An electronic nose (e-nose) instrum

An electronic nose (e-nose) instrument combined with chemometrics was used to predict the
physical–chemical indexes (sensory scores, total volatile basic nitrogen (TVBN) and microbial population)
for beef. The e-nose data generated were analyzed by chemometrics methods and pattern recognition.
Mahalanobis Distance (MD) analysis, Principle Component Analysis (PCA) and Linear Discriminant Analysis
(LDA) confirmed the difference in volatile profiles of beef samples of 7 different storage times (ST).
The Back Propagation Neural Network (BPNN) and Generalized Regression Neural Network (GRNN) were
used to build prediction models for ST, TVBN content, microbial population and sensory scores. The
result of GRNN was better than that of BPNN, and the standard error (SE) of GRNN prediction model for
ST, TVBN, microbial population, sensory scores were 1.36 days, 4.64
×
10−2 mg g−1, 1.612
×
106 cfu g−1
and 1.31 respectively. This research indicates that it is of feasibility to use e-nose to predict multiple
freshness indexes for beef.

ผลลัพธ์ (ไทย) 1:

จมูกอิเล็กทรอนิกส์ (อีจมูก) เครื่องดนตรีกับ chemometrics ใช้ในการทำนายการทางกายภาพ – เคมีดัชนี (ทางประสาทสัมผัสคะแนน ระเหยพื้นฐานไนโตรเจน (TVBN) และประชากรจุลินทรีย์)สำหรับเนื้อนั้น ข้อมูลอีจมูกที่สร้างขึ้นถูกวิเคราะห์ โดยวิธี chemometrics และรูปแบบการรับรู้ระยะทาง Mahalanobis (MD) วิเคราะห์ วิเคราะห์ส่วนประกอบหลัก (PCA) และการวิเคราะห์ Discriminant เชิงเส้น(LDA) ยืนยันความแตกต่างในโพรไฟล์การระเหยอย่างเนื้อเวลาจัดเก็บแตกต่างกัน 7 (ST)กลับเผยแพร่ประสาทเครือข่าย (BPNN) และตั้งค่าทั่วไปถดถอยประสาทเครือข่าย (GRNN)ใช้ในการสร้างแบบจำลองการคาดการณ์สำหรับ ST, TVBN เนื้อหาประชากรจุลินทรีย์และทางประสาทสัมผัสคะแนน ที่ผลของ GRNN ได้ดีกว่าที่ BPNN และข้อผิดพลาดมาตรฐาน (SE) รุ่นทำนาย GRNN สำหรับST, TVBN ประชากรจุลินทรีย์ คะแนนทางประสาทสัมผัสได้ราคา 1.36 วัน 4.64×10−2 mg g−1, 1.612×g−1 106 cfuและ 1.31 ตามลำดับ งานวิจัยนี้บ่งชี้ว่า จะมีความเป็นไปได้การใช้ e-จมูกทำนายหลายดัชนีความสดของเนื้อ

ผลลัพธ์ (ไทย) 2:

จมูกอิเล็กทรอนิกส์ (E-จมูก) ที่ใช้ในการรวมกับ chemometrics ถูกใช้ในการคาดการณ์
ดัชนีทางกายภาพและทางเคมี (คะแนนทางประสาทสัมผัสไนโตรเจนพื้นฐานทั้งหมดระเหย (TVBN) และจำนวนประชากรของจุลินทรีย์)
สำหรับเนื้อวัว e-จมูกข้อมูลที่สร้างขึ้นมาวิเคราะห์โดยวิธี chemometrics และการจดจำรูปแบบ.
Mahalanobis ระยะทาง (MD) การวิเคราะห์, วิเคราะห์องค์ประกอบหลักการ (PCA) และการวิเคราะห์จำแนกเชิงเส้น
(LDA) ยืนยันความแตกต่างในรูปแบบที่มีความผันผวนของตัวอย่างเนื้อ 7 ครั้งการจัดเก็บข้อมูลที่แตกต่างกัน ( ST).
การขยายพันธุ์กลับโครงข่ายประสาท (BPNN) และทั่วไปถดถอยโครงข่ายประสาท (GRNN) ถูกนำมา
ใช้ในการสร้างแบบจำลองการคาดการณ์สำหรับ ST เนื้อหา TVBN ประชากรจุลินทรีย์และคะแนนทางประสาทสัมผัส
ผลจากการ GRNN ก็ยังดีกว่าที่ BPNN และข้อผิดพลาดมาตรฐาน (SE) ของ GRNN ทำนายรูปแบบสำหรับ
ST, TVBN ประชากรจุลินทรีย์คะแนนทางประสาทสัมผัสเป็น 1.36 วัน, 4.64
×
10-2 มิลลิกรัมกรัม-1, 1.612
×
106 cfu G-1
และ 1.31 ตามลำดับ การวิจัยครั้งนี้แสดงให้เห็นว่ามันเป็นเรื่องของความเป็นไปได้ที่จะใช้อีจมูกที่จะทำนายหลาย
ดัชนีความสดใหม่เนื้อ

ผลลัพธ์ (ไทย) 3:

จมูกอิเล็กทรอนิกส์ ( จมูก ) เครื่องมือรวมกับเคโมเมตริกที่ใช้ทำนาย
ทางกายภาพและเคมีดัชนี ( คะแนนที่ระเหยได้ทั้งหมด ( tvbn ประสาทสัมผัสพื้นฐานไนโตรเจน ) และประชากรจุลินทรีย์ )
สำหรับเนื้อ ส่วนจมูกข้อมูลสร้าง วิเคราะห์ข้อมูลด้วยวิธีการคีโมเมทริกซ์และรูปแบบ .
mahalanobis ระยะทาง ( MD ) การวิเคราะห์การวิเคราะห์องค์ประกอบหลัก ( PCA ) และเชิงเส้น การวิเคราะห์การจำแนกกลุ่ม ( Discriminant Analysis )
( lda ) ยืนยันความแตกต่างในโปรไฟล์ของเนื้อระเหยตัวอย่างครั้งกระเป๋าแตกต่างกัน 7 ( ST )
( แบบจำลองโครงข่ายประสาทเทียมชนิดแพร่กลับ ) และการถดถอยแบบโครงข่ายประสาทเทียม ( grnn )
ใช้สร้างตัวแบบพยากรณ์ St , tvbn เนื้อหาของประชากรจุลินทรีย์ และคะแนนทางประสาทสัมผัส
ผลของ grnn ดีกว่าของแบบจำลองและค่าความคลาดเคลื่อนมาตรฐาน ( SE ) ของแบบจำลองการทำนาย grnn สำหรับ
St , tvbn ประชากรจุลินทรีย์ มีคะแนนทางประสาทสัมผัส , วัน , 4.64
× 10 − 2 มิลลิกรัม


1.612 − 1 , − 1 × 106 cfu g
และ 1.31 ตามลำดับ การวิจัยแสดงให้เห็นว่า มีความเป็นไปได้ที่จะใช้จมูกทำนายดัชนีความสดหลาย
สำหรับเนื้อ