1 pentanol overlap with those spoil

1 pentanol overlap with those spoilage marker compounds which are reported to have fluctuating presence during initial period of decay (acetone, MEK, toluene, m-xylene, p-xylene, o-xylene), discussed in Section 3.2. These compounds are emitted at initial stages of bacterial degradation. As intermediate metabolite increase there is change in metabolic reactions and compounds like TMA, methyl mercaptan, ethanol, 1 propanol, 1 butanol and 1 butanone steadily grow in concentration. In particular, concentration TMA has been widely identified to be a reliable indicator of fish freshness or decay. A little amount of TMA is emitted even from fish due to bacterial activities in fish body. The present sensor array is able to clearly discriminate TMA (a spoilage marker) and 1 Octanol (a freshness marker). As the stage of degradation advances, the headspace concentration of TMA increases and of 1 Octanol decreases. This suggests that a correlated monitoring of TMA and 1Octanol will provide a more reliable indicator of the stage of degradation. Since most of the decay odorants are separated the results suggest that by incorporating quantitative estimation of odorants concentration in the sensor array measurement and analysis the electronic nose can be developed into a high performance analytical instrument for food monitoring. In the following we present a quantitative analysis for TMA which has the potential for being a benchmark for fish freshness monitoring. 5.3. Quantification by radial basis neural network A radial basis function (RBF) neural network architecture consists of three layers: input layer, hidden layer and output layer [121,122]. The network is fully connected feed forward type. The input layer receives d-dimensional input data vector. The hidden layer consists of RBF neurons (referred to as radbas neurons) whose number is set empirically for producing optimum results. The outputlayer is made up of purely linear (referred to as purelin) neurons whose number is equal to the number of object classes in the input data. The hidden layer radbas neurons transform the input data vectors nonlinearly by using radial basis function activation. The input to radial basis activation function is the vector distance between the input data vectors p hidden node multiplied by a bias factor b. The input data vectors are first transformed nonlinearly to some high dimensional space defined by hidden layer neurons. Subsequently, the transformation from hidden layer space to the output object space is done linearly by purelin neurons. The outputs of radial basis neurons are obtained by using the Gaussian activation function exp(−x2) with neurons produce numeric output in the range [0,1]. The weighted sum of the radbas neurons output with additional bias is input to the purelin neurons. The RBF network thus generates nonlinear mapping from the data space to the object space. The RBF neural network implements a supervised learning algorithm where training samples are needed with known class labels and concentration values. In the present analysis we used the Mat-lab function newrb for implementing the RBF neural network. The network can be used for odorants classification as well as for quantitative calibration oftheir concentrations. These tasks however can be achievedseparately by specifying training targetsdifferently. For a classification task, the network contains as many purelin nodes in the output layer as the number of classes, and the target for each class is specified to be 1 to denote its presence and to be 0 to denote its absence. That is, for a C-class problem with N-training samples the target is specified to be a N × C matrix whose elements are either 1 or 0 depending on the class labels in the input data matrix. For odorants concentration estimation the sample is first identified for its class label, and then the input data vector is fed to a different RBF network with single output purelin node which has and weight vector w assigned to each where . denotes Euclideannorm. The radial basis been trained for the concentration estimation. The training target for the concentration estimating network is specified to be a column matrix whose rows represent the concentration values.

ผลลัพธ์ (ไทย) 1:

1 pentanol ทับซ้อนกับสารเครื่องหมายเหล่านั้นเน่าเสียที่รายงานต้องแสดงความผุระยะเริ่มต้น (อะซิโตน เม็ก โทลูอีน m-พารา พารา พาราโอ), กล่าวถึงในหัวข้อ 3.2 สารเหล่านี้จะออกมาในระยะแรกของการย่อยสลายเชื้อแบคทีเรีย เป็น metabolite กลางเพิ่มมี การเปลี่ยนแปลงในปฏิกิริยาเผาผลาญสาร TMA, methyl mercaptan เอทานอล อย่างไร propanol 1 บิวทานอ 1 และบิวทาโนน 1 อย่างต่อเนื่องเติบโตในความเข้มข้น โดยเฉพาะ สมาธิ TMA ได้อย่างกว้างขวางระบุเป็น ตัวบ่งชี้ที่เชื่อถือได้ของปลาสดหรือผุ ออกมาเป็นจำนวนน้อยของ TMA ได้จากปลาเนื่องจากกิจกรรมแบคทีเรียในร่างกายปลา เซนเซอร์อาร์เรย์ปัจจุบันจะสามารถเหยียด TMA (เครื่องเน่าเสีย) และ Octanol 1 (เครื่องหมายสด) อย่างชัดเจน เป็นระยะของการสร้างความก้าวหน้า ความเข้มข้น headspace ของ TMA เพิ่ม และของ 1 Octanol ลดลง แนะนำว่า ตรวจสอบแบบ correlated TMA และ 1Octanol จะมีตัวบ่งชี้ที่เชื่อถือได้มากขึ้นของขั้นตอนของการย่อยสลาย เนื่องจากส่วนใหญ่ของ odorants ผุจะแยก ผลแนะนำที่ โดยเพจการประเมินเชิงปริมาณของความเข้มข้นของ odorants ในการเซนเซอร์อาร์เรย์วัด และวิเคราะห์จมูกอิเล็กทรอนิกส์ที่สามารถพัฒนาเป็นเครื่องมือวิเคราะห์ประสิทธิภาพสูงสำหรับการตรวจสอบอาหาร ในต่อไปนี้ เราแสดงการวิเคราะห์เชิงปริมาณสำหรับ TMA ซึ่งมีศักยภาพสำหรับเป็นเกณฑ์มาตรฐานสำหรับการตรวจสอบความสดของปลา 5.3 การนับ โดยพื้นฐานรัศมีข่ายประสาทเป็นรัศมีพื้นฐานฟังก์ชัน (RBF) โครงข่ายประสาทสถาปัตยกรรมประกอบด้วยสามชั้น: ชั้น ชั้นซ่อน และชั้นออก [121,122] ในการป้อนข้อมูล เครือข่ายทั้งหมดเชื่อมต่ออาหารชนิดไปข้างหน้า ชั้นอินพุตรับข้อมูลอินพุต d มิติเวกเตอร์ ชั้นซ่อนจำนวน neurons RBF ที่ (เรียกว่า radbas neurons) ที่มีหมายเลขถูกเซ็ต empirically สำหรับผลิตผลที่เหมาะสม Outputlayer ที่ขึ้นเป็นเส้นตรงเพียงอย่างเดียว (อ้างอิงจะเป็น purelin) neurons ที่มีหมายเลขได้เท่ากับจำนวนของคลาสออบเจ็กต์ข้อมูลป้อนเข้า Neurons radbas ชั้นซ่อนแปลงเวกเตอร์อินพุตข้อมูลโดยเรียกใช้ฟังก์ชันฐานรัศมี nonlinearly ป้อนข้อมูลพื้นฐานรัศมีการเปิดใช้งานฟังก์ชันเวกเตอร์ระยะห่างระหว่างข้อมูลป้อนเวกเตอร์ p ซ่อนโหนคูณ b คูณทแยงได้ เวกเตอร์อินพุตข้อมูลก่อนได้ที่แปลงบางพื้นที่มิติสูงที่กำหนด โดยชั้นซ่อน neurons nonlinearly ในเวลาต่อมา การแปลงจากพื้นที่ชั้นซ่อนพื้นที่วัตถุออกแล้วเชิงเส้น โดย purelin neurons แสดงผลของรัศมีพื้นฐาน neurons จะได้รับ โดยใช้การ exp(−x2) ฟังก์ชันเรียกใช้ Gaussian กับ neurons ผลิตแสดงผลตัวเลขในช่วง [0,1] ผลรวมถ่วงน้ำหนักของผลผลิต neurons radbas กับความโน้มเอียงเพิ่มเติมถูกป้อนเข้า purelin neurons ดังนั้นเครือข่าย RBF สร้างแมปไม่เชิงเส้นจากพื้นที่ข้อมูลกับพื้นที่วัตถุ เครือข่ายประสาท RBF ใช้อัลกอริทึมมีการเรียนรู้ที่จำเป็นตัวอย่างฝึกกับคลารู้จักป้ายชื่อและค่าความเข้มข้น ในการวิเคราะห์ปัจจุบัน เราใช้ newrb ฟังก์ชันพรมห้องปฏิบัติการสำหรับการใช้เครือข่ายประสาท RBF เครือข่ายสามารถใช้การ odorants จัดด้วยส่วนความเข้มข้น oftheir เทียบเชิงปริมาณ งานเหล่านี้อย่างไรก็ตามได้ achievedseparately โดยการระบุการฝึกอบรม targetsdifferently สำหรับงานประเภท เครือข่ายประกอบด้วยที่ระบุเป็น 1 แสดงสถานะของตน และ จะเป็น 0 จะแสดงการขาดงานของโหนด purelin มากในชั้นออกเป็นหมายเลขของชั้นเรียน และเป้าหมายสำหรับแต่ละคลาส นั่นคือ สำหรับปัญหา C คลาส N-การอบรมตัวอย่าง เป้าหมายได้ระบุให้ เมทริกซ์× C N เป็นองค์ประกอบ 1 หรือ 0 ตามป้ายชื่อคลาสในเมตริกซ์ข้อมูลป้อนเข้า สำหรับการประเมินความเข้มข้นของ odorants ตัวอย่างแรกถูกระบุสำหรับป้ายชื่อของคลาส และเวกเตอร์ข้อมูลป้อนเข้าเป็นติดตามเครือข่าย RBF อื่นด้วยโหน purelin เดียวที่มี และน้ำหนักเวกเตอร์ w กับแต่ละสถาน หมายถึง Euclideannorm รัศมีพื้นฐานการฝึกอบรมสำหรับการประเมินความเข้มข้น มีระบุเป้าหมายฝึกอบรมเครือข่าย estimating สมาธิเป็น เมทริกซ์คอลัมน์แถวแสดงค่าความเข้มข้น

ผลลัพธ์ (ไทย) 2:

1 คาบเกี่ยวกัน pentanol ด้วยสารเครื่องหมายการเน่าเสียเหล่านั้นซึ่งมีรายงานว่าจะมีการปรากฏตัวผันผวนในช่วงระยะเวลาเริ่มต้นของการสลายตัว (อะซิโตน, MEK, โทลูอีนไซลีน M-, พาราไซลีน, o-ไซลีน) ที่กล่าวไว้ในมาตรา 3.2 สารเหล่านี้จะถูกปล่อยออกมาในขั้นตอนเริ่มต้นของการย่อยสลายแบคทีเรีย ในฐานะที่เป็น metabolite กลางเพิ่มขึ้นมีการเปลี่ยนแปลงในปฏิกิริยาการเผาผลาญอาหารและสารประกอบเช่น TMA, mercaptan เมธิลเอทานอลโพรพาน 1, 1 บิวทานอลและ 1 butanone อย่างต่อเนื่องเติบโตในความเข้มข้น โดยเฉพาะอย่างยิ่งความเข้มข้น TMA ได้รับการยืนยันอย่างกว้างขวางเพื่อเป็นตัวบ่งชี้ความน่าเชื่อถือของความสดปลาหรือการสลายตัว จำนวนเงินที่เล็ก ๆ น้อย ๆ ของ TMA ถูกปล่อยออกมาได้จากปลาเนื่องจากกิจกรรมของแบคทีเรียในร่างกายปลา อาร์เรย์เซ็นเซอร์ปัจจุบันสามารถที่จะเห็นความแตกต่างอย่างชัดเจน TMA (เครื่องหมายการเน่าเสีย) และ 1 Octanol (เครื่องหมายความสด) ในฐานะที่เป็นขั้นตอนของความก้าวหน้าการย่อยสลายความเข้มข้นของการเพิ่มช่องว่างเหนือของเหลว TMA และ 1 Octanol ลดลง นี้แสดงให้เห็นว่าการตรวจสอบที่มีความสัมพันธ์ของ TMA และ 1Octanol จะให้เป็นตัวบ่งชี้ความน่าเชื่อถือของขั้นตอนของการย่อยสลาย เนื่องจากส่วนใหญ่ odorants การสลายตัวจะแยกผลการชี้ให้เห็นว่าโดยผสมผสานการประมาณค่าเชิงปริมาณของความเข้มข้น odorants ในวัดอาร์เรย์เซ็นเซอร์และการวิเคราะห์จมูกอิเล็กทรอนิกส์สามารถพัฒนาเป็นเครื่องมือที่มีประสิทธิภาพสูงสำหรับการตรวจสอบการวิเคราะห์อาหาร ในต่อไปนี้เราจะนำเสนอการวิเคราะห์เชิงปริมาณสำหรับ TMA ซึ่งมีศักยภาพในการเป็นมาตรฐานสำหรับการตรวจสอบความสดปลา 5.3 ปริมาณโดยเครือข่ายประสาทพื้นฐานรัศมีฟังก์ชั่นพื้นฐานรัศมี (RBF) สถาปัตยกรรมเครือข่ายประสาทประกอบด้วยสามชั้นชั้นการป้อนชั้นและชั้นที่ซ่อนเอาท์พุท [121,122] เครือข่ายที่เชื่อมต่ออย่างเต็มที่ฟีชนิดไปข้างหน้า ชั้นการป้อนข้อมูลเข้ารับ D-มิติเวกเตอร์ ชั้นที่ซ่อนอยู่ประกอบด้วยเซลล์ประสาท RBF (เรียกว่าเซลล์ประสาท radbas) ที่มีหมายเลขถูกตั้งค่าสังเกตุในการผลิตผลลัพธ์ที่ดีที่สุด outputlayer ถูกสร้างขึ้นจากหมดจดเชิงเส้น (เรียกว่า purelin) เซลล์ประสาทที่มีจำนวนเท่ากับจำนวนของชั้นเรียนวัตถุในการป้อนข้อมูล เซลล์ประสาทชั้นซ่อน radbas เปลี่ยนเวกเตอร์ป้อนข้อมูล nonlinearly โดยใช้การเปิดใช้งานฟังก์ชั่นพื้นฐานรัศมี ป้อนข้อมูลยืนยันการใช้งานฟังก์ชั่นพื้นฐานรัศมีเป็นระยะทางเวกเตอร์ระหว่างการป้อนข้อมูลเวกเตอร์โหนด P ซ่อนคูณด้วยปัจจัยอคติข เวกเตอร์ข้อมูลเข้าจะกลายเป็นครั้งแรก nonlinearly กับบางมิติสูงที่กำหนดโดยเซลล์ประสาทชั้นที่ซ่อนอยู่ ต่อมาการเปลี่ยนแปลงจากพื้นที่ชั้นที่ซ่อนอยู่ในพื้นที่วัตถุที่ส่งออกจะทำเส้นตรงโดยเซลล์ประสาท purelin ผลของเซลล์ประสาทพื้นฐานรัศมีจะได้รับโดยใช้ฟังก์ชั่นการเปิดใช้ Gaussian ประสบการณ์ (-x2) กับเซลล์ผลิตออกที่เป็นตัวเลขในช่วง [0,1] ผลรวมถ่วงน้ำหนักของ radbas เซลล์ประสาทเอาท์พุทที่มีอคติเพิ่มเติมคือการป้อนข้อมูลไปยังเซลล์ประสาท purelin เครือข่าย RBF จึงสร้างการทำแผนที่เชิงเส้นจากพื้นที่ข้อมูลไปยังพื้นที่ที่วัตถุ เครือข่ายประสาท RBF ดำเนินการขั้นตอนวิธีการเรียนรู้ภายใต้การดูแลที่ตัวอย่างการฝึกอบรมมีความจำเป็นที่มีป้ายชื่อชั้นที่รู้จักและค่าความเข้มข้น ในการวิเคราะห์ในปัจจุบันที่เราใช้ฟังก์ชั่นจ้าแล็บ newrb สำหรับการดำเนินการเครือข่ายประสาท RBF เครือข่ายสามารถใช้สำหรับการจัดหมวดหมู่ odorants เช่นเดียวกับการสอบเทียบปริมาณความเข้มข้น oftheir งานเหล่านี้ แต่สามารถ achievedseparately โดยระบุการฝึกอบรม targetsdifferently สำหรับงานการจัดหมวดหมู่ของเครือข่ายมีโหนด purelin เป็นจำนวนมากในชั้นออกเป็นจำนวนของชั้นเรียนและเป้าหมายของแต่ละชั้นเรียนมีการระบุให้เป็น 1 เพื่อแสดงการแสดงตนและเป็น 0 เพื่อแสดงถึงความไม่มีตัวตน นั่นคือสำหรับปัญหาคลาส C กับตัวอย่าง N-เป้าหมายการฝึกอบรมที่มีการระบุว่าจะเป็น N รเมทริกซ์ C ซึ่งเป็นธาตุ 1 หรือ 0 ขึ้นอยู่กับป้ายคลาสเมทริกซ์ในการป้อนข้อมูล สำหรับการประมาณค่าความเข้มข้น odorants ตัวอย่างจะถูกระบุเป็นครั้งแรกสำหรับป้ายระดับนี้แล้วป้อนข้อมูลเวกเตอร์ที่ข้อมูลจะถูกป้อนให้กับเครือข่าย RBF ที่แตกต่างกับโหนด purelin ออกเดียวที่มีน้ำหนักและเวกเตอร์กรับมอบหมายให้ที่แต่ละ หมายถึง Euclideannorm พื้นฐานรัศมีรับการฝึกอบรมสำหรับการประมาณค่าความเข้มข้น เป้าหมายการฝึกอบรมสำหรับเครือข่ายการประเมินความเข้มข้นที่มีการระบุว่าจะเป็นเมทริกซ์ที่มีคอลัมน์แถวแทนค่าความเข้มข้น

ผลลัพธ์ (ไทย) 3:

1 เพนทานอลทับซ้อนกับผู้เน่าเสียเครื่องหมายสารประกอบซึ่งมีรายงานว่ามีความผันผวนในช่วงระยะเวลาเริ่มต้นของการผุ ( อะซิโตน เม็ก , โทลูอีน , ไซลีนเมตาเมตาไซลีน , , ) กล่าวไว้ในมาตรา 3.2 . สารเหล่านี้จะถูกปล่อยออกมาในขั้นเริ่มต้นของแบคทีเรียลดลง เป็นระดับกลางเพิ่มขึ้น มีการเปลี่ยนแปลงในปฏิกิริยาการเผาผลาญและสารประกอบเช่น TMA ,เมทิลเมอร์แคปแทน , เอทานอล , 1 โพรพานอล 1 บิวทานอล และ 1 กัลยา โสภณพนิช steadily เติบโตในความเข้มข้น โดยเฉพาะอย่างยิ่ง สมาธิก็มีกันอย่างแพร่หลาย ระบุเป็นตัวบ่งชี้ที่เชื่อถือได้ของปลา ความสดชื่น หรือผุ เล็กน้อยก็จะออกมาจากปลาเนื่องจากกิจกรรมของแบคทีเรียในร่างกายปลาอาร์เรย์เซ็นเซอร์ปัจจุบันได้ชัดเจนก็เลือกปฏิบัติ ( การเน่าเสียเครื่องหมาย ) และ 1 โพ ( ตุนคะแนน ) เป็นขั้นตอนของการย่อยสลายก้าวหน้า เฮดสเปซความเข้มข้นเพิ่มขึ้น 1 โพก็ลดลง นี้แสดงให้เห็นว่า มีการตรวจสอบก็ 1octanol จะให้ตัวบ่งชี้ความน่าเชื่อถือมากขึ้นในขั้นตอนของการย่อยสลายเนื่องจากส่วนใหญ่ของการสลายกลิ่นแยก พบว่า โดยรวมการประเมินเชิงปริมาณความเข้มข้นของกลิ่นในเซนเซอร์การวัดและการวิเคราะห์ จมูกอิเล็กทรอนิกส์ ที่สามารถพัฒนาเป็นประสิทธิภาพสูงเครื่องมือวิเคราะห์สำหรับการตรวจสอบอาหารในต่อไปนี้เรานำเสนอการวิเคราะห์เชิงปริมาณ TMA ซึ่งมีศักยภาพในการเป็นมาตรฐานสำหรับการตรวจสอบความสดของปลา 5.3 . ปริมาณโดยรัศมีพื้นฐานโครงข่ายประสาทเรเดียลเบซิสฟังก์ชัน ( RBF ) สถาปัตยกรรมโครงข่ายประสาทเทียมประกอบด้วยสามชั้น : ชั้นข้อมูลชั้นและชั้นซ่อนออก [ 121122 ] เครือข่ายเชื่อมต่ออย่างเต็มที่ป้อนไปข้างหน้าชนิดข้อมูลเวกเตอร์ชั้นได้รับข้อมูล d-dimensional . ชั้นซ่อนของบริษัทประกอบด้วยเซลล์ประสาท ( เรียกว่า radbas neurons ) ที่มีหมายเลขชุดใช้สำหรับผลลัพธ์ที่ดีที่สุด การ outputlayer ขึ้นอย่างหมดจดโดยตรง ( เรียกว่า purelin ) เซลล์ประสาทที่มีหมายเลขเท่ากับจำนวนของคลาสของวัตถุข้อมูลการป้อนข้อมูลชั้นซ่อน radbas เซลล์ประสาทแปลงข้อมูลเวกเตอร์ nonlinearly โดยใช้รัศมีพื้นฐานการทำงานกระตุ้น ใส่เพื่อกระตุ้นการทำงานพื้นฐานรัศมีเป็นเวกเตอร์ระยะทางระหว่างข้อมูลเวกเตอร์ p ที่ซ่อนปมคูณด้วยอคติ ปัจจัย B ข้อมูลเวกเตอร์แรกเปลี่ยน nonlinearly บางสูงมิตินิยามโดยชั้นเซลล์ที่ซ่อนอยู่โดยการเปลี่ยนแปลงจากชั้นซ่อนพื้นที่การแสดงผลวัตถุอวกาศได้นำโดย purelin เซลล์ประสาท ผลของรัศมีพื้นฐานเซลล์ประสาทได้โดยใช้ฟังก์ชันกระตุ้น ( − ) EXP X2 ) กับเซลล์ประสาทผลิตตัวเลขส่งออกในช่วง [ 0.1 ] ผลรวมถ่วงน้ำหนักของผลผลิตเซลล์ประสาท radbas ด้วยอคติเพิ่มเติมใส่ไป purelin เซลล์ประสาทฐานเครือข่ายจึงสร้างแผนที่เชิงเส้นจากข้อมูลพื้นที่เพื่อวัตถุอวกาศ ฐานเครือข่ายประสาทที่ใช้อัลกอริทึมการเรียนรู้แบบที่ตัวอย่างการฝึกอบรมต้องการทราบระดับป้ายและความเข้มข้นของค่า ในการวิเคราะห์ ปัจจุบันเราใช้ฟังก์ชัน newrb แล็บเสื่อสำหรับการนำ RBF เครือข่ายประสาท .เครือข่ายที่สามารถใช้ในการจำแนกกลิ่นเช่นเดียวกับปริมาณของการสอบเทียบความเข้มข้น งานเหล่านี้ แต่สามารถ achievedseparately โดยระบุการฝึกอบรม targetsdifferently . สำหรับการจัดหมวดหมู่งาน เครือข่ายมีเป็นจำนวนมาก purelin โหนดในชั้นแสดงเป็นหมายเลขของการเรียนและเป้าหมายสำหรับแต่ละชั้นเรียนที่ถูกกำหนดเป็น 1 เพื่อแสดงตน และจะเป็น 0 เพื่อแสดงถึงการขาด นั่นคือ ปัญหาระดับนี้กับ n-training ตัวอย่างเป้าหมายที่ระบุไว้เป็น n × C เมทริกซ์ที่มีองค์ประกอบเป็น 1 หรือ 0 ขึ้นอยู่กับระดับป้ายในข้อมูลเมทริกซ์ สำหรับกลิ่น ความเข้มข้นประมาณตัวอย่างเป็นครั้งแรกสำหรับป้ายระบุคลาสของแล้วข้อมูลจะถูกป้อนไปยังเครือข่ายเวกเตอร์ฐานที่แตกต่างกับออกเดี่ยว purelin โหนดที่มีเวกเตอร์น้ำหนัก W และมอบหมายให้แต่ละที่ หมายถึงคลีเดียนนอร์ม . พื้นฐานรัศมีถูกฝึกเพื่อความเข้มข้นประมาณ เป้าหมายการฝึกสมาธิการเครือข่ายที่ระบุไว้เป็นคอลัมน์เมทริกซ์ที่มีแถวของความเข้มข้นของค่า