Replicates of spectral data were av

Replicates of spectral data were averaged, standardized by different pretreatments (MSC, multiplicative scatter correction, or SNV, standard normal variate, alone or coupled with first or second derivatives) (Barnes, Dhanoa, & Lister, 1989; Martens, Jensen, & Geladi, 1983; Savitzky & Golay, 1964), and processed with Prin- cipal Component Analysis (PCA; Cowe & McNicol, 1985). FT-NIR spectra acquired by the integrating sphere and the optical fiber were also smoothed (moving average with segment size of fifteen and twenty-one, respectively) before pretreatments. First and second derivatives were calculated by Savitzky-Golay algorithm, with second-order smoothing polynomials through thirty-one points.
After selection of thirty features by the algorithm SELECT (Forina, Lanteri, Casale, & Cerrato Oliveros, 2007; Kowalski & Bender, 1976) implemented in the V-Parvus package (Forina et al., 2008), two different classification techniques were applied: Linear Discriminant Analysis (LDA; Massart et al., 1997) and Soft Independent Modeling of Class Analogy (SIMCA; Wold & Sjostrom, 1977). LDA is a probabilistic classification technique which classifies each sample in the category with the highest value of a-posteriori probability. The terms in the delimiter equation are the squared Mahalanobis distances from the category centroids. With SIMCA, classification is obtained on the basis of the distance of the object to be classified from the class models: each object is assigned to the class for which the Simca distance was minimum. The mathemat- ical model of the category is based on the principal components of the category. The limit of the class model in the inner space is defined by the number of significant components obtained by double-cross validation.
Classification models were validated using three different external test sets, randomly created, each containing about 30% of the spectra used for the analysis. Objects were divided between training and prediction set, by using a random number generation routine implemented in the V-Parvus package.
Data elaboration was performed by using the software The Unscrambler X (v. 10.2, Camo Software AS, Oslo, Norway) and the V- Parvus package.

ผลลัพธ์ (ไทย) 1:

เหมือนกับข้อมูลสเปกตรัมได้ averaged มาตรฐาน โดย pretreatments ต่าง ๆ (หลัก การแก้ไขการกระจายเชิงการคูณ หรือ SNV มาตรฐานปกติ variate เพียงอย่างเดียว หรือควบคู่กับตราสารอนุพันธ์แรก หรือที่สอง) (Barnes, Dhanoa และลิ สเตอร์ 1989 Martens เจนเซน & Geladi, 1983 Savitzky & Golay, 1964), และประมวลผล ด้วยการวิเคราะห์ส่วนประกอบ Prin cipal (PCA Cowe & McNicol, 1985) แรมสเป็คตรา FT NIR มา โดยทรงกลมรวมและใยแก้วนำแสงยังมีโค้ง (ค่าเฉลี่ยเคลื่อนที่กับเซ็กเมนต์ขนาดสิบห้าและน้อย ตามลำดับ) ก่อน pretreatments ตราสารอนุพันธ์ และสองมีคำนวณ โดย Savitzky Golay อัลกอริทึม กับ polynomials ผืนที่สองสั่งผ่านจุดสามสิบหนึ่งหลังจากเลือกลักษณะการทำงานสามสิบโดยอัลกอริทึมเลือก (Forina, Lanteri, Casale และ Cerrato Oliveros, 2007 Kowalski และ Bender, 1976) ดำเนินการในแพคเกจ V Parvus (Forina et al., 2008), สองประเภทต่าง ๆ เทคนิคที่ใช้: การวิเคราะห์ Discriminant เชิงเส้น (LDA Massart และ al., 1997) และแบบจำลองอิสระนุ่มของคลาสเทียบ (SIMCA จะ & Sjostrom, 1977) LDA คือ เทคนิคประเภท probabilistic ซึ่งแบ่งประเภทของตัวอย่างแต่ละประเภทมีค่าสูงสุดของความน่าเป็น a posteriori เงื่อนไขในสมการคั่นเป็นระยะทาง Mahalanobis กำลังสองจาก centroids ประเภท มี SIMCA จัดประเภทได้รับตามระยะห่างของวัตถุที่จะจัดประเภทจากรูปแบบการเรียน: กำหนดให้วัตถุแต่ละคลาส Simca ระยะห่างต่ำสุด Mathemat - ical แบบประเภทขึ้นอยู่กับส่วนประกอบหลักของประเภท ข้อจำกัดของรูปแบบคลาสในพื้นที่ภายในถูกกำหนด โดยจำนวนของส่วนประกอบสำคัญที่ได้รับ โดยตรวจสอบ double-crossรูปแบบจัดประเภทถูกตรวจสอบโดยใช้ชุดทดสอบต่าง ๆ ภายนอกสาม สุ่ม แต่แรกประกอบด้วยประมาณ 30% ของแรมสเป็คตราที่ใช้สำหรับการวิเคราะห์ วัตถุถูกแบ่งระหว่างการฝึกอบรมและทำนายชุด โดยสุ่มหมายเลขการสร้างชุดคำสั่งดำเนินการในแพคเกจ V Parvusทุก ๆ ข้อมูลที่ดำเนินการ โดยใช้ซอฟต์แวร์ Unscrambler X (v. 10.2 เป็นซอฟต์แวร์ Camo ออสโล นอร์เวย์) และ V - Parvus แพคเกจ

ผลลัพธ์ (ไทย) 2:

ซ้ำของข้อมูลสเปกตรัมถูกเฉลี่ย, มาตรฐานโดยการเตรียมการที่แตกต่างกัน (MSC, การแก้ไขกระจายคูณหรือ SNV, ตัวแปรปกติมาตรฐานเดียวหรือควบคู่ไปกับการซื้อขายสัญญาซื้อขายล่วงหน้าเป็นครั้งแรกหรือครั้งที่สอง) (บาร์นส์ Dhanoa และ Lister 1989; Martens เซ่นและ Geladi 1983; & Savitzky Golay, 1964) และการประมวลผลด้วยหลักการ cipal วิเคราะห์องค์ประกอบ (PCA; & โคล McNicol, 1985) สเปกตรัม FT-NIR มาจากทรงกลมการบูรณาการและใยแก้วนำแสงยังเรียบ (ค่าเฉลี่ยเคลื่อนที่ที่มีขนาดส่วนของสิบห้ายี่สิบหนึ่งตามลำดับ) ก่อนการเตรียม สัญญาซื้อขายล่วงหน้าเป็นครั้งแรกและครั้งที่สองจะถูกคำนวณโดยวิธี Savitzky-Golay มีหลายชื่อให้เรียบสองสั่งซื้อผ่านจุดที่สามสิบเอ็ด.
หลังจากที่เลือกของคุณสมบัติสามสิบโดยอัลกอริทึมที่เลือก (Forina, Lanteri, Casale และ Cerrato ลิ, 2007 สกี้และประมาท 1976) ดำเนินการในแพคเกจ V-Parvus (Forina et al, 2008), สองเทคนิคการจัดหมวดหมู่ที่แตกต่างกันถูกนำไปใช้.. เป็น Linear จำแนกวิเคราะห์ (LDA; Massart, et al, 1997) และซอฟท์อิสระการสร้างแบบจำลองของชั้นอุปมา (SIMCA; Wold & Sjöström, 1977) LDA เป็นเทคนิคการจัดหมวดหมู่ความน่าจะเป็นที่จัดแต่ละตัวอย่างในหมวดหมู่ที่มีมูลค่าสูงสุดของความน่าจะเป็น-posteriori เงื่อนไขในสมคั่นเป็นระยะทาง Mahalanobis กำลังสองจากหมวดหมู่ centroids ด้วย SIMCA จำแนกได้บนพื้นฐานของระยะทางของวัตถุที่จะจัดจากรุ่นคลาส: แต่ละวัตถุที่ได้รับมอบหมายในชั้นเรียนซึ่งระยะ Simca เป็นขั้นต่ำ รูปแบบ iCal วิชาคณิตศาสตร์ของประเภทจะขึ้นอยู่กับองค์ประกอบหลักของประเภท ขีด จำกัด ของรูปแบบการเรียนในพื้นที่ชั้นในจะถูกกำหนดโดยจำนวนขององค์ประกอบที่สำคัญที่ได้จากการตรวจสอบสองครั้งที่ข้าม.
รุ่นการจำแนกประเภทได้รับการตรวจสอบโดยใช้แตกต่างกันสามชุดทดสอบภายนอกสร้างขึ้นแบบสุ่มแต่ละที่มีประมาณ 30% ของสเปกตรัมที่ใช้สำหรับ การวิเคราะห์ วัตถุที่ถูกแบ่งระหว่างการฝึกอบรมและการตั้งค่าการทำนายโดยใช้ประจำจำนวนสุ่มรุ่นที่นำมาใช้ในแพคเกจ V-Parvus.
รายละเอียดข้อมูลดำเนินการโดยใช้ซอฟต์แวร์ Unscrambler X (v. 10.2 Camo ซอฟท์แว AS, ออสโล, นอร์เวย์) และ V- แพคเกจ Parvus

ผลลัพธ์ (ไทย) 3:

ซ้ำข้อมูลสเปกตรัมถูกเฉลี่ยมาตรฐาน โดยการเตแตกต่างกัน ( MSC คูณกระจาย , แก้ไข , หรือ snv มาตรฐาน ปกติ variate คนเดียวหรือคู่แรก หรือที่สอง อนุพันธ์ ) ( Barnes , dhanoa &ลิสเตอร์ , 1989 ; มาร์เทน , Jensen & geladi , 1983 ; savitzky & golay , 1964 ) และประมวลผลด้วย - การวิเคราะห์องค์ประกอบหลัก ( PCA cipal ; cowe & mcnicol , 1985 )ft-nir สเปกตรัมที่ได้จากการรวมทรงกลมและไฟเบอร์ออปติคอลยังเรียบ ( ค่าเฉลี่ยเคลื่อนที่กับขนาดกลุ่มของสิบห้า และ 21 ตามลำดับ ) ก่อนการเต . อนุพันธ์ตัวแรกและตัวที่สองได้ โดย savitzky golay แบบเรียบกับที่สองพหุนามผ่านจุด 31 .
หลังจากการคัดเลือก 30 คุณสมบัติโดยขั้นตอนวิธีการเลือก forina ( ,lanteri Casale & , , cerrato oliveros , 2007 ; สกี้& Bender , 1976 ) ที่ใช้ในแพคเกจ v-parvus ( forina et al . , 2008 ) , สองเทคนิคการจำแนกประเภทที่แตกต่างกันที่ใช้ : การวิเคราะห์เชิงเส้น ( lda ; massart et al . , 1997 ) และแบบอิสระนุ่มคลาสคล้ายคลึง ( ซิมก้า ; & sjostrom กา , 1977 )lda เป็น 11 หมวดหมู่เทคนิคซึ่งจัดว่าแต่ละตัวอย่างในหมวดหมู่ที่มีค่าสูงสุดของความน่าจะเป็น a-posteriori . เงื่อนไขในตัวแบ่งเป็นสองสมการ mahalanobis ระยะทางจากประเภทจุดเซนทรอยด์ กับซิมก้า ประเภทจะได้รับบนพื้นฐานของระยะทางของวัตถุจะถูกจัดจากการเรียนรูปแบบ :แต่ละวัตถุจะถูกมอบหมายให้คลาสที่ซิมก้าระยะทางน้อยที่สุด การ mathemat - รูปแบบ iCal ของหมวดหมู่จะขึ้นอยู่กับส่วนประกอบหลักของหมวด ข้อจำกัดของชั้นเรียนแบบจำลองในพื้นที่ภายในจะถูกกำหนดโดยจำนวนขององค์ประกอบที่สำคัญการตรวจสอบได้โดยข้ามคู่ รุ่น
การจำแนกโดยใช้ที่แตกต่างกันสามตรวจสอบความตรงภายนอกทดสอบชุดสร้างแบบสุ่มแต่ละที่มีประมาณ 30 % ของแสงที่ใช้ในการวิเคราะห์ วัตถุที่ถูกแบ่งระหว่างการฝึกอบรมและการทำนายชุด โดยการสุ่มหมายเลขรุ่นปกติที่ใช้ในแพคเกจ v-parvus . คู่มือ
ข้อมูลโดยใช้การใช้ซอฟต์แวร์ unscrambler X ( V . 10.2 , Camo ซอฟแวร์ , ออสโล , นอร์เวย์ ) และ V - แพคเกจพาร์เวิส .