Rapid Detecting Total Acid Content and Classifying Different Types of Vinegar based on Near Infrared Spectroscopy and Ant Colony Optimization Partial Least-Squares Analysis
Notice bibliographique
Résumé
Abstract: More than 3.2 million litres of vinegar is consumed every day in China. Traditional Chinese vinegars are prepared through solid-state fermentation (SFF) and made from different sorts of cereals. Chinese vinegars have specific local features. Every region has its own manufacturers, who produce vinegar in specific processes, using particular raw materials. How to control the quality of vinegar is problem. Near infrared spectroscopy (NIR) transmission technique was applied to achieve this purpose. 46 traditional vinegar samples were collected. They were classified into Sanxi vinegar, Zhenjiang vinegar, Micu vinegar, and Baonin vinegar according to their origin. Micu vinegar and Baonin vinegar were separated from the other categories in the two-dimension principal component space of NIR after principle component analysis (PCA). Ant colony optimization partial least-squares analysis (ACO-PLS) was firstly applied to identify the four categories vinegar. The accuracies of identification were more than 85%. As total acid content (TAC) is highly connecting with the quality of vinegar, NIR was used to predicate the TAC of samples. ACO-PLS was applied to building the TAC prediction model based on spectral transmission rate. Compared with full spectral partial least-square (PLS) model, ACO-PLS model gave better precision and accuracy in predicting TAC. The determination coefficient for prediction (Rp) of the ACO-PLS model was 0.921 and root mean square error for prediction (RMSEP) was 0.3031. This work demonstrated that near infrared spectroscopy technique coupled with ACO-PLS could be used as a quality control method for vinegar.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».