Рекомендуем

Разделы:
» Метрология и измерительная техника. Управление качеством» Математические методы и информационные технологии в экономике. Эконометрика» Пищевая промышленность
Ключевые слова:
Data MiningSTATISTICAМашинное обучениеПищевая промышленностьСтатистика
Методы машинного обучения в Data Mining пакета STATISTICAХалафян А.А. Методы машинного обучения в Data Mining пакета STATISTICA
Популярное введение в современный анализ данных и машинное обучение на STATISTICAБоровиков В.П. Популярное введение в современный анализ данных и машинное обучение на STATISTICA
Популярное введение в современный анализ данных в системе STATISTICAБоровиков В.П. Популярное введение в современный анализ данных в системе STATISTICA

Книга

Новинка

Прогностические модели оценки качества и подлинности вина

Халафян А.А., Темердашев З.А.
328 стр.
Научное издание
Формат 60х90/16 (145x215 мм)
Исполнение: в твердом переплете
ISBN 978-5-9912-0977-9
ББК 36.87
УДК 004.9:519.23/.25+663.251
Аннотация

Рассмотрены возможности современных методов анализа данных в установлении качества и подлинности вин по компонентному составу – концентрациям микро- и макроэлементов, аминокислот, летучих веществ. Использованы методы анализа данных – сравнение средних, множественный регрессионный анализ, частотный анализ, классификационный анализ, планирование экспериментов, широкий спектр методов многомерного анализа, методы машинного обучения Data Mining пакета STATISTICA. В области оценки качества и подлинности решены задачи прогнозирования дегустационной оценки вин по концентрациям летучих соединений и аминокислот; установления по концентрациям летучих соединений качества вин в номинальной шкале – высокое, среднее, низкое, фальсификаты; сравнительной оценки роли летучих соединений, аминокислот и металлов в формировании органолептических свойств вин; идентификации по концентрациям летучих соединений наименований вин и региона произрастания винограда; влияния осветления и стабилизации виноматериалов бентонитовыми глинами на формирование их «элементного образа» и идентификацию сортов; анализа элементного состава цепочки почва-виноград-вино, взаимосвязей концентраций элементов в указанных средах и их кластерной структуры и др.

Для научных работников, виноделов, преподавателей вузов, студентов, аспирантов, специалистов, интересующихся применением методов анализа данных в различных областях научной и практической деятельности.

Оглавление

Предисловие

Введение

1. Прогнозирование качества вин линейными моделями
1.1. Модель дегустационной оценки по содержанию летучих веществ
1.2. Модель дегустационной оценки по содержанию нелетучих веществ
1.3. Предсказание качества вин в номинальной шкале
1.4. Общая линейная модель дегустационной оценки
1.5. Исследование соответствия номинальных шкал качества вин

2. Изучение вклада компонентов вин в их органолептические свойства
2.1. Оценка вклада аминокислот и летучих веществ ковариационным анализом
2.2. Оценка вклада аминокислот и летучих веществ факторным анализом
2.3. Оценка вклада летучих веществ и металлов регрессионным анализом
3. Идентификация вин по компонентному составу методами классификации
3.1. Определение сорта и географического пароисхождения белых вин
3.2. Определение сорта и географического пароисхождения красных вин

3.3. Определение фальсификатов
4. Исследование компонентного состава вин
4.1. Выявление элементов-маркеров фрагментов ягоды винограда
4.2. Исследование формирования «элементного образа» вин на стадии их осветления различными бентонитовыми глинами
4.3. Исследование распределения концентраций металлов в почве, ягоде и вине

5. Применение многомерного анализа в обработке экспертных оценок
5.1. Позиционный анализ в оценке согласованности мнений экспертов
5.2. Геометрический подход в оценке результатов дегустации

6. Планирование экспериментов в виноделии
6.1. Применение планов для смесей при купажировании вин
6.2. Применение дробных 2n−p планов при анализе качества вин
7. Прогнозирование качества вин нейронными сетями
7.1. Предсказание дегустационной оценки
7.2. Определение сортовой и региональной принадлежности вин

8. Прогнозирование качества вин методами машинного обучения Data Mining
8.1. Прогнозирование географического происхождения вин
8.1.1. Модели классификации деревьев решений
8.1.2. Модели классификации процедур обучения
8.2. Прогнозирование дегустационной оценки методами Data Mining
8.2.1. Модель множественной линейной регрессии
8.2.2. Регрессионные модели деревьев решений
8.2.3. Регрессионные модели процедур обучения
8.3. Определение класса качества вин

Заключение

Литература