基于ICP-MS和DOSY NMR光谱的泡葡萄酒的深度强化学习分类
Ana-Marija Jagatić Korenika1, Ana Jeromel1, Ivana Tomaz1
1University of Zagreb, Faculty of Agriculture, Department of Viticulture and Enology, Svetošimunska cesta 25, HR-10000 Zagreb, Croatia.
这项研究引入了一种新的深度学习方法,将NMR光谱和ICP-MS结合起来,根据原产地对克罗地亚的起泡葡萄酒进行分类. 先进的模型准确地识别了葡萄酒的来源,有助于真实性和质量控制.
科学领域:
- 分析化学 分析化学
- 机器学习 机器学习
- 食品科学 食品科学 食品科学
背景情况:
- 地理来源是葡萄酒分类和真实性的关键因素.
- 来自NMR光谱和ICP-MS的高维数据对传统分类方法提出了挑战.
- 需要先进的计算技术来有效地分析复杂的化学数据以验证葡萄酒的真实性.
研究的目的:
- 开发和验证一个预测模型,根据其地理来源对克罗地亚大陆泡葡萄酒进行分类.
- 探索将NMR光谱学,ICP-MS和深度强化学习结合在一起的有效性,以完成这一分类任务.
- 为葡萄酒认证和质量控制提供可靠的方法,特别是在样本规模有限的情况下.
主要方法:
- 利用核磁共振 (NMR) 光谱和感应合等离子体质谱 (ICP-MS) 来生成高维化学数据.
- 应用了先进的张量分解算法与最先进的深度学习程序结合起来,特别是深度强化学习.
- 在葡萄酒样本数据的子集上训练了一个神经网络预测模型.
主要成果:
- 证明单独高阶张量分解不足以对复杂的NMR或ICP-MS数据进行分类.
- 通过深度强化学习增强神经网络模型实现了高分类准确性 (94%).
- 展示了模型的有效性,即使在较简单的统计方法失败的有限样本集.
结论:
- 开发的深度学习模型提供了一个有效的解决方案,用于根据地理来源对泡葡萄酒进行分类.
- 这种方法对于葡萄酒的真实性和质量控制特别有价值,尤其是在数据有限的情况下.
- 该方法具有在食品和饮料认证和差异化领域更广泛应用的巨大潜力.
更多相关视频
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
09:38Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures
Published on: January 7, 2019
相关概念视频
Classification of Titrimetric Analysis Based on Reaction Types
Titrations between an acid and a base lead to neutralization reactions that form...
Mass Spectrometry: Alcohol Fragmentation
Spectroscopy of Carboxylic Acid Derivatives
Chromatographic Methods: Classification
Chromatographic techniques are typically named by...
Raman Spectroscopy: Overview
However, a small fraction of the scattered light exhibits a frequency shift due to the exchange of energy between the incident photons and...
NMR Spectroscopy of Aromatic Compounds
