MétaCan
Menu
Retour à la cohorte
Enregistrement W3005922157 · doi:10.1002/fsn3.1436

A flavor uniformity evaluation and improvement of Chinese spirit by electronic nose

2020· article· en· W3005922157 sur OpenAlexaff
Jing Li, Zhenfeng Li, Xia Deng, Chunfang Song, Vijaya Raghavan, Yufei Xie

Notice bibliographique

RevueFood Science & Nutrition · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Chemical Sensor Technologies
Établissements canadiensMcGill UniversitySte. Anne's Hospital
Organismes subventionnairesBeijing Advanced Innovation Center for Food Nutrition and Human HealthGovernment of Jiangsu Province
Mots-clésElectronic noseFlavorHomogeneity (statistics)MinificationComputer scienceProcess engineeringMathematicsBiochemical engineeringArtificial intelligenceMachine learningChemistryFood scienceEngineeringMathematical optimization

Résumé

récupéré en direct d'OpenAlex

Fenjiu spirits are famous for their multifarious flavors in China. Nevertheless, the uniformity and homogeneity of the products are always challenges for the producers. Three flavor measurement methods, that is, zNose™, GC-MS, and spirit tasters, were employed and correlated for evaluation of Fenjiu flavors' difference. An automatic blending system was designed to improve the uniformity, where base liquors of Dazongjiu, Dajiu, and Daijiu, as well as pure water, were used for blending, and BPNN was employed for regression and error minimization. Results showed that zNose™ results could be correlated with GC-MS in 95%; hence, zNose™ can replace GC-MS in Fenjiu flavor measurement. With the zNose™ assistance, an experimental scale, fully automatic blending system could be optimized with different modern mathematical algorithms to improve the Fenjiu products uniformity. We believe that this detailed work will advance the scientific knowledge in the field and help to facilitate the uniformity and homogeneity of Fenjiu products.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,295

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,242
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFood Science & NutritionMême sujetAdvanced Chemical Sensor TechnologiesTravaux en français237 207