DA ผลในการเลือกปฏิบัติบางส่วนไม่กี่ชั้นเรียน แต่
ความสามารถในการแยกแยะสูงที่ได้รับโดย ECVA และ iECVA
ดังกล่าวว่าทั้งหมด 255 ตัวอย่างน้ำมันที่ใช้ในการศึกษาครั้งนี้ได้อย่างถูกต้อง
ได้รับมอบหมายจาก iECVA ไปยังกลุ่มระดับของตัวเองที่มีความไว 100%
และความจำเพาะ.
ตารางที่ 2
ความจำเพาะ (SP) และความไว (Sn ) ขทำได้โดยวิธีการจำแนกความแตกต่างกัน.
กลุ่มย่อยวิธีข้าวโพดคาโนลา Sun Flower ถั่วเหลืองมะกอกเนย
ไขมัน Sn Sp Sn Sp Sn Sp Sn Sp Sn Sp Sn Sp
PLS 0 1 0 0.95 0.24 0.60 0.34 0.64 0.18 0.96 0.80 1
PLS กับ ESMC 0 0.98 0 0.93 0.20 0.89 0.31 0.33 0.18 0.95 0.85 1
iPLS กับ ESMC 0 1 0.1 0.94 0.27 0.74 0.36 0.56 0.20 1 1 1
ECVA กับ ESMC 1 1 1 1 0.82 1 1 0.97 1 1 1 1
iECVA กับ ESMC 1 1 1 1 1 1 1 1 1 1 1 1
Pred PLS 0 1 0 0.87 0.22 0.92 0.30 0.75 0.17 0.88 0.82 1
PLS กับ ESMC 0 1 0 0.95 0.20 0.85 0.28 0.52 0.19 0.92 0.86 1
iPLS กับ ESMC 0 1 0.2 0.94 0.27 0.77 0.32 0.52 0.19 1 1 1
ECVA กับ ESMC 1 1 1 1 0.96 1 1 0.98 1 1 1 1
iECVA กับ ESMC 1 1 1 1 1 1 1 1 1 1 1 1
ความไวคลาส (Sn) อธิบายความสามารถในรูปแบบที่จะรับรู้ตัวอย่างที่อยู่ในชั้น GTH เช่นถ้าทุกอย่างถูกต้อง กลุ่มตัวอย่างที่อยู่ใน G ที่ได้รับมอบหมายได้อย่างถูกต้อง, SN คือ
เท่ากับ 1.
คลาส B จำเพาะ (SP) อธิบายความสามารถในรูปแบบที่จะปฏิเสธตัวอย่างของทุกชั้นเรียนอื่น ๆ จากชั้น G เช่นถ้ากลุ่มตัวอย่างที่ไม่ได้อยู่กรัมที่ไม่เคยได้รับมอบหมายให้กรัม Sp เท่ากับ
1
ห้องปฏิบัติการและยังเพิ่มปริมาณของอันตรายต่อสิ่งแวดล้อม
และแน่นอนค่าใช้จ่ายของการวิเคราะห์ ดังนั้นจึงมีความต้องการที่ดีสำหรับ

ผลลัพธ์ (ไทย) 3:

การจัดหมวดหมู่ของอินฟราเรดสเปกตรัมของตัวอย่างน้ำมันที่แตกต่างกัน ( ข้าวโพดคาโนลา , ทานตะวัน , ถั่วเหลือง , มะกอกและเนย ) โดยวิธีการของการรู้จำรูปแบบวิธีการตรวจสอบ จุดมุ่งหมายหลักของกระดาษนี้คือ ปัจจุบันเคโมเมตริกเป็นทางเลือกที่ร้ายแรงที่ซับซ้อนมากขึ้นเครื่องมือวิเคราะห์สำหรับการวิเคราะห์ของ " "high ความสัมพันธ์ " " ข้อมูลการควบคุมคุณภาพการวินิจฉัยและ , ในที่สุด , เคมีอาหาร pls-daipls ดาและส่งผลให้เกิดการแบ่งแยกบางส่วนของชั้นเรียนไม่กี่ อย่างไรก็ตามสามารถจำแนกได้โดย ecva iecva และสูงซึ่งทั้งหมด 255 น้ำมัน กลุ่มตัวอย่างที่ใช้ในการศึกษาครั้งนี้คือ ได้อย่างถูกต้องได้รับมอบหมายจาก iecva กลุ่มคลาสของตัวเอง 100% ไวและ specificityตารางที่ 2ความจำเพาะ ( SP ) และความไว ( SN ) B ได้โดยวิธีการจำแนกที่แตกต่างกันข้าวโพด คาโนลา ซันดอกย่อยแบบเนยถั่วเหลือง มะกอกแคล SN SP SN SP SN SP SN SP SN SP SN .กรุณา 0 1 0 เท่ากับ 0.24 0.60 0.64 เท่ากับ 0.96 ร้อยละ 0.80 1กรุณาด้วย esmc 0 0.98 0 0.93 0.89 0.31 0.33 เท่ากับ 0.95 0.20 ( 1ipls กับ esmc 0 1 0.1 0.94 0.27 0.20 0.36 ( 0.74 1 1 1ecva กับ esmc 1 1 1 1 3 1 1 1 1 1 1 คนiecva กับ esmc 1 1 1 1 1 1 1 1 1 1 1 1เปรตกรุณา 0 1 0 จำนวน 0.22 ถึง 0.75 0.88 0.92 0.17 0.82 1กรุณาด้วย esmc 0 1 0 เท่ากับ 0.20 ( 0.28 0.52 0.19 0.92 = 1ipls กับ esmc 0 1 0.2 0.94 0.27 0.32 0.52 0.77 0.19 1 1 1ecva กับ esmc 1 1 1 1 1 1 1 1 1 0.96 0.98 1iecva กับ esmc 1 1 1 1 1 1 1 1 1 1 1 1ระดับความไว ( SN ) อธิบายถึงความสามารถในการรู้จำรูปแบบตัวอย่างเป็นของ GTH คลาส เช่นถ้าทุกอย่างเป็นของ G เป็นอย่างถูกต้องได้รับมอบหมาย , SN คือเท่ากับ 1ชั้นขความจำเพาะ ( SP ) อธิบายรูปแบบความสามารถในการปฏิเสธตัวอย่างทั้งหมดอื่น ๆเรียนจากชั้น G เช่นถ้าตัวอย่างที่ไม่ใช่ของจี ไม่เคยมอบหมายให้ G SP เท่ากัน1 .ห้องปฏิบัติการและเพิ่มปริมาณของอันตรายต่อสิ่งแวดล้อมและแน่นอนค่าใช้จ่ายในการวิเคราะห์ ดังนั้น จึงมีความต้องการมากสำหรับ