توضیحات محصول

تجزیه و تحلیل کمی عسل تقلبی با استفاده از تحلیل طیف همراه با چندین راهبرد ترکیب داده سطح بالا

مقاله اصلی 11 صفحه و متن ترجمه شده 21 صفحه

تعداد کلمات فایل ترجمه:5703

افزودن غیرقانونی شربت به محصولات عسل، ارزش غذایی طبیعی عسل را کاهش می‌دهد. توسعه روش‌های تحلیلی مناسب و دقیق برای پایش سریع کیفیت محصولات ضروری است. این مطالعه قابلیت بالقوه ترکیب مادون‌قرمز میانی (‏MIR) و رامان برای تعیین مقدار HFGS  (شربت با فروکتوز بالا)‏ در ترکیبات باس عسل را بررسی کرد. جایی که در مدل حداقل مربعات جزیی (‏PLS) برای پیش‌بینی غلظت تقلبی ایجاد شد. سه راهبرد ترکیب داده (‏سطح پایین، متوسط و بالا)‏ برای استفاده از اثر هم افزایی اطلاعات شیمیایی از MIR و رامان به کار گرفته شدند، و سه راهبرد ترکیب داده سطح بالا برای بهبود دقت پیش‌بینی مدل کمی را اتخاذ کردند. بعد از ترکیب داده‌ها RMSEP سطح بالا (‏۱ – ۳) ‏بهتر از MIR  (۱.۹۳) ‏و رامان (‏۲.۳۰)‏ بود. علاوه بر این، ضریب تنظیم تعیین (‏R2) و RMSECV ترکیب داده‌های سطح بالا (‏۱ -۳)‏ نیز از رامان (‏۰.۸، ۳.۳۸)‏ و MIR  (۰.۹۵، ۱.۶۳) ‏پیشی گرفت. نتایج نشان داد که: (‏۱) ‏اطلاعات شیمیایی به‌دست‌آمده از MIR و رامان دارای مزایای مکمل هستند. (‏۲)‏ سه راهبرد ترکیب سطح بالا می‌توانند به عنوان یک ابزار قابل‌اعتماد برای تحلیل کمی استفاده شوند. 

Quantitative analysis of honey adulteration by spectrum analysis combined with several high-level data fusion strategies

ABSTRACT
Illegal addition of syrup to honey products would refdeduce the natural nutritional value of honey. It is essential to develop convenient and accurate analytical methods to rapidly monitor products quality. This study investigated the potential usability of combining mid infrared(MIR) and Raman for the quantification of HFGS (high fructose syrup) in bass honey blends. Where in the partial least squares (PLS) model was established to predict the concentration of the adulterant. Three data fusion strategies (low, mid and high-level) were applied to take advantage of the synergistic effect of chemical information from MIR and Raman, and adopted three high-level data fusion strategies to improve the prediction accuracy of the quantitative model. After data fusion, the RMSEP of high-level (1–3) were better than MIR (1.93) and Raman (2.30). Besides, calibration coefficient of
determination (R 2 ) and the RMSECV of high-level data fusion (1–3)also outperformed Raman (0.80, 3.38) and MIR (0.95,1.63).Results showed that: (1) The chemical information obtained from MIR and Raman have complementary advantages. (2) The three high-level fusion strategies can be used as a reliable tool for quantitative analysis.

دانلود رایگان مقاله انگلیسی

دانلود مقاله انگلیسی