The 746 samples of vegetable oils a

The 746 samples of vegetable oils are characterized by the compositions of ten fatty acids, namely myristic (C14:0), palmitic (C16:0), palmitoleic (C16:1), stearic (C18:0), oleic (C18:1), linoleic (C18:2), linolenic (C18:3), eicosenoic (C20:1), behenic (C22:0) and erucic (C22:1). The percentage levels of these ten fatty acids represent ten variables, and the 1  10 variable vector represents the corresponding sample, further used in data analysis.

The PCA and self-organizing map (SOM) were applied to investigate the similarity and dissimilarity between sample groups. Then, the support vector machine (SVM) was used as a modeling method to detect the adulteration and classify the mixture sample.

The parameter optimization of SVM is accomplished by particle swarm optimization (PSO) technique Schutte & Groenwold, 2005. Based on the classification result, PLS model is developed to predict the level of sesame oil.

All the programs in the following sections were done using Matlab 2006a (MathWorks, USA). The SOM and SVM were implemented with the help of SOM Toolbox 2.0 (Laboratory of Computer and Information Science, 2010) and LIBSVM toolbox (National Taiwan University, 2010), respectively.

ผลลัพธ์ (ไทย) 1:

ตัวอย่าง 746 ของน้ำมันพืชที่มีลักษณะองค์กรดไขมัน 10 คือ myristic (C14:0), palmitic (C16:0), palmitoleic (C16:1), stearic (C18:0), โอเลอิค (C18:1), linoleic (C18:2), linolenic (C18:3), eicosenoic (C20:1), behenic (C22:0) และ erucic (C22:1) สิบตัวแปรที่เป็นตัวแทนของระดับเปอร์เซ็นต์ของกรดไขมันเหล่านี้สิบ และเวกเตอร์ตัวแปร 1 10 แสดงตัวอย่างที่เกี่ยวข้อง ใช้ในการวิเคราะห์ข้อมูลเพิ่มเติม สมาคมและจัดการตนเองแผนที่ (ส้ม) ถูกใช้เพื่อตรวจสอบความคล้ายคลึงกันและ dissimilarity ระหว่างกลุ่มตัวอย่าง แล้ว เครื่องสนับสนุนเวกเตอร์ (SVM) ถูกใช้เป็นวิธีการสร้างโมเดลเพื่อ adulteration การตรวจหา และจำแนกตัวอย่างส่วนผสม ปรับพารามิเตอร์ของ SVM ได้ โดยอนุภาคฝูงเพิ่มประสิทธิภาพ (PSO) เทคนิค Schutte & Groenwold, 2005 จากผลการจัดประเภท กรุณารุ่นถูกพัฒนาเพื่อทำนายระดับของน้ำมันงา โปรแกรมทั้งหมดในส่วนต่อไปนี้ถูกทำโดยใช้ Matlab 2006a (MathWorks สหรัฐอเมริกา) ส้มและ SVM ถูกนำมาใช้กับวิธีใช้ของ 2.0 เครื่องมือส้ม (ห้องปฏิบัติการคอมพิวเตอร์และวิทยาการสารสนเทศ 2010) และเครื่องมือ LIBSVM (มหาวิทยาลัยแห่งชาติไต้หวัน 2010), ตามลำดับ

ผลลัพธ์ (ไทย) 2:

746 ตัวอย่างน้ำมันพืชที่โดดเด่นด้วยองค์ประกอบของสิบกรดไขมันคือ myristic (C14: 0), ปาล์มิติก (C16: 0), palmitoleic (C16: 1), สเตีย (C18: 0), โอเลอิก (C18: 1 ), ไลโนเลอิก (C18: 2), ไลโนเลนิ (C18: 3), eicosenoic (C20: 1), behenic (C22: 0) และ erucic (C22: 1) ระดับร้อยละของสิบเหล่านี้เป็นตัวแทนของกรดไขมันสิบตัวแปรและ 1 10 เวกเตอร์ตัวแปรแสดงให้เห็นถึงตัวอย่างที่สอดคล้องกันใช้ต่อไปในการวิเคราะห์ข้อมูล. PCA และแผนที่การจัดระเบียบตัวเอง (SOM) ถูกนำไปใช้ในการตรวจสอบความคล้ายคลึงและความแตกต่างระหว่างกลุ่มตัวอย่าง จากนั้นเครื่องเวกเตอร์สนับสนุน (SVM) ถูกนำมาใช้เป็นวิธีการสร้างแบบจำลองในการตรวจสอบการปลอมปนและจำแนกตัวอย่างส่วนผสม. การเพิ่มประสิทธิภาพของพารามิเตอร์ SVM สามารถทำได้โดยการเพิ่มประสิทธิภาพของอนุภาคฝูง (PSO) และเทคนิค Schutte Groenwold 2005 จากการจัดหมวดหมู่ ผล PLS รูปแบบได้รับการพัฒนาที่จะคาดการณ์ระดับของน้ำมันงา. โปรแกรมทั้งหมดในส่วนต่อไปนี้ถูกทำโดยใช้ Matlab 2006a (MathWorks สหรัฐอเมริกา) SOM และ SVM ถูกนำมาใช้ด้วยความช่วยเหลือของ SOM กล่อง 2.0 (ห้องปฏิบัติการคอมพิวเตอร์และสารสนเทศศาสตร์, 2010) และกล่อง LIBSVM (มหาวิทยาลัยแห่งชาติไต้หวัน, 2010) ตามลำดับ

ผลลัพธ์ (ไทย) 3:

ส่วนนี่ตัวอย่างของน้ำมันพืช มีลักษณะองค์ประกอบของสิบกรดไขมัน ได้แก่ myristic ( c14:0 ) acid ( c16:0 ) palmitoleic ( c16:1 ) , stearic ( c18:0 ) , oleic ( ที่ทำการ ) , ไลโนอิก ( C18 ) , ไลโนเลนิก ( c18:3 ) eicosenoic ( c20:1 ) , ยกขึ้น ( c22:0 ) และ eruca ( c22:1 ) ระดับเปอร์เซ็นต์ของกรดไขมันเป็นตัวแทนตัวแปรเหล่านี้สิบสิบและ 1  10 ตัวแปรเวกเตอร์แสดงถึงตัวอย่างที่เกี่ยวข้องเพิ่มเติมที่ใช้ในการวิเคราะห์ข้อมูล

PCA และบนแผนที่ ( SOM ) มีวัตถุประสงค์เพื่อศึกษาความเหมือนและความแตกต่างระหว่างกลุ่มตัวอย่าง แล้วสนับสนุนเวกเตอร์เครื่องจักร ( SVM ) ถูกใช้เป็นแบบจำลองวิธีตรวจสอบการปลอมปนและแยกประเภทผสมตัวอย่าง

พารามิเตอร์ที่เหมาะสมของ SVM ได้ โดยเพิ่มประสิทธิภาพของฝูงอนุภาค ( PSO ) เทคนิคสตั๊ต& groenwold , 2005 จากผลการจำแนก pls รูปแบบการพัฒนาเพื่อทำนายระดับของน้ำมันงา

ทุกโปรแกรมในส่วนต่อไปนี้ทำได้โดยใช้ 2006a ( แมธเวิร์คส์ สหรัฐอเมริกา ) โสม และ SVM ดำเนินด้วยความช่วยเหลือของส้มกล่อง 20 ( ห้องปฏิบัติการคอมพิวเตอร์และสารสนเทศ , 2010 ) และ libsvm กล่องเครื่องมือ ( มหาวิทยาลัยไต้หวันแห่งชาติ , 2010 ) ตามลำดับ