intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE

Tiểu luận môn Đánh giá cảm quan thực phẩm: Tìm hiểu về ứng dụng của PCA trong phân tích mô tả định lượng

Chia sẻ: Huỳnh Trang | Ngày: | Loại File: PDF | Số trang:22

270
lượt xem
33
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nội dung bài Tiểu luận môn Đánh giá cảm quan thực phẩm: Tìm hiểu về ứng dụng của PCA trong phân tích mô tả định lượng giới thiệu phương pháp rinciple Component Analysis (PCA), ứng dụng của PCA. Để nắm vững nội dung chi tiết mời các bạn cùng tham khảo tài liệu.

Chủ đề:
Lưu

Nội dung Text: Tiểu luận môn Đánh giá cảm quan thực phẩm: Tìm hiểu về ứng dụng của PCA trong phân tích mô tả định lượng

Ọ<br /> <br /> N<br /> <br /> N<br /> <br /> M<br /> <br /> M<br /> <br /> KHOA CÔNG NGH TH C PH M<br /> BỘ M N ÁN<br /> <br /> Á ẢM QUAN TH C PH M<br /> <br /> T I:<br /> <br /> TÌM HIỂU VỀ ỨNG DỤNG CỦA PCA<br /> TRONG PHÂN TÍCH MÔ TẢ ỊN<br /> <br /> GVHD:<br /> Lớp:<br /> SINH VIÊN THỰC HIỆN:<br /> <br /> TP HCM Th ng năm<br /> <br /> LƢỢNG<br /> <br /> ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng<br /> <br /> DANH SÁCH NHÓM<br /> STT<br /> <br /> NHÓM<br /> <br /> Ọ & ÊN<br /> <br /> MSSV<br /> <br /> PHÂN CÔNG<br /> <br /> 2<br /> <br /> ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng<br /> <br /> MỤ LỤ<br /> Chƣơng 1.<br /> <br /> iới thiệu phƣơng pháp Principle Component Analysis (PCA) ..........4<br /> <br /> 1. Khái niệm .............................................................................................................4<br /> ách tiến hành phƣơng pháp PCA ....................................................................4<br /> <br /> 2.<br /> <br /> 3. Ƣu điểm của<br /> <br /> A:............................................................................................... 5<br /> <br /> 4. Mục đích chính ....................................................................................................5<br /> Chƣơng 2. Ứng dụng của<br /> <br /> A ...................................................................................7<br /> <br /> 1. Quá trình lên men................................................................................................ 7<br /> ánh giá cảm quan .............................................................................................. 8<br /> <br /> 2.<br /> <br /> 3. PCA của thuộc tính cảm quan của sản phẩm lên men ....................................8<br /> 4. Ứng dụng trong đánh giá cảm quan của sản phẩm sữa ................................ 10<br /> 4.1.<br /> <br /> Giới thiệu .....................................................................................................10<br /> <br /> 4.2.<br /> <br /> Phân tích mô tả định lƣợng .......................................................................12<br /> <br /> 4.3.<br /> <br /> ịnh nghĩa hƣơng vị cho sản phẩm sữa ...................................................13<br /> <br /> 5. Sử dụng PCA trong chế biến nƣớc ép rau bằng cách lên men lactic ...........14<br /> 5.1.<br /> <br /> Giới thiệu .....................................................................................................14<br /> <br /> 5.2.<br /> <br /> Nguyên liệu ..................................................................................................15<br /> <br /> 5.3.<br /> <br /> Xácđịnh pH : ............................................................................................... 15<br /> <br /> 5.4.<br /> <br /> Xác định Acide: ........................................................................................... 15<br /> <br /> 5.5.<br /> <br /> ánh giá cảm quan của các loại nƣớc ép bắp cải, cà rốt ........................ 16<br /> <br /> 5.6.<br /> <br /> PHƢƠNG PHÁP THỐNG KÊ ..................................................................16<br /> <br /> 5.7.<br /> <br /> KẾT QUẢ ....................................................................................................16<br /> <br /> 6. Ứng dụng PCA trong sản phẩm sữa tiệt trùng...............................................17<br /> 6.1.<br /> <br /> Tóm tắt.........................................................................................................17<br /> <br /> 6.2.<br /> <br /> Giới thiệu .....................................................................................................17<br /> <br /> 6.3.<br /> <br /> PCA ..............................................................................................................18<br /> <br /> TÀI LI U THAM KHẢO........................................................................................... 22<br /> <br /> NHÓM<br /> <br /> 3<br /> <br /> ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng<br /> <br /> hƣơng 1<br /> <br /> iới thiệu phƣơng pháp rinciple Component Analysis (PCA)<br /> <br /> 1. Khái niệm<br />  Phương ph p Principle Component Analysis (PCA) đây là một thành tựu<br /> của tóan học mà ngày nay được ứng dụng trong rất nhiều lĩnh vực: công nghệ thông<br /> tin sinh học tài chính … và công nghệ thực phẩm<br />  Với dữ liệu cần phân tích ban đầu phụ thuộc nhiều biến vấn đề là c c biến này<br /> thường có tương quan với nhau sẽ bất lợi cho việc p dụng c c biến này để xây dựng<br /> c c mô hình tính to n ví dụ: hồi quy… và với số biến giải thích lớn chúng ta sẽ rất khó<br /> để có c i nhìn trực quan về dữ liệu<br /> 2. ách tiến hành phƣơng pháp<br /> A<br />  hƣơng pháp<br /> A sẽ "chiếu" (biễu diễn) dữ liệu đa chiều lên một không<br /> gian có cơ sở trực giao tức nếu ta xem mỗi cơ sở trong không gian mới là một biến thì<br /> hình ảnh của dữ liệu gốc trong không gian mới này sẽ được biểu diễn thông qua c c<br /> biến độc lập (tuyến tính) Vấn đề là nếu chuyển dữ liệu ban đầu sang không gian mới<br /> thì những thông tin đ ng quan tâm của dữ liệu ban đầu liệu có bị mất? ể giải quyết<br /> vấn đề này phương ph p PCA sẽ tìm không gian mới với tiêu chí cố gắng phản nh<br /> được càng nhiều thông tin gốc càng tốt và thước đo cho kh i niệm "thông tin" ở đây<br /> là phương sai Một điểm hay nữa là c c biến trong không gian mới độc lâp nên ta có<br /> thể tính to n được tỷ lệ giải thích phương sai của từng biến mới đối với dữ liệu điều<br /> này cho phép ta cân nhắc việc chỉ dùng số ít c c biến để giải thích dữ liệu<br />  Nói một c ch ngắn gọn mục tiêu của PCA là tìm một không gian mới (với số<br /> chiều nhỏ hơn không gian cũ) C c trục tọa độ trong không gian mới được xây dựng<br /> sao cho trên mỗi trục độ biến thiên của dữ liệu trên đó là lớn nhất có thể Tiếng Việt<br /> thì dài dòng nhưng tiếng Anh thì mục tiêu này gọi là maximize the variability Ba chữ<br /> này gói gọn ý tưởng chính của PCA.<br /> <br /> NHÓM<br /> <br /> 4<br /> <br /> ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng<br /> <br />  Minh họa PCA: phép chiếu lên c c trục tọa độ kh c nhau có thể cho c ch nhìn<br /> rất kh c nhau về cùng một dữ liệu<br />  Một ví dụ kinh điển là hình ảnh về con lạc đà Cùng là một con lạc đà nhưng<br /> nếu nhìn từ bên hông thì ta có được đầy đủ thông tin nhất trong khi nhìn từ phía trước<br /> thì thật khó để nói nó là lạc đà<br /> 3. Ƣu điểm của<br /> A:<br />  Giúp giảm số chiều của dữ liệu<br />  Thay vì giữ lại c c trục tọa độ của không gian cũ PCA xây dựng một không<br /> gian mới ít chiều hơn nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương không<br /> gian cũ nghĩa là đảm bảo độ biến thiên (variability) của dữ liệu trên mỗi chiều mới<br />  C c trục tọa độ trong không gian mới là tổ hợp tuyến tính của không gian cũ<br /> do đó về mặt ngữ nghĩa PCA xây dựng feature mới dựa trên c c feature đã quan s t<br /> được iểm hay là những feature này vẫn biểu diễn tốt dữ liệu ban đầu<br />  Trong không gian mới c c liên kết tiềm ẩn của dữ liệu có thể được kh m ph<br /> mà nếu đặt trong không gian cũ thì khó ph t hiện hơn hoặc những liên kết như thế<br /> không thể hiện rõ<br /> 4. Mục đích chính<br /> Phân tích thành phần chính (PCA) được sử dụng cho hai mục tiêu:<br />  Giảm số lượng các biến bao gồm một bộ dữ liệu trong khi giữ lại các biến đổi<br /> trong dữ liệu.<br />  X c định các mô hình ẩn trong dữ liệu, và phân loại chúng theo nhiều cách<br /> thông tin lưu trữ trong các dữ liệu.<br />  Khi khai thác một bộ dữ liệu bao gồm nhiều biến (sử dụng thay thế cho nhau<br /> với kích thước hạn sau đây) có khả năng là c c tập con của các biến liên quan chặt chẽ<br /> với nhau. Cho một tương quan cao giữa hai hay nhiều biến số có thể kết luận rằng các<br /> biến này là kh dư thừa do đó chia sẻ các nguyên tắc về việc x c định kết ể minh<br /> chứng cho lập luận này chúng ta hãy xem xét một ví dụ cơ bản. Giả sử chúng ta đã đo<br /> được 2 tham số (tức là tính đại diện bởi số lượng bằng số) của một hình phẳng đó là<br /> NHÓM<br /> <br /> 5<br /> <br />
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
4=>1