abstractThis study was performed to

abstract
This study was performed to develop a hierarchical approach for detection and quantification of adulteration
of sesame oil with vegetable oils using gas chromatography (GC). At first, a model was constructed
to discriminate the difference between authentic sesame oils and adulterated sesame oils using support
vector machine (SVM) algorithm. Then, another SVM-based model is developed to identify the type of
adulterant in the mixed oil. At last, prediction models for sesame oil were built for each kind of oil using
partial least square method. To validate this approach, 746 samples were prepared by mixing authentic
sesame oils with five types of vegetable oil. The prediction results show that the detection limit for
authentication is as low as 5% in mixing ratio and the root-mean-square errors for prediction range from
1.19% to 4.29%, meaning that this approach is a valuable tool to detect and quantify the adulteration of
sesame oil.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อการศึกษานี้ทำการพัฒนาวิธีลำดับการตรวจนับของ adulterationน้ำมันงากับน้ำมันพืชโดยใช้แก๊ส chromatography (GC) ครั้งแรก แบบจำลองถูกสร้างความแตกต่างระหว่างน้ำมันแท้งาและน้ำมันงาเจือที่ใช้สนับสนุนการถือเขาถือเราเครื่อง (SVM) เวกเตอร์อัลกอริทึม แล้ว พัฒนาแบบจำลองใช้ SVM อื่นเพื่อระบุชนิดของadulterant ในน้ำมันผสม ในที่สุด สร้างโมเดลทำนายสำหรับน้ำมันงาสำหรับแต่ละชนิดใช้น้ำมันวิธีอย่างน้อยตารางบางส่วน เพื่อตรวจสอบวิธีการนี้ ตัวอย่าง 746 ถูกเตรียม โดยผสมอาหารน้ำมันงากับน้ำมันพืช 5 ชนิด ผลคาดเดาแสดงว่าตรวจหาขีดจำกัดสำหรับรับรองความถูกต้องต่ำสุด 5% ในการผสมอัตราส่วนและข้อผิดพลาดรากค่าเฉลี่ยกำลังสองสำหรับช่วงทำนายจาก1.19% 4.29% หมายความ ว่า วิธีการนี้เป็นเครื่องมือที่มีคุณค่าเพื่อตรวจสอบ และกำหนดปริมาณ adulteration ของน้ำมันงา

ผลลัพธ์ (ไทย) 2:

นามธรรมการศึกษาครั้งนี้ได้รับการดำเนินการเพื่อพัฒนาวิธีการลำดับชั้นสำหรับการตรวจสอบและการหาปริมาณของการปลอมปนน้ำมันงาที่มีน้ำมันพืชใช้แก๊สchromatography (GC) ตอนแรกเป็นรูปแบบที่สร้างขึ้นในการแยกแยะความแตกต่างระหว่างน้ำมันงาแท้และน้ำมันงาปลอมปนโดยใช้การสนับสนุนเครื่องเวกเตอร์(SVM) อัลกอริทึม จากนั้นอีกรูปแบบ SVM-based ได้รับการพัฒนาเพื่อระบุชนิดของเจือปนในน้ำมันผสม ที่ล่าสุดรุ่นทำนายสำหรับน้ำมันงาที่ถูกสร้างขึ้นสำหรับแต่ละชนิดของน้ำมันโดยใช้วิธีกำลังสองน้อยบางส่วน ในการตรวจสอบวิธีการนี้ 746 ตัวอย่างที่ถูกจัดทำขึ้นโดยการผสมแท้น้ำมันงาที่มีห้าประเภทของน้ำมันพืช ผลการทำนายแสดงให้เห็นว่าขีด จำกัด ของการตรวจสอบสำหรับการตรวจสอบเป็นที่ต่ำเป็น5% ในการผสมอัตราส่วนและข้อผิดพลาดที่รากเฉลี่ยตารางสำหรับช่วงคาดการณ์จาก1.19% เป็น 4.29% ซึ่งหมายความว่าวิธีการนี้เป็นเครื่องมือที่มีคุณค่าในการตรวจสอบและปริมาณ การปลอมปนของน้ำมันงา

ผลลัพธ์ (ไทย) 3:

นามธรรม
การศึกษาที่ผ่านมาแสดงให้พัฒนาวิธีการตรวจหาปริมาณของลำดับชั้นและการปลอมปน
น้ำมันงากับน้ำมันพืชโดยใช้แก๊สโครมาโทกราฟี ( GC ) ตอนแรก เป็นโมเดลที่ถูกสร้างขึ้นเพื่อความแตกต่างระหว่างจริง
งาน้ำมันและแบ่งแยกปนงาน้ำมันโดยใช้เครื่องเวกเตอร์สนับสนุน
( SVM ) ขั้นตอนวิธี จากนั้นใช้รูปแบบ SVM อีกคือการพัฒนาเพื่อระบุชนิดของ
สิ่งเจือปนในน้ำมันผสม ในที่สุด แบบจำลองพยากรณ์น้ำมันงาถูกสร้างขึ้นสำหรับแต่ละชนิดของน้ำมันที่ใช้
วิธีกำลังสองน้อยที่สุดบางส่วน เพื่อตรวจสอบวิธีการนี้ เพราะจำนวนที่เตรียมโดยผสมน้ำมันงาแท้
มีห้าชนิดของน้ำมันพืช การทำนายผลการทดลองแสดงให้เห็นว่าการตรวจสอบ
จำกัดการตรวจสอบเป็นต่ำเป็น 5 % ในอัตราส่วนการผสมและรากหมายถึงข้อผิดพลาดตารางสำหรับช่วงการทำนายจาก
1.19 % ไป 4.29% ความหมาย วิธีการที่ นี้เป็นเครื่องมือที่มีคุณค่าที่จะตรวจจับและวัดการ
น้ำมันงา