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

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.
Nội dung trích xuất từ tài liệu:
Tiểu luận môn Đánh giá cảm quan thực phẩm: Tìm hiểu về ứng dụng của PCA trong phân tích mô tả định lượng Ọ N N M M KHOA CÔNG NGH TH C PH M BỘ M N ÁN Á ẢM QUAN TH C PH M T I: TÌM HIỂU VỀ ỨNG DỤNG CỦA PCA TRONG PHÂN TÍCH MÔ TẢ ỊN GVHD: Lớp: SINH VIÊN THỰC HIỆN: TP HCM Th ng năm LƢỢNG ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng DANH SÁCH NHÓM STT NHÓM Ọ & ÊN MSSV PHÂN CÔNG 2 ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng MỤ LỤ Chƣơng 1. iới thiệu phƣơng pháp Principle Component Analysis (PCA) ..........4 1. Khái niệm .............................................................................................................4 ách tiến hành phƣơng pháp PCA ....................................................................4 2. 3. Ƣu điểm của A:............................................................................................... 5 4. Mục đích chính ....................................................................................................5 Chƣơng 2. Ứng dụng của A ...................................................................................7 1. Quá trình lên men................................................................................................ 7 ánh giá cảm quan .............................................................................................. 8 2. 3. PCA của thuộc tính cảm quan của sản phẩm lên men ....................................8 4. Ứng dụng trong đánh giá cảm quan của sản phẩm sữa ................................ 10 4.1. Giới thiệu .....................................................................................................10 4.2. Phân tích mô tả định lƣợng .......................................................................12 4.3. ịnh nghĩa hƣơng vị cho sản phẩm sữa ...................................................13 5. Sử dụng PCA trong chế biến nƣớc ép rau bằng cách lên men lactic ...........14 5.1. Giới thiệu .....................................................................................................14 5.2. Nguyên liệu ..................................................................................................15 5.3. Xácđịnh pH : ............................................................................................... 15 5.4. Xác định Acide: ........................................................................................... 15 5.5. ánh giá cảm quan của các loại nƣớc ép bắp cải, cà rốt ........................ 16 5.6. PHƢƠNG PHÁP THỐNG KÊ ..................................................................16 5.7. KẾT QUẢ ....................................................................................................16 6. Ứng dụng PCA trong sản phẩm sữa tiệt trùng...............................................17 6.1. Tóm tắt.........................................................................................................17 6.2. Giới thiệu .....................................................................................................17 6.3. PCA ..............................................................................................................18 TÀI LI U THAM KHẢO........................................................................................... 22 NHÓM 3 ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng hƣơng 1 iới thiệu phƣơng pháp rinciple Component Analysis (PCA) 1. Khái niệm  Phương ph p Principle Component Analysis (PCA) đây là một thành tựu của tóan học mà ngày nay được ứng dụng trong rất nhiều lĩnh vực: công nghệ thông tin sinh học tài chính … và công nghệ thực phẩm  Với dữ liệu cần phân tích ban đầu phụ thuộc nhiều biến vấn đề là c c biến này thường có tương quan với nhau sẽ bất lợi cho việc p dụng c c biến này để xây dựng c c mô hình tính to n ví dụ: hồi quy… và với số biến giải thích lớn chúng ta sẽ rất khó để có c i nhìn trực quan về dữ liệu 2. ách tiến hành phƣơng pháp A  hƣơng pháp A sẽ 'chiếu' (biễu diễn) dữ liệu đa chiều lên một không gian có cơ sở trực giao tức nếu ta xem mỗi cơ sở trong không gian mới là một biến thì hình ảnh của dữ liệu gốc trong không gian mới này sẽ được biểu diễn thông qua c c biến độc lập (tuyến tính) Vấn đề là nếu chuyển dữ liệu ban đầu sang không gian mới thì những thông tin đ ng quan tâm của dữ liệu ban đầu liệu có bị mất? ể giải quyết vấn đề này phương ph p PCA sẽ tìm không gian mới với tiêu chí cố gắng phản nh được càng nhiều thông tin gốc càng tốt và thước đo cho kh i niệm 'thông tin' ở đây là phương sai Một điểm hay nữa là c c biến trong không gian mới độc lâp nên ta có thể tính to n được tỷ lệ giải thích phương sai của từng biến mới đối với dữ liệu điều này cho phép ta cân nhắc việc chỉ dùng số ít c c biến để giải thích dữ liệu  Nói một c ch ngắn gọn mục tiêu của PCA là tìm một không gian mới (với số chiều nhỏ hơn không gian cũ) C c trục tọa độ trong không gian mới được xây dựng sao cho trên mỗi trục độ biến thiên của dữ liệu trên đó là lớn nhất có thể Tiếng Việt thì dài dòng nhưng tiếng Anh thì mục tiêu này gọi là maximize the variability Ba chữ này gói gọn ý tưởng chính của PCA. NHÓM 4 ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng  Minh họa PCA: phép chiếu lên c c trục tọa độ kh c nhau có thể cho c ch nhìn rất kh c nhau về cùng một dữ liệu  Một ví dụ kinh điển là hình ảnh về con lạc đà Cùng là một con lạc đà nhưng nếu nhìn từ bên hông thì ta có được đầy đủ thông tin nhất trong khi nhìn từ phía trước thì thật khó để nói nó là lạc đà 3. Ƣu điểm của A:  Giúp giảm số chiều của dữ liệu  Thay vì giữ lại c c trục tọa độ của không gian cũ PCA xây dựng một không gian mới ít chiều hơn nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương không gian cũ nghĩa là đảm bảo độ biến thiên (variability) của dữ liệu trên mỗi chiều mới  C c trục tọa độ trong không gian mới là tổ hợp tuyến tính của không gian cũ do đó ...