The electronic nose as a tool for the classification of fruit and grape wines from different Ontario wineries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Electronic nose technology is useful for classifying or ‘fingerprinting’ foods and beverages based on odour profiles. With a view to providing useful information on quality attributes, the Fox 3000 electronic nose (EN) was tested for the ability to characterize Ontario‐produced fruit wines. Eight fruit wines (blueberry, cherry, raspberry, blackcurrant, elderberry, cranberry, apple and peach) and four grape wines (red, Chardonnay, Riesling and ice wine) were each obtained from a minimum of five Ontario wineries. Replicates of each wine sample were dried onto membrane filters to remove ethanol, and analyzed by the EN. It was possible to separate completely each wine variety ( eg blueberry) based on differences between wineries; however, when all wine data were pooled, classification by variety was poor (58.7% correctly classified). Analysis of different wine varieties from a single winery revealed some misclassification. Wines could be separated into four distinct groups based on position on the discriminant function analysis map (79.9% correct). Fruit and grape wines were well separated from each other (75.9% correct), as were red and white wines (92.2% correct). The results show that the EN can discriminate fruit and grape wines into natural and useful groupings and may become an important tool for standardization of wine quality. Copyright © 2005 Society of Chemical Industry
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle