ترجمه مقاله ترکیبی از روش های کمومتریکس و GC-MS برای طبقه بندی روغن های نباتی خوراکی-
A combination of chemometrics methods and GC–MS for the classification of edible vegetable oils
تعداد صفحات فایل انگلیسی : 6صفحه pdf
تعداد صفحات فایل ترجمه : 11 صفحه word فونت 14 B Nazanin
تعداد کلمات فایل ترجمه :3283
چکیده
سالم بودن روغن نباتی خوراکی یک مسئله بسیار مهم به دلیل سلامت مصرف کنندگان و دلایل تجاری است. برای تجزیه و تحلیل ترکیب اسید چرب گاز کروماتوگرافی اسپکترومتری جرمی (GC-MS) شصت و شش نمونه از شش نوع روغن های نباتی خوراکی استفاده شد. پروفایل اسید چرب از این روغن نباتی خوراکی برای طبقه بندی نوع روغن های خوراکی استفاده شد. برای بهبود دقت طبقه بندی روغن های نباتی با توجه به نوع، روش ماشینی بردار پشتیبان (SVM) ، بهینه سازی شده با استفاده از الگوریتم ژنتیک (GA)، برای ساخت مدل طبقه بندی استفاده شد. اثربخشی ترکیب GA-SVM در طبقه بندی با آن از دیگر استراتژی های شناخته شده برای طبقه بندی، مانند حداقل فاصله تجزیه و تحلیل طبقه بندی (MDC) و تفکیک خطی (LDA) مقایسه شد . علاوه بر این، الگوریتم Kennard برای انتخاب نمونه های آموزشی استفاده و با روش نمونه گیری تصادفی نرخ رده بندی 8.48٪ و 3.03٪ برای آموزش و آزمون مجموعه ، با استفاده از مدل GA-SVM با استفاده از روش خطی مورد مقایسه قرار گرفت. تنها یک یا دو نمونه در فرایند طبقه بندی GA-SVM دارای طبقه بندی نادرست استفاده خواهد شد. وظیفه طبقه بندی بر اساس داده های اسید چرب می تواند با موفقیت توسط GA-SVM تکنیک ترکیبی با الگوریتم Kennard-به دست آید. نتایج نشان می دهد که این استراتژی در طبقه بندی دقیق و انعطاف پذیر از روغن های گیاهی خوراکی مفید واقع می گردد .
abstract
The authenticity of edible vegetable oils is a very important issue due to consumer health and commercial rea-
sons. Gas chromatography–mass spectrometry (GC–MS) was applied to analyze the fatty acid composition of
sixty six samples fromsix different kinds of edible vegetable oils. The fatty acid profiles of these edible vegetable
oils were used to classify the type of edible oils. For improving the classification accuracy of vegetable oils with
respect to type, the support vector machine (SVM) technique, optimized using the genetic algorithm (GA),
was employed to construct the classification model. The effectiveness of the GA–SVM combination in classification
was compared with that of other well-known strategies for classification, such as minimum distance
classification (MDC) and linear discriminant analysis (LDA). In addition, the Kennard–Stone algorithm was
used to select the representative training samples and compared with the random sampling method. The
misclassification rates were 8.48% and 3.03% for training and test set, respectively, by the GA–SVM model
using the linear kernel. Only one or two samples will be misclassified in the process of GA–SVM classification.
The classification task based on fatty acid data can be successfully achieved by the GA–SVMtechnique combined
with the Kennard–Stone algorithm. The results reveal that this strategy is of great promise in flexible and
accurate classification of edible vegetable oils.
© 2016 Elsevier B.V. All rights reserved.
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
ترجمه مقاله ترکیبی از روش های کمومتریکس و GC-MS برای طبقه بندی روغن های نباتی خوراکی-
A combination of chemometrics methods and GC–MS for the classification of edible vegetable oils
تعداد صفحات فایل انگلیسی : 6صفحه pdf
تعداد صفحات فایل ترجمه : 11 صفحه word فونت 14 B Nazanin
تعداد کلمات فایل ترجمه :3283
چکیده
سالم بودن روغن نباتی خوراکی یک مسئله بسیار مهم به دلیل سلامت مصرف کنندگان و دلایل تجاری است. برای تجزیه و تحلیل ترکیب اسید چرب گاز کروماتوگرافی اسپکترومتری جرمی (GC-MS) شصت و شش نمونه از شش نوع روغن های نباتی خوراکی استفاده شد. پروفایل اسید چرب از این روغن نباتی خوراکی برای طبقه بندی نوع روغن های خوراکی استفاده شد. برای بهبود دقت طبقه بندی روغن های نباتی با توجه به نوع، روش ماشینی بردار پشتیبان (SVM) ، بهینه سازی شده با استفاده از الگوریتم ژنتیک (GA)، برای ساخت مدل طبقه بندی استفاده شد. اثربخشی ترکیب GA-SVM در طبقه بندی با آن از دیگر استراتژی های شناخته شده برای طبقه بندی، مانند حداقل فاصله تجزیه و تحلیل طبقه بندی (MDC) و تفکیک خطی (LDA) مقایسه شد . علاوه بر این، الگوریتم Kennard برای انتخاب نمونه های آموزشی استفاده و با روش نمونه گیری تصادفی نرخ رده بندی 8.48٪ و 3.03٪ برای آموزش و آزمون مجموعه ، با استفاده از مدل GA-SVM با استفاده از روش خطی مورد مقایسه قرار گرفت. تنها یک یا دو نمونه در فرایند طبقه بندی GA-SVM دارای طبقه بندی نادرست استفاده خواهد شد. وظیفه طبقه بندی بر اساس داده های اسید چرب می تواند با موفقیت توسط GA-SVM تکنیک ترکیبی با الگوریتم Kennard-به دست آید. نتایج نشان می دهد که این استراتژی در طبقه بندی دقیق و انعطاف پذیر از روغن های گیاهی خوراکی مفید واقع می گردد .
abstract
The authenticity of edible vegetable oils is a very important issue due to consumer health and commercial rea-
sons. Gas chromatography–mass spectrometry (GC–MS) was applied to analyze the fatty acid composition of
sixty six samples fromsix different kinds of edible vegetable oils. The fatty acid profiles of these edible vegetable
oils were used to classify the type of edible oils. For improving the classification accuracy of vegetable oils with
respect to type, the support vector machine (SVM) technique, optimized using the genetic algorithm (GA),
was employed to construct the classification model. The effectiveness of the GA–SVM combination in classification
was compared with that of other well-known strategies for classification, such as minimum distance
classification (MDC) and linear discriminant analysis (LDA). In addition, the Kennard–Stone algorithm was
used to select the representative training samples and compared with the random sampling method. The
misclassification rates were 8.48% and 3.03% for training and test set, respectively, by the GA–SVM model
using the linear kernel. Only one or two samples will be misclassified in the process of GA–SVM classification.
The classification task based on fatty acid data can be successfully achieved by the GA–SVMtechnique combined
with the Kennard–Stone algorithm. The results reveal that this strategy is of great promise in flexible and
accurate classification of edible vegetable oils.
© 2016 Elsevier B.V. All rights reserved.
دانلود رایگان مقاله انگلیسی