For the data analysis, principal co

For the data analysis, principal component analysis (PCA) was carried out on the SNV- and MSC-processed spectra from both FTNIR and FT-IR. PCA can readily be applied to spectroscopic data to perceive the nature and scattering level of the data. The first principal component (PC1) describes the maximum of variation or spread in the samples. A second principal component (PC2), orthogonal to the first (i.e., completely uncorrelated), describes the maximum of the variation not described by the first eigenvector, and so on. With this procedure, the most important features of the data set can be seen in a low-dimensionality plot.19 A multivariate calibration model of a partial least-squares regression (PLSR) was then developed using all of the preprocessed spectral data to predict the extent of adulteration in the pure onion and adulterated onion powder samples. PLSR is particularly suited when the matrix of predictors has more variables than observations, such as from spectral data. PLSR has been used in food authentication studies based in spectroscopic data.11 Multivariate analysis was performed using MATLAB software version 7.0.4 (The Mathworks, Natick, MA, USA).

ผลลัพธ์ (ไทย) 1:

สำหรับการวิเคราะห์ข้อมูล การวิเคราะห์ส่วนประกอบหลัก (PCA) ดำเนินการบนสเปกตรัมดำเนินเข็ม และ MSC จาก FTNIR และ IR. ฟุต PCA สามารถใช้ได้กับข้อมูลสเปคตรัมสังเกตธรรมชาติและระดับการกระจายของข้อมูลได้อย่างง่ายดาย ส่วนประกอบหลักแรก (PC1) อธิบายผันแปรหรือแพร่กระจายในตัวอย่างสูงสุด สองหลักส่วนประกอบ (PC2), มุมฉากแรก (เช่น สมบูรณ์ uncorrelated), อธิบายถึงจำนวนสูงสุดของการเปลี่ยนแปลงที่ไม่ได้อธิบายแรก eigenvector และอื่น ๆ ตามขั้นตอนนี้ คุณสมบัติสำคัญที่สุดของชุดข้อมูลคุณจะได้ใน plot.19 เป็นมิติต่ำแล้วพัฒนาแบบสอบเทียบตัวแปรพหุการถดถอยแบบกำลังสองน้อยสุดบางส่วน (PLSR) ที่ใช้ทั้งหมดของข้อมูลสเปกตรัม preprocessed ทายว่า ขอบเขตของแจ๊กหัวหอมบริสุทธิ์และตัวอย่างแป้งหอมเจือปน PLSR เป็นเหมาะอย่างยิ่งเมื่อเมตริกซ์ของการพยากรณ์ที่มีตัวแปรเพิ่มเติมกว่าสังเกต เช่นจากข้อมูลสเปกตรัม มีการใช้ PLSR ในการศึกษาตรวจสอบอาหารในสเปคตรัม data.11 หลายตัวแปร การวิเคราะห์ทำโดยใช้ MATLAB เวอร์ชันซอฟต์แวร์ 7.0.4 (The Mathworks, Natick, MA, USA)

ผลลัพธ์ (ไทย) 2:

สำหรับการวิเคราะห์ข้อมูลการวิเคราะห์องค์ประกอบหลัก (PCA) คือการดำเนินการในสเปกตรัม SNV- และ MSC ประมวลผลจากทั้ง FTNIR และ FT-IR PCA สามารถพร้อมที่จะนำไปใช้สเปกโทรสโกข้อมูลที่จะรับรู้ธรรมชาติและกระเจิงระดับของข้อมูล องค์ประกอบหลักแรก (PC1) อธิบายสูงสุดของการเปลี่ยนแปลงหรือการแพร่กระจายในกลุ่มตัวอย่าง เป็นครั้งที่สององค์ประกอบหลัก (PC2) มุมฉากกับครั้งแรก (เช่นไม่มีความสมบูรณ์) อธิบายสูงสุดของการเปลี่ยนแปลงไม่ได้อธิบายโดยวิคเตอร์แรกและอื่น ๆ ด้วยขั้นตอนนี้คุณสมบัติที่สำคัญที่สุดของชุดข้อมูลที่สามารถมองเห็นในที่ต่ำมิติ plot.19 รูปแบบการสอบเทียบหลายตัวแปรของบางส่วนอย่างน้อยสี่เหลี่ยมถดถอย (PLSR) ได้รับการพัฒนาแล้วใช้ทั้งหมดของข้อมูลสเปกตรัม preprocessed ที่จะคาดการณ์ ขอบเขตของการปลอมปนในหัวหอมบริสุทธิ์และปลอมปนตัวอย่างผงหัวหอม PLSR เหมาะอย่างยิ่งเมื่อเมทริกซ์ของการพยากรณ์มีตัวแปรมากกว่าสังเกตเช่นจากข้อมูลสเปกตรัม PLSR ถูกนำมาใช้ในการศึกษาการตรวจสอบอาหารที่อยู่ในสเปกโทรสโก data.11 วิเคราะห์หลายตัวแปรถูกดำเนินการโดยใช้ MATLAB ซอฟต์แวร์เวอร์ชั่น 7.0.4 (ใน Mathworks, เนติ, MA, USA)