دانلود ترجمه مقاله شناسایی ترکیبات شیر با متد های PLS و رگرسیون خطی چند گانه – مجله الزویر

 

 

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” شناسایی ترکیبات شیر با متد های PLS و رگرسیون خطی چند گانه ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:

شیوه ای برای تعریف و تعیین ترکیبات شیر توسط تکنیک های حداقل مربعات جزئی، جز اصلی و رگرسیون خطی چند گانه

عنوان انگلیسی مقاله:

Approach to the quantification of milk mixtures by partial least-squares, principal component and multiple linear regression techniques

  • برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
  • برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۰۶
تعداد صفحات مقاله انگلیسی ۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله زیست شناسی و صنایع غذایی
گرایش های مرتبط با این مقاله بیوشیمی، علوم سلولی و مولکولی و زیست فناوری مواد غذایی
مجله شیمی مواد غذایی – Food Chemistry
دانشگاه مرکز تحقیقات شیمی، مکزیک
کلمات کلیدی آنالیز رگرسیون، چند متغیره الکتروفورز، موئینگی، مخلوط‌های شیر
شناسه شاپا یا ISSN ISSN ۲۰۰۵٫۰۷٫۰۳۷
رفرنس دارد
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin ۱۲ صفحه
ترجمه عناوین تصاویر و جداول ترجمه شده است
ترجمه متون داخل تصاویر ترجمه نشده است
ترجمه متون داخل جداول ترجمه نشده است
درج تصاویر در فایل ترجمه درج شده است
درج جداول در فایل ترجمه درج شده است
درج فرمولها و محاسبات در فایل ترجمه به صورت عکس درج شده است

 


  • فهرست مطالب:

 

چکیده

۱٫معرفی

۲٫ماده و روش ها

۲٫کواد شیمیایی و واکنشگرها (معرف ها)

۲٫۲٫طرح آزمایشی

۲٫۳ الکتروفورز و حرکت ذرات معلق مایع به وسیله نیروی برق مرئی (باریک)

۳٫نتایج و بحث

۳٫۱٫الکتروفورز مریی (باریک) از ترکیبات شیر متفاوت

۳٫۲ تحلیل مقیاس داده کروماتوگرافی (رنگ نگار)


  • بخشی از ترجمه:

 

تحلیل مقیاس داده کروماتوگرافی(رنگ نگار)
با هدف پیش گویی درصد شیر از انواع متفاوت شامل شده در یک ترکیب،چندین شیوه ی مقیاس متفاوت ارزیابی شده بودند.(قسمت۱) آن خیلی مشکل است تا برتری یک روش روی دیگری را عمومی سازیم، زیرا اجرای نسبی روش ها اغلب به مجموعه ی داده ویژه تحلیل شده، بستگی دارد. روش ها ی درجه بندی چند متغیره به یک طرح آزمایشی مناسب نیاز دارند تا مجموعه ی درجه بندی را تعریف کنند، تا پایین ترین تعداد از نمونه ها را نگه داری کنند و تا این ها را به طور مشابه در طرح آزمایشی تنظیم کنند. در این حالت، یک طرح مرکز ثقل داده استفاده شده بود تا مجموعه ی درجه بندی را بهینه سازی کند.
برای این که تعداد عامل ها ی استفاده شده برای ساخت مدل های PL S-1, PLS-2 و PCR را انتخاب کنیم و برای این که سیستم را بدون انطباق داده درصد مدل سازی کنیم، یک روش وارسی اعتبار کامل، که یک نمونه را در یک زمان ترک می کند، استفاده شده بود. در حالت مدل MLR، وارسی اعتبار کامل هم چنین به کار رفته بود. آن روی انتقال یک نمونه در زمان از مرحله ی درجه بندی و اجرای درجه بندی با بقیه ی نمونه ها تشکیل می شود. پاسخ نمونه ی انتقال یافته سپس با مدل به دست آمده پیش بینی شده است. این مرحله در برگشت برای هر نمونه ی ملاحظه شده تکرار شده است.خطای مربع میانه ی ریشه از درجه بندی( RMSEC) به عنوان یک معیار بهینه انتخاب شده بود تا تعداد بهینه عامل ها را انتخاب کند. مقدارش به تعداد فاکتورهای استفاده شده برای درجه بندی بستگی دارد. ماگزیمم تعداد فاکتورهای استفاده شده برای محاسبه ی RMSEC بهینه به مانند۱٫۱۲ انتخاب شده بود. RMSEC یک نشانه ای از خطای میانگین در تحلیل براس هر جزء است و این که چه طور مدل با داده منطبق می شود.


  • بخشی از مقاله انگلیسی:

۳٫۲٫ Chemometric analysis of chromatographic data

With the aim of predicting the percentage of milk of different species included in a mixture, several different chemometric approaches were evaluated (PLS-1, PLS2, PCR and MLR). It is very difficult to generalise the superiority of one method over another, because the relative performance of the methods often dependents on the particular data set analysed. Multivariate calibration methods require a suitable experimental design to define the calibration set, in order to keep a lowest number of samples and to arrange theses homogeneously in the experimental design (Ragno et al., 2004). In this sense, a simplex-centroid design was used to optimise the calibration set. To select the number of factors used to build PLS-1, PLS-2 and PCR models and in order to model the system without overfitting the percentage data, a full cross-validation method, leaving out one sample a time, was used (Frenich, Liebanas, Mateu-Sanchez, & Martı´- nez, 2003; Lomillo, Renedo, & Martinez, 2001; Skarpeid et al., 2001). In the case of MLR model, full cross-validation was also employed. It consists on removing one sample at time from the calibration step and performing the calibration with the rest of the samples. The response of the sample removed is then predicted with the obtained model. This step is in turn repeated for each sample considered (Ragno et al., 2004). The root mean square error of calibration (RMSEC) was chosen as an optimizing criterion to select the optimal number of factors. Its value depends on the number of factors used for the calibration. The maximum number of factors used to calculate the optimum RMSEC was selected as 12. RMSEC is an indicator of the average error in the analysis for each component and how well the model fits to the data.


 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:

تعریف و شناسایی ترکیبات شیر با متد های PLS، مولفه اصلی و رگرسیون خطی چند گانه

عنوان انگلیسی مقاله:

Approach to the quantification of milk mixtures by partial least-squares, principal component and multiple linear regression techniques

  • برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
  • برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 

دانلود رایگان مقاله انگلیسی

 

خرید ترجمه فارسی مقاله

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا